Разработка алгоритма оптимизации процесса эксплуатации нефтяного месторождения Каймысовского свода на основе методов машинного обучения

В своей работе “Разработка алгоритма оптимизации процесса эксплуатации нефтяного месторождения Каймысовского свода на основе методов машинного обучения” Николай Гирич показывает возможное применение методов обучения с подкреплением (часть машинного обучения) в нефтегазовой сфере. В работе использованы данные с месторождения К (дебиты скважин, скин-фактор и т.д.), также использовалась секторная гидродинамическая модель для оценки эффективности результатов. Данная работа может быть использована различными нефтегазовыми компаниями для увеличения эффективности труда на этапе планирования и принятия решений в процессе эксплуатации нефтяных месторождений.

ВВЕДЕНИЕ ……………………………………………………………………………………………… 18
1. ИЗУЧЕНИЕ И АНАЛИЗ ТЕОРЕТИЧЕСКИХ ОСНОВ МЕТОДОВ
ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ …………………………………………………………. 21
1.1 Основная теоретическая информация об обучении с подкреплением … 21
1.2 Условие оптимальности. Уравнение Беллмана …………………………………. 24
2. ГЕОЛОГО–АДМИНИСТРАТИВНАЯ ХАРАКТЕРИСТИКА
МЕСТОРОЖДЕНИЯ К. ……………………………………………………………………………. 26
2.1 Краткая характеристика нефтяного месторождения К ………………………. 26
2.2 Геологическая характеристика месторождения ………………………………… 28
2.3 Тектоническая характеристика месторождения ………………………………… 30
3. ПОСТРОЕНИЕ МОДЕЛИ УЧАСТКА МЕСТОРОЖДЕНИЯ К ДЛЯ
ПРОВЕДЕНИЯ ДАЛЬНЕЙШИХ РАСЧЕТОВ ………………………………………….. 32
3.1 Обработка данных лабораторного анализа керна ……………………………… 32
3.2 Обработка гидродинамических исследований скважин …………………….. 37
3.3 Обработка геофизических исследований скважин …………………………….. 39
3.4 Физико-химические данные пластовых флюидов ……………………………… 53
3.5 Построение гидродинамической модели…………………………………………… 54
4. ПОДГОТОВКА АЛГОРИТМА И МОДЕЛИ ДЛЯ ЕГО ВЫПОЛНЕНИЯ .. 58
4.1 Подготовка алгоритма ……………………………………………………………………… 58
4.2 Подготовка модели для определения рейтинга бурения ……………………. 63
5. РЕЗУЛЬТАТЫ ПРОВЕДЕННЫХ ИССЛЕДОВАНИЙ …………………………… 65
5.1 Результаты в области принятия решений ………………………………………….. 65
5.2 Результаты в области нахождения оптимальной очереди бурения …….. 72
6. ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ…………………………………………………………………………. 76
6.1. Потенциальные потребители результатов исследований ………………….. 76
6.2. SWOT-анализ ………………………………………………………………………………….. 76
6.3. Цели и результаты проекта ……………………………………………………………… 77
6.4. Организационная структура проекта ……………………………………………….. 78
6.5. Ограничения и допущения проекта …………………………………………………. 79
6.6 Бюджет научно–технического исследования…………………………………….. 79
6.6.1 Отчисления на основную заработную плату ……………………………….. 79
6.6.2 Отчисления на дополнительную заработную плату …………………….. 81
6.6.3 Отчисления во внебюджетные фонды (страховые отчисления) ……. 81
6.6.4 Накладные расходы ……………………………………………………………………. 82
6.6.5 Материальные затраты научно-технического исследования ………… 82
6.6.6 Формирование бюджета затрат научно-исследовательского проекта
…………………………………………………………………………………………………………… 83
6.7 Расчет экономических показателей проекта ……………………………………… 83
7. СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ ………………………………………………… 86
7.1 Анализ вредных факторов ………………………………………………………………… 86
7.2. Анализ опасных факторов……………………………………………………………….. 91
7.3. Охрана окружающей среды …………………………………………………………….. 93
7.4. Защита в чрезвычайных ситуациях. …………………………………………………. 94
7.5. Правовые и организационные вопросы обеспечения безопасности ….. 95
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ …………………………………………. 98
ПРИЛОЖЕНИЕ А ………………………………………………………………………………….. 101
ПРИЛОЖЕНИЕ Б …………………………………………………………………………………… 104

По итогам данной работы можно сделать вывод о том, что
использование алгоритмов обучения с подкреплением возможно и в
дальнейшем может привести к более значимым результатам. Для этого
необходимо рассматривать каждый вариант применения отдельно и находить
методы метрики для оценки качества применения моделей на практике.
Так как данные об оценке условных вероятностях успешных исходов
при проведении различных мероприятий в нефтегазовой сфере, в работе была
использована экспертная оценка вероятностей. Этот недостаток может быть
нивелирован тем фактом, что целью работы было оценить возможность
использования методов обучения с подкреплением на практике (хотя часть
информации был взята из реальных производственных данных).
С другой стороны, для успешного применения методов обучения с
подкреплением в нефтегазовой сфере может понадобиться большое
количество статистических данных, построенных на основе достоверных
измерений тех или иных параметров. С последним же могут быть проблемы,
т.к. на производстве часто не уделяют достаточное внимание точности
собираемой информации.
Дальнейшее применение методов обучения с подкреплением может
значительно снизить время принятия решений и выполнения повседневных
задач, что в свою очередь способствует более эффективному использованию
человеческих ресурсов.
В качестве конкретных результатов данной работы можно выделить
следующие пункты:
1. Конкретное применение методов обучения с подкреплением на
примере месторождения К.
2. Показана возможность применения обучения с подкреплением в
процессе принятия решений при оптимизации процесс разработки нефтяных
месторождений.
3. Показана методика определения наград при реализации
применения обучения с подкреплением.
4. Частично рассмотрено применение Байесовского подхода при
оценке вероятностей.
В дальнейшем данная тема может развиваться в более широком
диапазоне. Для этого может понадобиться иная система оценки наград и
вероятностей. Также стоит попробовать применить глубокое обучение с
подкреплением, которое сейчас активно развивается.

1.Ефимова В. А., Фильченков А. А., Шалыто А. А. Применение
обучения с подкреплением для одновременного выбора модели алгоритма
классификации и ее структурных параметров. Машинное обучение и анализ
данных, 2016. Том 2, № 2
2.Закревский К.Е. Геологическое моделирование горизонта Ю1
Томской области / под ред. К.Е. Закревского. – Томск : Издательский Дом
Томского государственного университета, 2016. – 154 с.
3.КонторовичВ.А.Мезозойско-кайнозойскаятектоникаи
нефтегазоносность Западной Сибири //Геология и геофизика, 2009, т. 50 (4), с.
461—474.
4.Конторович В.А. Тектоника и нефтегазоносность мезозойско-
кайнозойских отложений юго-восточных районов Западной Сибири. –
Новосибирск, Изд-во СО РАН, филиал «Гео», 2002, 253 с
5.НазаренкоО.Б.Безопасностьжизнедеятельности.Расчет
искусственногоосвещения.Методическиеуказанияквыполнению
индивидуальных заданий для студентов дневного и заочного обучения всех
направлений и специальностей ТПУ. – Томск: Изд. ТПУ, 2008. – 20 с.
6.Петерсилье В.И., Пороскун В.И., Яценко Г.Г. Методические
рекомендации по подсчету геологических запасов нефти и газа объемным
методом. – Москва – Тверь: ВНИГНИ, НПЦ «Тверьгеофизика», 2003. – 259 с.
7.Скворцов Ю.В. Организационно-экономические вопросы в
дипломном проектировании: Учебное пособие. – М.: Высшая школа, 2006. –
399 с.
8.ГОСТ12.0.003-74 Система стандартов безопасности труда
(ССБТ). Опасные и вредные производственные факторы. Классификация (с
Изменением N 1) М.: Изд–во стандартов, 1974, №12.1.005-74, 25 с.
9.ГОСТ12.1.003-83(СТСЭВ1930-79).Шум.Общие
требования безопасности. – М.: Госкомсанэпиднадзор, 2003 – 28 с
10.ГОСТ12.1.029-80. Средства и методы защиты от шума.
Классификация. – М.: Г оскомсанэпиднадзор, 2003 – 28 с
11.СНиП 23-05-95. Строительные нормы и правила. Нормы
проектирования.Естественноеиискусственноеосвещение.М.:
Госкомсанэпиднадзор, 2003 28 с.
12.СанПиН2.2.4.548-96.Гигиеническиетребованияк
микроклимату производственных помещений. – М.: Госкомсанэпиднадзор,
2003 – 11 с.
13.ГОСТ 12.1.038-82 ССБТ. Электробезопасность. Предельно
допустимые уровни напряжений прикосновения и токов – М.: Изд-во
стандартов, 1982, №12.1.005-82, 35 с.
14.СанПиН 2.2.1/2.1.1.1200-03.Санитарно-защитныезоныи
санитарная классификация предприятий, сооружений и иных объектов. М.:
Госкомсанэпиднадзор, 2005 – 11 с.
15.Федеральный закон от 21.12.1994 № 69-ФЗ “О пожарной
безопасности” // СЗ РФ. 26.12.1994. N 35. Ст. 3649
16.Abdel-Aal H., Alsahlawi M. Petroluem Economics and Engineering,
third edition. – Boca Raton: CRC Press, 2013. – 472 p.
17.Aggarwal C. Linear Algebra and Optimization for Machine
Learning. – New York: Springer, 2020. – 507 p.
18.Briggs W. C++ for Lazy Programmers: Quick, Easy, and Fun C++ for
Beginners. – New York: Apress, 2019. – 644 p.
19.Cannon S. Petrophysics: A Practical Guide. – Hoboken: Wiley –
Blackwell, 2015. – 224 p.
20.Cannon S. Reservoir modelling: A practical guide – Hoboken: Wiley –
Blackwell, 2018 – 328 p.
21.Deitel P., Deitel H. Intro to Python for Computer Science and Data
Science: Learning to Program with AI, Big Data and The Cloud – London: Pearson,
2019 – 880 p.
22.Gelman A., Carlin J., Stern H. Bayesian data analysis, third edition, –
Boca Raton: CRC Press, 2013. – 656 p.
23.Horne R. Modern Well Test Analysis: A Computer-Aided Approach. –
Dallas: Petroway, Inc, 1997. – 257 p.
24.House L., Hill J. Principles of Applied Reservoir Simulation. –
Burlington: Elsevier Inc, 2006. – 511 p.
25.Lapan M. Deep reinforcement learning hands-on. Second edition. –
Birmingham: Packt Publishing. 2020. – 798 p.
26.Lutz M. Learning Python, 3rd Edition. – Sebastopol: O’Reilly Media,
Inc, 2007. – 752 p.
27.Milliken C. Python Projects for Beginners. – New York: Apress, 2020.
– 332 p.
28.Peaceman D. Fundamentals of numerical reservoir simulation. –
Amsterdam: Elsevier Scientific Publishing Company, 2000. – 168 p.
29.Phillips D. Python 3 Object–oriented Programming. Second edition –
Birmingham: Packt Publishing, 2015. – 431 p.
30.Sutton R, Barto A. Reinforcement Learning: An Introduction. Second
edition. – Cambridge, London: The MIT Press, 2018. – 526 p.
31.Sutton R, Barto A. Reinforcement Learning: An Introduction. First
edition. – Cambridge, London: The MIT Press, 1998. – 398 p.