В статье показано, что традиционная версия геолого-гидродинамических моделей нефтегазовых месторождений на основе компьютерного подхода не является единственно возможной и, более того, сдерживает развитие моделирования в целом, поскольку не является по-настоящему математической. Предложена новая методика построения геолого-гидродинамических моделей нефтегазовых месторождений. Модели имеют непривычный вид и не предназначены для визуального анализа, но в то же время более эффективны для компьютерного прогноза. Новые математические геологические и гидродинамические модели представляют собой каскады из нечетко-логических матриц. Матрицы геологической модели формируются из пространственных координат и геологических параметров, в матрицы гидродинамической модели дополнительно включается временная координата. Число нечетко-логических матриц может доходить до нескольких тысяч. С использованием полученных матриц можно строить функции принадлежности и прогнозировать значения исследуемых параметров, например, перспективность нового бурения, распределение остаточных запасов или уровни добычи углеводородов. Предложенная конструкция геолого-гидродинамических моделей из набора каскадов матриц может показаться сложной. Однако расчет этих каскадов выполняется полностью автоматически и не требует дополнительного контроля. Каскады матриц являются математическими функциями, а не иллюстрациями геологического строения исследуемых объектов, и они непосредственно используются для прогнозных расчетов. Формирование каскадов нечетко-логических матриц является новой формой машинного обучения. Для этого целесообразно задействовать большие объемы исходных данных. Применение нового метода машинного обучения на основе каскада нечетко-логических матриц открывает дополнительные возможности для применения методов искусственного интеллекта в геолого-гидродинамическом моделировании нефтегазовых месторождений.
Список литературы
1. Халимов Э.М. Детальные геологические модели и трехмерное моделирование // Нефтегазовая геология. Теория и практика. – 2012. – Т. 7. – № 3. – С. 1–10. – http://www.ngtp.ru/rub/11/41_2012.pdf.
2. Development of a Surrogate Reservoir Model (SRM) for fast track analysis of a complex reservoir / S.D. Mohaghegh, A. Modavi, H. Hafez [et al.] // International Journal of Oil, Gas, and Coal Technology. – 2009. – № 1 (2). – P. 2–23.
3. Новый адаптивный подход к геолого-гидродинамическому моделированию длительно разрабатываемых месторождений и залежей / Е.Н. Тараскин, И.С. Гутман, С.А. Руднев [и др.] // Нефтяное хозяйство. – 2017. – № 6. – С. 78–83.
4. Михайловский А.А. Применение упрощенных газогидродинамических прокси-моделей для оперативных технологических расчетов газовых промыслов и подземных хранилищ // Вести газовой науки: Актуальные проблемы добычи газа. – 2018. – № 1 (33). – С. 193–202.
5. Hudson J. Technology Focus: Intelligent Fields Technology // Journal of Petroleum Technology. – 2016. – № 68/5. – 70 p.
6. Перспективные технологии Big Data в нефтяном инжиниринге: опыт компании «Газпром нефть» / М.М. Хасанов, Д.О. Прокофьев, О.С. Ушмаев [и др.] // Нефтяное хозяйство. – 2016. – № 12. – С. 76–79.
7. From Mega Cell to Giga Cell Reservoir Simulation / A.H. Dogru, L.S.K. Fung, T.M. Al-Shaalan [et al.] // SPE-116675-MS. – 2008.
8. Четверушкин Б.Н., Дородницын Л.В. Кинетически согласованные схемы в газовой динамике // Математическое моделирование. – 1999. – № 5. – С. 84–100.
9. Lantz B. Machine Learning with R. – Birmingham–Mumbai: Packt Publishing, 2015. – 452 p.
10. Система поддержки многовариантного моделирования: анализ пространства неопределенности / А.В. Безруков, А.Р. Мухарлямов, В.А. Байков, В.И. Савичев // Нефтяное хозяйство. – 2007. – № 11. – С. 14–16.
