Повышение эффективности управления процессами цементирования нефтяных и газовых скважин с использованием методов распознавания образов

Н.А. Абухадура,

асп., eng.nidal@inbox.ru,

РУДН, Москва,

В.О. Чинакал,
в.н.с., к.т.н., доц., chinakal@ipu.ru,

ИПУ РАН, г. Москва

            Обсуждается применение методов распознавания образов для классификации процессов цементирования нефтяных и газовых скважин. Нейронная сеть Кохонена используется для классификации и кластеризации. Для обучения сети используются статистические данные, которые описывают зависимость проявления газа в затрубном пространстве от оперативных значений параметров цементирования для различных объектов в режиме реального времени.

 

Discusses the application of pattern recognition methods for classifying of processes cementing the oil and gas wells. The neural network of Kohonen is used for classification and clustering. For network learning are used date statistics, that describe the dependence of manifestations of gas in the annulus from operational the values of parameters cementing for different objects in real-time.

Введение

Повышение эффективности управления процессами цементирования нефтяных и газовых скважин (НГС) направлено в первую очередь на обеспечение высокого качества цементирования затрубного пространства НГС для надежного схватывания цементного раствора с различными пластами при и после дегидратации для значительного увеличения срока службы скважин и сокращения числа нерабочих скважин. Практика показывает [1], что надежность цементации НГС характеризуется частотой газопроявления в затрубном пространстве (в процессе эксплуатации скважин), обусловленной качеством цементирования НГС и степенью ее кавернозности.

В [2] были рассмотрены математические модели и базовые алгоритмы управления основными агрегатами и технологическими процессами (ТП) комплекса цементирования НГС, в [3] предложено использование методов интеллектуального анализа для повышения эффективности управления ТП на базе совместного анализа текущих оперативных данных в реальном режиме времени и данных о возможности ввода НГС в промышленную эксплуатацию.

В данной работе рассматриваются возможности дальнейшего повышения эффективности управления комплексом процессов цементации НГС с учетом влияния оперативных данных о дополнительных эффектах, возникающих при продавливании раствора. В продолжении исследований [2-4] по применению методов интеллектуального анализа данных и моделирования для управления цементированием нефтяных и газовых скважин в данной работе обсуждаются возможности применения методов распознавания образов при классификации скважин и последующего определения рекомендуемых режимов работы системы управления комплексом (СУ).

Применение методов распознавания образов позволяет повысить качество цементирования нефтяных и газовых скважин на основе построения типовых моделей критических процессов (в данном случае процесса продавливания цементной смеси), а также корректировки управления сопровождающими процессами, влияющими на надежность эксплуатации скважин [5].

С использованием этих моделей здесь рассматриваются следующие задачи:

·      Классификация и кластеризация скважин с использованием нейронных сетей с обучением без учителя;

·      Визуализация классов скважин и оценок соответствующих режимов цементирования.

Для этих задач рассмотрены особенности классификации типов скважин, выделение эталонных образов и получения оценок близости данных реального времени к аналогичным эталонным данным. В данной работе результаты исследования качества цементации большого числа НГС рассматриваются вместе с оценками ряда параметров реального времени процессов цементации и используются в качестве входных рабочих данных для обучения нейронной сети Кохонена. Это позволяет использовать имеющиеся многочисленные реальные данные цементации различных типов НГС и подбирать для конкретной НГС наиболее рациональную программу цементации, корректируя процесс продавливания цементной смеси по результатам измерения текущих параметров процесса [5]. С помощью классификации определяются конкретные варианты настройки СУ при регулировании процесса продавливания цементного раствора в затрубное пространство скважин, задаются опорные графики изменения давления высокоэнергетических насосов агрегатов транспортировки и продавливания цементных растворов.

В качестве примера приведены результаты классификации типов скважин и типовых режимов управления основными агрегатами комплекса цементирования, полученные с использованием нейронной сети Кохонена.

Рассмотрим особенности технической постановки задачи.

1. Основные особенности технической постановки задачи

В [1] отмечалось, что надежность цементации определяется качеством цементации НГС. В качестве основной характеристики надежности служат данные о частоте газопроявления в затрубном пространстве в процессе цементации и эксплуатации скважины, а также реальные сроки эксплуатации НГС. На рис.1. показан фрагмент результатов исследования параметров, наиболее сильно влияющих на качество цементирования (текущие данные и статистические данные эксплуатации НГС). Они описывают зависимость частоты газопроявления от параметров скорости восходящего потока цементного раствора при цементировании и учета степени кавернозности стенки цементируемого затрубного пространства.

Данные были собраны и исследованы в период эксплуатации более 100 скважин в различных месторождениях отдельных регионов страны.

Рис.1. Возникновение газопроявлений в затрубном пространстве в связи с параметрами продавливания цементного раствора (1а-слева) и степени кавернозности стенок скважин (1б-справа)

Представленный фрагмент данных о качестве цементирования в период эксплуатации содержит неполную информацию о качестве цементации НГС и его необходимо дополнить рядом данных, характеризующих ряд физико-химических и геологических процессов [1], а также данных о фактических параметрах режимов цементации НГС.

Одной из целей данной работы является решение задач экспертной оценки данных о параметрах НГС, полученных в различных лабораториях месторождений [2,3]. К основным данным относятся:

·      изучение трендов изменения основных технологических параметров в процессе бурения;

·      определение функций кавернозности кроме коэффициента кавернозности;

·      рецептуры приготовления цементных смесей в зависимости от типа горизонтов бурения;

·      изменения давления, скорости и других параметров в процессе продавливания цементной смеси.

Следующая цель состоит в обработке больших массивов «сырой» информации, подготовки рабочей информации для выделения значимых факторов и построение моделей объектов различных скважин вместе с данными об основных геологических особенностях горизонтов и параметров затрубного пространства, классификация и кластеризация типов моделей НГС и режимов цементации. Затем на основе выделения «эталонных» типов разрабатывается методика корректировки штатных алгоритмов контроля и управления в СУ (система корректировки управления) цементацией НГС, включая задачи поддержки работы оператора, системы мониторинга, диагностики и оповещения, рассмотренные ранее в [2-4].

Выполнение этих целей позволит обеспечить более эффективную работу СУ, сформировать программу изменения базовых заданий на типовые регуляторы СУ с учетом различных моделей скважин, измеряемых реальных данных и правил оценки ситуаций в базе знаний, построенной на основе ранее накопленных и обработанных данных.

На схеме рис.2. показана укрупненная структура СУ, основные подсистемы, типы сигналов и направления передачи , включая подсистему анализа и обработки данных с применением методов распознавания образов. Данная структурная схема реализует повышение эффективности управления цементацией НГС за счет добавления новой функциональности поддержки принятия решений (углубленный анализ данных) и повышения качества принятия решений оператором, получающего рекомендации, выработанные системой анализа и корректировки управления.

Рис.2. Структура систем управления, мониторинга и обработки данных в подсистеме анализа

2. Методика анализа данных

Рассмотрим основные этапы методики анализа исходных данных для определения основных классов эталонных моделей НГС, включая факторы дополнительного влияния сопровождающих процессов на параметры основных процессов цементирования [3]. Сопровождающие процессы могут существенно изменить условия протекания процессов цементирования НГС. Учитывая значительную неопределенность в конкретных условиях цементации новой скважины и в тоже время возможной «близости» ее к некоторому «эталонному» типу (классу) целесообразно использовать результаты обобщенного анализа качества цементирования с использованием реальных лабораторных данных различных месторождений. В связи с этим в данной работе для классификации типов скважин и режимов процесса продавливания цементного раствора используется метод построения нейронной сети - самоорганизующейся карты T. Кохонена (Self-organizing map – SOM), алгоритм которого описан в [6].

Для успешного применения SOM необходимо определиться с количеством кластеров и выбором начального состояния сети, существенно влияющим на результат кластерного анализа. В связи с этим, предварительно производится построение рабочей выборки, обработка ее с использованием типовых базовых алгоритмов метода главных компонентов (PCA - principal component analysis) и проводится предварительный анализ возможного минимального числа главных компонентов и полученной матрицы остатков. В случае, большого числа значимых главных компонентов необходимо использовать модифицированные алгоритмы PCA с использованием взвешенной ковариационной матрицы, нелинейного метода PCA и т.п. [7], применить более сложные способы визуализации результатов [8].

Метод SOM позволяет проецировать многомерные вектора исходного множества входных данных на подпространство меньшей размерности (чаще всего плоскости размерности 2D) с целью упрощения анализа и визуализации. Это позволяет группировать входные данные, более близкие друг к другу и представлять выходные данные моделей на плоскости Кохонена в виде компонентов, называемых узлами или нейронами. M заданных нейронов соответствует количеству выделенных классов. Карта Кохонена обычно отображается на плоскость с использованием ячеек прямоугольной или шестиугольной формы. В случае шестиугольной формы расстояние между центрами ячеек одинаковое и лучше отображает результаты.

Каждый нейрон описывается двумя векторами – «m» и «r». Размерность вектора веса mi равна размерности входных данных, вектор ri. определяет координаты расположения узла на карте. Для оценки меры близости входных данных x(t) к нейронам используется расстояние от вектора данных до векторов веса всех узлов карты. Ближайшему по весу узлу М(t) соответствует лучшая единица соответствия (BMU – Best matching unit). BMU вычисляется по формуле:

                                                  (1)

где х(t)- вектор входных данных. Каждой единице расстояния (Евклидова) i соответствует модель или прототип поведения данных. Размерность вектора моделей карты mi равна размерности вектора координат расположения модели ri.

Переопределение моделей в процессе обучения без учителя вычисляется последовательным алгоритмом Кохонина по формуле:

                    (2)

где t – индекс итераций, α(t) ∈ [0,1] – Скорость обучения, убывающая функция по росту количества итераций.

hci(t)- функция соседства (Гауссовская функция), значение вершины которой по итерациям достигается (предполагается достигать) полное сходство евклидового расположение входных данных с евклидовым расположением нейрона на плоскости малой размерности, плавно убывающая функция по росту количества итераций обучения. Она предназначена для переопределения евклидового расстояния между нейронами.

                              (3)

где ri и rc -координаты моделей узлов Mi(t) и Mc(t) на карте, σ(t) - коэффициент, уменьшающий количество соседних моделей по итерациям, монотонно убывает.

Во время работы самоорганизующейся карты Кохонена, состоящая из карты единиц приближается к распределенным данным в зависимости от евклидового расположения (чем ближе нейрон к данным, тем самым определяется соответствующий нейрон и т.д.). В алгоритме также реализуются и другие функции: квантизация входных данных с использованием векторов моделей и нелинейное проецирование многомерного пространства в пространство с более низкой размерностью.

Для практической реализации SOM необходимо реализовать следующие основные этапы:

1.  Формирование представительной выборки исходных («сырых») данных по бурению, цементации и эксплуатации НГС;

2.  «Очистка» сырых данных от незначимой (для SOM) информации, формирование исходной выборки;

3.  Формирование рабочей исходной выборки (матрицы данных Х(n,m)): центрирование данных, нормирование на единичную дисперсию или равную точность измерения по осям;

4.  Применение стандартных алгоритмов PCA, определение матрицы нагрузок Р(n,k), матрицы счетов T(m,k) и Z(m,k);

5.  Выполнить нормировку после приведения к главным компонентам, определить остаточную дисперсию и оценить по относительным ошибкам применимость PCA с проецированием данных на первые к- компонент;

6.  Выполнить инициализацию карты Кохонена, задавая первоначальные веса узлов (вектор веса m) из линейного пространства, натянутого на главные компоненты набора входных данных;

7.  Выполнить цикл обучения сети, включая:

7.1  Выбор очередного наблюдения х(t) (вектора из множества входных данных);

7.2  Найти расстояние от него до векторов веса всех узлов, определить BMU (случайно, при нескольких равных BMU);

7.3  Определение с помощью hci(t) соседей и изменить вектора весов;

7.4  Вычисление ошибки карты, как математическое ожидание расстояния между наблюдениями и векторами узлов;

8.  Выполнить визуализацию результатов.

Классификация ситуаций цементирования с использованием SOM позволяет перевести процесс управления цементацией НГС на новый уровень, т.к. оператор может принимать обоснованное решение по выбору более рационального и безопасного управления процессами цементации с учётом конкретных условий.

3. Результаты моделирования

Для обучения карты использовано 1753 точек входных данных цементирования (оперативные и статистические данные периода эксплуатации). На рис.3. изображены выходные обученные модели без учителя. Показаны параметр частоты газопроявления и скорость цементирования реального времени. 

Рис.3. Плоскости описания двух компонент, обученные с использованием данных частоты газопроявления относительно скорости восходящего потока

Карта описывает структуру моделей данных в виде классов. В левом верхнем углу обоих изображений можно обнаружить обратную характеристику частоты газопроявления с изменением скорости продавливания (скорость цементного раствора). Результаты классификации на карте могут не полностью совпадать с нашем представлением при исследовании сходимости полученных классов с данными графиков входных данных. Это связано с тем что, при обработке входных данных обучения происходит квантизация векторов входных данных и нелинейное проецирование входных данных при переводе их размерности в уменьшенный размер векторов моделей, в данном случае 2D- это размерность векторов построенных моделей на карте Кохонена.

Результаты моделирования можно использовать для кластеризации, с целью получения определенных множеств классов, для построения правил принятия решений, и также для визуализации процесса обучения (рис.3). Для иллюстрации порядка применения методов распознавания образов при модернизации алгоритмов управления комплексом процессов цементирования нефтяных и газовых скважин приведена схема, показанная на рис.4.

Рис.4. Схема) использования самоорганизующейся карты Кохонена в целях визуализации, анализа  данных и принятия решений

Вертикальное (сверху в низ) направление показывает ход выполнения операции анализа данных с целью получения кластеров моделей данных или их визуализации. Горизонтально слева направо дополнительные возможности анализа работы карты и обнаружение новых факторов по мере поступления новых данных (поиск новизны).

Алгоритмы решения задач классификации образов являются достаточно формализованными и позволяют получать достаточно эффективные решения в отличии от других алгоритмов, например, путем построения и анализа дерева принятия решений, применяющихся в алгоритмах символического анализа. Для классификации, в данном алгоритме каждая ветка одного узла дерева представляет собой выбор между альтернативами, и листки представляют собой решения или классификации. При классификации нового объекта (параметры которого, не были использованы в процессе обучения), значения атрибутов объекта должны проходить разветвления дерева до листка.

К примеру, алгоритмы ID3 или C4.5 рассмотрены в [9], при неконтролируемом обучении, отсутствии экземпляров данных обучения – или соответствующих нейронов (данные ранее не запущены в процессе обучения). Основная идея работы данных алгоритмов заключается в увеличение окрестностей между классами, с тем чтобы аппроксимировать новые входные данные относительно уже существующих классов. Тем не менее, недостаток данного метода проявляется из-за использования вероятностных методов оценки при определении качества генерируемых индуктивных правил. Ненадежные генерируемые вероятностные оценки, полученные в результате такого обучения от незначительного числа экземпляров входных данных часто приводят к увеличению отклонений при аппроксимации и окончательном построении моделей (образов), малоэффективных при оптимизации алгоритмов управления технологическим процессом реального времени – цементирование нефтяных и газовых скважин.

Кроме того, реализация сложного дерева принятия решений требуют больших затрат ручного труда опытных специалистов и больших объемов физической памяти для анализа и аппроксимации данных обучения.

Выводы

По результатам исследований с применением методов распознавания образов можно сделать следующие выводы:

Применение распознавания образов для повышения эффективности алгоритмов координированного управления процессами цементирования является достаточно эффективным, учитывая имеющиеся большие объемы промышленных данных о происходящих физико-химических процессах в дополнение к данным основного процесса цементирования. Данный способ анализа данных дает возможность классифицировать объекты (скважины) с учетом имеющихся зафиксированных геофизических данных и реакций на определенные задания давления высокоэнергетических насосов объектов управления. Результаты цветового кодирования карты можно использовать в качестве одного из определяющих параметров изменения структуры векторов моделей различных кластеров.

Классификация с помощью карты Кохонена упрощает решение проблем, связанных с учетом физико-химических процессов, несущих информацию о различных характеристиках и иногда полностью меняющие характер реакций скважин на различных этапах разработки НГС (бурение, промывка скважин, цементирование).

Наиболее успешная классификация происходит при анализе данных процессов при установившихся режимах и медленно изменяющихся параметрах цементирования.

Наиболее успешная классификация имеет место для стабильных входных данных одного региона;

Для полноценной (стабильной) классификации не нужно полностью учитывать кратковременные переходные процессы реального времени (продавливания).

Литература

1.  Булатов А.И., “Тампонажные материалы и технология цементирования скважин” // 1991.

2.  Абухадура Нидаль, Чинакал В.О. “Разработка математической модели и алгоритмов управления процессами цементирования нефтяных и газовых скважин”. Труды V Международной научно-практической конференции «Инженерные системы -2012». – М., РУДН, 2012. стр.303-306,

3.  Абухадура Нидаль, Чинакал В.О. “Интеллектуальный анализ данных в задачах управления технологическими процессами цементирования нефтяных и газовых скважин”. Труды XI   международного симпозиума «Интеллектуальные системы» (INTELS -2014). – М., РУДН, 2014. стр.463-468,

4.  Абухадура Нидаль “Математическое моделирование технологических процессов цементирования нефтяных и газовых скважин”, XIII Международный семинар «физико-математическое 
моделирование систем – ФММС-13», ВГТУ-Воронеж, 2015.

5.  Абухадура Нидаль, Чинакал В.О. “Координированное управление качеством цементирования нефтяных и газовых скважин”. Труды международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (CAD/CAM/PDM–2015)». – М. ИПУ РАН. Стр.141-144.

6.  Kohonen, Teuvo. Self-Organizing Maps, proceedings of the IEEE, vol.78, No.9, 1990.

7.  Yin H. Learning Nonlinear Principal Manifolds by Self-Organising Maps, In: Gorbam A.N/ et al (Eds), LNCSE 58, Springer, 2007.

8.  Зиновьев Ф.Ю. Визуализация многомерных данных. Красноярск. Изд. КГТУ. 2000.

9.   Murthy SK: Automatic construction of decision trees from data: a multi-disciplinary survey. Data Mining Knowl Discovery. 1998, 2(4):345–389/23. Tan PN, Steinbach M, Kumar V: Introduction to Data Mining.