RU2752779C1 - Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть - Google Patents
Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть Download PDFInfo
- Publication number
- RU2752779C1 RU2752779C1 RU2020143147A RU2020143147A RU2752779C1 RU 2752779 C1 RU2752779 C1 RU 2752779C1 RU 2020143147 A RU2020143147 A RU 2020143147A RU 2020143147 A RU2020143147 A RU 2020143147A RU 2752779 C1 RU2752779 C1 RU 2752779C1
- Authority
- RU
- Russia
- Prior art keywords
- flow rate
- neural network
- fluid flow
- neurons
- time step
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000002347 injection Methods 0.000 title claims abstract description 31
- 239000007924 injection Substances 0.000 title claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 24
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 13
- 239000012530 fluid Substances 0.000 claims abstract description 45
- 210000002569 neuron Anatomy 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 210000004205 output neuron Anatomy 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 210000002364 input neuron Anatomy 0.000 claims abstract description 4
- 230000002123 temporal effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 239000003129 oil well Substances 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract 1
- 239000007788 liquid Substances 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008309 brain mechanism Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Feedback Control In General (AREA)
Abstract
Изобретение относится к прогнозированию и управлению дебитом жидкости по скважинам нефтяного месторождения. Для осуществления способа управления работой нагнетательных и добывающих скважин нефтяного месторождения, основанного на устройстве управления, имеющем искусственную нейронную сеть с циклической связью, создают прогноз дебита жидкости во времени. Для создания прогноза, при переходе на следующий расчетный временной шаг результаты расчета, полученные на выходном нейроне за предыдущий временной шаг, подают на входной слой нейронов текущего шага. После обучения нейронной сети решают оптимизационную задачу по определению оптимальной приемистости нагнетательных скважин и дебита жидкости добывающих, обеспечивающей увеличение дебита нефти. Полученные значения дебитов жидкости и приемистостей устанавливают на скважинах автоматически или вручную. Устройство управления режимами работы скважин на основе нейронной сети содержит многослойную циклическую нейронную сеть, включающую: первый входной слой, количество нейронов которого равняется количеству входных данных. Несколько скрытых слоев, общее количество которых и количество содержащихся на них нейронов подбирается экспериментально. Третий выходной слой, содержащий один нейрон, отвечающий за предсказание дебита жидкости на текущем временном шаге. Для учета временных эффектов дополнительно введена циклическая связь между выходным нейроном, отвечающим за дебит жидкости на предыдущем временном шаге, и входным нейроном на текущем временном шаге. Достигается технический результат – повышение точности прогноза, возможность предсказания изменения дебита жидкости во времени, подбор оптимальных режимов работы добывающих и нагнетательных скважин, обеспечивающих повышение добычи нефти. 2 н. и 1 з.п. ф-лы, 4 ил.
Description
Способ относиться к вычислительной технике и может быть использован для предсказания дебитов жидкости нефтяных скважин и автоматического управления режимами работы нагнетательных и добывающих скважин.
Известен способ управления заводнением нефтяных пластов [патент РФ 2614338, МПК G06F 30/20, 24.03.2017], включающий определение взаимного влияния добывающих и нагнетательных скважин и формирование рекомендаций по перераспределению закачки. Способ позволяет определить функциональную зависимость работы добывающих скважин от приемистости жидкости нагнетательных скважин на основе обработки первичной промысловой информации искусственными нейронными сетями. Однако применяемая в способе нейронная сеть на основе простого пецептрона, описанного в работе [Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга - Мир, 1965], обладает следующими недостатками: прогнозируется зависимость дебита жидкости только от приемистости окружающих нагнетательных скважин, и не прогнозируются значимые эффекты, связанные с естественным падением давления во время отборов. По своей сути предлагаемая в известном патенте [патент РФ 2614338, МПК G06F 30/20, 24.03.2017] нейронная сеть не может воспроизводить зависимости от времени и восстанавливает только корреляцию дебита жидкости от мгновенной закачки.
Известна многослойная нейронная сеть [патент RU 115098 U1, МПК G06N 5/00 опубл. 20.04.2012], содержащая первый скрытый слой нейронов с логистическими функциями активации, содержащий 11 или 12 нейронов, второй скрытый слой с логистическими функциями активации или гиперболическим тангенсом, содержащий 9 или 10 нейронов, один нейрон выходного слоя с линейной функцией активации, при этом выходы первого слоя нейронов соединены только с входами второго слоя нейронов, выходы второго слоя нейронов соединены только с входами третьего слоя нейронов, а выход третьего слоя нейронов не имеет соединения с входами нейронов первого и второго слоев нейронов.
Однако известная нейронная сеть обладает следующими недостатками: отсутствие обратной (рекуррентной) связи не позволяет производить прогноз изменений параметров во времени при не изменяющихся или стабильных входных параметрах. Кроме того, в известном патенте [патент RU 115098 U1, МПК G06N 5/00 опубл. 20.04.2012] не указана возможность применения данного типа сети для решения задачи прогнозирования дебита жидкости добывающих скважин.
Совокупность признаков, наиболее близкая к совокупности существенных признаков заявляемого изобретения, присуща известной полезной модели многослойной нейронной сети [патент RU 169425 U1, МПК G06N 5/00, МПК G06Q 10/06 опубл. 16.03.2017] в устройстве прогнозирования электропотребления, содержащем многослойную нейронную сеть, включающую первый входной слой нейронов, второй скрытый слой нейронов, третий выходной слой нейронов, выходы первого слоя нейронов соединены только с входами второго слоя нейронов, выходы второго слоя нейронов соединены только с входами третьего слоя нейронов, отличающееся тем, что устройство содержит блок аппроксимации с одним входом, предназначенным для входной информации, и одним выходом, выход блока аппроксимации соединен с одним из входов многослойной нейронной сети, выход нейрона третьего слоя соединен с одним из входов сумматора, со вторым входом сумматора соединен один из выходов блока аппроксимации.
Недостатком известной сети, принятой за прототип, является: обратная связь, реализованная в прототипе через сумматор и блок аппроксимации, не позволяет восстанавливать зависимости от времени, поскольку сеть работает на одном временном шаге. Кроме того, предлагаемый блок аппроксимации не применим к задачам прогнозирования дебита жидкости, поскольку реализует в апроксиматоре синусоидальную функцию, то есть применим только для процессов, имеющих циклическую природу. Таким образом, полезная модель [патент RU 169425 U1, МПК G06N 5/00, МПК G06Q 10/06 опубл. 16.03.2017] не может быть использована для прогнозирования дебитов жидкости добывающих скважин и управления режимами работы нагнетательных скважин.
Задачей заявляемого технического решения является прогнозирования дебита жидкости по скважинам нефтяного месторождения и определение оптимальных объемов закачки воды и отбора жидкости.
Технический результат: повышение точности прогноза, возможность предсказания изменения дебита жидкости во времени, подбор оптимальных режимов работы добывающих и нагнетательных скважин, обеспечивающих повышение добычи нефти.
Указанный технический результат по объекту способ достигается тем, что способ управления работой нагнетательных и добывающих скважин нефтяного месторождения, основанный на устройстве управления, имеющем в себе искусственную нейронную сеть, в которой содержатся входной слой нейронов, несколько скрытых слоев с линейными/логистическими/сигмоидальными функциями активации, нейроны выходных слоев и циклическая связь; характеризуется тем, что, для создания прогноза дебита жидкости во времени, при переходе на следующий расчетный временной шаг, результаты расчета, полученные на выходном нейроне за предыдущий временной шаг, подают на входной слой нейронов текущего шага, после обучения нейронной сети решают оптимизационную задачу по определению оптимальной приемистости нагнетательных скважин и дебита жидкости добывающих, обеспечивающей увеличение дебита нефти, после чего полученные значения дебитов жидкости и приемистостей устанавливают на скважинах автоматически или вручную. При этом фактическую динамику дебита жидкости разбивают на два временных интервала: обучение, тест; и на временном интервале обучения в циклическую связь подают фактический дебит жидкости за предыдущий временной шаг, а на временных участках теста на циклическую связь подают рассчитанные нейронной сетью значения дебита жидкости за предыдущий временной шаг.
Указанный технический результат по объекту устройство достигается тем, что устройство управления режимами работы скважин на основе нейронной сети, содержащее многослойную циклическую нейронную сеть, включающую: первый входной слой, количество нейронов которого равняется количеству входных данных; несколько скрытых слоев, общее количество которых и количество содержащихся на них нейронов подбирается экспериментально, например, при помощи оптимизационных алгоритмов, описанных в публикации [М. С. Потанин, Вайсер К. О., Жолобов В. А., Стрижов В. В. Оптимизация структуры сетей глубокого обучения // Журнал публикаций МГУ.- № 13.- 11.12.2018] или [Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning-Methods, Systems, Challenges // Automated Machine Learning, 2019], третий выходной слой, содержащий один нейрон, отвечающий за предсказание дебита жидкости на текущем временном шаге, при этом для учета временных эффектов дополнительно введена циклическая связь между выходным нейроном, отвечающим за дебит жидкости на предыдущем временном шаге, и входным нейроном на текущем временном шаге.
Отличие от структуры «классического» многослойного персептрона заключается в наличии связи по дебиту жидкости между временными шагами. На периоде обучения сети на входной слой подаются приемистости воды окружающих нагнетательных скважин, забойные давления (и/или) динамические уровни изучаемой скважины и фактический дебит жидкости за предыдущий временной шаг обучения, а на временном участке теста и прогноза подается рассчитанный нейронной сетью дебит жидкости за предыдущий временной шаг, сеть зацикливается, что помогает точно прогнозировать зависимости от времени (фиг.1). После обучения сети генерируется большое количество различных сценариев закачки и добычи, выбирается оптимальный и физически устанавливается на скважинах, обеспечивая увеличение добычи нефти.
Теоретическая база функционирования предлагаемого технического решения строится на известных сведениях о том, что наиболее точное прогнозирование временных рядов (как задачи математической регрессии) не может быть выполнено многослойной нейронной сетью с прямым распространением сигнала без обратных связей, а применение многослойной нейронной сети с несколькими скрытыми слоями позволяет работать с непрерывными, зашумленными и разнотиповыми данными.
На фиг. 1 изображена структурная схема предлагаемого устройства, на фиг. 2 показано разбиение временных данных на участки, на фиг. 3, фиг.4 представлены результаты работы нейронной сети.
Структурная схема предлагаемого устройства для прогнозирования дебита жидкости нефтяной скважины и управления режимами работы нагнетательных и добывающих скважин содержит многослойную нейронную сеть 1, работающую на временном шаге (n). Многослойная сеть 1 содержит первый входной слой нейронов 2, на который подаются входные данные: I1n – приемистость первой нагнетательной скважины для времени n; Ikn – приемистость k-той нагнетательной скважины для времени n; Pn – забойное давление или динамический уровень добывающей скважины для времени n; Qn-1 – дебит жидкости для предыдущего временного интервала n-1. Данные с первого входного слоя нейронов 2 подают на второй скрытый слой 3 и после него на третий скрытый слой 4. Общее количество скрытых слоев и нейронов на них может варьироваться и подбирается в ходе многоитерационных расчетов оптимизационным алгоритмом. На выходном слое 5 генерируется итоговое значение предсказанного дебита жидкости в момент времени n (Qn), находится функциональная связь между дебитом жидкости (Qn) и входными параметрами. Сгенерированное нейронной сетью 1 расчетное значение дебита жидкости на временном шаге n (Qn) передается на следующий временной шаг при помощи связи 6. На временном шаге n+1 операция повторяется с новыми входными данными для момента времени n+1, где: I1n+1 – приемистость первой нагнетательной скважины для времени n+1; Ikn+1 – приемистость k-той нагнетательной скважины для времени n; Pn+1 – забойное давление или динамический уровень добывающей скважины для времени n+1; Qn – дебит жидкости для предыдущего временного интервала n сгенерированный сетью. После того, как в результате работы сети было получено значение дебита жидкости на временном шаге n+1 (Qn+1) через связь 7 данные передаются на следующий временной слой, эта процедура повторяется для всех временных шагов.
На фиг. 2 приведена схема разбиения временных данных на характерные участки на примере дебита жидкости (Q). Данные разбиваются на шаги (n), которые могут иметь различный шаг квантования: секунды, минуты, дни. Фактические замеры дебита жидкости представлены пунктирной линией 8. Выделяют участок обучения нейронной сети (ed), на этом участке происходит сравнение рассчитанного и фактического дебита, и в случае их несовпадения корректируют веса связей между нейронами. На временном участке теста (t) сравнивается модельная 8 и фактическая динамика 9, проверяется предсказательная способность модели. В случае если расхождения между 8 и 9 превышают заданное оператором допустимое отклонение, происходит изменение структуры сети, например, добавляются новые нейроны на скрытых слоях или добавляются новые слои, затем процедура обучения проводится заново. Третий временной участок (p) отвечает за прогнозирование и генерацию прогнозной динамики.
Схема, предлагаемая на фиг. 1, может быть модифицирована в соответствии с разбиением временных данных (фиг. 2). На интервале обучения в нейронную сеть подаются фактические данные по дебиту жидкости на прошлом временном шаге, для интервала теста и прогноза на входной нейрон подаются рассчитанные сетью значения. Это позволяет повысить точность прогноза и лучше обучить сеть.
После завершения обучения на вход нейронной сети подается несколько прогнозных вариантов закачки и из них выбирается оптимальный режим работы добывающих и нагнетательных скважин, которые выставляются физически при помощи управляемых задвижек или регуляторов.
Были проведены испытания на основе фактических данных, исследован элемент разработки фактического месторождения, состоящий из двух нагнетательных (N2, N5) и одной добывающей скважины (D19). В нейронную сеть подавались фактические посуточные замеры приемистостей и дебита жидкости. На фиг.3, фиг.4 можно увидеть графическое представление результатов предсказания нейронной сети в сравнении с фактическими значениями. Рассмотрена одна добывающая скважина (D19) и влияющие на нее две нагнетательные скважины N2 и N5. Динамика работы, приведена фиг.3. Выделяют два временных интервала: обучение и тест. В момент обучения происходит настройка весов нейронной сети, на участке тестирования оценивается предсказательная способность, то есть сеть не знает фактический дебит жидкости, а пытается его предсказать по динамике приемистости. На фиг. 4 приведен результат сравнения фактической и прогнозной динамики дебита жидкости на интервале теста. На фиг.3 представлены следующие данные:
11 – временной интервал обучения сети,
12 –временной интервал тестирования сети,
13 – посуточная фактическая динамика дебита жидкости,
14 – посуточная приемистость воды нагнетательной скважины N2,
15 - посуточная приемистость воды нагнетательной скважины N5.
На фиг.4 представлены следующие данные:
16 –прогноз дебита жидкости циклическим персептроном на временном участке тестирования,
17 - фактический дебит жидкости на временном участке тестирования,
18 – десятипроцентный коридор отклонения от фактического дебита жидкости, выделен серым цветом.
Представленный график сравнения динамики фактического дебита жидкости и предсказанного при помощи циклического персептрона показывает хороший уровень совпадения, среднеквадратичное отклонение расчетных и фактических показателей не превышают 10 %, то есть нейронная сеть нашла хорошую функциональную зависимость между дебитом жидкости и приемистостями нагнетательных скважин и может точно спрогнозировать дебит в интервале года.
Claims (3)
1. Способ управления работой нагнетательных и добывающих скважин нефтяного месторождения, основанный на устройстве управления, имеющем в себе искусственную нейронную сеть, в которой содержатся входной слой нейронов, несколько скрытых слоев с линейными/логистическими/сигмоидальными функциями активации, нейроны выходных слоев и циклическая связь; отличающийся тем, что для создания прогноза дебита жидкости во времени, при переходе на следующий расчетный временной шаг, результаты расчета, полученные на выходном нейроне за предыдущий временной шаг, подают на входной слой нейронов текущего шага, после обучения нейронной сети решают оптимизационную задачу по определению оптимальной приемистости нагнетательных скважин и дебита жидкости добывающих, обеспечивающей увеличение дебита нефти, после чего полученные значения дебитов жидкости и приемистостей устанавливают на скважинах автоматически или вручную.
2. Способ управления по п. 1, отличающийся тем, что фактическую динамику дебита жидкости разбивают на два временных интервала: обучение, тест; и на временном интервале обучения в циклическую связь подают фактический дебит жидкости за предыдущий временной шаг, а на временных участках теста на циклическую связь подают рассчитанные нейронной сетью значения дебита жидкости за предыдущий временной шаг.
3. Устройство управления режимами работы скважин на основе нейронной сети, содержащее многослойную циклическую нейронную сеть, включающую: первый входной слой, количество нейронов которого равняется количеству входных данных; несколько скрытых слоев, общее количество которых и количество содержащихся на них нейронов подбирается экспериментально, третий выходной слой, содержащий один нейрон, отвечающий за предсказание дебита жидкости на текущем временном шаге, при этом для учета временных эффектов дополнительно введена циклическая связь между выходным нейроном, отвечающим за дебит жидкости на предыдущем временном шаге, и входным нейроном на текущем временном шаге.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020143147A RU2752779C1 (ru) | 2020-12-25 | 2020-12-25 | Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020143147A RU2752779C1 (ru) | 2020-12-25 | 2020-12-25 | Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2752779C1 true RU2752779C1 (ru) | 2021-08-03 |
Family
ID=77226285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020143147A RU2752779C1 (ru) | 2020-12-25 | 2020-12-25 | Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2752779C1 (ru) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114810008A (zh) * | 2022-04-14 | 2022-07-29 | 哈尔滨理工大学 | 一种油田分层注水量预测方法 |
| RU2795644C1 (ru) * | 2022-05-30 | 2023-05-05 | Общество с ограниченной ответственностью "Тюменский институт нефти и газа" | Способ оперативного управления заводнением пластов |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2565313C2 (ru) * | 2013-06-18 | 2015-10-20 | Закрытое акционерное общество "Тюменский институт нефти и газа" (ТИНГ) | Способ оперативного управления заводнением пластов |
| RU2596692C2 (ru) * | 2012-05-14 | 2016-09-10 | Лэндмарк Графикс Корпорейшн | Способ и система для оценки прогнозной добычи углеводородов |
| RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
| RU2614338C1 (ru) * | 2015-12-25 | 2017-03-24 | Закрытое акционерное общество "Тюменский институт нефти и газа" (ЗАО "ТИНГ") | Способ оперативного управления заводнением пластов |
| EP3033482B1 (en) * | 2013-08-15 | 2018-12-12 | Chevron U.S.A. Inc. | System and method of determining and optimizing waterflood performance |
| RU2715593C1 (ru) * | 2019-09-28 | 2020-03-02 | Общество с ограниченной ответственностью "Тюменский институт нефти и газа" (ООО "ТИНГ") | Способ оперативного управления заводнением пластов |
-
2020
- 2020-12-25 RU RU2020143147A patent/RU2752779C1/ru active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2596692C2 (ru) * | 2012-05-14 | 2016-09-10 | Лэндмарк Графикс Корпорейшн | Способ и система для оценки прогнозной добычи углеводородов |
| RU2565313C2 (ru) * | 2013-06-18 | 2015-10-20 | Закрытое акционерное общество "Тюменский институт нефти и газа" (ТИНГ) | Способ оперативного управления заводнением пластов |
| EP3033482B1 (en) * | 2013-08-15 | 2018-12-12 | Chevron U.S.A. Inc. | System and method of determining and optimizing waterflood performance |
| RU2614338C1 (ru) * | 2015-12-25 | 2017-03-24 | Закрытое акционерное общество "Тюменский институт нефти и газа" (ЗАО "ТИНГ") | Способ оперативного управления заводнением пластов |
| RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
| RU2715593C1 (ru) * | 2019-09-28 | 2020-03-02 | Общество с ограниченной ответственностью "Тюменский институт нефти и газа" (ООО "ТИНГ") | Способ оперативного управления заводнением пластов |
Non-Patent Citations (2)
| Title |
|---|
| ИВАНЕНКО Б.П. Нейросетевое имитационное моделирование нефтяных месторождений и гидрогеологических объектов, Томск, Издательский дом Томского гос. универститета, 2014, с. 75-84. * |
| НАСЫБУЛЛИН А.В. и др., Оптимизация системы заводнения на основе трехмерного геолого-гидродинамичсекого моделирования и искусственного интеллекта, ж. Нефтяное хозяйство, 7, Москва, с. 14-16. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114810008A (zh) * | 2022-04-14 | 2022-07-29 | 哈尔滨理工大学 | 一种油田分层注水量预测方法 |
| RU2795644C1 (ru) * | 2022-05-30 | 2023-05-05 | Общество с ограниченной ответственностью "Тюменский институт нефти и газа" | Способ оперативного управления заводнением пластов |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Badrzadeh et al. | Hourly runoff forecasting for flood risk management: Application of various computational intelligence models | |
| Kutyłowska | Neural network approach for failure rate prediction | |
| Guven | Linear genetic programming for time-series modelling of daily flow rate | |
| Pramanik et al. | Application of neural network and adaptive neuro-fuzzy inference systems for river flow prediction | |
| Üneş et al. | Prediction of millers ferry dam reservoir level in USA using artificial neural network | |
| US20230358123A1 (en) | Reinforcement learning-based decision optimization method of oilfield production system | |
| KR20210019311A (ko) | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 | |
| RU2752779C1 (ru) | Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть | |
| Gwaivangmin et al. | Water demand prediction using artificial neural network for supervisory control | |
| Ünes | Dam reservoir level modeling by neural network approach: A case study | |
| Saravanan et al. | PREDICTION OF INDIA'S ELECTRICITY DEMAND USING ANFIS. | |
| Fayaed et al. | Adaptive neuro-fuzzy inference system–based model for elevation–surface area–storage interrelationships | |
| Mounce et al. | An artificial neural network/fuzzy logic system for DMA flow meter data analysis providing burst identification and size estimation | |
| Abouhassan et al. | Why Use Evolving Neuro-Fuzzy and Spiking Neural Networks for incremental and explainable learning of time series? A case study on predictive modelling of trade imports and outlier detection | |
| Arsene et al. | Decision support system for water distribution systems based on neural networks and graphs | |
| Jalalkamali et al. | Estimating water losses in water distribution networks using a hybrid of GA and neuro-fuzzy models | |
| Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
| Marwala et al. | Univariate modelling of electricity consumption in South Africa: neural networks and neuro-fuzzy systems | |
| Naresh et al. | Sediment transport modeling and hysteresis study for pranahita sub-basin of godavari river system in india | |
| Kozel et al. | Adaptive stochastic management of the storage function for a large open reservoir using an artificial intelligence method | |
| Emami et al. | Dam seepage prediction using RBF and GFF models of artificial neural network; Case study: Boukan Shahid Kazemi's Dam | |
| Kumar | Short-term load forecasting using artificial neural network techniques | |
| Seyam et al. | Hourly stream flow prediction in tropical rivers by multi-layer perceptron network | |
| Izquierdo et al. | Prediction of the Optimal Dosage of Poly Aluminum Chloride for Coagulation in Drinking Water Treatment using Artificial Neural Networks | |
| Banik et al. | Forecasting US NASDAQ stock index values using hybrid forecasting systems |