- Trang Chủ
- Tự động hoá
- Ứng dụng trí tuệ nhân tạo trong kỹ thuật dầu khí: Bài toán áp dụng mạng nơ ron nhân tạo trong dự báo áp suất nứt vỉa
Xem mẫu
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG KỸ THUẬT DẦU KHÍ:
BÀI TÓA N ÁP DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG DỰ BÁO
ÁP SUẤT NỨT VỈA
Đặng Hữu Minh*
Trường Đại học Dầu khí Việt Nam
*Tác giả liên lạc: minhdh03@pvu.edu.vn
TÓM TẮT
Dự đóa n áp suất vỡ vỉa là một công việc quan trong khi lên kế hoạch thiết kế
giếng khoan. Thực tế có sai số trong các công thức, mối tương quan để dự đóa n
áp suất vỡ vỉa có thể gây ra một số vấn đề nghiêm trọng, trong đó có thể kể đến
như mất tuần hoàn dung dịch khoan hoặc xảy ra hiện tượng “Kick” dẫn đến phun
trào. Các kết quả chính xác của áp suất vở vĩa cho phép việc kiểm sóa t, vận
hành, kích thích giếng hoạt động hiệu quả. Áp suất vỡ vỉa sẽ phụ thuộc vào các
thông số chính như ứng suất lớp phủ, ứng suất thành hệ, áp suất lỗ rỗng, độ sâu,
hệ số Poisson, mô đun khối, mô đun Young,… Bất kỳ phương pháp dự đóa n áp
suất vỡ vỉa nào cũng xây dựng các mối tương quan từ những thông số trên.
Từ khóa: Áp suất vỡ vỉa, mạng nơ-ron nhân tạo.
ARTIFICIAL INTELLIGENT APPLIED IN PETROLEUM
ENGINEERING: A CASE STUDY OF FRACTURE PRESSURE
PREDICTION USING ARTIFICIAL NEURAL NETWORK MODEL
Dang Huu Minh*
Petro Viet Nam University
*Corresponding Author: minhdh03@pvu.edu.vn
ABSTRACT
Prediction formation fracture pressure is an essential task in designing safer
drilling operations and economical well planning. The errors in formulas,
correlations which using to predict formation fracture pressure can lead several
serious problems such as lost circulation and kick, even blowout. Accurate
formation fracture pressure prediction plays an important role in controls,
operations and stimulations. Fracture pressure depends on several factors
including magnitude of overburden stress, formation stress, formation pore
pressure, depth, Poisson’s ratio, bulk modulus, Young modulus, etc. Any
prediction methods should incorporate most of the above factors for a realistic
prediction of the fracture pressure.
Keywords: Formation fracture pressure, artificial neural network.
TỔNG QUAN trực tiếp thường rất lớn và gặp nhiều
Áp suất vỡ vỉa là một thông số quan khó khăn, vì vậy nghiên cứu các
trọng trong giai đoạn tiền thiết kế hệ phương pháp gián tiếp hay mối tương
thống khoan, khai thác và kích thích quan thực nghiệm để xác định áp suất
vỉa, cũng như được biết tới là một vỡ vỉa luôn là một đề tài thu hút nhiều
thông số tiên quyết tới công tác tối ưu nhà nghiên cứu.
các hoạt động khoan. Chi phí để xác Những thông số như áp suất lỗ rỗng, độ
định áp suất vỡ vỉa bằng phương pháp rỗng thành hệ, tỷ trọng đá, tính chất
513
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
thạch học của đất đá… theo độ sâu làm các dữ liệu đầu vào để xây dựng
được sử dụng như các dữ liệu đầu vào mô hình dự đóa n áp suất vỡ vỉa bằng
cho bài tóa n dự đóa n áp suất vỡ vỉa. mạng nơ-ron nhân tạo. Tổng số 39351
Đồng thời công thức dự đóa n được sử điểm dữ liệu được chọn từ ba giếng
dụng riêng cho đặc tính vùng dựa trên khoan 2X, 3X và 4X đã được khoan tại
cơ sở dữ liệu có sẵn được sử dụng. Bài mỏ X với mục đích xây dựng mô hình
báo này được thực hiện với mục đích và dự đóa n áp suất vỡ vỉa cho giếng
tìm hiểu cơ sở lý thuyết của mạng nơ- 5X. Trong đó 2/3 dữ liệu được chọn từ
ron nhân tạo, từ đó ứng dụng vào thực tập hợp dữ liệu tổng để thành lập tập
tiễn xây dựng mô hình dự đóa n áp suất dữ liệu đào tạo (training). Một nửa
vở vỉa cho các giếng khoan dựa trên những điểm dữ liệu còn lại được chọn
các dữ liệu về địa cơ học hoặc các tài để thiết lập tập dữ liệu phê chuẩn
liệu địa vật lý giếng khoan. (validation) và phần còn lại là của tập
dữ liệu kiểm tra (testing). Những điểm
THÔNG SỐ ĐẦU VÀO VÀ dữ liệu cho mỗi tập hợp được chọn từ
PHƯƠNG PHÁP NGHIÊN CỨU tập hợp tổng được phân bố sao cho vẫn
Các thông số đầu vào giữ được sự đồng nhất giống với tập dữ
Khi phân tích các mô hình lý thuyết dự liệu tổng.
đóa n áp suất vỡ vỉa thành hệ, tác giả Như vậy trong mô hình nơ-ron nhân
nhận thấy áp suất vỡ vỉa phụ thuộc vào tạo này, tác giả sẽ sử dụng các thông số
ứng suất địa tĩnh (PO), áp suất lỗ rỗng độ sâu, hệ số Poisson, ứng suất lớp phủ
(Pp), tỷ số Poisson (µ), tuổi thành hệ, và áp suất lỗ rỗng làm dữ liệu đầu vào
độ sâu và tỉ trọng đất đá. Tùy vào dữ để dự đóa n áp suất vỡ vỉa.
liệu của các giếng khác nhau để chọn Phương pháp nghiên cứu
những thông số đầu vào cho phù hợp. Sau khi dữ liệu được tập hợp, bước tiếp
Tuy nhiên cần lưu ý rằng một số thông theo trong đào tạo một mạng là tạo ra
số đầu vào lại có tương quan với nhau một đối tượng mạng. Qua quá trình
như: tỷ số Poisson phụ thuộc vào tỉ nghiên cứu và thử nghiệm, tác giả sử
trọng riêng, tỷ số thành phần ứng suất dụng mạng lan truyền ngược (feed-
hữu hiệu và tuổi thành hệ. Do đó mối forward backpropagation) như đã giới
nội liên hệ giữa khối lượng riêng của thiệu trong phần cơ sở lý thuyết với 3
thành hệ với gradient áp suất lỗ rỗng và lớp ẩn, 1 lớp đầu vào và 1 lớp đầu ra.
chiều sâu đã gián tiếp bao gồm trong Tiếp theo là chọn số lượng nơ-ron
đó và đã thể hiện được sự ảnh hưởng trong mỗi lớp. Số lượng nơ-ron nhỏ sẽ
của nó tới áp suất nứt vỉa. Chính vì vậy, đào tạo mạng nhanh hơn nhưng không
việc lựa chọn thông số đặc trưng để cho kết quả chính xác. Trong khi đó,
đưa vào mô hình cần được cân nhắc kĩ, tăng số lượng neural có thể tăng thời
thay vì đưa hết các thông số ảnh hưởng gian xử lý. Tác giả sử dụng cấu trúc
trực tiếp tới áp suất nứt vỉa. mạng với 15 nơ-ron trong lớp ẩn thứ
Các thông số cơ học, áp suất đều bị ảnh nhất, 10 nơ-ron trong lớp ẩn thứ hai và
hưởng và hoàn toàn tính tóa n được 12 nơ-ron trong lớp ẩn thứ ba (mạng 7-
thông qua các dữ liệu địa vật lý giếng 15-10-12-1). Xin lưu ý lựa chọn số
khoan. Vì vậy, khi không có các dữ lượng nơ-ron không có nguyên tắc rõ
liệu về áp suất lỗ rỗng, áp suất địa tĩnh ràng nhưng chỉ cần đảm bảo đáp ứng
và hệ số Poisson, tác giả đã sử dụng các hệ thống sẵn có của người sử dụng, độ
thông số địa vật lý giếng khoan như chính xác cuối cùng chấp nhận được.
DT, RHOB, NPHI, LLD, LLS và GR Kết quả của dữ liệu được đào tạo bởi
514
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
mô hình mạng nơ-ron nhân tạo trong còn nhiều câu hỏi được đặt ra về sự
nghiên cứu này chỉ ra đây là một mối chính xác của chúng. Bài báo này đã
quan hệ chính xác: kết quả đào tạo, kết tổng hợp xu thế và tình hình ứng dụng
quả xác nhận, kiểm tra và kết quả tổng của trí tuệ nhân tạo trong ngành công
cộng đều cho các giá trị R lớn hơn nghiệp dầu khí nói chung, lĩnh vực kỹ
0,999. thuật dầu khí nói riêng. Nằm trong
chuỗi nghiên cứu phát triển ứng dụng
KẾT QUẢ VÀ THẢO LUẬN trí tuệ nhân tạo trong mảng khoan khai
Sau khi có mô hình dự báo với độ tin thác dầu khí, công nghệ mỏ, nhóm tác
cậy cao, tác giả tiến hành dự báo áp giả bước đầu đã thực hiện dự báo áp
suất vỡ vỉa cho giếng 5X (nằm lận cận suất nứt vỉa cho một giếng X thuộc bể
với các giếng 2X, 3X, và 4X) từ độ sâu Nam Côn Sơn, Việt Nam với số điểm
1920 m đến 3265 m. Kết quả dự báo dữ liệu là 368. Phương pháp mạng nơ-
được trình bày trong hình 4 cùng với ron nhân tạo đã được lấy ví dụ để thực
các phương pháp dự báo truyền thống hiện công việc này.
được sử dụng hiện nay và phương pháp Từ kết quả nghiên cứu có thể thấy
xác định áp suất vỡ vỉa trực tiếp thông phương pháp ANN có những ưu điểm
qua thí nghiệm “Leak off test”. sau:
Thông qua kết quả so sánh được trình Sử dụng nhiều điểm dữ liệu khác nhau,
bày trong hình 3.10 có thể thấy rằng phù hợp với vùng nghiên cứu rộng, dữ
kết quả dự đóa n áp suất vỡ vỉa bằng liệu đa dạng.
mạng nơ-ron nhân tạo đối với giếng Thông số đầu vào cho mô hình dễ dàng
5X, bể Cửu Long cho kết quả tốt hơn có được.
so với phương pháp dự báo hiện nay Đơn giản và dễ sử dụng trong quá trình
đang sử dụng (theo tiêu chuẩn so với trước khi khoan
thí nghiệm LOT). Độ chính xác cao hơn so với các
phương pháp dự báo truyền thống
KẾT LUẬN Kết quả dự đóa n áp suất vỡ vỉa cho mỏ
Các mô hình dự đóa n ứng dụng trong X đủ độ tin cậy để sử dụng cho những
kĩ thuật dầu khí đang có sự phát triển ứng dụng cần thiết trong quá trình thiết
tương đối tốt. Tuy nhiên, hiện tại phần kế giếng lân cận trong vùng mỏ X và
lớn những thông số quan trọng như áp cần kiểm nghiệm thêm nhiều giếng
suất vỉa, áp suất vỡ vỉa lấy làm ví dụ khác trong cùng một vùng trước khi
đóng vai trò quan trọng khi lập kế nhân rộng tính ứng dụng của phương
hoạch khoan, nhưng trong thực tế vẫn pháp này.
TÀI LIỆU THAM KHẢO
ANIFOWOSE, F. A., EWENLA, A. O. AND ELUDIORA, S. I. (2011).
Prediction of Oil and Gas Reservoir Properties using Support Vector
Machines. International Petroleum Technology Conference.
R GHOLAMI, AR SHAHRAKI, M JAMALI PAGHALEH (2012). Prediction of
hydrocarbon reservoirs permeability using support vector machine.
Mathematical Problems in Engineering.
S. R. SHADIZADEH, F. KARIMI, M. ZOVEIDAVIANPOOR (2010). Drilling
Stuck Pipe. Prediction in Iranian Oil Fields: An Artificial Neural Network
Approach. Iranian Journal of Chemical Engineering, p.29-41.
515
nguon tai.lieu . vn