Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи

Искусственные нейронные сети (ИНС) – это совокупность моделей биологических нейронных сетей, представляющих собой сеть элементов искусственных нейронов (перцептронов) связанных между собой синаптическими соединениями. Входящая информация обрабатывается и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети, и формируются выходные воздействия. Большинство моделей ИНС требуют обучения, в ходе которого определяется выбор параметров сети, с использованием математических и алгоритмических методов для решения широкого круга задач.

Рассмотрим применение ИНС для решения задач применительно к оперативному прогнозу разработки нефтяных месторождений. На данный момент времени существует множество аналитических программных комплексов включающих модуль анализа при помощи нейронных сетей, но широкого практического применения в направлении нефтегазового комплекса данный вид расчета моделей не имеет. Связано это с алгоритмами выполнения расчетов в аналитике нейросетей, которые явно отличаются от стандартизированных и имеют оправдано результативно усложненный порядок.

В данной статье будет изложен стандартный для ИНС порядок действий применимый к различным поставленным вопросам нефтедобычи.

Для упрощения восприятия представлена блок-схема на рис. 1, описывающая последовательные процессы, соответственно каждый будет иметь пояснения по тексту.

Рис. 1. Блок схема - процессов моделирования ИНС.

В первом пункте следует определить, целевые задачи расчета, это позволит перейти ко второму пункту и произвести отбор из массива соответствующей информации. Этот процесс очень важен, поскольку ИНС будет строить закономерности связи исходя из заданной информации, поэтому, подбор должен происходить с максимальной логической составляющей цели расчета.

Как правило, в специализированных расчетных модулях предлагается выбрать (присвоить) критерий входящих данных (указать тип информации, целевой или сопутствующий) соответственно которых в свою очередь будут строиться зависимости и связи. Данные условия выбираются исходя из выше описанных пунктов.

Третьим пунктом, является тщательный процесс обучения, занимающий значительное время. Обученную сеть можно использовать для прогнозирования любого количества последующих значений. В процессе обучения необходим контроль за такими параметрами, как скорость обучения, параметр сигмоиды, средняя и максимальная ошибка. Главной целью данного процесса – найти глобальный минимум функции ошибки, пример в табл. 1.

Для оптимизации данной процедуры можно использовать численное или аналитическое моделирование, таким образом, обучение будет происходить в идеализированных условиях, что в итоге приведет к минимальному проценту погрешности. На современных компьютерах прогнозирование одного значения по обученной нейросети происходит практически мгновенно.

Четвертым этапом является выбор архитектуры нейросети, которая предлагается программным комплексом в нескольких вариантах, схему связей и зависимостей можно посмотреть в графическом представлении пример на рис. 2, что дает возможность сопоставить и проанализировать выходные параметры обучения, а далее, исходя из представляемых критериев, произвести выбор, удовлетворяющий цели расчетов.

Заключительным пунктом является конечный расчет с использованием выбранных составляющих. При этом не сложный выбор архитектуры позволяет произвести вычисления в различных вариантах, и проанализировать итоговые результаты.

Таблица 1

Таблица параметров обучения ИНС

Архитектура	Производительность обучения	Ошибка обучения	Обучение / Элементы
РБФ 2:20-2-1:1	0,623651	0,651300	КС,КБ,ПО
РБФ 2:20-5-1:1	0,619547	0,647014	КС,КБ,ПО
МП 2:20-6-1:1	0,307690	0,093300	ОР100,СГ20,СГ1b
МП 2:20-6-1:1	0,303029	0,091885	ОР100,СГ20,СГ1b
Линейная 1:1-1:1	0,956054	0,289898	ПО

Архитектура : РБФ 2:19-2-1:1 , N = 6 Производительность обуч. = 0,448715 , Контр. производительность = 0,441588 , Тест. производительность = 0,783648

Архитектура : МП 2:20-4-1:1 , N = 4

Производительность обуч . = 0,062613 , Контр. производительность = 1,088924 , Тест. производительность = 0,950842

Архитектура : РБФ 2:20-8-1:1 , N = 1 Производительность обуч. = 0,364047 , Контр. производительность = 0,626859 , Тест. производительность = 0,507484

Рис. 2. Примеры схем связей и зависимостей ИНС.

Архитектура : РБФ 2:18-5-1:1 , N = 1

Производительность обуч. = 0,720118 , Контр. производительность = 0,835457 , Тест.

производительность = 1,050717

Главными плюсами расчётов с применением искусственных нейронных сетей является автоматизация процесса, исключающая факторы ошибок при настройке основных параметров, как следствие сокращение времени затраченного на данный процесс. Применительно к оперативному анализу параметров нефтегазодобычи данный инструмент ИНС вполне может претендовать на эффективное средство для решения задач в условиях противоречивости или неточности исходной информации.

Теория и практика. – М.: Горячая линия - Телеком, 2001. – 382 с.