Ứng dụng ANN trong dự báo áp suất nứt vỉa
Dự báo áp suất nứt vỉa là công việc quan trọng khi lên kế hoạch thiết kế giếng khoan, cho phép kiểm soát, vận hành, kích thích giếng
hoạt động hiệu quả. Nếu dự báo không chính xác áp suất nứt vỉa có thể gây ra các vấn đề nghiêm trọng như: mất tuần hoàn dung dịch
khoan hoặc xảy ra hiện tượng "kick" dẫn đến phun trào
Bài báo giới thiệu các ứng dụng của trí tuệ nhân tạo trong lĩnh vực dầu khí, sử dụng phương pháp sử dụng ANN dựa trên các dữ liệu
đầu vào gồm: độ sâu, hệ số Poisson, ứng suất địa tĩnh, áp suất lỗ rỗng và dữ liệu đầu ra là áp suất nứt vỉa để xây dựng mô hình dự báo áp
suất nứt vỉa cho giếng khoan thuộc bể Nam Côn Sơn. Nhóm tác giả đã so sánh với kết quả dự báo bằng phương pháp truyền thống cho
thấy phương pháp sử dụng ANN cho kết quả dự báo áp suất nứt vỉa sát với kết quả đo thực tế nhất.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tóm tắt nội dung tài liệu: Ứng dụng ANN trong dự báo áp suất nứt vỉa
32 DẦU KHÍ - SỐ 3/2019 THĂM DÒ - KHAI THÁC DẦU KHÍ chấp nhận để áp dụng trong việc tính toán, song vẫn còn tồn tại một số nhược điểm dẫn đến kết quả sai số lớn. Các tài liệu nghiên cứu gần đây cho thấy các phương pháp như sử dụng mạng neuron nhân tạo (ANN), logic mạng mờ và thuật di truyền, được sử dụng rộng rãi trong lĩnh vực dầu khí, kỹ thuật vector hỗ trợ (SVM), mạng chức năng (functional network) và lập luận theo tình huống (case based reasoning) được sử dụng rộng rãi trong lĩnh vực dầu khí (Hình 1). Nhóm tác giả tổng hợp được 17 ứng dụng của kỹ thuật trí tuệ nhân tạo, bao gồm: (1) phát triển giao diện cho quá trình mô phỏng; (2) minh giải đường log; (3) lựa chọn choòng khoan; (4) chuẩn đoán trong quá trình vận hành bơm; (5) lựa chọn và minh giải mô hình thử vỉa; (6) phân tích nứt vỉa thủy lực; (7) tối ưu hóa gas-lift; (8) phân loại vỉa dầu khí; (9) các mối tương quan về các tính chất của chất lưu (PVT); (10) phân tích độ rủi ro của dự án thu hồi dầu tăng cường; (11) dự báo chế độ dòng chảy trong đường ống; (12) phân tích sự phá hủy thành hệ; (13) thiết kế và tối ưu hóa nứt vỉa thủy lực; (14) tối ưu hóa khai thác; (15) quản lý thu hồi dầu tăng cường; (16) tối ưu hóa vận hành khoan; (17) tối ưu trong thiết kế giếng sử dụng thuật di truyền [9]. Bảng 2 tổng hợp các tài liệu liên quan tới các ứng dụng của trí tuệ nhân tạo. Ngoài các thông số trên, có thể sử dụng trực tiếp các thông số vật lý vỉa như gamma ray, điện trở và mật độ được đo từ kết quả địa vật lý giếng khoan để dự báo áp suất nứt vỉa nhưng có kết hợp hiệu chỉnh mô hình thông qua kết quả đo trực tiếp từ thí nghiệm LOT hay FIT [24]. Ngày nhận bài: 2/5/2018. Ngày phản biện đánh giá và sửa chữa: 2/5 - 14/6/2018. Ngày bài báo được duyệt đăng: 6/3/2019. ỨNG DỤNG ANN TRONG DỰ BÁO ÁP SUẤT NỨT VỈA TẠP CHÍ DẦU KHÍ Số 3 - 2019, trang 32 - 41 ISSN-0866-854X Nguyễn Văn Hùng, Đặng Hữu Minh Đại học Dầu khí Việt Nam Email: hungnv@pvu.edu.vn Tóm tắt Dự báo áp suất nứt vỉa là công việc quan trọng khi lên kế hoạch thiết kế giếng khoan, cho phép kiểm soát, vận hành, kích thích giếng hoạt động hiệu quả. Nếu dự báo không chính xác áp suất nứt vỉa có thể gây ra các vấn đề nghiêm trọng như: mất tuần hoàn dung dịch khoan hoặc xảy ra hiện tượng "kick" dẫn đến phun trào Bài báo giới thiệu các ứng dụng của trí tuệ nhân tạo trong lĩnh vực dầu khí, sử dụng phương pháp sử dụng ANN dựa trên các dữ liệu đầu vào gồm: độ sâu, hệ số Poisson, ứng suất địa tĩnh, áp suất lỗ rỗng và dữ liệu đầu ra là áp suất nứt vỉa để xây dựng mô hình dự báo áp suất nứt vỉa cho giếng khoan thuộc bể Nam Côn Sơn. Nhóm tác giả đã so sánh với kết quả dự báo bằng phương pháp truyền thống cho thấy phương pháp sử dụng ANN cho kết quả dự báo áp suất nứt vỉa sát với kết quả đo thực tế nhất. Từ khóa: Áp suất nứt vỉa, ANN, bể Nam Côn Sơn. 1. Giới thiệu Áp suất nứt vỉa là thông số quan trọng trong giai đoạn tiền thiết kế hệ thống khoan, khai thác và kích thích vỉa, cũng như để tối ưu công tác khoan. Việc xác định áp suất nứt vỉa bằng phương pháp đo trực tiếp chi phí cao và gặp nhiều khó khăn, vì vậy có thể xác định áp suất nứt vỉa bằng phương pháp gián tiếp. Các thông số như áp suất lỗ rỗng, độ rỗng thành hệ, tỷ trọng đá, tính chất thạch học của đất đá theo độ sâu được sử dụng làm dữ liệu đầu vào để dự báo áp suất nứt vỉa. Đồng thời, công thức dự báo được sử dụng riêng cho đặc tính vùng dựa trên cơ sở dữ liệu có sẵn được sử dụng. Năm 1957, Hubbert và Willis lần đầu đưa ra mối tương quan để tính áp suất nứt vỉa dựa vào áp suất lỗ rỗng, hệ số Poisson và ứng suất lớp phủ theo độ sâu [1]. Đến năm 1968, Pennebaker phát triển mối tương quan giữa ứng suất lớp phủ và tuổi thành hệ để xây dựng công thức dự báo [2]. Eaton (1969) tìm ra công thức tính áp suất lỗ rỗng dựa vào ứng suất lỗ rỗng, hệ số Poisson và độ sâu, áp dụng cho vùng Tây Texas và vịnh Mexico [3]. Từ đó, các mối tương quan được xác định dựa trên sự hiệu chỉnh, cải tiến để giúp các kết quả dự báo áp suất nứt vỉa chính xác hơn. Bảng 1 thống kê các phương pháp truyền thống để xác định áp suất nứt vỉa đã được công bố. Mặc dù được 33DẦU KHÍ - SỐ 3/2019 PETROVIETNAM Hình 1. Ứng dụng trí tuệ nhân tạo trong lĩnh vực dầu khí [9] hnít cứht gnôC oàv uầđ ốs gnôhT TT Tài liệu tham khảo 1 2 Ứng suất địa tĩnh, Áp suất lỗ rỗng, = [1] [3] Độ sâu, D Áp suất lỗ rỗng, Hệ số = − + 3 Áp suất lỗ rỗng, Hệ số Poisson, Ứng suất địa tĩnh, = 1 − − + [4] 4 Mật độ biểu kiến Thời gian truyền sóng địa chấn Ứng suất địa tĩnh, Tra đồ thị [5] 5 Ứng suất địa tĩnh, Áp suất lỗ rỗng, Hệ số = ( − ) + [6] 6 Áp suất địa tĩnh, Áp suất lỗ rỗng, Hệ số Poisson, Hệ số nén của độ rỗng trong khung đá, = + 2 1 − − [7] 7 Gradient ứng suất địa tĩnh, Gradient áp suất lỗ rỗng, = + 2 1 − − [8] ( ) ) ) ( ( Bảng 1. Các phương pháp truyền thống để xác định áp suất nứt vỉa TT Phương pháp Thông số được dự báo Tài liệu tham khảo 1 Fuzzy logic Xác định sự rò rỉ khí [10] 2 Fuzzy logic, GA Tính chất chất lưu [11] 3 ANN Độ rỗng, độ thấm, độ bão hòa [12] 4 Hybrid System Độ rỗng, độ thấm của vỉa [13] 5 ANN Kẹt cần khoan [14] 6 SVM Tính chất của dầu và khí [15] 7 SVM Độ thấm vỉa [16] 8 CSR Sự cố trong quá trình khoan [17] 9 ANN Lựa chọn cấu trúc giàn biển [18] 10 ANN Độ ổn định thành giếng khoan [19] 11 Neuro-fuzzy Các thông số về độ bền của đất đá [20] 12 Hybird-SVM Đặc tính gaslift và tối ưu khai thác [21] Bảng 2. Ứng dụng của kỹ thuật trí tuệ nhân tạo trong lĩnh vực dầu khí 16 14 12 10 8 6 4 2 0 Logic mờ Thuật di truyền Mạng neuron Hệ chuyên gia 2 2 2 2 6 2 10 2 13 1989 1990 1991 1992 1993 1994 1995 Năm 25 20 15 10 5 0 Logic mờ Hệ trí tuệ nhân tạo lai Thuật di truyền Mạng neuron 2 2 2 2 2 3 1 4 15 3 3 1 7 14 7 7 5 5 6 6 6 4 4 6 11 3 1996 1997 1998 1999 2000 2001 2002 2002 2003 Năm Số b ài ... ron nhỏ sẽ đào tạo mạng nhanh hơn nhưng không cho kết quả chính xác. Trong khi đó, tăng số lượng neuron có thể tăng thời gian xử lý. Nhóm tác giả sử dụng cấu trúc mạng với 12 neuron trong lớp ẩn thứ nhất và 10 neuron trong lớp ẩn thứ hai (mạng 4-12-10-1). Lựa chọn số lượng neu- ron không có nguyên tắc rõ ràng nhưng chỉ cần đảm bảo đáp ứng hệ thống sẵn có của người sử dụng, độ chính xác cuối cùng chấp nhận được. Hình 3 biểu diễn cấu trúc mạng mô phỏng. Những hàm hoạt động cho những lớp ẩn là hàm tag-sigmoid và log-sigmoid, hàm pure linear được sử dụng cho lớp đầu ra. Những hàm đó được biểu diễn như sau: 3.3. Phân tích hiệu suất mạng neuron sau khi huấn luyện Sau khi mạng được đào tạo và đạt tới 225 phép lặp có thể thu được đồ thị biểu diễn hiệu suất của quá trình đào tạo như Hình 4. Hình 4 biểu diễn tổng sai số bình phương cho 3 tập dữ liệu với số lần lặp cho mạng có cấu trúc 4-12-10-1 sử dụng thuật toán đào tạo lan truyền ngược LMA (Levenberg-Marquardt Algorithm). Ứng xử của đường cong thể hiện quá trình đào tạo thành công và 3 tập dữ liệu được chọn phù hợp từ tập dữ liệu ban đầu. Hiệu suất tốt nhất là MSE = 2,7181 × 10-4 tại lần lặp thứ 219. Các thông số về trọng số và ngưỡng của các lớp trong mô hình được trình bày trong Bảng 4 - 6. Hình 5 trình bày dữ liệu đào tạo, xác nhận, kiểm tra và dữ liệu tổng. Đường nét đứt thể hiện kết quả sau khi đào tạo trùng với dữ liệu mục tiêu. Đường nét liền trình bày sự hồi quy tuyến tính tốt nhất giữa kết quả đào tạo và mục tiêu. Giá trị R biểu thị một mối quan hệ giữa kết quả và mục tiêu. Nếu R = 1 thì đó là một mối quan hệ tuyến tính Neuron Lớp ẩn 1 Trọng số Ngưỡng 1 2 3 4 1 -0,52048 1,5535 -0,01865 -2,2423 2,3779 2 0,61856 -0,01363 -0,94171 -2,0502 -2,2575 3 -1,2951 -0,46325 1,5402 -1,6688 1,262 4 1,3596 -0,21983 1,8014 -0,74996 -1,0919 5 -2,3496 -1,3583 0,08929 -0,45597 0,43587 6 1,7719 0,057823 0,90068 -1,2678 -0,41494 7 -0,98796 0,53053 0,86185 2,1558 0,057315 8 -0,66979 1,8355 -1,8686 -0,23488 -0,66435 9 0,37842 1,5757 -1,098 -1,0741 1,125 10 1,488 0,79276 -0,02608 1,765 1,7931 11 -1,512 -0,40828 -1,0153 1,7788 -2,1895 12 1,6715 1,2146 1,3159 -0,3573 2,6654 Bảng 4. Trọng số và ngưỡng của lớp ẩn thứ nhất = − 2 ( )( − ) ( ) = 2 1+ − 2 − 1; ( ) = 1 1+ − ; ( ) = 38 DẦU KHÍ - SỐ 3/2019 THĂM DÒ - KHAI THÁC DẦU KHÍ chính xác giữa kết quả đào tạo và mục tiêu [29]. Kết quả của dữ liệu được đào tạo bởi mô hình ANN trong nghiên cứu này chỉ ra đây là một mối quan hệ chính xác: kết quả đào tạo, kết quả xác nhận, kiểm tra và kết quả tổng cộng đều cho các giá trị R lớn hơn 0,9995. 3.4. Sử dụng ANN để dự báo áp suất nứt vỉa, so sánh với các phương pháp truyền thống Sau khi có mô hình dự báo với độ tin cậy cao, nhóm tác giả tiến hành dự báo áp suất nứt vỉa cho một giếng khoan thuộc bể Nam Côn Sơn. Kết quả dự báo được trình bày trong Hình 6, trên hình cũng thể hiện kết quả dự báo bằng phương pháp truyền thống thường và phương pháp xác định áp suất nứt vỉa trực tiếp thông qua thí nghiệm “Leak off test”, LOT tại 3 độ sâu của giếng: 2542,59m, 2705,42m và 2932,09m (Bảng 1). Thông qua kết quả so sánh trong Hình 6 có thể thấy rằng mô hình lý thuyết Hu- bert và Willis, Eaton nằm khá xa kết quả đo thực nghiệm LOT, trong khi kết quả của mô hình Bellotti và Glacca nằm sát hơn nhưng vẫn còn khác biệt. Ngược lại, đường cong dự báo áp suất nứt vỉa bằng phương pháp ANN qua các điểm áp suất nứt vỉa của thí nghiệm LOT. Vì vậy, phương pháp ANN có kết quả dự báo chính xác nhất so với các phương pháp dự báo truyền thống (Hubbert and Willis, Eaton, Bellotti and Giacca). Lớ p ẩn 2 Tr ọn g số N gư ỡn g 1 2 3 4 5 6 7 8 9 10 11 12 -1 ,4 60 9 -0 ,8 36 37 0, 32 72 1 -0 ,3 48 36 0, 46 7 -0 ,6 11 83 1, 37 99 0, 75 25 6 1, 49 12 1, 32 04 -0 ,4 51 47 -1 ,0 86 9 3, 48 15 -1 ,0 17 -0 ,3 03 2 -1 ,1 39 -0 ,4 55 39 -1 ,3 09 8 0, 92 88 4 0, 96 75 8 -0 ,1 03 03 0, 90 32 2 -1 ,8 69 2 0, 42 31 2 0, 07 21 92 2, 67 5 -0 ,4 85 65 0, 10 70 5 -0 ,3 26 39 1, 95 32 0, 79 35 4 -1 ,1 85 4 0, 40 52 8 -0 ,1 74 07 -1 ,3 13 2 -1 ,6 96 4 0, 60 56 -0 ,6 06 23 1, 74 51 0, 32 12 -0 ,9 17 85 1, 32 49 -1 .6 03 3 -0 ,3 58 95 -1 ,5 34 8 -1 ,1 90 5 -0 ,9 98 24 0, 14 68 5 -1 ,1 74 2 -0 ,4 87 64 0, 95 03 -1 ,1 22 4 -1 ,1 07 4 -0 ,7 95 08 0, 13 51 4 1, 57 33 0, 56 09 9 0, 97 49 4 -1 ,0 27 9 0, 82 36 5 -0 ,0 85 93 -0 ,4 62 25 -0 ,3 25 05 1, 66 48 0, 35 09 1 0, 25 75 4 0, 70 32 8 0, 01 72 3 1, 10 42 -0 ,1 06 09 -0 ,0 29 95 1, 16 58 -1 ,4 55 4 1, 14 11 0, 94 20 4 -1 ,5 19 5 -1 ,1 18 9 0, 34 50 9 0, 71 03 6 -1 ,3 65 1 -0 ,7 18 57 0, 83 44 1 0, 81 09 4 -0 ,0 68 48 -1 ,3 91 -1 ,3 58 5 0, 47 52 3 0, 88 18 9 1, 26 2 0, 78 96 6 1, 23 54 -0 ,8 43 01 1, 39 98 0, 01 84 84 -1 ,4 97 0, 76 88 3 1, 18 25 -0 ,1 11 62 0, 06 78 26 1, 12 83 -1 ,5 05 1 -1 ,0 70 8 -0 ,8 01 91 -1 ,8 19 9 -1 ,5 08 7 0, 77 82 1 0, 30 79 6 -0 ,7 80 59 1, 36 0, 40 71 3 -1 ,0 92 6 -1 ,4 46 3 -0 .2 40 13 -0 ,2 53 96 -1 ,2 87 4 -0 ,2 49 82 -2 ,7 75 -0 ,7 93 59 -0 ,0 37 67 0, 85 06 7 -0 ,7 55 99 1, 77 67 0, 45 02 4 1, 98 21 1, 41 87 -0 .2 01 1 0, 06 12 64 -0 ,5 54 8 0, 12 69 -3 ,3 20 2 Lớ p đầ u ra Tr ọn g số N gư ỡn g 1 2 3 4 5 6 7 8 9 10 0, 50 36 3 0, 63 16 8 -0 ,1 35 13 -0 ,5 11 43 0, 49 31 6 0, 52 49 2 0, 19 88 5 -0 ,5 36 23 0, 15 88 3 -0 ,7 56 47 -1 ,1 62 9 Bả ng 5. Tr ọn g s ố v à n gư ỡn g c ủa lớ p ẩ n t hứ ha i Bả ng 6. Tr ọn g s ố v à n gư ỡn g c ủa lớ p đ ầu ra 39DẦU KHÍ - SỐ 3/2019 PETROVIETNAM 4. Kết luận Nhóm tác giả đã thực hiện dự báo áp suất nứt vỉa cho một giếng khoan thuộc bể Nam Côn Sơn, với số điểm dữ liệu là 368. Từ kết quả nghiên cứu có thể thấy phương pháp sử dụng ANN có ưu điểm sau: - Sử dụng nhiều điểm dữ liệu khác nhau, phù hợp với vùng nghiên cứu rộng, dữ liệu đa dạng; - Thông số đầu vào cho mô hình dễ dàng có được; - Đơn giản và dễ sử dụng trong quá trình trước khi khoan; - Độ chính xác cao hơn so với các phương pháp dự báo truyền thống. Kết quả dự báo áp suất nứt vỉa cho giếng khoan ở bể Nam Côn Sơn đủ độ tin cậy để sử dụng cho quá trình Hình 6. Áp suất nứt vỉa theo các phương pháp dự báo, xác định khác nhau Hình 5. Đồ thị hồi quy của ANN 2400 2500 2600 2700 2800 2900 3000 12 13 14 15 16 17 18 19 20 21 Đ ộ sâ u (m ) Áp suất (ppg) Hubbert and Willis Eaton Bellotti and Giacca LOT ANN Huấn luyện: R = 0,99998 Mục tiêu Đ ầu ra Data Fit Y = T 18 16 14 12 10 8 8 10 12 14 16 18 Kiểm tra: R = 0,99997 Mục tiêu Đ ầu ra Data Fit Y = T 18 16 14 12 10 8 8 10 12 14 16 18 Tổng: R = 0,99998 Mục tiêu Đ ầu ra Data Fit Y = T 18 16 14 12 10 8 8 10 12 14 16 18 Phê chuẩn: R = 0,99998 Mục tiêu Đ ầu ra Data Fit Y = T 18 16 14 12 10 8 8 10 12 14 16 18 40 DẦU KHÍ - SỐ 3/2019 THĂM DÒ - KHAI THÁC DẦU KHÍ thiết kế giếng ở khu vực lân cận và cần kiểm nghiệm thêm trước khi nhân rộng tính ứng dụng của phương pháp này. Tài liệu tham khảo 1. M.King Hubbert, David G.Willis. Mechanics of hydraulic fracturing. Society of Petroleum Engineers. 1957; 210: p. 153 - 163. 2. E.S.Pennebaker. An engineering interpretation of seismic data. Fall Meeting of the Society of Petroleum Engineers of AIME, Houston, Texas. 29 September - 2 October. 3. Ben A.Eaton. Fracture gradient prediction and its application in oilfield operations, Journal of Petroleum Technology. 1969; 21(10): p. 1353 - 1360. 4. W.R.Matthews, John Kelly. How to predict formation pressure and fracture gradient from electric and sonic logs. Oil and Gas Journal. 1967: p. 39 - 43. 5. L.A.MacPherson, L.N.Berry. Prediction of fracture gradients from log derived moduli. The Log Analyst. 1972. 6. Stan A.Christman. Offshore fracture gradients. Journal of Petroleum Technology. 1973; p. 910 - 914. 7. R.A.Anderson, D.S.Ingram, A.M.Zanier. Determining fracture pressure gradients from well logs. Journal of Petroleum Technology. 1973. 8. P.Bellotti, D.Giacca. Seismic data can detect overpressures in deep drilling. Oil and Gas Journal. 1978. 9. E.M.Shokir. Neuron network determines shaly-sand hydrocarbon saturation. Oil & Gas Journal. 2001. 10. Henrique V.da Silva, Celso K.Morooka, Ivan R.Guilherme, Tiago C.da Fonseca, José R.P.Mendes. Leak detection in petroleum pipelines using a fuzzy system. Journal of Petroleum Science and Engineering. 2005; 49(3 - 4): p. 223 - 238. 11. S.J.Cuddy, P.W.J.Glover. The application of fuzzy logic and genetic algorithms to reservoir characterization and modeling. Soft Computing for Reservoir Characterization and Modeling. 2002. 12. Alpana Bhatt, Hans B.Helle. Committee neuron networks for porosity and permeability prediction from well logs. Geophysical Prospecting. 2002: p.645 - 660. 13. Fatai Adesina Anifowose, Abdulazeez Abdulraheem. Prediction of porosity and permeability of oil and gas reservoirs using hybrid computational intelligence models. North Africa Technical Conference and Exhibition, Cairo, Egypt. 14 - 17 February, 2010. 14. S.R.Shadizadeh, F.Karimi, M.Zoveidavianpoor. Drilling stuck pipe prediction in Iranian oil fields: An artificial neuron network approach. Iranian Journal of Chemical Engineering. 2010; 7(4): p. 29 - 41. 15. Fatai Adesina Anifowose, AbdlAzeem Oyafemi Ewenla, Safiriyu Ijiyemi Eludiora. Prediction of oil and gas reservoir properties using support vector machines. International Petroleum Technology Conference, Bangkok, Thailand. 15 - 17 November, 2011. 16. R.Gholami, A.R.Shahraki, M.Jamali Paghaleh. Prediction of hydrocarbon reservoirs permeability using support vector machine. Mathematical Problems in Engineering. 2012. 17. HZ Raja, F Sormo, ML Vinther. Case-based reasoning: predicting real-time drilling problems and improving drilling performance. SPE Middle East Oil and Gas Show and Conference, Manama, Bahrain. 25 - 28 September, 2011. 18. Md. Alhaz Uddin, Mohammed Jammeel, Hashim Abdul Razak. Application of artificial neuron network in fixed offshore structures. Indian Journal of Geo-Marine Sciences. 2012. 19. R.Keshavarzi, R.Jahanbakhshi, M.Rashidi. Predicting formation fracture gradient. In oil and gas wells: A neuron network approach. 45th U.S. Rock Mechanics/ Geomechanics Symposium, San Francisco, California. 26 - 29 June, 2011. 20. M.Heidarian, H.Jalalifar, A.Rafati. Prediction of rock strength parameters for an Iranian oil field using neurofuzzy method. Journal of AI and Data Mining. 2016; 4(2): p. 229 - 234. 21. T.O.Odedele, H.D.Ibrahim. Predicting oil well gas lift performance and production optimization using hybrid particle swarm optimization and fuzzy support vector machines. World Congress on Engineering. 2016. 22. Schlumberger Oilfield Glossary. Oilfield glossary. 23. Adam Bourgoyne Jr, Keith Miliheim, Martin Chenevert, KS Young Jr. Applied drilling engineering. Society of Petroleum Engineers. 1986. 24. Jincai Zhang, Shang-Xian Yin. Fracture gradient prediction: an overview and an improved method. Petroleum Science. 2017; 14(4): p. 720 - 730. 41DẦU KHÍ - SỐ 3/2019 PETROVIETNAM 25. Opeyemi Bello, Javier Holzmann, Tanveer Yaqoob, Catalin Teodoriu. Application of artificial intelligence methods in drilling system design and operations: a review of the state of the art. Society of Petroleum Engineers. 2015; 5(2): p. 121 - 139. 26. Agnar Aamodt, Enric Plaza. Case-Based reasoning: Foundational issues, methodological variations, and system approaches. Artificial Intelligence Communications. 1994; 7(1): p. 39 - 52. 27. Warren S. McCulloch, Walter Pitts. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 1943; 5(4): p.115 - 133. 28. Adel Malalah, Ibrahim Sami N a s h a w i . Estimating the fracture gradient coefficient using neuron networks for a field in the Middle East. Journal of Petroleum Science and Engineering. 2005; 49(3 - 4): p. 193 - 211. 29. M.H.Beale, M.T.Hagan, H.B.Demuth. Neuron network toolbox user's guide. The MathWorks. 2015. Summary Prediction of formation fracture pressure is an essential task in designing safer drilling operations and economical well planning, allowing effective control, operation and stimulation. Errors in fracture pressure prediction can lead to several serious problems such as lost circulation and kick, and even blowout. This paper presents an overview on application of artificial intelligent in the petroleum industry. Then an artificial neural network model will be used with depth, overburden stress, Poisson’s ration, and pore pressure as the input data and fracture pressure as the output data of one well in Nam Con Son basin for predicting formation fracture pressure. The results obtained from the model are compared with those obtained from conventional method. The comparison shows that the ANN method is promising and under some circumstances it is superior to the available techniques. Key words: Formation fracture pressure, artificial neural network, Nam Con Son basin. APPLICATION OF ARTIFICIAL NEURAL NETWORK IN FRACTURE PRESSURE PREDICTION Nguyen Van Hung, Dang Huu Minh Petrovietnam University Email: hungnv@pvu.edu.vn
File đính kèm:
- ung_dung_ann_trong_du_bao_ap_suat_nut_via.pdf