Добыча углеводородного сырья, на поздней стадии разработки месторождений, сопровождается извлечением на поверхность минерализованной воды, что приводит к повышению интенсивности осложнений, в том числе солеотложения. Нефтедобывающие предприятия применяют различные методы борьбы с осложнениями, эффективность которых в большинстве случаев зависит от химического состава воды. Обоснованный выбор технологии борьбы с осложнениями требует проведения лабораторных и промысловых исследований для определения химического состава воды, а также эффективности технологии применительно к текущим условиям эксплуатации. Уменьшение объема трудозатратных исследований представляет несомненный практический интерес.
Одним из способов уменьшения числа исследований является обобщение объектов исследования в рамках групп на основании их близости по совокупности признаков, решение подобной задачи заключается в решении задачи кластеризации. В статье решение задачи кластеризации реализовано путем совместного использования методов снижения размерности исходного пространства признаков, описывающих объект исследования и установления доминирующих связей внутри данных с последующим применением алгоритмов кластеризации к полученному представлению исходных данных.
Предложенная расчетная методика применена на объектах ООО «Башнефть–Добыча». В зависимости от химического состава пластовых вод пробы объединены в группы. Описание как качественных, так и количественных свойств проб пластовых вод проводилось на основании расчета коэффициента интенсивности солеотложения, для каждого из полученных кластеров, по методике Оддо – Томсона. Основной практической ценностью предложенной методики является возможность ее применения к решению задачи оптимизации числа лабораторных и промысловых испытаний реагентов для нефтедобычи на объектах, выделенных в кластеры.
Дальнейшее развитие предложенной методологии предполагает увеличение размерности исходных данных и поиск такого пространства их представления, которое обеспечивало научно-техническое обоснование испытаний нефтепромысловых реагентов на действующих и новых объектах добычи нефти. Среди перспективных методов, требующих оценки применимости к решаемым задачам, можно выделить следующие: задача кластеризации – автокодировщики, цепи Маркова; задача описания свойств пластовых вод – метод Питцера.
Список литературы
1. Comparison of common components analysis with principal components analysis and independent components analysis: Application to SPME–GC–MS volatolomic signatures / Jihéne Bouhlel, Delphine Jouan–Rimbaud Bouveresse [et al.] // Talanta. – 2018. – V. 178. – № 1. – February. – P. 854–863.
2. Marghade D., Malpe D.B., Subba Rao N. Identification of controlling processes of groundwater quality in a developing urban area using principal component analysis. // Environmental Earth Sciences. – 2015. – V. 74 (7). – P. 5919–5933.
3. Wavelet Spectrum and self–organizing maps–based approach for hydrologic regionalization – a case study in the western United States / A. Agarwal, R. Maheswaran, J. Kurths, R. Khosa // Water Resources Management. – 2016. – V. 30 (12). – P. 4399–4413.
4. Catchment classification by runoff behaviour with self–organizing maps (SOM) / R. Ley, M.C. Casper, H. Hellebrand, R. Merz // Hydrology and Earth System Sciences. – 2011. – V. 15(9). – P. 2947–2962.
5. Prediction of monthly regional groundwater levels through hybrid soft–computing techniques / F.J. Chang, L.C. Chang, C.W. Huang, I.F. Kao // Journal of Hydrology. – 2016. – V. 541. – P. 965–976.
6. Haga J., Siekkinen J., Sundvik D. Initial stage clustering when estimating accounting quality measures with self–organizing maps // Expert Systems with Applications. – 2015. – V. 42. – № 21. – P. 8327–8336.
7. García H.L., González I.M. Self–organizing map and clustering for wastewater treatment monitoring // Engineering Applications of Artificial Intelligence. – 2004. – V. 17 (3). – P. 215–225.
8. Evaluation of sedimentation vulnerability at small hillside reservoirs in the semi-arid region of Tunisia using the self–organizing map / A. Hentati, A. Kawamura, H. Amaguchi, Y. Iseri // Geomorphology. – 2010. – V. 122 (1–2). – P. 56–64.
9. Kriegel H.-P., Schubert E., Zimek A. The (black) art of runtime evaluation: Are we comparing algorithms or implementations? // Knowledge and Information Systems. – 2016. – V. 52. – P. 341–378.
10. Halim Z., Waqas M. Efficient clustering of large uncertain graphs using neighborhood information // International Journal of Approximate Reasoning. – 2017. – V. 90. – November. – P. 274–291.
11. De Amorim R.C. Feature Relevance in Ward’s Hierarchical Clustering Using the Lp Norm // Journal of Classification. – 2015. – V. 32 (1). – P.46–62.
12. Domokos E.-K., Bálint C. Definition of user groups applying Ward’s method // Transportation Research Procedia. – 2017. – V. 22. – P. 25–34.
13. Moosavi V. Pre–Specific Modeling. Diss., Eidgenössische Technische Hochschule ETH Zürich. – Nr. 22683. – 2015.
14. Oddo J.E., Tomson M.B. Why Scale Forms and How to Predict It // SPE Production & Facilities 9. – 1994. – № 1. – P. 47–54.
15. Comprehensive management of mineral scale deposition in carbonate oil fields – A case study / M. Zahedzadeh [at el.] // Chemical Engineering Research and Design. – 2014. – V. 92. – № 11. – P. 2264–2272.вЃ
