Новый подход к выбору методов увеличения нефтеотдачи на основе нечеткой логики и байесовских механизмов вывода

Полный текст:


Аннотация

В настоящее время методика выбора методов увеличения нефтеотдачи (МУН) при проектировании разработки нефтяных месторождений представляет собой процедуру, формализованную не в полной мере. В то же время выбор оптимальной технологии увеличения нефтеотдачи для конкретных геолого-физических и экономических условий разработки является одной из самых трудных задач для инженера-разработчика. Содержательный обзор истории, настоящего и перспектив развития исследований МУН дан Табером, им же предложены таблицы, называемые в литературе таблицами Табера. Вместе с тем подход Табера не позволяет провести математически строгое ранжирование МУН по степени их применимости для конкретного месторождения. В настоящей работе предлагается подход к выбору МУН, основанный на нечеткой логике, теории возможностей и байесовских механизмах вывода. Ранжирование методов производится по каждому критериальному параметру путем выделения наилучшего метода по данному параметру с применением правил сравнения нечетких интервалов. Полученные в результате оценки степени применимости каждого МУН уточняются с использованием обобщенных интервальных байесовских механизмов вывода. Применение данного метода для физико-геологических условий месторождения Альберта позволило наиболее верно выбрать МУН, подтвердив достоверность и практическую применимость предложенного подхода. Простая процедура расчета (не более пяти итераций) позволяет автоматизировать процесс выбора наиболее приемлемого МУН для конкретного месторождения.

Об авторах

Б. А. Сулейманов
НИПИ «Нефтегаз» Государственной нефтяной компании Азербайджанской Республики
Россия


Ф. С. Исмаилов
НИПИ «Нефтегаз» Государственной нефтяной компании Азербайджанской Республики
Россия


О. А. Дышин
НИПИ «Нефтегаз» Государственной нефтяной компании Азербайджанской Республики
Россия


Т. Э. Маммедбейли
НИПИ «Нефтегаз» Государственной нефтяной компании Азербайджанской Республики
Россия


Список литературы

1. Альварадо В., Манрик Э. Методы увеличения нефтеотдачи пластов. Планирование и стратегии применения. - М.: Премиум Инжиниринг, 2011. - 244 с.

2. Shokir E.M., Sayyoch M.H. Selertion and evaLuation EOR method using artifical intelligence. SPE 79163. 2002.

3. ELements of the Petroleum Industry. Ed. by de Golyer E. AIME, New York, 289, 289 (1940).

4. Taber J. Research on enchanced oiL recovery: past, present and future. Pure & Appl. Chem. Vol. 52. P. 1323-1347. Pergamon Press Ltd., 1980. Printed in Great Britain.

5. Taber J.J., Martin F.D., and Seright R.S. EOR Screcning Criteria Revisited. Part 1: Introduction to Screenig Criteria and Enhanccd Recovery Field Projects; Part 2: Applications and Impact of Oil Prices. SPE Reservour Engineering, August 1997. P. 189-198; 199-205.

6. Barrutet M.A. Introduction to Enhanced Oil Recorery (EOR) Methods. Class Notes for PETE 609, Module 1. P. 1/57-44/57.

7. Syed Fahad I., Tunio Abdul H., Ghirano Naveed A. Compositional Analysis and Screening for Enhanced Oil Recovery Process in Different Reservourand Operating Conditions. Intern. Journal of Applied Science and Technology, Vol. 1. No. 4; July 2011. P. 143-160.

8. Zerafat M.M., Ayatolahi Sh, Mehranbod N., Barregan D. Bayesian Network Analysis as a Tool for Efficient EOR Screening. SPE 143282, July 2011. P. 1-16.

9. Wang С. Bayesian Network Simulation. Department of Computer Science Florida State University. February 24, 2003. P. 73.

10. Parkinson W.J. et al. Screening EOR Methods with Fuzzy logic. Presented at 1991 International Reservoir Characterization Conference, Tulsa, Oklahoma, 3-5 November.

11. Ivanov E.N., Roslyak A.T. The Selection and Evaluation of Enhanced Oil Recovery Methods Effectiveness for Oil Fields in the Western Siberia. International Journal of Science «Georesources», 2012, 6(48): 87-90.

12. Morooka C.K., Guilherne I.R., Mendes J.R.P. Development of intelligent systems for well drilling and petroleum production (2001). 32, 191-199.

13. Mohagheugh Sh.D. A new methodology for the identification of best practices in the oil and gas industry intelligent systems. Journal Pet. Sci. & Eng., 2005. 49, 239-260.

14. De Cristo M.A.P., Calado P.P., Silva M.l.S.I., Muntz R., Riberto-Neto B. Bayesian belief networks for IR. International J. Approximate Reasoning, 2003. 34, 163-179.

15. Korb K.B., Nicholson A.E. Bayesian artificial intelligence. Chapman & Hall/CRC, 2004.

16. Cheng J. Efficient stochastic sampling algorithms for Bayesian networks. University of Pittsburgh, 2001. 154 pp.

17. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике / Пер. с фр. - М.: Радио и связь, 1990. - 288 с.

18. Заложенкова И.А., Парасюк И.Н. Интегрированная система проверки гипотез: программно-алгоритмические средства // Кибернетика и системный анализ. - 1997. - № 5. -С. 50-58.

19. Веревка О.В., Заложенкова И.А., Парасюк И.Н. Обобщение интервальных байсовских механизмов вывода и перспективы их использования // Кибернетика и системный анализ. - 1998. - № 6. - С. 3-13.

20. Zadeh L.A. A meaning representation Language for naturaL Languages. Memo No.UCB/ERL M77/61, University of California, Berkeley, CA (1977).

21. Shaw J., Bachu, S. Screening, Evaluation, and Ranking of Oil Reservoirs Suitable for CO2 -Flood EOR and Carbon Dioxide Sequestration. Review and Publication Process, September 2002, Vol. 49, No. 9. P. 51-61.

22. Aladasani A., Bai B. Recent Developments and Updated Screening Criteria of Enhanced Oil Recovery Techniques, SPE 130726, 2010.

23. Bang V., Phillips C. A New Screening Model for Gas and Water Based EOR Processer. SPE 165217, 2013.


Дополнительные файлы

Для цитирования: Сулейманов Б.А., Исмаилов Ф.С., Дышин О.А., Маммедбейли Т.Э. Новый подход к выбору методов увеличения нефтеотдачи на основе нечеткой логики и байесовских механизмов вывода. Территория «НЕФТЕГАЗ». 2015;(6):48-55.

For citation: Suleimanov B.A., Ismailov F.S., Dyshyn O.A., Mammedbeyli T.E. A new approach to selection of enhanced oil recovery methods on the basis of the fuzzy logics and Bayesian inference mechanisms. Territorija “NEFTEGAS” [Oil and Gas Territory]. 2015;(6):48-55. (In Russ.)

Просмотров: 14

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2072-2745 (Print)
ISSN 2072-2761 (Online)