УДК 681.5.017
Р.Ю. Пономарев, Р.Р. Зиазев, А.А. Лещенко, Р.Р. Мигманов,
М.И. Ивлев
ОПТИМИЗАЦИЯ СИСТЕМЫ ЗАВОДНЕНИЯ: ПРЕИМУЩЕСТВА ГИБРИДНОГО ПОДХОДА К РАЗРАБОТКЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ФИЛЬТРАЦИИ
Аннотация
Актуальность. В последнее время нейронные сети все чаще используются для обработки и прогнозирования динамики технологических показателей работы скважин. Однако есть ряд ограничений в их применении для оптимизации системы заводнения. Цель работы. Разработка моделей, позволяющих корректно воспроизвести процесс влияния системы поддержания пластового давления на работу добывающих скважин. Рассмотрена задача моделирования реакции добывающих скважин на изменение режимов закачки воды в нагнетательных скважинах с помощью методов нейросетевого моделирования. Результаты. Предложены подходы к созданию и обучению физико-информированных нейронных сетей для моделирования откликов в добыче нефти по изменениям режимов в системе поддержания пластового давления. Приведены результаты тестирования обучения и прогностических способностей моделей PINN (physics-informed neural network), проведено сравнение с результатами прогнозирования на классической нейронной сети LSTM. Выводы. При гибридном обучении моделей с учетом фактических данных модели PINN позволяют нивелировать ограничения классических нейронных сетей.
Ключевые слова: нейросетевое моделирование, разработка месторождений, физико-информированные нейронные сети, оптимизация режимов работы нагнетательных скважин
R.Yu. Ponomarev, R.R. Ziazev, A.A. Leshchenko, R.R. Migmanov,
M.I. Ivlev
FLOODING SYSTEM OPTIMIZATION: ADVANTAGES OF A HYBRID APPROACH TO DEVELOPING NEURAL NETWORK FILTRATION MODELS
Abstract
Background. Currently, neural networks are increasingly used for processing and forecasting the dynamics of well performance. However, there are a number of limitations in their application for flooding system optimization. Objective. To develop models that can correctly reproduce the impact of the reservoir pressure maintenance system on the operation of production wells. The article considers the problem of modeling the reaction of producing wells to the changes in water injection modes in injection wells using neural network modeling methods. Results. We propose the approaches to the creation and training of physics-informed neural networks for modeling responses in oil production to regime changes in the reservoir pressure maintenance system. The results of testing the training and predictive abilities of PINN (physics-informed neural network) models are presented, and a comparison is made with the results of forecasting on the classical LSTM neural network. Conclusions. With hybrid training of models based on actual data, PINN models make it possible to offset the limitations of classical neural networks.
Keywords: neural network modeling, field development, physics-informed neural network, optimization of injection well operation modes
DOI 10.29222/ipng.2078-5712.2024-15-4.art3
Полный текст статьи в формате PDF
