Ключевые слова: нейронные сети, газлифтный способ эксплуатации, рекуррентные нейронные сети.
Газлифтный способ эксплуатации
По мере истощения энергии пласта пластовое давление снижается и возникает потребность в механизированной добыче нефти. Одним из видом механизированного способа эксплуатации является применение газлифта. При этом сжатый газ направляется вниз по кольцевому пространству эксплуатационной колонны и через газлифтные клапаны поступает в лифтовые (насосно-компрессорные) трубы. При поступлении газа в насосно-компрессорную трубу (НКТ) он формирует пузырьковую газожидкостную смесь, уменьшая ее среднюю плотность. Если давление столба смеси в стволе скважины будет меньше пластового давления, то продукция скважины сможет подниматься вверх за счет пластовой энергии. Более того, при этом снижается забойное давление скважины, повышается депрессия, что способствует дополнительному притоку жидкости в ствол скважины и повышению ее дебита [1].
На рисунке 1 отражена основная схема газлифтного способа подъема жидкости на поверхность. Газ через специальную колону трубы 1 (или затрубное пространство) подводится в колонну трубы 2, где происходит процесс смешивания с пластовым флюидом и создания газожидкостной смеси.
Максимальную эффективность метод газлифта показывает на высокодебитных скважинах с высокими забойными давлениями; скважинах с высокими газовыми факторами; сверхдлинных горизонтальных скважинах. Газлифт является одним из наилучших вариантов для разработки нефтяных месторождений с низким пластовым давлением при условии наличия достаточного запаса закачиваемого газа. Метод газлифта для эксплуатации скважин считается одним из наиболее эффективных при освоении морских нефтегазовых месторождений.
При газлифте стараются добиваться оптимального соотношения закачиваемого газа и добываемой продукции, при котором эффективность выноса продукции максимальна в пересчете количества вынесенной продукции на единицу объема закачанного газа. Малое количество закачиваемого газа дает незначительное снижение плотности смеси и забойного давления, а значит, будет слабо влиять на увеличение притока продукции к скважине. Избыточное количество газа приводит к доминированию в потоке газовой фазы, росту скорости потока и увеличению потерь на трение, что снижает эффективность выноса жидкой фазы. На рисунке 2 приведена схематичная зависимость дебита нефти от величины закачиваемого газа
Расчет параметров технологического режима при газлифтном способе эксплуатации требует учета состава пластовой продукции, количества подаваемого газа, характеристик притока. Обычно при этом используются корреляционные зависимости потерь на трение, характерные для многофазных потоков [1, 2]. При использовании общего компрессора, осуществляющего закачку газа в группу скважин, возникает задача эффективного распределения ограниченного объема газа среди газлифтных скважин, обеспечивающего максимальную добычу нефти.
Нейронные сети
Использование корреляционных зависимостей при расчете параметров технологического режима неизбежно требует регулярной адаптации модели при любом изменении состава продукции и ее свойств. Поэтому для задач прогнозирования и оптимизации работы добывающих скважин целесообразно использовать нейронные сети, которые обладают высокой гибкостью и способностью аппроксимировать сложные нелинейные зависимости. Зависимость дебита нефти от количества закачиваемого газа относится к такому типу зависимостей.
В силу того, что обучение должно строиться на анализе данных контроля параметров технологического режима, представляющих собой временные ряды, было принято решение использовать нейронную сеть LSTM (Long Short-Term Memory) рекуррентного типа (РНС-рекуррентная нейроненая сеть). В отличие от нейронных сетей персептронного типа РНС LSTM имеет специальные блоки памяти, которые сохраняют информацию на некотором временном промежутке [4]. Это позволяет нейронной сети учитывать влияние динамически изменяющихся свойств потока на параметры техрежима. В работе использовалась нейронная сеть, содержащая два внутренних слоя. Первый состоял из 512, а второй из 256 блоков. Выбор архитектуры производился исходя из критерия минимизации ошибки при обучении и прогнозировании.
Исходные данные для обучения нейронной сети
Для обучения нейронной сети использовались исторические данные о параметрах техрежима газлифтных скважин для четырех месторождений, отличающихся по геолого-физическим характеристикам и числу скважин. Параметры техрежима включали ежесуточные дебиты нефти, обводненность, газовый фактор, забойное давление, дебит газлифта. Краткая характеристика месторождений представлена в таблице 1.
Как видно из таблицы 1, каждый рассматриваемый объект имеет уникальные характеристики, отличающиеся друг от друга.
Выборка для обучения нейронной сети содержала порядка 1000 значений для каждой скважины (ежедневный мониторинг за последние 3 года).
Входные данные нормализовались. Нормирование помогает уравнять влияние каждого параметра при процессе обучения.
Нормализация осуществляется по формуле
где avr(y) – среднее значение некоторого входного параметра у, std(y) – стандартное отклонение.
Результаты обучения
Для каждого из четырех месторождений обучение и настройка производились отдельно друг от друга, поскольку они различались по характеристикам газлифта. Таким образом, для проверки работоспособности метода нейросетевого прогнозирования были построены и обучены четыре нейронные сети.
При обучении и последующем тестировании нейронная сеть должна по известному набору последовательных параметров добычи определять фактический дебит на следующий временной шаг в зависимости от управляющего параметра – количества закачиваемого газа. Примеры прогнозирования дебитов нефти приведены на рисунках 3–6.
Достигнутая при этом точность прогнозирования составила в среднем 92,5 %. Этот результат говорит о высокой достоверности метода нейросетевого прогнозирования и позволяет решать с его помощью задачи оптимизации как для индивидуальной, так и для групповой добычи.
Следующим шагом было нахождение оптимального режима газлифта для отдельных скважин. Целевая максимизируемая функция – дебит нефти. Результаты расчета, полученные обученной нейронной сетью, сравнивались с результатами, получаемыми аналитическим методом по корреляционным соотношениям. Для этого использовался программный пакет «Prosper», который имеет функцию моделирования и оптимизации газлифтного способа эксплуатации. Предварительно производилась настройка аналитической модели на фактические данные по добыче за последний период, предшествующий прогнозному моменту времени. Результаты расчета зависимости дебита нефти от объема закачиваемого газа и оптимальные режимы представлены на рисунках 8–11. Как видно из рисунков 8–11, результаты прогнозирования зависимости дебита нефти, полученные РНС, близки к результатам Prosper, что можно считать признаком хорошей настройки нейронной сети. При этом обе зависимости воспроизводят последний фактический режим с незначительной ошибкой, не превышающей 4 %. Оптимальные режимы, найденные двумя методами совпадают для скважин № 3, № 4 и незначительно различаются для скважин № 1, № 2. Сами абсолютные значения дебита нефти в области экстремума для случаев 1 и 2 различаются незначительно, что позволяет считать всю окрестность в области экстремума областью эффективного объема закачки газа. Таким образом, с учетом приведенного замечания можно считать, что точность нейросетевой аппроксимации режимов работы газлифтных скважин позволяет решать задачи оптимизации.
Заключение
Рассмотрен метод прогнозирования технологических режимов газлифтной эксплуатации скважины с использованием обученных нейронных сетей. Обучение проводилось на реальных данных о параметрах технологического режима месторождений, отличающихся геологическим строением, количеством скважин и технологическими режимами эксплуатации скважин. В расчетах использовалась рекуррентная нейронная сеть LSTM, эффективная при анализе временных рядов. Достигнутая точность прогнозирования 92,5 % позволяет встраивать нейронную сеть в систему управления промыслом и применять ее в задачах оптимизации режимов работы скважин.
Литература
1. Зайцев Ю.В., Максутов Р.А., Чубанов О.В. и др. Справочное
пособие по газлифтному способу эксплуатации скважин. – М.:
Недра, 1984. – 360 с.
2. Amanat U. Chaudhry Oil Well Testing Handbook, Advanced TWPSOM Systems, Inc., Houston, 2004.
3. Ф.М. Гафаров, А.Ф. Галимянов Искусственные нейронные сети и их приложения. Издательство Казанского университета. Казань 2018 г., 85 с.
4. С. Хайкин Нейронные сети: полный курс. Второе издание. Москва 2006 г., 123 с.
