автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Дискретно-непрерывные модели прогноза коэффициента извлечения нефти

На правах рукописи

ЕРШОВА ЕВГЕНИЯ АЛЕКСАНДРОВНА

ДИСКРЕТНО-НЕПРЕРЫВНЫЕ МОДЕЛИ ПРОГНОЗА КОЭФФИЦИЕНТА ИЗВЛЕЧЕНИЯ НЕФТИ (НА ПРИМЕРЕ МЕСТОРОЖДЕНИЙ ЗАПАДНОЙ СИБИРИ)

Специальность 05.13.01 -Системный анализ, управление и

обработка информации (нефтяной и газовой отрасли)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Тюмень, 2003 г

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Тюменский государственный нефтегазовый университет» Министерства образования Российской Федерации на кафедре «Моделирование и управление процессами нефтегазодобычи».

Научный руководитель: доктор технических наук, профессор,

Заслуженный работник высшей школы РФ Кучумов Рашит Ямгитдинович

Официальные оппоненты: доктор физико-математических наук,

профессор

Кожевников Юрий Александрович

кандидат технических наук, Соколов Сергей Викторович

Ведущая организация: ЗАО "Тюменский Нефтяной Научный

Центр"

Защита состоится 4 июля 2003г., в 14.00 часов, на заседании диссертационного совета Д 212.273.08 при Тюменском государственном нефтегазовом университете по адресу: 625000, г. Тюмень, ул. Володарского, 38.

С диссертацией можно ознакомиться в библиотеке ТюмГНГУ по адресу: 625000, г. Тюмень, ул. Володарского, 38.

Автореферат разослан 3 июня 2003г.

Ученый секретарь диссертационного совета

Т.Г. Пономарева

2.оо? - А

10*17

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. К настоящему времени сырьевая база нефтедобывающих предприятий России в целом и Ханты-Мансийского автономного округа (ХМАО) в частности претерпевает значительные изменения структуры запасов нефти. Из разведки выходят, в основном, не крупные, высокопродуктивные месторождения, а мелкие и средние, подготовка которых к вводу в разработку осуществляется на основе небольшого количества разведочных скважин. В связи с этим технико-экономическое обоснование коэффициента извлечения нефти (КИН) для таких залежей не может быть осуществлено на основе физически содержательных гидродинамических моделей из-за невозможности обеспечения их геолого-промысловой информацией в надлежащих объемах.

Согласно методическому руководству по расчету КИН, исходной информацией для обоснования коэффициента нефтеизвлечения обычно служат данные разведки, подсчета запасов, пробной эксплуатации отдельных скважин, опытно-промышленной и промышленной разработки залежи. Для мелких же объектов (с балансовыми запасами до 3 млн. т.) на стадиях подготовки месторождений к разработке оценка коэффициентов извлечения нефти может проводиться по статистическим зависимостям. Более того, по таким зависимостям допускается проводить обоснование КИН и для более крупных (с запасами до 30 млн. т.) месторождений, но имеющих при этом простое строение. В руководящих документах особо подчеркивается, что построение статистических зависимостей для оценки КИН необходимо проводить по данным изучаемого региона.

Вопросами разработки статистических моделей для прогноза КИН занимались такие исследователи, как М.Т.Абасов, И.И.Абызбаев, Т.Ю.Бочаров, В.К.Гомзиков, М.И.Малиновский, Н.А.Молотова, В.В.Осипов, Р.Я.Кучумов, З.А.Султанов, М.А.Токарев и др. Поскольку все созданные в настоящее время регрессионные уравнения для прогноза КИН основаны на обобщении материалов по месторождениям Татарии,

Башкирии, Северного Кавказа, Таджикистана, то актуальной задачей является создание регрессионных уравнений прогноза КИН для месторождений Западной Сибири - этой крупнейшей нефтедобывающей провинции.

В настоящей работе рассматриваются вопросы теории и практики построения статистических прогнозных моделей КИН с использованием методов распознавания образов и регрессионного анализа. В качестве региона исследований выбран Ханты-Мансийский автономный округ, который своими уровнями добычи обеспечивает и в дальнейшем будет обеспечивать энергетическую составляющую экономики страны.

Цель работы:

• Разработка методики построения дискретно-непрерывных статистических моделей прогноза КИН по комплексу геолого-промысловых, признаков измеряемых на стадии разведки.

• Создание экспертной системы, обеспечивающей оперативную оценку коэффициента извлечения нефти для залежей, выходящих из разведки, на месторождениях Ханты-Мансийского автономного округа.

Задачи работы:

- Оценить тесноту взаимосвязи коэффициента нефтеизвлечения с геолого-промысловыми характеристиками залежей.

- Разработать методику построения дискретно-непрерывных статистических моделей для прогноза КИН.

- Провести разграничение залежей на группы однородные по комплексу геолого-промысловых признаков, определяемых на стадии разведки.

- Построить прогнозные модели КИН в форме многомерных уравнений регрессии для каждой из групп залежей.

- Провести оценку качества построенной прогнозной модели по независимой (контрольной) выборке залежей, которые не участвовали в построении прогнозной модели.

- Создать экспертную систему по экспресс-оценке КИН, которая

использует разработанные дискретно-непрерывные прогнозные модели.

Научная новизна работы:

1. Разработан новый подход к построению статистических моделей прогноза КИН по комплексу геолого-промысловых признаков на основе комбинированного применения методов распознавания образов и регрессионного анализа.

2. Разработаны дискретно-непрерывные модели прогноза коэффициента извлечения нефти для месторождений Ханты-Мансийского автономного округа.

3. Разработана компьютерная технология прогнозирования КИН, которая использует дискретно-непрерывные прогнозные модели.

Реализация работы. Результаты научно-исследовательской работы реализованы в экспертной системе, которая может быть использована в производственных и научно-исследовательских, проектных организациях при предварительной оценке коэффициента нефтеизвлечения на месторождениях ХМАО.

На основе результатов диссертационной работы разработаны новые лекции и лабораторные работы для специальности Информационные системы и технологии.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

■ И-й международный симпозиум " Наука и технология углеводородных дисперсионных систем" (г. Уфа, октябрь 2000);

■ Всероссийская научная конференция "Геология и нефтегазо-носность Западно-Сибирского мегабассейна" (г.Тюмень, ноябрь 2000);

■ Вторая всероссийская научно-техническая конференция «Геология и нефтегазоносность Западно-Сибирского мегабассейна» (г.Тюмень, апрель 2002);.

■ XII научно-практическая конференция молодых ученых и специалистов «Проблемы развития газовой промышленности Западной Сибири » (г.Тюмень, май 2002);

■ Шестая научно-практическая конференция "Пути реализации нефтегазового потенциала Ханты-Мансийского автономного округа" (г.Ханты-Мансийск, ноябрь 2002).

Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 4 статьи и 4 тезиса докладов на всероссийских и международных конференциях.

Структура и объем работы. Диссертация состоит из введения, 5 глав и заключения. Объём машинописного текста 124 страницы. Работа содержит 36 рисунков, 49 таблиц, библиография включает 129 наименований.

Автор благодарен: д.г.-м.н., профессору В.Г. Каналину, к.г.-м.н. И.П. Толстолыткину, д.г.-м.н. Ю.Я. Большакову, к.ф.-м.н. В.А. Белкиной, Т.П. Усенко, Н.В. Мухарлямовой, в дискуссиях с которыми решались некоторые принципиальные вопросы, а так же к.г.-м.н. В.М. Яковлеву, Н.В. Горбачевой, С.И. Беляковой, И.В. Сидоровой за полезные советы при сборе геолого-промысловых данных для исследований.

Особую благодарность автор выражает научному руководителю д.т.н, профессору, Заслуженному работнику высшей школы РФ Кучумову Рашиту Ямгитдиновичу за постоянное внимание и поддержку проводимых исследований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении кратко охарактеризованы актуальность темы диссертации, цель работы, основные задачи, научная новизна, практическая ценность, внедрение результатов и апробация работы.

Первая глава посвящена геологическим основам прогноза коэффициента извлечения нефти статистическими методами.

Сначала приводится обзор основных черт геологического строения трех нефтегазоносных областей: Приуральская, Фроловская и Среднеобская, выделенных в центральной части Западно-Сибирской плиты в пределах ХМАО.

С учетом того, что построение моделей для прогноза коэффициента извлечения нефти осуществлялось как для залежей, находящихся на поздней стадии разработки, так и для всей совокупности залежей ХМАО, то геолого-промысловая характеристика рассматривается для каждой из этих совокупностей отдельно. Геолого-промысловая характеристика

залежей, находящихся на поздней стадии разработки, проведена по 198 залежам, а характеристика залежей нефти для ХМАО в целом основана на анализе 3066 залежей и их участков по категориям запасов А, В, С1.

Сложность строения природных нефтегазоносных резервуаров предопределяет разнонаправленное влияние на КИН различных факторов. Это, в конечном счете, определяет необходимость использования в статистических прогнозных моделях большого количества параметров пласта, характеризующих возраст резервуаров, его макрогеометрию, фильтрационно-емкостные свойства коллекторов и их отдающую способность, термобарические условия их залегания, неоднородность, а так же капиллярные силы, свойства флюидов, начальные балансовые запасы залежей (всего 32 параметра). Все эти параметры получают на этапе разведки, именно они и положены в основу дальнейших исследований по прогнозу КИН.

Для месторождений ХМАО, находящихся на поздних стадиях разработки, коэффициенты нефтеизвлечения, утвержденные на основе ТЭО КИН, мало отличаются от значений КИН, полученных по характеристикам вытеснения. Этот факт дает основание проводить построение прогнозных моделей не только по совокупности залежей на поздних стадиях разработки, но и по выборке данных с залежами, для которых еще невозможно определить коэффициент нефтеизвлечения по характеристикам вытеснения. Однако из этой выборки были исключены залежи, для которых значения КИН не имеют доверия, так как не утверждены в Государственной комиссии по запасам (ГКЗ).

Во второй главе рассмотрены основные принципы построения прогнозных статистических моделей. Известно, что точность и надежность оценок по уравнениям регрессии зависят от того, насколько исходный материал удовлетворяет условиям, на которых основан регрессионный анализ. Если выборка неоднородна и представляет собой смесь двух или нескольких однородных выборок, то для каждой из однородных можно создать простую и достаточно точную регрессионную модель. В то время как модель, построенная по обобщенной совокупности, будет давать менее точный прогноз. Для решения задачи по повышению качества прогноза в данной работе используются дискретно-непрерывные модели.

Дискретная модель (ДМ) прогноза некоторого свойства У по комплексу косвенных признаков X = (Х|, Х2 ... Хт), представляет собой в общем виде классификацию по комплексу косвенных параметров X, каждому классу этой классификации поставлено в соответствие некоторое значение прогнозируемого параметра У.

Классификацию можно представить в виде дерева или как классификационную таблицу (табл. 1), в первой графе которой определены классы, а в остальных дано обобщенное описание этих классов по косвенным признакам.

Таблица 1

2 Описание в X

£ X, х2

а, Хп Х\ш

а2 Х21 Х22 Хгт

А* X» Хк2 X кгн

Каждая запись вида Хч - это условие, которому должен удовлетворять параметр X] в классе А|. Таким условием может быть:

- Ху - среднее значение]-го признака в ¡-том классе;

- значение _)-го признака в ¡-том классе больше (меньше или др.) некоторого порогового значения;

- значение некоторой функции, в которую подставили значение ]-го параметра, больше (меньше или др.) порогового значения;

- значение ]-го параметра - любое значение.

В настоящей работе классификация проводится в пространстве косвенных признаков, а для прогнозируемого признака вычисляются статистические характеристики (математическое ожидание, дисперсия и т.д.) по обучающей выборке. Для обобщённой характеристики качества ДМ предлагается использовать средневзвешенный коэффициент детерминации

где =-£(«,

п, - количество объектов в классе А[, 1=1. .,к, N - в обучающей выборке.

Наилучшим вариантом ДМ является тот, для которого Л2 имеет наибольшее значение, что соответствует наименьшему значению Б2«^.

В основе дискретно-непрерывной модели (ДНМ) прогноза свойства У по комплексу косвенных признаков X = (X], Х2 ... Хт), лежит классификация (табл.1), как и в дискретной модели. Дискретно-непрерывные представляют собой серию уравнений регрессии для каждого из классов классификации. ^(Х), для А[,

Г>(Х), для А?, У(Х)= 2 2

fk(X), для А^.

Качество этой модели может оцениваться как по критериям дискретных, так и непрерывных моделей. В частности, коэффициент детерминации оценивается на основе средней остаточной дисперсии по всем классам в сравнении с общей дисперсией:

— 1 _$ост/

лг

ГДе

Классификации, использующиеся в прогнозных моделях, MOiyr строиться двумя способами: либо группировкой объектов по градациям отдельных признаков (под группировкой в статистике принято понимать разделение рассматриваемой совокупности объектов на группы, однородные в том или ином смысле), либо на основе алгоритмов кластер-анализа.

Известно, что все кластер-процедуры имеют ряд параметров, значения которых не могут быть формально обоснованы, но от которых сильно зависит результат кластеризации. Так, известный алгоритм ISODATA - Итеративный самоорганизующийся метод анализа данных, который применялся в настоящей работе для получения однородных групп объектов - даже при небольших изменениях входных параметров часто дает резко различающиеся результаты по количеству и составу кластеров.

Однако всегда существует диапазон изменения для каждого из параметров, в пределах которого результат кластеризации практически не изменяется. В этих условиях единственным способом получения приемлемой ДМ является вычислительный эксперимент, а именно, построение нескольких кластеризации и выбора из них той, которая обеспечивает необходимое качество дискретной модели прогноза целевого признака.

Как уже отмечалось, дискретно-непрерывная модель представляет собой набор уравнений регрессии, которые строятся для различных кластеров, выделяемых на этапе построения дискретной модели. При построении непрерывной части прогнозной модели отбор наиболее информативной совокупности признаков удобно выполнять методами пошаговой регрессии. Для остановки процесса отбора признаков здесь используются статистические критерии Стьюдента и Фишера.

В третьей главе был проведен анализ взаимосвязи КИН с комплексом геолого-промысловых признаков для залежей месторождений ХМАО, находящихся на поздней стадии разработки. Ниже приведены основные результаты этого анализа:

1. Для нефтяных месторождений ХМАО взаимосвязи КИН с геолого-промысловыми характеристиками залежей имеют низкие коэффициенты корреляции.

2. Многомерные уравнения регрессии не позволяют снизить среднеквадратичную погрешность прогноза КИН ниже 0.085, с коэффициентом множественной корреляции 0.63.

3. Построение дискретно-непрерывных моделей прогноза КИН для залежей месторождений ХМАО позволяет повысить коэффициент множественной корреляции до 0.85.

4. Наилучшим качеством прогноза характеризуется дискретно-непрерывная модель, основанная на классификации залежей по капиллярно-фильтрационным свойствам пород коллекторов (ДНМ-9) и ДНМ-1, основанная на группировании залежей по возрасту резервуаров. ДНМ-1 обеспечивает в целом высокое качество прогноза коэффициента извлечения нефти с 11=0.84 (рис. 1), а для ДНМ-9, в свою очередь, коэффициент корреляции достигает 0.85 (рис. 2).

КИН расчетный

♦ Пласты группы А А Пласты группы Ю

* Пластыгруплы Б4-7

■* Пласты группы Б10-12

■ Пласты месторождений

* Пласты группы Б1 -3

* Пласты группы Б8-9

Рис. 1. Взаимосвязи исходных и полученных по ДНМ-1 оценок коэффициентаизвлечения нефти для залежей месторождений ХМАО

Рис. 2. Взаимосвязи исходных и полученных по ДНМ-9 оценок коэффициентаизвлечения нефти для залежей месторождений ХМАО

5. Всесторонняя проверка качества девяти моделей показала ухудшение качества прогноза для совокупности всех залежей месторождений ХМАО с утвержденными КИН. Необходимо провести анализ для выборки, включающей залежи и участки по категориям запасов ХМАО с утвержденными в ГКЗ коэффициентами нефтеотдачи, и создать новые модели прогноза значения КИН, опираясь на опыт уже проведенных исследований.

В четвертой главе приведено описание разработанных моделей экспресс-оценки КИН на основе дискретных и дискретно-непрерывных прогнозных моделей для залежей на стадии разведки. Перечень признаков, которые использованы для прогноза КИН, приведен в табл.2.

Таблица 2

Перечень геолого-промысловых параметров, использованных при

прогнозе КИН для залежей, находящихся на стадии эазведки

№№п/п Название Обозначение Размерность

1 2 3 4

1 КИН утвержденный КИН™ доли ед.

2 Газовый фактор Ог м'/т

3 Высота залежи Нил м

4 Глубина залежи бил м

5 Общая толщина Ьо м

6 Эффективная толщина Ьэф м

7 Содержание серы 8г %

8 Вязкость нефти И мПа-с

9 Удельный вес нефти У г/см'

10 Коэффициент проницаемости Кпо мкм2

11 Логарифм Кпо До™

12 Коэффициент пористости Ш доли ед.

13 Коэффициент нефтенасыщенности к„ доли ед.

14 Гидропроводность Шр мкм2-м/мПа-с

15 Проводимость кЬ мкм2/м

16 Подвижность к/ц мкм2/мПа-с

17 Капиллярное давление РК МПа

18 Гравитационное давление РГ МПа

19 Температура застывания нефти 'нстЬ Си

20 Температура пласта ^ПЛ С°

21 Коэффициент песчанистости Кпесч доли ед.

22 Нефтегазоносный комплекс

23 Ярус, толща

24 Пласт

Построение прогнозных моделей в этой главе проводилось с использованием данных по всем залежам и участкам залежей ХМАО, которые могут находиться как в разработке, так и на стадии разведки. Флюидодинамическая модель прогноза КИН (Ф-модель). При построении Ф-модели все залежи разграничивались по градациям таких параметров, как коэффициенты насыщения, проницаемости и гидропроводности пласта (табл. 3). Эти признаки характеризуют как флюидонасыщение, так и свойства коллекторов.

Таблица 3

Классификационная таблица Ф-модели_

Кластер Градации геологических параметров

Кн, доли ед. К„р, мкм2 КЬ/ , мкм2*м/мПа*с /Ц '

111 Кн < 0.6 К„р <0.05 ки/ < 0.04 /И

112 Ки < 0.6 КпР <0.05 ки/ >0.04 /ц

121 К„ < 0.6 0.05 < Кпр < 0.5 Ы/ <0.4 /и

122 Кн <0.6 0.05 <.Кпр< 0.5 КУ > 0.4 /И

130 Кн < 0.6 К„р> 0.5

211 Кн > 0.6 Кпр< 0.05 ку <0.04 /м

212 Кн > 0.6 К„р <0.05 ку >0.04 /м

221 Кн > 0.6 0.05 < К„р < 0.5 М/ <0.4 /ц

222 К„ > 0.6 0.05 < Кпр < 0.5 ку >0.4 /V-

230 Кн > 0.6 Кпр - 0.5

Каждый кластер имеет обозначение, состоящее из трех цифр. Первая цифра характеризует градации коэффициента насыщения (Кн). Значение "1" соответствует градации К„<0.6, а "2" означает, что градации Кн>0.6. Вторая цифра характеризует группу по градации коэффициента проницаемости (К„р), таких градаций три: "1" - Кпр<0.05 мкм2, "2" -0.05<Кпр<0.5 мкм2и "3" - Кпр>0.5 мкм2. Градация К„р>0.5 мкм2 была выделена после дополнительного исследования, которое показало, что объекты с такой проницаемостью характеризуются повышенными

значениями КИН и требуют построения отдельных уравнений. Третья цифра в обозначении кластера характеризует группы по градациям коэффициента гидропроводности (ЯТ/г/ц ). Для залежей с Кпр>0.5 мкм2

разделения по гидропроводности нет, поэтому третьей цифрой проставлен "О". Для залежей с небольшой проницаемостью разделение на группы "1" и "2" проходит по значению гидропроводности 0.04 мкм2*м/мПа*с, а для залежей с коэффициентом проницаемости от 0.05 до 0.5 мкм2 - по значению 0.4 мкм2*м/мПа*с.

Таким образом, построенная классификация содержит 10 кластеров, для которых были созданы ДМ и ДНМ (они и представляют собой Ф-модель прогноза КИН). В табл. 4. представлена итоговая информация по Ф-модели.

Таблица 4

Ф-модель. Уравнения, оценка качества и статистические данные кластеров

Кластер Средн. КИН Ср-кв. откл.КИН общее Уравнение регрессии Остаточ. ср-кв. окл. КИН

111 0.225 0.066 КИН = -0.59256 - 0.04249 * в + 1.168815*у-0.25635*КВ 0.061

112 0.254 0.068 КИН = 0.158781 + 0.41576 * т + 0.13810 * кЬ 0.065

121 0.305 0.067 КИН = 0.636026 - 0.78307 *у + 0.834224 *т + 0.301519* К„ 0.061

122 0.326 0.09 КИН = 0.268394 - 0.37605 * + 0.921713 *т-0.00083 0.074

130 0.36 0.14 КИН = 4.764651 - 4.20453 *у -0.01048*ТПЯ + 0.005081 *Т, 0.061

211 0.238 0.074 КИН = 0.40845 - 0.03704 * Б + 0.00524* Н, - 0.00006 * О^ 0.065

212 0.283 0.088 КИН = 0.176604 - 0.03812 * Б - 4.6746 *К„р +1.13415 * т - 0.00729 * Н^ + 0.725255 * кЬ 0.074

221 0.353 0.092 КИН = 2.088048 - 2.53056 *у +1.021764 * т + 0.323946 * К „ +0.018*Неф -0.00118*СГ 0.074

222 0.392 0.105 КИН = 0.05746 + 0.24847 ♦ Кпр +1.12091 * т + 0.28758» Кн + 0.00751НЭ -0.00008*Сз 0.07

230 0.424 0.132 КИН = -0.66683 - 0.05347 * ц + 1.893519* т +1.175835 *КН 0.06

все 0.29 0.11 КИН = 0.775404 -1.0041 * у + 0.954971 * т + 0.320135 * К„ + 0.033479 * кЬ - 0.00039 * СГ 0.086

Здесь приведены обозначения кластеров, описана дискретная прогнозная модель (среднее значение КИН в пределах кластера, среднеквадратичное отклонение), а последние две колонки таблицы отведены для описания дискретно-непрерывной части прогнозной модели (уравнение регрессии и остаточное среднеквадратичное отклонение значений КИН). В табл. 4. кроме описания 10 кластеров Ф-модели приведены статистические данные по выборке в целом и непрерывная модель - уравнение для прогноза КИН без разграничения изучаемых объектов на группы. Это дает возможность оценить полученные результаты. Можно видеть, что для трех кластеров требуется ввести 5 геолого-промысловых параметров, для того чтобы обеспечить погрешность оценки КИН ниже, 0.075. Шесть кластеров имеют уравнения регрессии с тремя параметрами, а один кластер - уравнение с двумя параметром. При этом погрешность такой экспресс-оценки изменяется от кластера к кластеру в пределах от 0.06 до 0.074. Флюидодинамическая модель обеспечивает в целом хорошее качество прогноза коэффициента извлечения нефти с 11=0.66 для ДМ и 11=0.74 для ДНМ. Однако, этого недостаточно, поскольку для залежей на поздней стадии разработки удалось достичь большего качества (11=0.85). В связи с этим в работе были предприняты попытки построения дискретно-непрерывных моделей с классификацией залежей по другим характеристикам.

Стратиграфическая модель прогноза КИН (См оде ль). Классификация для С-модели была построена, исходя из стратиграфической принадлежности залежей. Чаще всего в качестве стратиграфического подразделения в классификации использовались ярусы (для меловых отложений) Для юрских отложений принято подразделение по нефтегазоносным комплексам: нижнеюрский, верхнеюрский, васюганский, баженовский.

Среднеквадратичное отклонение любого из 14 полученных кластеров дискретной части С-модели меньше, чем для выборки в целом, а для трех кластеров этот оценочный параметр не превышает 0.055. В среднем дискретная модель обеспечивает погрешность прогноза 0.086, что соответствует коэффициенту корреляции 11=0.62. Анализ результатов дискретно-непрерывной части прогнозной С-модели показал, что для нее коэффициент корреляции значительно выше и составляет 0.78, а среднеквадратичное отклонение - 0.064. Следует также отметить, что 50% кластеров этой модели имеют более чем удовлетворительную погрешность прогноза - меньше 0.055.

Комбинированная модель прогноза КИН (К-модель). Классификация для этой модели прогноза представляет собой комбинацию классификаций Ф- и С-моделей. В комбинированной модели залежи разделяются на группы по стратиграфическому принципу (как в С-модели), затем в пределах каждой группы производится разграничение по фильтрационным свойствам (как в Ф-модели).

Таким образом, было получено и проанализировано 55 кластеров. Для КИН каждой группы (табл. 5) вычислены такие статистики, как среднее значение и среднеквадратичное отклонение. Уравнения для прогноза по ДНМ удалось получить только для 44 кластеров, в остальных кластерах прогноз получают только по дискретной модели (К-ДМ).

В среднем дискретная часть К-модели обеспечивает погрешность прогноза КИН равную 0.072 (11=0.72) этот результат намного лучше, чем многомерное уравнение регрессии, построенное по выборке в целом (11=0.63). Что касается дискретно-непрерывной модели, то как отмечалось ранее, не для всех кластеров классификации удалось подобрать прогнозное уравнение регрессии. Качество прогноза в К-ДНМ варьирует от 0.011 до 0.066, а в целом дискретно-непрерывная модель дает погрешность 0.055 (это соответствует коэффициенту корреляции порядка 0.84). В каждом уравнении К-модели использовано не больше 4 параметров, а в 31 уравнении - только один или два параметра.

Таблица 5

К-модель. Уравнения, оценка качества и статистические данные кластеров

Ярус, эпоха. 2 Ср-кв. Ост.

Комплекс £ ё Сред. КИН Опслон. КИН общее Уравнение регрессии ш

1 2 3 4 5 6 7

111 0.2867 0.059 =-0.398153 +1.217457* Кн 0.044

Сеноманс О

кий Ж ш к и < 211 0.2835 0.047 0,28 0.047

111 0.2701 0.081 КИН = -0.03355 + 0.622511 * К„ 0.043

Аптский АПТ 112 0.2588 0.075 КИН = -0.36078+0.169778 * 5 + 2.242922* т 0.051

121 0.2988 0.058 КИН = -0.41364 +1.072054 » К. + 0.003674 *ОГ 0.042

221 0.285 0.065 КИН = 0.136528 + 0.028602* Н^ 0.045

1 2 3 6 9 10 11

111 КН/ц> =0.01 0.22308 0.088 КИН = 0.328983-0.00843^ + 7.900944» КМ/ .050

111

КН/ц< 0.01 0.202 0.054 0.202

112 0.3064 0.120 КИН = -2.03197+53.44262*Кпр 0.048

2 ш 121 0.321 0.074 КИН = 0.566288 - 0.134313 * Бг - 0.536092 *Кпр 0.055

о. £ 122 0.2653 0.092 КИН = -0.15087-0.00027 * в „ + 1.745305* К„ 0.049

221 0.3016 0.085 КИН = 0.174719+0.020416*Н, +0.002291*Н„ 0.059

222 0.3572 0.066 КИН = 0.48375-0.55543*К„ 0.043

230 0.3767 0.083 КИН = -0.19867 + 0.673333*8 0.015

КИН = -0.5488+ 4.04 * ш 0.015

Неоком-ский 111 0.24268 0.037 0,24 0.037

112 0.3214 0.079 КИН = 0.689608 + 0.976038*К11 -0.00038*01м 0.047

КИН = -0Л5493 + 0.505261*К„

121 0.2991 0.071 +0.932571 * ш - 0.00052 * вГ + 0.000645*Н„ 0.059

со з; 122 0.3388 0.095 -

а. ш но 130 0.2651 0.122 КИН = 0.019594 + 0.413461*Квесч +0.006003*Нзал 0.066

211 0.238 0.053 КИН = -0.349898 + 3.077396 * ш 0.034

212 0.314 0.100 КИН =0.12746 + 0.883697*Ки - 0.00493 *Т„ 0.059

221 0.3669 0.087 —

222 0.4378 0.11 —

230 0.3707 0.14 КИН = -0.02647 + 2.573125 *ш + 0 002829*Нзал -0.00495^ 0.056

* 111 0.2238 0.085 КИН = -0.05857 +1.020763 * т + 0.048471*Н, 0.047

<1 112 0.3112 0.071 КИН = 0.692181 - 0.000250 * в ^ +0.398530* Кн 0.053

ш 121 0.2851 0.11 --

1 2 3 6 9 10 11

122 0.3613 0.088 КИН = 1.877291 + 0.125406*Б -2314*у+1.3192б2*т + 0.012159*НЭ 0.0653

130 0.4554 0.118 КИН = 3.860502 - 4.02826 * у 0.011

211 0.3081 0.101 КИН = -1.65349 + 2.11 ЮЗ*;--0.01924*ц + 1.10748* т 0.063

212 0.3024 0.107 КИН = 2.077971-2.11514*у + 0.012745*Н,-0.0005*СГ 0.052

221 0.3617 0.106 -

222 0.4042 0.102 КИН = 1.109070 + 0.138767 * К песч -0 000323*0^ 0.064

230 0.5235 0.09 КИН = -1.42558 + 6.051871 * т + 0.857327 *К„ 0.045

Ачимов-ский 111 0.1878 0.068 ---

112 0.2286 0.068 КИН = 0.537160-0.000116*0^ 0.055

211 0.2144 0.061 КИН = -0.25838 + 0.00611*^ -5.29012*% 0.030

212 0.1924 0.068 КИН = -0.27908 - 5.29212*Кпр +3.51076*%+0.00588*^ 0.037

Баженов-ский 211 0.2551 0.062 0.2551 0.062

Васюганск ий ПОЗДНЯЯ ЮРА 111 0.2327 0.087 КИН = 0.474037 + 3.826693 * К„р -0.000108*Сзал 0.061

112 0.2562 0.073

121 0.3261 0.064 КИН = 0.394455-0.138322*5 0.041

122 0.2448 0.084 КИН = -0.79845 +1.978551 * Кн 0.031

211 0.2448 0.084

212 0.3276 0.080 КИН = 0.132874-0.064538*5г +1.217386* т + 0.006198* Нэ 0.055

221 0.373 0.108

222 0.4097 0.102

Среднеюр ский СРЕДНЯЯ ЮРА 111 0.2048 0.081 КИН = -0.37164 + 0.878114 *у -3.37638* К,^ + 0.00698 *Т, -0 00138*СГ 0.051

112 0.2364 0.063 КИН = 0.286054-0 048223* ц 0.052

121 0.2237 0.063

211 0.2296 0.0771 КИН = 0.9333-0.7053* Кн -0.0001*С^ 0.052

212 0.2296 0.081

1 2 3 6 9 10 11

222 0.2795 0.078 КИН = 0.058414 + 0.247431 * К „ +0.001679^ 0.021

Нижнеюрс кий РАННЯЯ ЮРА 212 0.2204 0.065 КИН = 0.04339 + 0.00228 * Н, + 0.225678* 0.044

222 0.2663 0.041 КИН =-0.11214+0.318714*8 + 0.156073* ц + 0.313901 *К„ 0.019

Малое количество параметров в регрессионных уравнениях - это дополнительное достоинство прогнозной модели, так как с ее помощью можно оценить КИН слабоизученных залежей, оперируя небольшим количеством известных параметров.

Все кластеры каждой из моделей были изначально разделены на две выборки: обучающую и контрольную. По обучающей выборке проводился регрессионный анализ (подбиралось многомерное уравнение регрессии и рассчитывались оценки качества). По контрольной выборке (10% от объема группы) велась проверка качества прогноза, которая показала, что погрешности оценки КИН контрольной выборки не выше, чем погрешности прогнозных коэффициентов нефтеизвлечения для залежей обучающей выборки.

В пятой главе настоящей работы приводится описание экспертной системы (ЭС) КИН-ПРОГНОЗ. Ниже приведены только основные моменты, рассмотренные подробно в тексте работы:

1. ЭС КИН-ПРОГНОЗ действительно является экспертной системой,

так как содержит в своем составе все необходимые для этого блоки:

• Интерфейс пользователя.

• Решатель, который определяет кластер по правилам каждой классификации и рассчитывает прогнозное значение КИН.

• База знаний, представлена моделями прогноза коэффициента извлечения нефти.

• Подсистема объяснений, обеспечивающая необходимую информацию и помощь пользователю.

• Редактор базы знаний, с помощью которого инженер по знаниям вносит необходимые добавления и изменения.

2. Для хранения базы знаний использована фреймовая структура представления знаний. Информационное обеспечение (ИО) для ЭС КИН-ПРОГНОЗ разработано в соответствии с этим представлением. В разделе

приводится подробное описание логической и физической структуры ИО с использованием методологии информационного моделирования сущность-связь.

3. ЭС КИН-ПРОГНОЗ имеет удобный, интуитивно понятный пользовательский интерфейс. Экспертная система позволяет получить несколько прогнозных значений КИН для изучаемой залежи и выбрать наилучшую. При этом пользователь может проследить все шаги, которые система проделала при принятии решения, или, наоборот, пользователь может получить экспресс-оценку коэффициента извлечения нефти, совершенно не вникая в суть прогнозных моделей.

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

1. Оценка взаимосвязи КИН с геолого-промысловыми характеристиками залежей ХМАО показала, что все получаемые на стадии разведки признаки слабо коррелированны с коэффициентом извлечения нефти.

2. Разработана методика построения дискретно-непрерывных статистических моделей, которые обеспечивают более высокое качество прогноза КИН залежей ХМАО, чем многомерные уравнения регрессии для выборки в целом.

3. Построено девять моделей прогноза КИН на основе совокупности залежей, находящихся на поздних стадиях разработки, что позволило выявить наиболее информативные наборы признаков для разграничения залежей на однородные группы.

4. Созданы три модели, которые можно рекомендовать для экспресс-оценки КИН мелких и средних месторождений Западной Сибири, находящихся на этапе разведки.

5. Проверка качества прогноза моделей показала, что наилучшей из них является К-модель с классификацией по стратиграфии и по флюидодинамическим особенностям залежей. Коэффициент множественной корреляции этой модели достигает 0.85, против 0.63 по многомерному уравнению регрессии для выборки в целом.

6. Создана экспертная система КИН-Прогноз, которая позволяет получать оперативные оценки КИН для залежей месторождений ХМАО, используя дискретно-непрерывные прогнозные модели.

Основные положения диссертации опубликованы в работах автора:

1. Автоматизированный прогноз коэффициента извлечения нефти и эффективности методов воздействия на пласт с использованием дискретно-непрерырвных моделей // Наука и технология углеводородных дисперсионных систем: материалы 11-го международного симпозиума. -Уфа, 2000.-С.59-60 (соавт. Дорошенко A.A., Ершов A.B.).

2. Классификация нефтяных залежей для целей прогноза коэффициента нефтеизвлечения на стадии разведки // Геология и нефтегазоносность Западно-Сибирского мегабассейна: тезисы докладов Всероссийской научной конференции. - Тюмень: ТюмГНГУ, 2000.-С.46-51. (соавт. Дорошенко A.A., Каналин В.Г.).

3. Анализ достоверности утвержденных значений коэффициента извлечения нефти по залежам, находящимся в разработке // Геология и нефтегазоносность Западно-Сибирского мегабассейна: тезисы докладов Всероссийской научной конференции. - Тюмень: ТюмГНГУ, 2000.-С.62-65. (соавт. Усенко Т.П., Толстолыткин И.П., Мухарлямова Н.В.).

4. Дискретно-непрерывные прогнозные модели для целей прогноза коэффициента нефтеизвлечения на стадии разведки // Проблемы развития газовой промышленности Западной Сибири: Сборник тезисов докладов XII научно-практической конференции молодых ученых и специалистов. -Тюмень: ТюменНИИГипрогаз, 2002. -С.44.

5. Стратиграфическая дискретно-непрерывная модель коэффициента извлечения нефти // Геология и нефтегазоносность ЗападноСибирского мегабассейна: материалы докладов второй всероссийской научно-технической конференция. - Тюмень: Вектор Бук, 2002. - С. 18-19.

6. Структура информационного обеспечения для дискретно-непрерывных прогнозных моделей // Геология и нефтегазоносность Западно-Сибирского мегабассейна: материалы докладов второй всероссийской научно-технической конференция. - Тюмень: Вектор Бук, 2002.-С. 19-20.

7. Информационное обеспечение компьютерного комплекса анализа данных контроля за разработкой нефтяных залежей // Математическое и информационное моделирование (сборник научных трудов).- Тюмень, ТГУ, 2002. С. 49-60. (соавт. Ершов A.B.).

8. Дискретно-непрерывные прогнозные модели в задачах нефтегазовой геологии // Математическое и информационное моделирование (сборник научных трудов).- Тюмень, ТГУ, 2002.-С. 39-49. (соавт. Белкина В.А., Дорошенко A.A.).

Подписано к печати^ Рб 2003г. Бум. писч. № 1

Заказ N° д5У Уч.-из. 1,2

Формат 60x84 1/16 Усл. печ. Л. 1,2

Отпечатано на RISO GR 3750 Тираж 100 экз.

Издательство «Нефтегазовый университет»

Государственного образовательного учреждения высшего

профессионального образования «Тюменский государственный нефтегазовый университет» 625000, г.Тюмень, ул. Володарского, 38 отдел оперативной полиграфии издательства «Нефтегазовый университет» 625039, г.Тюмень, ул. Киевская, 52

«

( )

I

I

I

I (

I f

!

i

1 i

I

i

!

i j

I i

10317

""Vóií/

ВВЕДЕНИЕ.

1. ГЕОЛОГИЧЕСКИЕ ОСНОВЫ ПРОГНОЗА КОЭФФИЦИЕНТА ИЗВЛЕЧЕНИЯ НЕФТИ СТАТИСТИЧЕСКИМИ МЕТОДАМИ.

1.1. Геолого-промысловая характеристика нефтяных залежей ХМАО в связи с оценкой КИН.

1.2. Методы оценки КИН.

1.3. Обоснование комплекса геолого-промысловых признаков для прогноза КИН статистическими методами.

1.4. Анализ достоверности утвержденных значений КИН по залежам, находящимся на средних и поздних стадиях разработки.

2. МЕТОДЫ ПОСТРОЕНИЯ ДИСКРЕТНО-11ЕПРЕРЫВ1П1ЫХ ПРОП10311ЫХ МОДЕЛЕЙ.

2.1. Методика построения статистических прогнозных моделей.

2.2. Роль группировок в задачах классификации.

2.3. Методика построения дискретно-непрерывных моделей.

3. АНАЛИЗ ВЗАИМОСВЯЗИ КИН С КОМПЛЕКСОМ ГЕОЛОГО-ПРОМЫСЛОВЫХ ПРИЗНАКОВ ДЛЯ ЗАЛЕЖЕЙ НА ПОЗДНИХ СТАДИЯХ РАЗРАБОТКИ.

3.1. Анализ взаимосвязей КИН с геолого - промысловыми признаками в целом для нефтяных залежей ХМАО.'

3.2. Оценка коэффициента нефтеотдачи на основе дискретных и дискретно -непрерывных прогнозных моделей.

4. МОДЕЛИ ЭКСПРЕСС-ОЦЕНКИ КИН НА ОСНОВЕ ДИСКРЕТНЫХ И ДИСКРЕТНО - НЕПРЕРЫВНЫХ ПРОГНОЗНЫХ МОДЕЛЕЙ ДЛЯ ЗАЛЕЖЕЙ НА СТАДИИ РАЗВЕДКИ.

4.1. Флю идо динамическая модель прогноза КИН (Ф-модель).

4.2. Стратиграфическая модель прогноза КИН (С-модель).

4.3. Комбинированная модель прогноза КИН (К-модель).

5. ОПИСАНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ КИН-ПРОПЮЗ.

5.1. Вводное замечание.

5.2. Описание информационного обеспечения ЭС КИН-ПРОГНОЗ.

5.3. Описание пользовательского интерфейса.

Актуальность темы. К настоящему времени сырьевая база нефтедобывающих предприятий России в целом и Ханты-Мансийского автономного округа (ХМАО) в частности претерпевает значительные изменения структуры запасов нефти. Из разведки выходят, в основном, не крупные, высокопродуктивные месторождения, а мелкие и средние, подготовка которых к вводу в разработку осуществляется на основе небольшого количества разведочных скважин. В связи с этим технико-экономическое обоснование коэффициента извлечения нефти (КИН) для таких залежей не может быть осуществлено на основе физически содержательных гидродинамических моделей из-за невозможности обеспечения их геолого-п ромысловой информацией в надлежащих объемах.

Согласно методическому руководству по расчету КИН, исходной информацией для обоснования коэффициента нефтеизвлечения обычно служат данные разведки, подсчета запасов, пробной эксплуатации отдельных скважин, опытно-промышленной и промышленной разработки залежи. Для мелких же объектов (с балансовыми запасами до 3 млн. т.) на стадиях подготовки месторождений к разработке оценка коэффициентов извлечения нефти может проводиться по статистическим зависимостям. Более того, по таким зависимостям допускается проводить обоснование КИН и для более крупных (с запасами до 30 млн. т.) месторождений, но имеющих при этом простое строение. В руководящих документах особо подчеркивается, что построение статистических зависимостей для оценки КИН необходимо проводить по данным изучаемого региона.

Вопросами разработки статистических моделей для прогноза КИН занимались такие исследователи, как М.Т.Абасов, И.И.Абызбаев, Т.Ю.Бочаров, В.К.Гомзиков, М.И.Малиновский, Н.А.Молотова, В.В.Осипов, РЛ.Кучумов, З.А.Султанов, М.А.Токарев и др. Поскольку все созданные в настоящее время регрессионные уравнения для прогноза КИН основаны на обобщении материалов по месторождениям Татарии, Башкирии, Северного Кавказа, Таджикистана, то актуальной задачей является создание регрессионных уравнений прогноза КИН для месторождений Западной Сибири - этой крупнейшей нефтедобывающей провинции. В настоящей работе рассматриваются вопросы теории и практики построения статистических прогнозных моделей КИН с использованием методов распознавания образов и регрессионного анализа. В качестве региона исследований выбран Ханты-Мансийский автономный округ, который своими уровнями добычи обеспечивает и в дальнейшем будет обеспечивать энергетическую составляющую экономики страны.

Цель работы:

• Разработка методики построения дискретно-непрерывных статистических моделей прогноза КИН по комплексу геолого-промысловых, признаков измеряемых на стадии разведки.

• Создание экспертной системы, обеспечивающей оперативную оценку коэффициента извлечения нефти для залежей, выходящих из разведки, на месторождениях Ханты-Мансийского автономного округа.

Задачи работы:

- Оценить тесноту взаимосвязи коэффициента нефтеизвлечения с геолого-промысловыми характеристиками залежей.

- Разработать методику построения дискретно-непрерывных статистических моделей для прогноза КИН.

- Провести разграничение залежей на группы однородные по комплексу геолого-промысловых признаков, определяемых на стадии разведки.

- Построить прогнозные модели КИН в форме многомерных уравнений регрессии для каждой из групп залежей.

- Провести оценку качества построенной прогнозной модели по независимой (контрольной) выборке залежей, которые не участвовали в построении прогнозной модели.

- Создать экспертную систему по экспресс-оценке КИН, которая использует разработанные дискретно-непрерывные прогнозные модели.

Научная новизна работы:

1. Разработан новый подход к построению статистических моделей прогноза КИН по комплексу геолого-промысловых признаков на основе комбинированного применения методов распознавания образов и регрессионного анализа.

2. Разработаны дискретно-непрерывные модели прогноза коэффициента извлечения нефти для месторождений Ханты-Мансийского автономного округа.

3. Разработана компьютерная технология прогнозирования КИН, которая использует дискретно-непрерывные прогнозные модели.

Реализация работы. Результаты научно-исследовательской работы реализованы в экспертной системе, которая может быть использована в производственных и научно-исследовательских, проектных организациях при предварительной оценке коэффициента нефтеизвлечения на месторождениях ХМАО.

На основе результатов диссертационной работы разработаны новые лекции и лабораторные работы для специальности Информационные системы и технологии.

Апробация работы.

Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

Н-й международный симпозиум " Наука и технология углеводородных дисперсионных систем" (г. Уфа, октябрь 2000);

Всероссийская научная конференция "Геология и нефтегазо-носность Западно-Сибирского мегабассейна" (г.Тюмень, ноябрь 2000);

Вторая всероссийская научно-техническая конференция «Геология и нефтегазоносность Западно-Сибирского мегабассейна» (г.Тюмень, апрель 2002);.

XII научно-практическая конференция молодых ученых и специалистов «Проблемы развития газовой промышленности Западной Сибири » (г.Тюмень, май 2002);

Шестая научно-практическая конференция "Пути реализации нефтегазового потенциала Ханты-Мансийского автономного округа" (г. Ханты-Мансийск, ноябрь 2002).

Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 4 статьи и 4 тезиса докладов на всероссийских и международных конференциях.

Структура и объем работы. Диссертация состоит из введения, 5 глав и заключения. Объём машинописного текста 124 страницы. Работа содержит 36 рисунков, 49 таблиц, библиография включает 129 наименований.

Выводы:

1. ЭС КИН-ПРОГНОЗ действительно является экспертной системой, так как содержит в своем составе все необходимые для этого блоки:

• Интерфейс пользователя,

• Решатель, который определяет кластер по правилам каждой классификации и рассчитывает прогнозное значение КИН.

• База знаний, представлена моделями прогноза коэффициента извлечения нефти,

• Подсистема объяснений, обеспечивает и необходимые подсказки пользователю.

• Редактор базы знаний, с помощью которого можно пополнить базу знаний.

2. Для хранения базы знаний использована фреймовая структура представления знаний. Информационное обеспечение (ИО) для ЭС КИП-ПРОГНОЗ разработано в соответствии с этим представлением. В разделе приводится подробное описание логической и физической структуры ИО с использованием методологии информационного моделирования сущность-связь.

3. ЭС КИН-ПРОГНОЗ имеет удобный, интуитивно понятный пользовательский интерфейс. Экспертная система позволяет получить несколько прогнозных значений КИН для изучаемой залежи и выбрать наилучшую. При этом пользователь может проследить все шаги, которые система проделала при принятии решения, или, наоборот, пользователь может получить экспресс-оценку коэффициента извлечения нефти, совершенно не вникая в суть прогнозных моделей.

ЗАКЛЮЧЕНИЕ

По результатам исследований получены следующие научные и практические результаты:

1. Для нефтяных месторождений ХМАО взаимосвязи КИН с геолого-промысловыми характеристиками залежей имеют низкие коэффициенты корреляции.

2. Разработана методика построения дискретно-непрерывных статистических моделей, которые обеспечивают более высокое качество прогноза КИН, чем многомерные уравнения регрессии для выборки, включающей залежи ХМАО, коэффициент нефтеизвлечения которых утвержден в ГКЗ.

3. Построено девять моделей прогноза КИН на основе совокупности залежей, находящихся на поздних стадиях разработки, что позволило выявить наиболее информативные наборы признаков для разграничения залежей на однородные группы.

4. Созданы три модели, которые можно рекомендовать для экспресс-оценки КИН мелких и средних месторождений Западной Сибири, находящихся на этапе разведки. Классификационные построения в этих моделях проводились:

• по стратиграфической привязке пластов (С-модель);

• по флюидодинамическим особенностям залежей (Ф-модель);

• комбинированным способом - по стратиграфии и по флюидодинамическим особенностям залежей (К-модель).

5. Наилучшим качеством прогноза характеризуется К-модель. Коэффициент множественной корреляции модели достигает 0.85, против 0.63 по многомерному уравнению регрессии для выборки в целом.

6. Создана экспертная система КИ11-Прогноз, которая позволяет получать оперативные оценки КИН для залежей месторождений ХМАО, используя дискретно-непрерывные прогнозные модели.

1. Абасов М.Т., Кондрушкин Ю.М., Листенгартен Б.М. Влияние некоторых показателей разработки на нефтеотдачу пласта // Нефтяное хозяйство. 1965, № 12.

2. Абасов М.Т., Султанов Ч.А. Статистическое моделирование нефтяных залежей. Баку, 1980.

3. Абасов М.Т., Султанов Ч.А., Шацкий А.В. Влияние геолого-физических факторов на процесс нефтеизвлечения //Геология нефти и газа. 1985, № 6. -С.53-56.

4. Айвазян С.А., Бежаева З.И.,Староверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. - 240 с.

5. Акбашев Ф.К., Дементьев Л.Ф. О принципах классификации нефтегазонасыщенных пород для целей подсчета запасов и разработки // Нефть и газ.- 1974, № 7.

6. Аксиоматическая классификация залежей нефти и газа и её применение для описания месторождений Тюменской области. Гольдин С.В., Волков A.M., Гольдина Н.А. /Тр. ЗапСибНИГНИ. Вып. 29. М.: Недра, 1970. - 208 с.

7. Амикс Д., Басс Д., Уайтинг Р. Физика нефтяного пласта. Пер. с англ. М.: Гостоптехиздат, 1962. - 571 с.

8. Бабалян Г.А. Вопросы механизма нефтеотдачи. Баку, изд-во Азнефтеиздат, 1956.

9. Бабалян Г.А., Мовсесян С.Г., Мархасин И.Л. О вытеснении нефти из двухслойного грунта // Нефтяное хозяйство. 1954, № 4. - С.40-46.

10. Барьюдин В.Л. К вопросу прогнозирования коэффициентов нефтеотдачи на примере II тектонического блока месторождения Нефтяные Камни // Тр. АЗИННЕФТЕХИМ. Баку, 1981.

11. Белкина В.А., Дорошенко А.А., Ершова Е.А. Дискретно-непрерывные прогнозные модели в задачах нефтегазовой геологии // Математическое и информационное моделирование (сборник научных трудов).- Тюмень, ТГУ, 2002. С. 39-49.

12. Бенч А.Р., Крейнин Е.Ф., Смирнов А.Н., Элланский М.М. Нефтегазопромысловая геология и геологические основы разработки месторождений нефти и газа. Ухта, Ухтинский индустриальный институт, 1986.

13. Бенч А.Р., Цехмейстрюк А.К., Крейнин Е.Ф., Поле А.В., Кузькоков В.А. Оценка нефтеотдачи нефтяных залежей Нижне-Омринского месторождения // Нефтепромысловое дело. 1982, № 10.

14. Большаков ЮЛ. Теория капиллярности нефтегазонакопления. -Новосибирск.: Наука, 1995. 184 с.

15. Борисов Ю.П., Рябинина З.К., Воинов В.В. Особенности проектирования разработки нефтяных месторождений с учетом их неоднородности. М.: Недра, 1976.1617,18,1920,21,22,23,24