УДК 004.032.26
Д.П. Аникеев, Э.С. Аникеева
ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ
PVT-МОДЕЛЕЙ, ИСПОЛЬЗУЕМЫХ ПРИ РЕШЕНИИ ЗАДАЧ ГИДРОДИНАМИЧЕСКОГО МОДЕЛИРОВАНИЯ
Аннотация
В статье представлен обзор применения подхода нейросетевого обучения для задач моделирования фазового состояния углеводородных систем. Определение состояния углеводородной системы в присутствии или отсутствии неуглеводородных компонентов в пластовых условиях необходимо при выполнении гидродинамических расчетов на многофазных моделях. Такие расчеты востребованы как при решении задач прогнозирования, так и адаптации моделей месторождений к фактическим данным разработки. Показано, что при настройке моделей на фактические данные точность воспроизведения лабораторных экспериментов в ряде случаев выше, чем при использовании уравнений состояния. Но в некоторых случаях применение нейронных сетей оказывается бесполезным. Для относительно «простых» флюидальных систем рост сложности использованного инструмента не дает прироста точности по сравнению с простыми регрессионными моделями. Другой проблемой является отсутствие рабочего инструмента, который позволил бы заменить в полной мере использование уравнений состояния для оценки состояния флюидальной модели при выполнении гидродинамических расчетов.
Ключевые слова: машинное обучение, нейронные сети, гидродинамические модели, флюидальные модели
D.P. Anikeev, E.S. Anikeeva
APPLICATION OF NEURAL NETWORKS FOR DETERMINING
THE PARAMETERS OF PVT-MODELS USED IN SOLVING HYDRODYNAMIC MODELING PROBLEMS
Abstract
The article presents an overview of the application of machine learning models for problems of modeling the phase state of hydrocarbon systems. Determination of the state of a hydrocarbon system is possible in the presence of nonhydrocarbon components when performing hydrodynamic calculations on multiphase models. Such calculations are in demand when solving problems of both forecasting and adapting models to actual development data. It is shown that when adjusting models to actual data, the accuracy of reproducing laboratory experiments is in some cases higher than when using equations of state. But in some cases, the use of neural networks turns out to be useless. For relatively “simple” fluid systems, an increase in the complexity of the tool used does not provide an increase in accuracy compared to simple regression models. Another problem is the lack of a working tool that would completely replace the use of equations of state to assess the state of a fluid model when performing hydrodynamic calculations.
Keywords: machine learning, neural networks, hydrodynamic models, fluid models
DOI 10.29222/ipng.2078-5712.2024-15-3.art1
Полный текст статьи в формате PDF
