автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Оптимизация технологического процесса разработки газоносного пласта с применением генетических алгоритмов и нейронных сетей

На правах рукописи

Дианов Роман Сергеевич

ОПТИМИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА РАЗРАБОТКИ ГАЗОНОСНОГО ПЛАСТА С ПРИМЕНЕНИЕМ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ И НЕЙРОННЫХ СЕТЕЙ.

05.13.06 - Автоматизация и управление технологическими процессами и производствами (в промьплленности)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Астрахань 2004

Работа выполнена в Астраханском государственном техническом университете и Астраханском научно-исследовательском и проектном институте газа.

Научный руководитель: кандидат технических наук, доцент

Проталинский Олег Мирославович.

Официальные оппоненты: доктор технических наук, профессор

Есауленко Владимир Николаевич; кандидат технических наук, доцент Большаков Александр Афанасьевич.

Ведущее предприятие: Филиал ООО "ЛУКОЙЛ-Нижневолжскнефть" ТИП "Астраханьморнефтегаз".

Защита состоится 27 марта 2004 г. в а часов на заседании диссертационного совета Д 307.001.01 в Астраханском государственном техническом университете по адресу: г. Астрахань, ул. Татищева, 16, ауд.305

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу: 414056, г. Астрахань, ул. Татищева, 16, АГТУ, ученому секретарю диссертационного совета Д 307.001.01.

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан 20 февраля 2004 г.

Ученый секретарь

диссертационного совета д.т.н., профессор

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Интенсивное развитие газодобывающей промьппленности требует повышения эффективности процессов добычи природного газа и конденсата, увеличения компонентоотдачи пластов, совершенствования систем разработки и способов эксплуатации газовых л газоконденсатных месторождений.

Опыт газодобывающей промышленности показывает, что основной проблемой является увеличение полноты извлечения газа и конденсата из продуктивных пластов. Из анализа • данных разработки большого количества месторождений следует, что в ряде случаев коэффициент газоотдачи оказывается недопустимо низким, а пластовые потери конденсата очень велики.

Технологический процесс разработки газоносного пласта характеризуется наличием на входе сырья в виде флюида, содержащегося в пласте, и полупродукта на выходе в виде газожидкостной смеси, которая затем направляется на переработку для получения конечного продукта. Нарушение технологии добычи газового конденсата приводит к образованию зон пониженного пластового давления, обводнению скважин, в результате чего ухудшается качество полупродукта.

Газовое или газоконденсатное месторождение представляет собой сложную структуру, состоящую из большого числа скважин, взаимодействующих между собой и с внешней средой на разных уровнях, причем зачастую это взаимодействие носит неопределенный характер, связи имеют переменный характер, обеспечивая многорежимный характер функционирования.

Характерная особенность процесса разработки газового или газоконденсатного месторождения — ограниченный объем сведений о параметрах и свойствах системы. Это связано как с наличием большого, постоянно возрастающего фонда скважин, так и с ограниченностью имеющихся измерительных приборов и систем. В сочетании со сложностью объектов исследования (пластовая система, скважины) это приводит к необходимости принимать те или иные технологические решения при недостаточности информации.

Большое значение для повышения технологических показателей имеет оптимизация технологического процесса разработки газоносного пласта с учетом результатов оценки эффективности обработок скважин, данных о значении поля пластового давления, информации о продуктивной части вскрытого пласта и других факторов. С увеличением фонда газовых скважин все более существенное значение приобретают вопросы их совместной эксплуатации, поскольку это влияет на разработку месторождения в целом. Принятие такого технологического решения как изменение режимов работы действующих скважин очень важно, особенно

в условиях проявления начального градиента давления. Необходимо определять технологический режим работы не отдельной скважины или группы скважин, а залежи в целом. Детерминированный подход к решению таких задач оказывается малоэффективным из-за невозможности учета ряда факторов и недостаточной изученности объектов воздействия. Для принятия правильного решения необходимо провести анализ большого числа факторов. Анализ этой информации -процесс достаточно трудоёмкий.

Несмотря на существование различных вариантов реализации систем оптимизации технологического процесса разработки газоносного пласта, разработка газовых и газоконденсатных месторождений ведется недостаточно эффективно. Это связано не только с многомерностью задачи, большим объёмом исходных данных, но и с тем, что эти данные являются, как правило, неполными. Методы и алгоритмы, используемые в данных системах, не в состоянии учесть все перечисленные факторы. При этом некорректно установленные режимы эксплуатации скважин приводят к неэффективной разработке месторождения, возникновению зон пониженного пластового давления, подтягиванию подошвенной воды и обводнению скважин. Всё это определяет актуальность задачи применения более эффективных подходов к оптимизации технологического процесса разработки газоносного пласта.

Цель работы. Цель работы состоит в повышении эффективности эксплуатации газоконденсатных месторождений путём совершенствования методов оптимизации технологического процесса разработки газоносного пласта.

Для достижения поставленной цели необходимо решить следующие задачи:

- осуществить анализ технологического процесса разработки газоносного пласта применительно к целям оптимизации;

- проанализировать современное состояние вопросов оптимизации разработки газоконденсатных месторождений;

- определить пути и способы совершенствования методов оптимизации технологического процесса разработки газоносного пласта;

- разработать систему оптимизации технологического процесса разработки газоносного пласта, позволяющую повысить эффективность эксплуатации газоконденсатного месторождения;

- провести анализ эффективности разработанной системы оптимизации.

Методы исследования. В работе использованы генетические алгоритмы, методы искусственного интеллекта (нейронные сети), методы математического анализа, математической статистики, оптимизации процессов, а также принципы подземной гидравлики и разработки газоконденсатных месторождений.

Научная новизна.

- решена задача оптимизации процесса разработки газоносного пласта с применением генетического алгоритма, что позволило повысить эффективность разработки газоконденсатного месторождения;

- синтезирован генетический алгоритм, отличающийся более коротким хромосомным набором, позволяющий расширить исследование пространства поиска;

- разработана нейросетевая модель, позволяющая решить задачу прогнозирования времени эффективной работы скважины, неформализуемую традиционными математическими методами;

- реализована система оптимизации процесса разработки газоносного пласта, позволяющая повысить эффективность эксплуатации газоконденсатного месторождения.

Практическая ценность.

- разработано математическое и алгоритмическое обеспечение для оптимизации технологического процесса разработки газоносного пласта;

- создан программный комплекс для оптимизации процесса разработки газоносного пласта, реализующий разработанные модели и алгоритмы.

Реализация результатов. Программный комплекс внедрен в опытно-промышленную эксплуатацию в ООО «Астраханьгазпром», Астраханском научно-исследовательском и проектном институте газа (акт внедрения прилагается). Основные результаты и выводы диссертации внедрены в учебный процесс в Астраханском государственном • техническом университете и используются в лекционном курсе, а также при выполнении лабораторных работ по дисциплине "Интеллектуальные информационные системы" (акт внедрения прилагается).

Апробация работы. Результаты диссертационной работы докладывались на Всероссийской конференции молодых специалистов научных организаций и производственных предприятий нефтегазового комплекса, посвященной 300-летию горного дела в России (г.Москва, 2001г.), И Международной научно-практической конференции «Международные и отечественные технологии освоения природных минеральных ресурсов и глобальной энергии» (г. Астрахань, 2003г.), Ежегодной научно-практической конференции молодых учёных (г.Астрахань, 2003г.).

Публикации. По материалам диссертационного исследования опубликовано 8 работ.

Структура и объём работы. Диссертация состоит из введения, четырёх глав, заключения, списка использованной литературы из 115 наименований и 6 приложений. Содержание работы изложено на 167 страницах, иллюстрировано 68 рисунками и 19 таблицами.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, определены цель и задачи исследования, сформулированы научная новизна, практическая значимость диссертационной работы, приведены данные об апробации работы, структура и объем диссертации.

Первая глава посвящена анализу процесса разработки газоконденсатного месторождения. В ней рассматриваются основные положения оптимизации эксплуатации скважин, технологии выбора оптимальных режимов, обосновывается необходимость повышения эффективности эксплуатации месторождения путем оптимизации технологического процесса разработки газоносного пласта. Дано описание технологического процесса, проведен анализ с точки зрения проблем оптимизации, освещено текущее состояние вопросов автоматизации и моделирования. Показывается неопределенность задачи и сложность её решения традиционными методами, обосновывается применение генетических алгоритмов .и нейронных сетей. Поставлена проблема исследования. Рассмотрены несколько вариантов формулирования задачи оптимизации, исходя из различных предпосылок: существенное увеличение темпов разработки месторождения, экономное использование пластовой энергии, обеспечение желательной динамики поля пластового • давления. Показано, что для оптимальной разработки месторождения при газовом режиме эксплуатации и режиме с подъемом подошвенных вод_ необходимо стремиться к равномерному падению пластового давления на площади газоносности. Сформулирована задача оптимизации: при известном желательном изменении поля пластового давления, заданном рядом значений давлений эксплуатационных участков р*ц ( i=l,N; t=O,T; N число эксплуатационных участков, Т- рассматриваемый промежуток времени) и обеспечивающем равномерность падения пластового давления на площади месторождения, требуется стремиться к минимуму суммы:

что обеспечит оптимальное протекание технологического процесса разработки газоносного пласта.

При этом существуют ограничения, связанные с заданным планом добычи:

где qr дебит ьой скважины, qs - заданный план добычи; а также ограничения, накладываемые условием выноса жидкости с забоя скважины, условием предотвращения выпадения конденсата в

призабойной • зоне скважины, условием предотвращения срыва пленки

ингибитора с поверхности насосно-компрессорных труб ( q, > q ,'

q„'

г<

\ч1<ь,аах)

В данной задаче: Х={р ,, А„ В,} - вектор входных переменных; р*; - желательное поле пластового давления; М и Б1 - коэффициенты фильтрационного сопротивления, характеризующие призабойную зону 1-ой скважины, и=(д,} - вектор управляющих воздействий; д, - дебит 1-ой скважины; Л^^ш^Ч^а} - вектор параметров модели газоносного пласта; к - проницаемость; ш - пористость; Ъ - высота продуктивного пласта; ц - коэффициент динамической вязкости; z - коэффициент сверхсжимаемости газа: а - коэффициент газонасыщенности; У=(р,, Т,}-вектор выходных переменных; р,-значение пластового давления в зоне 1-ой скважины; 1\ - время эффективной работы 1-ой скважины.

В заключительной части первой главы приводится обзор работ по оптимизации технологического процесса разработки газоносного пласта. Указаны недостатки существующих разработок.

Во второй главе рассматривается математическая модель продуктивного пласта. Данная модель описывается множеством векторов (р], где 1 - номер участка пласта, р, - вектор компонентов, соответствующий полному перечню параметров 1-го участка (проницаемость, пористость, высота продуктивного пласта).

Газоносный пласт описывается уравнением фильтрации газа:

где k(x,y), m(x,y), h(x,y) - проницаемость, пористость и высота продуктивного пласта эксплуатационного участка с координатами центра (х,у); ц(р), z(p) - коэффициенты динамической вязкости и сверхсжимаемости газа; / - количество отбираемого газа из эксплуатационного участка газоносного пласта за единицу времени (плотность отбора); а(х,у)- коэффициент газонасыщенности.

Газоносный пласт рассматривается как совокупность элементарных ячеек (зон). Множество ячеек к <п)={к(п)} задастся так, что (х,у) е к ы ij , если (i-l)/n<x<i/n и (j-l)/n<y<i/n, где i=l,2,...n. Модель записывается в обобщенных координатах и содержит вместо пластовых параметров <т(х,у) обобщенные параметры ст(п) „ :

af = \\a{x,y)X^\x,y)dxdy,

где Хц(п) -направляющий косинус системы обобщенных координат.

Параметры модели описываются системой дифференциально-разностных уравнений: в момент

а 1

(Д*г

„2 г? (te)2

„2 2

(У 1 ——-—

+ _ /л \2

1 2 (АУ)

„2 „2 (А>)2

И]*

rit h ( 2

м(.РМР) z \ dp)

в момент t = т+1:

_2 „2

с 1

'+г] (Д*)2

l^n^hMi1,

j L 2J 0,5 Дг

_2 „2 (Ах)2

1—•] 2 '

[r + ф

<т +-•,J 2

1 pi,j + l~pi, j

(ДУГ

к h h) i,J

КРЖР)

1-2

tr —

4 2

¿L È.

z dp

1 \rPi,]-\

(АуГ

[r + l]+

[t+i]

0,5 Дг

Нижние индексы означают принадлежность к определенной ячейке пласта, ру [t] - пластовое давление в ячейке пласта с координатами (i Ax, j Ду) в момент времени т; О ^^ - среднее значение двух смежных ячеек с координатами - единичные

приращения по осям Ox, Oy, Ot.

Данные уравнения представляют собой системы из (п - I)2 уравнений с (п - I)2 неизвестными, а с учетом граничных условий в общем случае будут системами га (п + I)2 уравнений с (п + I)2 неизвестными. На основании данной модели определяются значения поля пластового давления в заданной области пласта при заданных начальных условиях.

Проверка адекватности модели проводилась по данным истории разработки Астраханского газоконденсатного месторождения путем сравнения данных, выдаваемых моделью, и данных, содержащихся в геолого-технических отчетах и характеризующих реальный объект управления На рис.1 и рис.2 представлено сравнение значений пластового давления в различных областях газоносного пласта.

30 40 50 60 Пластовое давление, Мпа

□ фактич И расчет.

Рис 1. Сравнение значений в области пониженного пластового давления:

10 9

30 40 50 60 Пластовое давление, Мпа

□ фактич. И расчет.

Рис. 2. Сравнение значений в области высокого пластового давления.

При работе модели в рабочем диапазоне относительная ошибка не превысила 6%, на основании чего сделан вывод о возможности1 использования данной модели для оптимизации технологического' процесса разработки газоносного пласта.

В третьей главе производится разработка модели генетического наследования для решения задачи оптимизации разработки газоконденсатного месторождения с обоснованием использования генетического алгоритма.

Генетический < алгоритм оптимизации режимов эксплуатации • п газовых скважин выглядит следующим образом: индивидуум (вариант распределения дебитов) - набор из п хромосом X]; хромосома X) - дебит скважины ) Так как дебиты скважин ограничены, не все значения

хромосом являются долусл имыми. Это учитывается при генерации популяций. В данном случае суммарный объем дебитов фиксирован (ограничение, накладываемое производственными возможностями газоперерабатывающего завода), поэтому реально варьируются только п-1 хромосом, а значение n-ой определяется по ним однозначно.

При двоичном кодировании дебитов скважин необходимо десятиразрядное кодирование. При этом двоичное число 0000000000 соответствует 0 тыс. м^сут, тогда как 1111111111 соответствует 1023 тыс.м3/сут. Оптимизируемая структура данных - набор из п 10-битных строк, представляющих конкатенацию кодировок п дебитов Генотип - точка в П*10-мерном хеммининговом пространстве, исследуемом генетическим алгоритмом.

В работе доказано, что применение традиционной схемы генетического алгоритма для решения задачи оптимизации процесса разработки газоносного пласта оказывается неэффективным. Она достаточно громоздка, длинная кодировка повышает вероятность нахождения локального экстремума. К тому же применение длинных кодировок вовсе не гарантирует, что найденное решение будет обладать требуемой точностью. Кроме того, с точки зрения программирования и практической реализации генетического алгоритма оптимально, если кодировка укладывается в 2 байта (8 битов).

Поэтому была разработана модификация ГА, позволяющая, не применяя длинных кодировок, добиваться сравнимой точности. Для того, чтобы провести дискретизацию пространства поиска и закодировать каждое возможное решение более короткой бинарной строкой, пространство параметров разбивается равномерной сеткой. Для этого каждый интервал изменения параметра разбивается на п отрезков равной длины т: m, = (q^i - q,,,) / п, где i = 1, 2, q^j и q„i - конечное и начальное значение параметра на i-ом интервале. Этим самым i-ый интервал [q„ i , q* i ] разбивается отрезками с помощью (п+1) точек с постоянным шагом т,: Ху = qHi + jm„ j — 0, 1,.., п. Используя двоичный алфавит {0,1}, каждой точке присваивается уникальный бинарный код длины g. Длина кода g выбирается таким образом, чтобы n < 2s. Наиболее целесообразно и экономично использовать сетку с n = 2s-1. Символьная запись]-ой точки по i-ой координатной оси в двоичном коде представляется в виде бинарной последовательности

После проведения дискретизации по всем N координатным осям, была получена в N-мерном пространстве поиска, пространственная л решетка с (n+l)N узлом, где каждый узел можно, представить в виде линейной последовательности таких записей: аДаг'... э^ ... — а^

я N я N

......3] ,3.2 ... Эг .

Таким образом, в данной оптимизационной задаче множество узлов пространственной решетки, разбивающей пространство поиска

решений, представляется с помощью бинарных последовательностей (хромосом). Фиксированная длина L=g*N двоичной кодировки означает, что любая из 2l возможных бинарных строк представляет возможное решение задачи. Данная кодировка соответствует разбиению пространства параметров на области, которым соответствуют уникальные комбинации - битов в строке. Для установления соответствия между областями и бинарными строками вместо обьгшой двоичной кодировки использовался рефлексивный код Грея. Код Грея предпочтительнее обычного двоичного тем, что обладает свойством непрерывности бинарной комбинации: изменение кодируемого числа на единицу соответствует изменению кодовой комбинации только в одном разряде.

При функционировании генетического алгоритма множество допустимых решений (вариантов распределения дебитов скважин) представляется в виде конечной популяции особей. Каждая особь в популяции обладает мерой приспособленности к окружающей среде (значением критерия оптимальности). Процесс поиска оптимального решения описывается процессом моделируемой "эволюции", целью которой является нахождение особи, имеющей максимальную приспособленность (минимум значения критерия оптимальности), то есть особи, соответствующей оптимальному распределению дебитов скважин.

Идея разработанного генетического алгоритма состоит в том, чтобы манипулируя имеющейся совокупностью бинарных представлений, с помощью генетических операторов получать новые строки, т.е. перемещаться в новые области пространства поиска. После получения бинарной комбинации для нового решения формируется вектор со значениями из соответствующей области. Таким образом, каждое решение генетического алгоритма будет иметь следующую структуру: фенотип - точка в пространстве параметров q = (qb q2, ... qN), принадлежащая пространству поиска; генотип - бинарная строка фиксированной длины, идентифицирующая область разбиения пространства параметров и принадлежащая пространству представлений - бинарных строк длины L; приспособленность - величина f, соответствующая значению целевой функции в точке q.

Разработанная модель генетического алгоритма позволяет использовать более крупное разбиение пространства параметров, сужая пространство бинарных строк и делая при этом длину хромосомного набора короче. Многообразие точек, распределяемых в небольших областях поиска, позволяет достигать высокой точности даже в тех задачах, где решение не попадает в окрестность узла сетки разбиения.

Оценка предлагаемого алгоритма проводилась на ряде тестовых функций De Jong, которые используются для проверки эффективности генетических алгоритмов. Также, были использованы сложные многоэкстремальные функции высокой размерности, практически

нерешаемые классическими методами.* На рис. 3 и рис.4 показали графики изменения приспособленности лучшей особи в популяции при-различной длине L кодировки параметров для функций De Jong 3 и Griewank 10.

•9

й 30

0

5 27

1 24 S 21

о

3 18

•рЧ

15

1 4 7 10 13 16 1$> 22'25 28 31 34 37 Поколение

Рис. 3. График изменения приспособленности лучшей особи в популяции при различной длине кодировки для функции De Jong 3 (непрерывная линия - L=10, разрывная - L=9, пунктирная - L=8).

-у ¿т —" у gr w

f -z s

i t-r Г /

А V J

A

/и t у

—I

1 4 7 10 13 16 19 22 25 28 31 34 37

Поколение

Рис. 4. График изменения приспособленности лучшей особи в популяции при различной длине кодировки для функции (Меитапк 10 (непрерывная линия - Ь= 10, разрывная - Ь=9, пунктирная - Ь=8).

Графики демонстрируют, что уменьшение длины хромосомного набора- не уменьшает, а в некоторых случаях даже увеличивает приспособленность лучшей особи.

На рис.5 и рис.6 представлено изменение лучшей и худшей приспособленностей особей в популяции для функции Griewank 2 при различной длине кодировки параметров.

Графики показывают, что увеличение длины хромосомного набора не столько ускоряет процесс поиска наилучшего значения приспособленности, сколько влияет на улучшение приспособленности наихудших особей в популяции, что приводит к более быстрой работе алгоритма в ущерб исследованию пространства поиска. Таким образом, можно сделать вывод о том, что разработанный генетический алгоритм с более крупным разбиением пространства параметров и коротким хромосомным набором» более эффективен, чем традиционные генетические алгоритмы.

На рис. 7 изображен график эволюции модернизированного генетического алгоритма оптимизации,процесса разработки газоносного пласта на Астраханском газоконденсатном месторождении в сравнении с графиком' эволюции обычного генетического алгоритма. Также па рисунке представлен результат, полученный с помощью принципа суперпозиции дебитов скважин, традиционно используемого при разработке газоконденсатных месторождений.

100 90 80 70

«

С 60 2

j 50

40 30 20 10 0

1 9 17 25 33 41 49 57 65 75 81 8$ 97 IOS 113121

поколение

Рис. 7. Сравнение работы генетических алгоритмов и принципа суперпозиции дебетов скважин для оптимизации процесса разработки

пласта на АГКМ (непрерывная линия - модернизированный ГА, пунктирная - обычный ГА, штрих-пунктирная - принцип суперпозиции)

Разработанный генетический алгоритм находит решение на 92 поколении эволюции. Традиционный генетический алгоритм работает быстрее и находит решение на 56 поколении,- однако качество решения оказывается хуже, что свидетельствует о попадании алгоритма в локальный экстремум. Решение, полученное с помощью применения принципа суперпозиции, оказалось наихудшим.

При разработке алгоритма оптимизации процесса разработки газоносного пласта возникла проблема прогнозирования времени эффективной работы скважины для соблюдения ограничения Т,<Т, эф. Однако задача прогнозирования времени эффективной работы скважины не поддается адекватной формализации, поскольку содержит элементы неопределенности, неформализуемые традиционными математическими методами. Поэтому было решено использовать для решения данной задачи свойство универсальной аппроксимации нейронной сети.

Была разработана нейросетевая модель для определения времени эффективной работы скважины. По мере накопления данных по режимам эксплуатации скважин был выявлен ряд основных факторов, которые существенно влияют на значение времени* эффективной работы скважины, а именно, дебит скважины, средняя пористость пласта в районе скважины, время прошедшее с момента проведения последнего

интенсификационного воздействия на пласт, тип интенсификационного воздействия. Для решения поставленной задачи было решено использовать трехслойный персептрон на формальных нейронах с одним скрытым слоем (рис. 8)

Рис. 8. Схема нейронной сети для прогнозирования времени эффективной

работы скважины.

Число нейронов скрытого слоя было принято равным восьми. Число нейронов входного слоя соответствует числу факторов, влияющих на время эффективной работы скважины и равно четырем. В последнем слое используется один нейрон, так как на выходе требуется получить только одно значение.

Активационная функция нейронов первого и последнего слоя линейная: F=KS, где S - взвешенная сумма входов нейрона, К -коэффициент пропорциональности, F - значение функции. В качестве активационной функции нейронов скрытого слоя используется гиперболический тангенс: F= Ш^^), где К - коэффициент торможения.

Для обучения нейронной сети использовался алгоритм обратного распространения ошибки. В качестве обучающих наборов входных и выходных сигналов использовались данные эксплуатации Астраханского газоконденсатного месторождения.

На входы нейронной сети подавался входной вектор, на выходе фиксировалось значение времени эффективной работы скважины. После

анализа диапазонов изменения входных данных, для приведения их в рабочий диапазон активационных функций нейронов скрытого слоя, было принято решение подвергнуть их начальному преобразованию. Для этого использовалась операция масштабирования, проводимая по формуле: Х„=к-(Хк~х) , где Хн - начальное значение входа; х - усреднённое значение совокупности входных данных; к - масштабный коэффициент; Х„р - преобразованное значение входа.

Размер обучающей выборки, необходимой для корректного обучения сети выбирался исходя из выполнения следующего неравенства: п>щ/е, где п - размер обучающего набора, щ - число весовых коэффициентов в сети, е - доля ошибок, допустимая в процессе работы сети.

Пошаговая схема обучения сети имеет следутощий вид: на входы подаётся один из возможных образов и в режиме прямого функционирования сети рассчитываются значения выходов; вычисляется поправка для весов выходного слоя; на основе результатов работы находятся поправки для весов скрытого слоя; корректируются все весовые коэффициенты нейронной сети; находится разница между действительным и желаемым значением выхода; полученное на предыдущем шаге значение сравнивается с пороговой величиной (если её значение меньше порога, то накапливается число совпадений выходов, в противном случае оно обнуляется и осуществляется переход в начало алгоритма); скорость обучения сети увеличивается в несколько раз, после чего она в каждой итерации обучения линейно уменьшается до исходной величины. Раннего насыщения нейронов, следствием чего является «паралич сети», удалось избежать путём подбора скорости обучения, начальных весовых коэффициентов и коэффициентов начального преобразования входных данных.

Для проверки адекватности разработанной модели был выдан прогноз времени эффективной работы для скважин, у которых этот показатель был определён экспериментальным методом. Было проведено сравнение двух выборок из 32 значений, полученных для одного набора скважин, на которых уже определялось время эффективной работы (рис.9). Первую выборку составляют фактические значения, вторая выборка состоит из прогнозных значений величины.

Относительная погрешность прогнозных значений составляет не более 8 % и не превышает пороговой величины 20%, значение которой обусловлено размером обучающей выборки нейронной сети. По результатам анализа можно сделать вывод о том, что прогноз времени эффективной работы скважины хорошо согласуется с документальными значениями этой величины, что свидетельствует об адекватности предложенной модели.

СЧП'Ч-ЮШГ-ЮОТО'-МП'^тф^ЮСЯОт-ММ'ГЮСОЬ-СООО'-ГМ т- т- т- т- г- т- т- <М СМ (М СМ СМ СМ СМ СМ см см со о п

Номер элемента выборки

И факт. □ прогноз.

Рис.9. Проверка адекватности нейросетевой модели.

В четвертой главе предложена реализация системы оптимизации технологического процесса разработки газоносного пласта, разработана алгоритмическая, функциональная и информационная структура системы оптимизации. В начале главы приводятся программные, аппаратные и эргономические требования, предъявленные к системе на этапе её проектирования.

В главе приводится общая структура разработанной системы оптимизации, которая состоит из трёх основных подсистем: реализации модели пласта, реализации генетического алгоритма и реализации нейронной сети, взаимодействующих только на уровне исходных файлов. Такой подход позволил повысить общую надёжность системы,'угфостил процесс отладки исходного кода и сопровождения. Также в главе описывается подсистема интегрированной картографии, которая позволяет строить тематические карты непосредственно в окне системы, что облегчает процесс принятия решения. В описании схемы взаимодействия подсистем показывается логика работы системы оптимизации. Большое внимание в главе уделяется вопросу разработки базы данных системы, описываются её логическая и физическая структуры. Раскрываются некоторые особенности реализации системы оптимизации, приведён способ поддержки нейронных сетей (матричный подход) с обоснованием его использования. Приводятся требования к

программному и аппаратному обеспечению при которых возможна эффективная работа с созданной системой оптимизации.

В заключительной части главы проводится анализ эффективности разработанной системы оптимизации путем сравнения результатов её' работы с результатами системы оптимизации, используемой ранее и основанной на применении принципа суперпозиции дебитов скважин. Также производится сравнение с результатами работы системы, использующей стандартный генетический алгоритм без разбиения пространства поиска и определяющей время эффективной работы скважины без применения нейронной сети на основе решения, принимаемого экспертом. На рис. 10 показаны значения пластового давления, установившиеся в различных точках газоносного пласта в результате дебитов, рекомендуемых тремя различными системами оптимизации:, традиционной, использующей принцип суперпозиции дебитов во времени и пространстве (первая выборка значений); системой оптимизации с применением обычного генетического алгоритма и рекомендаций эксперта (вторая выборка значений) и системы оптимизации, основанной на модернизированном генетическом алгоритме и разработанной нейронной сети (третья выборка значений).

55

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 _Номер элемента выборки_

И традиционный метод (принцип суперпозиции)

□обычный генетический алгоритм и рекомендации эксперта

В модернизированный генетический алгоритм и нейронная сеть

Рис. 10. Анализ эффективности разработанной системы оптимизации.

Относительная погрешность значений, полученных в результате работы системы оптимизации с применением модернизированного генетического алгоритма и нейронной сети не превышает 9%, в то время как у системы, основанной на обычном генетическом алгоритме и мнении эксперта она составляет 10%, а у традиционного метода, использующего принцип суперпозиции равна приблизительно 12% Из результатов анализа можно сделать вывод о том, что разработанная система оптимизации более эффективна, чем традиционная, причем модернизация генетического алгоритма и применение нейронной сети обоснованы.

ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Результаты исследования технологического процесса разработки газоносного пласта и проведенный анализ применяющихся методов оптимизации показали актуальность разработки систем оптимизации технологического процесса разработки газоносного пласта.

2. Поставлена и решена задача оптимизации процесса разработки газоносного пласта с применением генетического алгоритма, что позволило повысить эффективность разработки газоконденсатного месторождения.

3. Синтезирован генетический алгоритм для оптимизации технологического процесса разработки газоносного пласта, отличающийся более коротким хромосомным набором, который позволил расширить пространство поиска оптимальных решений.

4. Разработана нейросетевая модель, позволяющая решить задач}' прогнозирования времени эффективной работы скважины, неформализуемую традиционными математическими методами.

5. Проведена проверка адекватности разработанной нейросетевой модели. Относительная погрешность рассчитанных значений не превышает 8%.

6. Разработан программный комплекс, реализующий созданные модели и алгоритмы

7. Проведена оценка эффективности работы системы оптимизации с применением генетических алгоритмов и нейронных сетей. Показано, что относительная погрешность работы разработанной системы не превышает 9%, в то время как у традиционной она составляет 12%.

8 Разработанная система оптимизации внедрена в опытно-промышленную эксплуатацию на Астраханском газоконденсатном месторождении Основные положения диссертационной работы внедрены в учебный процесс в Астраханском государственном техническом университете.

(

EEr.39 70

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Дианов Р. С. Автоматизация процесса определения оптимальных режимов эксплуатации газовых скважин // Материалы ежегодной научн -практич. конф. молодых ученых. - Астрахань: АРМА, 2003. - С. 113-115.

2. Дианов Р.С. Автоматизация процесса оценки эффективности обработки скважин // Южно-российский вестник геологии, географии и глобальной энергии,- 2003.- №1. - С. 77-78.

3. Дианов Р.С. Использование методов искусственного интеллекта при оценке эффективности эксплуатации скважин на АГКМ // Материалы ежегодной научн.-практич конф. молодых ученых.- Астрахань: АГМА, 2003.-С 111-112.

4. Дианов Р.С. Программный комплекс оценки* эффективности мероприятий по интенсификации притока газа // Международные и отечественные технологии освоения природных минеральных ресурсов и глобальной энергии: материалы II международ, научно-практич. конф. -Астрахань: АТУ, 2003. - С. 177-179.

5. Дианов Р.С. Разработка корпоративных информационных систем в области геологоразведочных работ с интеграцией в глобальную информационную систему // Международные и отечественные технологии освоения природных минеральных ресурсов и глобальной энергии: материалы II международ, научно-практич. конф. - Астрахань: АТУ, 2003.-С. 14-16.

6. Дианов Р.С, Поляков Г.А., Рожков В.Н.. Информационная система оценки эффективности обработки скважин // Разведка и освоение нефтяных и газоконденсатных месторождений. Научные труды АНИПИгаз.-Астрахань: ИПЦ «Факел», 2003. - С. 241-244.

7. Проталинский О.М., Дианов Р.С. Автоматизированная система управления разработкой газового месторождения с применением нейронной сети // Промышленные контроллеры АСУ. - 2003. - № 12. -С.30-32.

8. Проталинский О.М., Дианов Р.С. Создание генетического алгоритма для решения задачи оптимизации разработки газоконденсатного месторождения // Известия вузов. Северокавказский регон. Технические науки. - 2003.- №5 (Приложение). - С154-157.

Тип АГТУ, Зак.106, Тир. 100, 17.02.04.

ВВЕДЕНИЕ.

1. АНАЛИЗ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА РАЗРАБОТКИ ГАЗОНОСНОГО ПЛАСТА И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1 Общие сведения о технологическом процессе разработки газоносного пласта.

1.2 Анализ технологического процесса разработки газоносного пласта как объекта управления.

1.3 Состояние вопроса и обзор работ по повышению эффективности эксплуатации скважин путем оптимизации технологического процесса разработки газоносного пласта.

1.4. Постановка задачи исследования.

2. ПОСТРОЕНИЕ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ГАЗОНОСНОГО ПЛАСТА.

2.1. Математическая модель газоносного пласта.

2.2. Проверка адекватности модели.

3. ОПТИМИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА РАЗРАБОТКИ ГАЗОНОСНОГО ПЛАСТА.

3.1. Постановка задачи оптимизации технологического процесса разработки газоносного пласта.

3.2. Разработка модели генетического наследования для решения задачи определения оптимальных режимов эксплуатации газовых скважин.

3.2.1. Обоснование использования генетического алгоритма.

3.2.2. Схема реализации генетического алгоритма для решения задачи оптимизации процесса разработки пласта.

3.2.3. Модернизация традиционной схемы реализации генетического алгоритма.

3.2.4.0ценка эффективности разработанного генетического алгоритма.

3.3 Модель нейронной сети для определения времени эффективной работы скважины.

3.3.1. Обоснование использования нейронной сети.

3.3.2. Разработка нейросетевой модели для определения времени эффективной работы скважины.

3.3.3. Проверка адекватности нейросетевой модели.

4. РАЗРАБОТКА СИСТЕМЫ ОПТИМИЗАЦИИ

ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА РАЗРАБОТКИ ГАЗОНОСНОГО ПЛАСТА.

4.1. Основные требования, предъявляемые к системе оптимизации технологического процесса разработки газоносного пласта.

4.2. Разработка общей схемы системы оптимизации.

4.3. Разработка базы данных системы оптимизации процесса разработки пласта.

4.4. Техническая реализация системы оптимизации технологического процесса разработки газоносного пласта.

4.5. Анализ эффективности разработанной системы оптимизации.

Интенсивное развитие газодобывающей промышленности требует повышения эффективности процессов добычи природного газа и конденсата, увеличения компонентоотдачи пластов, совершенствования систем разработки и способов эксплуатации газовых и газоконденсатных месторождений.

Опыт газодобывающей промышленности показывает, что основной проблемой является увеличение полноты извлечения газа и конденсата из продуктивных пластов. Из анализа данных разработки большого количества месторождений [9,32,33,68,81,94] следует, что в ряде случаев коэффициент газоотдачи оказывается недопустимо низким, а пластовые потери конденсата очень велики.

Газовое или газоконденсатное месторождение представляет собой сложную структуру, состоящую из большого числа элементов - скважин, взаимодействующих между собой и с внешней средой на разных уровнях, причем зачастую это взаимодействие носит неопределенный характер, поэтому часто приходится управлять разработкой газоконденсатного месторождения в условиях частичной неопределенности [6].

Характерная особенность процесса разработки газового или газоконденсатного месторождения — ограниченный объем сведений о параметрах и свойствах системы. Это связано как с наличием большого постоянно возрастающего фонда скважин, так и с ограниченностью имеющихся измерительных приборов и систем. В сочетании со сложностью объектов исследования (пластовая система, скважина и т. п.) это приводит к необходимости принимать те или иные технологические решения при недостаточной информации.

Для повышения технологических показателей важное значение имеет оптимизация технологического процесса разработки газоносного пласта с учетом результатов оценки эффективности обработок скважины [74], данных о значении поля пластового давления, информации о продуктивной части вскрытого пласта и других факторов. С увеличением фонда газовых скважин все более существенное значение приобретают вопросы их совместной эксплуатации, поскольку это влияет на разработку месторождения в целом. Принятие такого технологического решения, как изменение режимов работы действующих скважин очень важно, особенно в условиях проявления начального градиента давления [9].

Важное значение имеет выбор технологического режима работы отдельной скважины и залежи в целом. Детерминированный подход к решению таких задач оказывается малоэффективным из-за невозможности учета ряда факторов, недостаточной изученности объектов воздействия и т. п.

Для принятия правильного решения эксперту необходимо провести анализ большого числа факторов, к числу которых относятся:

- информация о продуктивной части вскрытого пласта;

- информация о значениях поля пластового давления;

- данные по проведённым интенсификационным обработкам;

- основные данные по техническому состоянию скважины;

- информация о существующих межколонных проявлениях;

- результаты газогидродинамических исследований скважины на контрольном сепараторе.

Анализ этой информации - процесс достаточно трудоёмкий. Это связано не только с большим объёмом исходных данных, но и с тем, что эти данные являются, как правило, неполными [32]. Следует учитывать, что цена ошибки эксперта при определении параметров эксплуатации скважин очень высока, так как некорректно установленный режим эксплуатации скважины приведет к её неэффективному использованию и может способствовать быстрому выходу газовой скважины из строя, что принесёт газодобывающему предприятию большие убытки [75].

Несмотря на существование различных вариантов реализации систем оптимизации технологического процесса разработки газоносного пласта, разработка газовых и газоконденсатных месторождений ведется недостаточно эффективно. Это связано не только с многомерностью задачи, большим объёмом исходных данных, но и с тем, что эти данные являются, как правило, неполными. Методы и алгоритмы, используемые в данных системах, не в состоянии учесть все перечисленные факторы. При этом некорректно установленные режимы эксплуатации скважин приводят к неэффективной разработке месторождения, возникновению зон пониженного пластового давления, подтягиванию подошвенной воды и обводнению скважин. Всё это определяет актуальность задачи применения более эффективных подходов к оптимизации технологического процесса разработки газоносного пласта.

Целью настоящей работы является повышение эффективности эксплуатации газоконденсатных месторождений путем совершенствования методов оптимизации технологического процесса разработки газоносного пласта.

Для достижения поставленной цели необходимо решить следующие задачи:

- осуществить анализ технологического процесса разработки газоносного пласта применительно к целям оптимизации;

- проанализировать современное состояние вопросов оптимизации разработки газоконденсатных месторождений;

- определить пути и способы совершенствования методов оптимизации технологического процесса разработки газоносного пласта;

- разработать систему оптимизации технологического процесса разработки газоносного пласта, позволяющую повысить эффективность эксплуатации газоконденсатного месторождения;

- провести анализ эффективности разработанной системы оптимизации.

Методы исследования: В работе использованы генетические алгоритмы, методы искусственного интеллекта (нейронные сети), методы математического анализа, математической статистики, оптимизации процессов, а также принципы подземной гидравлики и разработки газоконденсатных месторождений.

Достоверность полученных результатов подтверждается экспериментальными исследованиями.

Научная новизна представляемой работы состоит в следующем:

- решена задача оптимизации процесса разработки газоносного пласта с применением генетического алгоритма, что позволило повысить эффективность разработки газоконденсатного месторождения;

- синтезирован генетический алгоритм, отличающийся более коротким хромосомным набором, позволяющий расширить исследование пространства" поиска;

- разработана нейросетевая модель, позволяющая решить задачу прогнозирования времени эффективной работы скважины, неформализуемую традиционными математическими методами;

- реализована система оптимизации процесса разработки газоносного пласта, позволяющая повысить эффективность эксплуатации газоконденсатного месторождения.

Практическая ценность работы заключена в следующих положениях:

- разработано математическое и алгоритмическое обеспечение для оптимизации технологического процесса разработки газоносного пласта;

- создан программный комплекс «Оптимизация технологического процесса разработки газоносного пласта с применением генетических алгоритмов и нейронных сетей», реализующий разработанные модели и алгоритмы. Получено свидетельство РОСПАТЕНТ об официальной регистрации программы для ЭВМ №2004610399 от 9 февраля 2004 года [73].

Реализация результатов. Программный комплекс внедрен в опытно-промышленную эксплуатацию в Газопромысловом управлении ООО «Астра-ханьгазпром» и Астраханском научно-исследовательском и проектном ин-. статуте газа (подтверждено актами внедрения). Ожидаемый экономический эффект от внедрения составляет 32 407 300 руб. Основные результаты и выводы диссертации внедрены в учебный процесс в Астраханском государственном техническом университете и используются в лекционном курсе, а также при выполнении лабораторных работ по дисциплине "Интеллектуальные информационные системы" (подтверждено актом внедрения).

Апробация работы. Результаты диссертационной работы докладывались на Всероссийской конференции молодых специалистов научных организаций и производственных предприятий нефтегазового комплекса, посвященной 300-летию горного дела в России (г.Москва, 2000г.), II международной научно-практической конференции «Международные и отечественные технологии освоения природных минеральных ресурсов и глобальной энергии» (г. Астрахань, 2003г.), ежегодной научно-практической конференции молодых учёных (г.Астрахань, 2003г.).

Публикации. По материалам диссертационного исследования опубликовано 8 работ.

Структура и объём работы. Диссертация состоит из введения, четырёх глав, заключения, списка использованной литературы из 115 наименований и 6 приложений. Содержание работы изложено на 167 страницах, иллюстрировано 68 рисунками и 19 таблицами.

ВЫВОДЫ ПО 4 ГЛАВЕ

1. Разработана система оптимизации технологического процесса разработки газоносного пласта, создана алгоритмическая, функциональная и информационная структура системы оптимизации. Сформулированы программные, аппаратные и эргономические требования, предъявляемые к системе на этапе её проектирования.

2. Приведена общая структура разработанной системы оптимизации, которая состоит из трёх основных подсистем: реализации модели пласта, реализации генетического алгоритма и реализации нейронной сети, взаимодействующих только на уровне исходных файлов. Такой подход позволил повысить общую надёжность системы, упростил процесс отладки исходного кода и сопровождения.

3. Разработана база данных системы, описаны её логическая и физическая структуры. Применен матричный способ реализации нейронной сети и обосновано его использование.

4. Сформулированы требования к программному и аппаратному обеспечению при которых возможна эффективная работа с созданной системой оптимизации.

5. Проведена оценка эффективности работы системы оптимизации с применением генетических алгоритмов и нейронных сетей. Показано, что относительная погрешность работы разработанной системы не превышает 9%, в то время как у традиционной системы оптимизации она составляет 12%.

ЗАКЛЮЧЕНИЕ

На основании проделанной научно-исследовательской работы и проведенных экспериментов можно сформулировать следующие выводы и результаты:

Исследование технологического процесса разработки газоносного пласта, а также применяющихся методов оптимизации показало актуальность и экономическую целесообразность разработки систем оптимизации процесса разработки пласта, предназначенных для выработки рекомендаций эксперту при установке режимов работы скважин.

Решена задача оптимизации технологического процесса разработки газоносного пласта с применением генетического алгоритма, что позволило повысить эффективность разработки газоконденсатного месторождения.

Синтезирован генетический алгоритм для оптимизации технологического процесса разработки газоносного пласта, отличающийся более коротким хромосомным набором, который позволил расширить пространство поиска оптимальных решений.

Разработана нейросетевая модель, позволяющая решить задачу прогнозирования времени эффективной работы скважины, неформализуемую традиционными математическими методами.

Проведена проверка адекватности разработанной нейросетевой модели. Относительная погрешность рассчитанных значений не превышает 8%.

Разработан программный комплекс «Оптимизация технологического процесса разработки газоносного пласта с применением генетических алгоритмов и нейронных сетей», реализующий разработанные модели и алгоритмы. Программный комплекс зарегистрирован в РОСПАТЕНТ (свидетельство об официальной регистрации № 2004610399 от 09.02.04).

Проведена оценка эффективности работы системы оптимизации с применением генетических алгоритмов и нейронных сетей. Показано, что относительная погрешность работы разработанной системы не превышает 9%, в то время как у традиционной она составляет 12%.

Разработанная система оптимизации внедрена в опытно-промышленную эксплуатацию на Астраханском газоконденсатном месторождении. Ожидаемый экономический эффект от внедрения составляет 32 407 300 рублей. Основные результаты и выводы диссертации внедрены в учебный процесс в Астраханском государственном техническом университете и используются в лекционном курсе, а также при выполнении лабораторных работ по дисциплине "Интеллектуальные информационные системы".

1. Баренблатт Г.И., Ентов В.М., Рыжик В.М. Теория нестационарной фильтрации жидкости и газа. М.:Недра, 1972 - 289 с.

2. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов // Высокие технологии в технике, медицине и образовании: межвуз. сб. научн. трудов.- Воронеж, 1997.- С.4-17.

3. Варламов А.И., Тагиев В.Г. Оптимизация режимов эксплуатации месторождений природных газов с высоким содержанием газового конденсата // Проблемы нефти и газа Тюмени.- Тюмень, 1981. С.48-51.

4. Боэм Б.У. Инженерное проектирование программного обеспечения. -М.: Радио и связь, 1985. 512 с.

5. Булатов А.И., Качмар Ю. Д., Макаренко П.П., Яремийчук Р.С. Освоение скважин. М.: Недра, 199.9. - 472 с.

6. Васильев Ю.Н. Автоматизированная система управления разработкой газовых месторождений. М.: Недра, 1987. - 141с.

7. Васильев Ю.Н. Методы системного анализа в разработке газовых меторождений: Автореф. дисс. д-ра техн. наук. М.: ВНИИгаз, 1991, - 38 с.

8. Васильевский В.Н., Петров А.И. Техника и технология определения параметров скважин и пластов. М.: Недра, 1989. - 272 с.

9. Вяхирев Р.И., Коротаев Ю.П., Кабанов Н.И. Теория и опыт добычи газа. М.:Недра, 1998. - 479 с.

10. Гальперина O.K. Новые объекты интеллектуальной собственности // Разведка и освоение нефтяных и газоконденсатных месторождений: сб. научн. трудов АНИПИгаз. Астрахань:Факел, 2003. - С. 7.

11. Гальперина O.K., Липатова Н.Н., Соколова С.С. Рефераты объектов интеллектуальной собственности ООО «Астраханьгазпром» // Наука и технология углеводородов. 2001. -№ 4(17). - С. 217-221.

12. Гальперина O.K., Соколова С.С., Карбышев Д.В. Рефераты программ для ЭВМ объектов интеллектуальной собственности ООО «Астра-ханьгазпром» // Наука и технология углеводородов - 2001.- № 4(17).- С. 216.

13. Гераськин В.В., Алексеев Д.В., Рожков В.Н., Дианов Р.С. Основные направления внедрения геоинформационной системы ООО АГП // Разведка и освоение нефтяных и газоконденсатных месторождений: сб. научн. трудов АНИПИгаз. Астрахань:Факел, 2003. - С. 225-231.

14. Горбань А.Н., Росиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 275 с.

15. Горбань А.Н. Обобщённая аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. - № 12. - С. 11-24.

16. Гриценко А.И., Алиев З.С., Ермилов З.С., Ремизов В.В., Зотов Г.А. Руководство по исследованию скважин. М.: Наука, 1995. - 525 с.

17. Дианов Р.С. Автоматизация процесса определения оптимальных режимов эксплуатации газовых скважин // Материалы ежегод. науч.-практич. конф. молодых ученых. Астрахань: АГМА, 2003. - С. 113-115.

18. Дианов Р.С. Автоматизация процесса оценки эффективности обработки скважин // Южно-российский вестник геологии, географии и глобальной энергии.- 2003.- №1. С. 77-78.

19. Дианов Р.С. Использование методов искусственного интеллекта при оценке эффективности эксплуатации скважин на АГКМ // Материалы ежегод. науч.-практич. конф. молодых ученых. Астрахань: АГМА, 2003. - С 111-113.

20. Р.С. Дианов, Г.А. Поляков, В.Н. Рожков. Информационная система оценки эффективности обработки скважин // Разведка и освоение нефтяных и газоконденсатных месторождений: науч. тр. АНИПИгаз. Астрахань: Факел, 2003.-С. 241-245.

21. Желтов Ю.В., Латонов В.В. Оценка влияния пористой среды на давление начала конденсации // Газовое дело.-1971. №2. - С. 4-7.

22. Заенцев И.В. Нейронные сети. Основные модели. Воронеж: ВГУ, 1999.-76 с.

23. Зиглер К. Методы проектирования программных систем. М.: Мир, 1985.-328 с.

24. Зиндер Е.З. Бизнес-реинжиниринг и технологии системного проектирования. М.: Центр Информационных Технологий, 1996. - 215 с.

25. Змитрович А.И. Интеллектуальные информационные системы. -Минск: Тетра-Системс, 1997. 368 с.

26. Ибатуллин P.P., Подымов Е.Д., Шутов А.А. Исследование возможностей использования средств искусственного интеллекта при выборе вида воздействия на пласт для увеличения нефтеизвлечения // Интервал. 2001. -№ 9(32). - С. 30-32.

27. Казаева С.В., Григоров В.А. Физико-литологические свойства пород коллекторов Астраханского ГКМ // Наука и технология углеводородов. -2001.-№4(17).-С. 20-24.

28. Коротаев Ю.П. Избранные труды: В 3 т. / Под ред. Р.И. Вяхирева.-М.: Недра, 1999. Т.2. - 476 с.

29. Коротаев Ю.П., Закиров С.Н. Теория и проектирование разработки газовых и газоконденсатных месторождений. М.: Недра, 1981 .-294 с.

30. Коротаев Ю.П., Тагиев В.Г., Самородкин В.Д. Оптимизация режимов эксплуатации объектов добычи природного газа. М.:Недра, 1982,- 312 с.

31. Коротаев Ю.П., Тагиев В.Г., Гергедава Ш.К. Системное моделирование оптимальных режимов эксплуатации объектов добычи природного газа. М.: Недра, 1989. - 264 с.

32. Костенко В.А. Принципы построения генетических алгоритмов и их использование для решения задач оптимизации // Дискретные модели в теории управляющих систем: тр. IV международ, конф. 19-25 июня 2000 г,-С.49-55.

33. Костенко В.А., Трекин А.Г. Генетические алгоритмы решения смешанных задач целочисленной и комбинаторной оптимизации при синтезе архитектур ВС // Искусственный интеллект. 2000.- N 2.- С.90-96.

34. Кохонен Т. Ассоциативные запоминаюшие устройства: Пер. с англ. М.: Мир, 1982.-383 с.

35. Кричлоу Г. Современная разработка нефтяных месторождений -проблемы моделирования. Пер. с англ. М.: Недра, 1979. - 303 с.

36. Круглое Ю.И., Семенякин B.C., Соболев А.А., Орлова Т.П. Оптимизация режима работы газоконденсатных скважин Астраханского ГКМ // Наука и технология углеводородов. 2001. - № 4(17). - С. 52-54.

37. Круглое Ю.И., Токман А.К., Масленников А.И. Особенности разработки Астраханского газоконденсатного месторождения // Наука и технология углеводородов. 2001. - № 4(17). - С. 44-46.

38. Лапшин В.И., Елфимов В.В., Лапшина А.А. Разработка способа определения давлений начала конденсации пластовых систем АГКМ // Разведка и освоение нефтяных и газоконденсатных месторождений: науч. тр. АНИПИ-газ. Астрахань: Факел, 2001.- С.66-70.

39. Лапшин В.И., Суслов В.А., Масленников А.И., Калачихина Ж.В. Режим работы залежи Астраханского газоконденсатного месторождения // Газовой отрасли новые технологии и новая техника. - Ставрополь, ИРЦ ОАО «СевКавНИПИгаз», 2002.- С.67-69.

40. Липаев В.В. Управление разработкой программных средств: Методы, стандарты, технология. М.: Финансы и статистика, 1993. - 160 с.

41. Масленников А.И., Лапшина А.А., Илалова С.М. Определение условий полного выноса жидкости с забоя скважин АГКМ // Разведка и освоение нефтяных и газоконденсатных месторождений: науч. тр. АНИПИгаз. -Астрахань: Факел, 2001С.57-60.

42. Махотило К.В. Разработка методик эволюционного синтеза нейро-сетевых компонентов систем управления: дисс. канд. техн. наук. Харьков, ХГПУ, 1998.-189 с.

43. Мирзаджанзаде А.Х., Дурмишьян А.Г., Ковалев А.Г. и др. Разработка газоконденсатных месторождений.- М.: Недра, 1967,- 326 с.

44. Муравьёв И.М., Крылов А.П. Эксплуатация нефтяных месторождений. М.: Гостоптехиздат, 1949. - 776 с.

45. Никоненко И.С. Создание систем автоматизированного управления в добыче газа. -М.: ООО «Недра-Бизнесцентр», 2001. 191 с.

46. Никоненко И.С., Васильев Ю.Н. Газодобывающее предприятие как сложная система. М.: ОАО «Издательство Недра», 1998. - 343с.

47. ОАО "Газпром": Производство и технологи: Газпром и конверсия. -2000 http://www.gazprom.ru/rus/product/scienceconvers.php

48. А.с. №2154155 от 23.11.1998. Способ установления оптимальных дебитов добывающей газоконденсатной скважины / Семенякин B.C., Суслов В.А., Рылов Е.Н., Щугорев В.Д. 4с.: ил.

49. Поллард Дж. Справочник по вычислительным методам статистики.-М.: Финансы и статистика, 1982.- 344с.

50. Поляков Г.А., Круглов И.Ю., Филиппов А.Г. Компьютерная программа «Отчёт о работе скважины за период её эксплуатации» // Газовая промышленность. 2001. - № 5. - С. 31.

51. Поляков Г.А., Прокопенко В.А., Булдакова A.M. Новые технологии интенсификации притока газа на Астраханском ГКМ // Наука и технология углеводородов. -2001. -№ 4(17). С. 81-85.

52. Поляков Г.А., Токунов В.И., Кунавин В.В., Поляков И.Г. Справоч-но-информационная система «Картотека скважин» // Газовая промышленность. 1997. -№ 5. - С. 24-25.

53. Поспелов Д.А. Ситуационное управление. М.:Наука, 1986,- 284с.

54. Провести анализ выполненных обработок, разработать и внедрить эффективные технологии по интенсификации притока газа в эксплуатационных скважинах, осуществить авторский надзор за их проведением на АГКМ:

55. Отчёт о НИР / Астраханский научно-исследовательский и проектный институт газа (АНИПИгаз). Науч. рук. темы Токунов В.И. Астрахань: 1994. - 50с.

56. Прогнозирование и регулирование разработки газовых месторождений / С.Н.Закиров, В.И. Васильев, А.И. Гутников. М.:Недра, 1981. - 294 с.

57. Проталинский О.М., Дианов Р.С. Автоматизированная система управления разработкой газового месторождения с применением нейронной сети // Промышленные контроллеры АСУ. 2003. - № 12. - с.30-32.

58. Разамат М.С., Мордухаев И.М. О механизме влияния пористой среды на фазовые превращения газоконденсатных смесей // ДАН Азерб. ССР,-1976.- №6.- С.24-27.

59. Разработка и совершенствование технологии повышения продуктивности скважин в условиях АГКМ: Отчёт о НИР / Астраханский научно-исследовательский и проектный институт газа (АНИПИгаз). Науч. рук. темы Токунов В.И. Астрахань, 1992. - 92 с.

60. Регулирование разработки газовых месторождений Западной Сибири / Гриценко А.И., Нанивский Е.М., Ермилов О.М.- М.:Недра, 1991.- 304 с.

61. Рекомендации по оптимизации конструкции скважин АГКМ на основании изучения свойств пластовой смеси: Отчёт о НИР / ВолгоУралНИ-ПИгаз, рук. темы В.Ф. Перепеличенко, тема 02.В.60.03/86.86/23.23.29. -Оренбург, 1986.-154с.

62. Саушин А.З. Развитие научных основ и создание новых технологий повышения эффективности эксплуатации крупных месторождений сероводо-родосодержащих природных газов: Автореф. дисс. д-р техн. наук. М., 2001, -43 с.

63. Саушин А.З., Токунов В.И., Прокопенко В.А. Интенсификация притока газа // Газовая промышленность. 2000. - № 8. - С. 28.

64. Свидетельство об официальной регистрации программы для ЭВМ № 2002610043 (Россия). Оптимизация технологических режимов эксплуатации скважин АГКМ / Лапшин В.И., Рожков В.Н., Чашникова JI.B., Шевелёв А.Е. // дат per.: 15 января 2002г.

65. Свидетельство об официальной регистрации программы для ЭВМ № 2004610399 (Россия). Оптимизация технологического процесса разработки газоносного пласта с применением генетических алгоритмов и нейронных сетей / Дианов Р.С. // дат per.: 09 февраля 2004г.

66. Свидетельство об официальной регистрации программы для ЭВМ № 2002610042 (Россия). Оценка эффективности обработки скважин / Дианов Р.С., Поляков Г.А., Рожков В.Н. // дата per.: 15 января 2002г.

67. Семёнов С.К. Финансирование капитального ремонта скважин Астраханского газоконденсатного месторождения // Наука и технология углеводородов. 2001. -№ 4(17). - С. 176-177.

68. Серебряков О.И. Технология снижения доли воды при добыче газа и конденсата // Наука и технология углеводородов. 2001. - № 4(17). - С. 72-74.

69. Серебряков И.О., Твердохлебов И.И., Мызникова Е.В. Источники обводнения продукции эксплуатационных скважин Астраханского ГКМ //

70. Геология, добыча, переработка и экология нефтяных и газовых месторождений: науч. тр. АНИПИгаз. Астрахань: АНИПИгаз, 2001. - С. 15-17.

71. Суровцев И. С., Клюкин В. И., Пивоварова Р.С. Нейронные сети (введение в современные информационные технологии). Воронеж: ВГУ, 1994.-224 с.

72. Терехов В. А., Тюкин И.Ю. Аддитивный алгоритм обучения многослойной нейронной сети // Нейронные, реляторные и непрерывнологические сети и модели: сб. тр. международ, науч.-технич. конф. Т.1. - Ульяновск, 1998.-С. 62-64.

73. Тер-Саркисов P.M. Разработка месторождений природных газов. -М.: Недра, 1999.-659 с.

74. Тер-Саркисов P.M., Гейхман М.Г., Кузнецов В. В. и др. Методика оценки степени освоения газовых скважин и состояния их призабойных зоны М.: ВНИИГАЗ, 2000. - 43с.

75. Технический справочник по Астраханскому газовому комплексу / Астраханский науч-исслед. и проект, ин-т газа (АНИПИгаз). Астрахань: Факел, 2000. - 132 с.

76. Токунов В.И. Результаты работы лаборатории повышения эффективности эксплуатации скважин // Геология, добыча, переработка и экология нефтяных и газовых месторождений: сб. науч. тр. АНИПИгаз. Астрахань: Факел, 2001.-С. 58-60.

77. Токунов В.И., Поляков Г.А., Басёнко В.В., Рылов Е.Н., Круглов И.Ю., Поляков И.Г. Интенсификация притока газа на АГКМ // Газовая промышленность. 1996. -№ 1-2. - С. 57-59.

78. Токунов В.И., Шевяхов А.А., Зонтов Р.Е., Филиппов А.Г. Новые технологии при закачивании и эксплуатации скважин // Наука и технология углеводородов. 2001. - № 4(17). - С. 77-80.

79. Фор А. Восприятие и распознавание образов.- М.: Машиностроение, 1989.-272 с.

80. Царегородцев В.И. Математическая модель системы пласт скважины - газосборная сеть // Автоматизация, телемеханизация и связь в газовой промышленности.- 1979.- №5.-С.14-17.

81. Шевелев А.Е. Автоматизация этапа подготовки технологического процесса интенсификации газовых скважин на Астраханском газ о конденсат-ном месторождении: дисс. канд. техн. наук. Астрахань, АГТУ, 2002 - 130 с.

82. Шевелёв А.Е. Многослойные персептроны алгоритм обратного распространения ошибки // Программист. - 2002. - № 1. - С. 67-70

83. Шевелёв А.Е. Нейронные сети и распознавание образов // Программист.-2001.-№ 10.-С. 69-75

84. Ширковский А.И. Разработка и эксплуатация газовых и газоконденсатных месторождений. М.: Недра, 1987. - 312 с.

85. Щелкачёв В.Н., Лапук Б.Б. Подземная гидравлика. М.: Гостоптех-издат, 1949. - 524 с.

86. Щугорев В. Д. ООО «Астраханьгазпром» (историческая справка) // Наука и технология углеводородов. -2001. -№ 4(17). С. 10-15

87. Энциклопедия газовой промышленности. М.: АО «ТВАНТ», 1994.- 884 с.

88. Aronofsky J.S., Williams А.С. The use of linear programming and mathematical models of underground oil production // Management Science.-1962.-№7.- P. 394-402.

89. Barron A. R. Neural net approximation // Proc. of the Seventh Yale Workshop on Adaptive and Learning Systems. New Haven, CT: Yale University.- 1991.-P. 69-72.

90. Baum E., Haussler D. What size net gives valid generalization? // Neural Computation. 1989. -№1. - P. 151-160.

91. BPWin. Methods Guide. New York, 1999. - 104 p.

92. Goldberg D.E. Genetic Algorithms in Search, Optimization, and Machine learning.- Addison-Wesley, 1989.- 320p.

93. Fogelman F. Neural networks, state of the art, neural computing. -London: IBC Technical Services, 1991. 71 p.

94. Holland J.H. Adaptation in Natural and Artificial Systems. Ann Arbor: The University of Michigan Press, 1975. - 247p.

95. Hornik K., Stinchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators // Neural Networks. 1989. - Vol. 2. - P. 359-366.

96. Jeffery W., Rosner R. Neural network processing as a tool for friction optimization.// Neuronet Comput. Conf., Snowbird, Utah, Apr. 13-16, 1986. -New York. 1986. - P. 241-246.

97. Kohonen T. The self-organizing map // Proceeding of the IEEE. -1990.-№9(78).-P. 1464-1480.

98. Lippmonn Richard P. Gold Ben Neuronet classifiers usefulfor speech recognition.// IEEE 1st. Conf. Neural Networks, SanDiego, (Calif). 1987 - P. 417-425.

99. MapBasic (русская версия). Справочник. New York, 1995. - 570 p.

100. Mitchell M. An introduction to Genetic Algorithm. MIT Press, 1996.186p.

101. Nelson E.A. Management Handbook for the Estimation of Computer Programming Cost. System Development Corp, 1986. - 145 p.

102. Nemet L/K., Kennedy H.T. A correction of dewpoint pressure with fluid composition and temperature // Society of Petroleum Engineers Journal, June, 1967.-P. 16-20.

103. Rumelhart D.E., Hinton G.E., Williams R.D. Learning internal repren-tation by error propagation in parallel distributed processing. Cambrige: MA: MIT Press, 1986,-91 p.

104. Swanson. E.B. The Dimensions of Maintenance, Proceeding // IEEE/ACM Second International Conference of Software Engineering. -1986.-№10-P. 74-78.

105. Tukey J.W. Exploratory Data Analisis // Addison Wesley Reading Mass.- 1991.-№2.-P. 111-115.