Методы нечёткой логики в задачах нефтегазовой отрасли

Бизнес по разведке и добыче нефти процветает благодаря глубоким знаниям и пониманию недр. Технический прогресс помог обеспечить промышленность большим количеством информации о нефтяном пласте, однако из-за природы недр все еще существует много неопределенностей.
Промышленность стремилась решить эту проблему различными способами. К сожалению, классические методы, на которые опирались, не смогли обеспечить надлежащего руководства для принятия управленческих решений при эксплуатации этих резервуаров.
В последнее время методы искусственного интеллекта, в частности нечеткая логика (FL, от англ. Fuzzy Logic), были определены как потенциальный инструмент для решения проблем неопределенности, возникающих в большинстве операций по разведке и добыче (E&P, от англ. exploration and production).
Данное исследование представляет собой обзор приложений FL в операциях E&P при недетерминированных входных параметрах, возможных проблемах и процедурах решения с использованием анализа чувствительности FL и просмотра правил.
Основное внимание уделяется характеристике пласта для оценки пласта, бурению/завершению работ и стимулирующей обработке.
В исследовании также рассматривается степень применения FL для извлечения полезной информации из большого объема исторических данных о нефти и газе, уже имеющихся на шельфе, и будущих пробелов, которые необходимо заполнить. Был представлен кейс-стади, в котором рассматривалась оптимизация затрат при распределении сжиженного нефтяного газа (СУГ) с использованием нечеткой логики.
Понятие FL было введено для моделирования неопределенностей. Большинство неопределенностей, связанных со сложными системами, такими как нефтяные системы, являются результатом неточности, неспособности провести необходимые измерения, недостаточной осведомленности или нечеткости.
Человеческий способ рассуждения не является четким. Люди видят множество возможностей за пределами черного или белого, истинного или ложного, единиц или нулей компьютерного способа мышления. Следовательно, отсутствует точная корреляция между нечетким процессом / расплывчатостью такого человеческого рассуждения и характерным научным методом присвоения значения нулей и единиц компьютерным подходом.
Нечеткая логика очень отличается в том смысле, что проблемы, возникающие из ценностей, идей, убеждений, суждений, нерешительности, сомнений, неопределенности и вероятностей, могут быть эффективно решены с помощью системы нечеткого вывода, в отличие от любой другой модели.
Некоторые авторы придерживаются мнения, что вероятность является неотъемлемой частью нечеткой логики и может служить заменой нечеткой логики. Существует четкое различие между задачами нечеткой логики и вероятностными задачами. Математика нечеткости не может быть описана в терминах вероятностных распределения. Исследования показали, что классическая теория вероятностей, основанная в основном на понятии случайности, отличается от нечеткой концепции неопределенности. Моделирование с применением нечеткой логики намного лучше и превосходит вероятностное моделирование, поскольку вероятностное моделирование применимо к задачам, связанным со стохастикой.
Методика нечеткой теории является идеальным средством устранения неопределенности, связанной с дефицитом информации, сложностью, неточностью наборов данных большинства проблем, возникающих в отраслях промышленности. Правильная формулировка правил нечеткой логики с правильными входными переменными и средством просмотра правил устранила строгость и хлопоты разработки математических моделей для решения задач. Традиционные системы, основанные на правилах, не смогли интегрировать человеческое мышление и компьютерное мышление таким образом, чтобы компьютеры могли помочь людям в принятии решений, когда они сталкиваются с бесконечным числом возможностей. Нечеткая логика успешно заполнила этот пробел.
Для моделирования неопределенности нечеткая логика использует нечеткие множества. Элементы множеств со степенями функций принадлежности обычно называются нечеткими множествами. Функция членства позволяет размывать как входные, так и выходные переменные. С помощью нечетких правил, генерируемых и Альфа-сокращений, взятых из функции принадлежности, анализ чувствительности входных значений выполняется для получения надежного выходного отклика.
Достоинства и недостатки нечеткой логики
Нечеткая логика больше похожа на повседневный опыт, связанный с принятием решений человеком. Логика системы нечеткого вывода (FIS, от англ. fuzzy inference system logic) очень полезна для регулирования и управления неполной информацией.
Можно перечислить достоинства и недостатки нечеткой логики, чтобы включить следующее.
Достоинства:
математические модели FL являются истинными средствами для преобразования человеческого мышления в полезный набор правил, которые могут быть легко реализованы с помощью компьютера;
модели нечеткой логики способны обрабатывать любые нелинейные задачи;
модели FL являются жизненно важными методами решения сложных стохастических задач, которые не могут быть решены обычными математическими моделями;
модели нечеткой логики надежны и находят применение в условиях дефицита информации;
нечеткие модели рассматриваются как соответствующие инструменты в общем процессе принятия решений.
Недостатки:
некоторые из недостатков включают тот факт, что эксперты, участвующие в решении проблем, обычно испытывают трудности в организации своих мыслей;
могут быть предвзятости и несоответствия;
другая проблема с нечеткой логикой заключается в том, что увеличение числа нечетких подмножеств на входную переменную приводит к исключительно высокому увеличению числа правил. Это может привести к накоплению ограничений.
Несмотря на эти недостатки, системы нечеткой логики успешно применяются в различных областях исследований, таких как производственные компании, нефтеразведка и добыча нефти, транспортные проблемы, химическая промышленность и многие другие области человеческой деятельности.
Общие приложения нечетких логических моделей
Ограничения нечеткой логики и других методов искусственного интеллекта привели к дальнейшим исследованиям того, как уменьшить влияние этих ограничений.
Одним из главных прорывов стало внедрение гибридизации. Гибридизация - это концепция объединения двух или более методов искусственного интеллекта. Смысл гибридизации заключается в том, чтобы дополнить слабость одной техники силой другой.
В последнее время популярность гибридов возросла и была связана с большим успехом во многих реальных сложных задачах. Нечеткая логика широко применяется в гибридных системах. Гибридные системы, сочетающие нечеткую логику с другими методами искусственного интеллекта, такими как нейронные сети, генетические алгоритмы и машины опорных векторов, были применены в операциях E&P. Общие примеры включают нейро-нечеткие системы, машину опорного вектора - нечеткую систему и гибрид генетического алгоритма – нечеткой логики.
Сочетание нечеткой логики и нейронных сетей называется нейро-нечетким и сочетает в себе преимущества обоих. Нейро-нечеткая система-это гибридная система, которая сочетает в себе способности к самообучению ANN и уникальные возможности представления знаний и вывода нечеткой логики.
Использование нейро-нечеткой гибридной системы обеспечивает альтернативу для распознавания образов, кластеризации, статистического и математического моделирования и, что не мало важно, она применима в различных нефтегазовых операциях.
Например, Alimonti и Falcone применили искусственные нейронные сети и нечеткую логику для многофазного измерения расхода, чтобы обеспечить мониторинг в реальном времени производимых расходов и состава потока.
Okwu и Olufemi провели исследование по оптимизации затрат на дистрибуцию нескольких продуктов по нескольким направлениям с использованием адаптивной нейро-нечеткой системы вывода (ANFIS). Они дают команды, Зарей и соавторы применили нейро-нечеткий подход к оптимизации размещения скважин. Данное исследование показало, что применение нейро-нечеткой методики привело к экономии времени при анализе, что было необходимо для успеха алгоритма оптимизации.
Никравеш и Аминзаде использовали нейро-нечеткий метод для разработки оптимального набора правил нелинейного отображения между пористостью, размером зерен, содержанием глины, скоростью Р-волны, затуханием Р-волны и проницаемостью

. Правила, разработанные на основе обучающего набора, использовались для прогнозирования проницаемости в другом наборе данных. Предсказание было очень хорошим. Исследование также показало, что интегрированная методика обнаружила четкие зависимости между скоростью Р-волны и пористостью, а также затуханием Р-волны и содержанием глины, которые были полезны для геофизиков.
Стремление к более высокой точности прогнозирования целевых свойств является основным драйвером для гибридных систем. Однако важно обеспечить, чтобы сочетание было не только ради самого себя, но и для того, чтобы извлечь выгоду из силы, предлагаемой комбинированными технологиями, и чтобы каждый гибридный компонент внес свой вклад в решение целевой проблемы.
FCM, от англ.  Fuzzy Classifier Means - метод кластеризации набора объектов на 2 или более кластеров, разработанный J.C. Dunn в 1973 г. - это метод кластеризации данных, при котором каждая точка данных принадлежит кластеру в некоторой степени, которая определяется классом принадлежности.
Бездек первоначально представил этот метод как усовершенствование более ранних методов кластеризации.
Метод показывает, как группировать точки данных, заполняющие некоторое многомерное пространство, в определенное число различных кластеров.
Fuzzy c-means - это хорошо известный метод нечеткой кластеризации, который обобщает классический алгоритм c-means и может быть использован там, где неясно, сколько кластеров должно быть для данного набора данных.
Фан и Чэнь применили нечеткие правила для прогнозирования пористости и проницаемости по пяти композиционным и текстурным характеристикам песчаника на месторождении Ячэн (Южно-Китайское море). Пятью входными атрибутами были относительные количества твердых зерен, пластичных зерен и детритной матрицы, размер зерен и коэффициент сортировки Траска.
Все данные о пористости и проницаемости сначала были разделены на определенное количество кластеров с помощью нечетких c-средних. Соответствующие характеристики песчаника для каждого кластера использовались для обобщения нечетких лингвистических правил. Каждого нечеткого кластера производится одной нечетких если–то правил с пяти входных высказываний.
Сформулированные правила затем использовались для лингвистического предсказания путем объединения индивидуальных выводов из каждого правила.
Никравеш и др. применили методы k-кластеризации, нейронных сетей и нечетких c-средних для характеристики поля, которое добывается из доломита Элленбургера. Они использовали методы для выполнения кластеризации 3D сейсмических атрибутов и установления связей между кластерами и производственным журналом. Производственный журнал был установлен вдали от ствола скважины. Они смогли определить оптимальные места для новых скважин, основываясь на связности, размере и форме кластеров, связанных с зоной окупаемости.
Иикачи и др. использовали данные из трех скважин морского газового месторождения в Иране для построения нечетких логических моделей пласта. Они применили метод нечеткой кластеризации с-средних для классификации типов горных пород с использованием данных о пористости и проницаемости. Проницаемость моделировалась и предсказывалась с помощью системы нечеткого вывода Такаги–Сугено. Их результаты показали, что подход нечеткой логики оказался успешным при прогнозировании проницаемости горных пород в газовом пласте.
Таким образом, нечеткие c-средние являются жизненно важным методом, позволяющим идентифицировать структуры в данных из большого объема исторических нефтегазовых данных, находящихся в настоящее время в базах данных компаний E&P.
Распознавание и классификация паттернов помогут получить краткое представление о поведении нефтяного пласта, что приведет к эффективному и экономичному извлечению углеводородов.
Применение нечеткой логики
Характеристика коллектора - это процесс количественного определения свойств нефтяного пласта, таких как пористость, проницаемость, флюидные контакты и многие другие свойства, необходимые для понимания углеводородных коллекторов. Она также включает в себя признание неопределенности геологической информации и пространственной изменчивости.
Хорошая характеристика коллектора имеет жизненно важное значение для оптимизации добычи углеводородов. Промышленность располагает различными способами оценки данного пласта, но отбор керна из пласта является одним из лучших вариантов и всегда рекомендуется.
Информация, полученная в результате анализа керна, включает в себя пористость, содержание флюидов и насыщенность, проницаемость, относительную проницаемость, минеральный состав, распределение частиц по размерам и прочность горных пород. В то время как многие из этих свойств помогают оценить способность пласта хранить и добывать углеводороды, другие, такие как минеральный состав и прочность горных пород, помогают достичь успешных операций бурения и добычи.
Ху и др. классифицировали минералы в нефтяных резервуарах как чувствительные к воде минералы, чувствительные к солености минералы, чувствительные к кислотам минералы, чувствительные к щелочам минералы и минералы, чувствительные к скорости потока.
Например, знание минерального состава, в частности типа глины и распределения интересующего пласта, поможет в разработке безвредных буровых растворов, а также поможет спланировать успешную обработку как для подкисления, так и для гидроразрыва пласта. Кроме того, информация о прочности горных пород поможет в планировании правильной плотности бурового раствора, вопросов устойчивости ствола скважины и методов контроля песка. Таким образом, информация из анализа керна позволит не только оценить данный пласт, но и поможет оптимизировать работу скважины.
До настоящего времени невозможно кернить каждую скважину, потому что извлечение керна занимает много времени и стоит дорого. Это представляет проблему, когда требуется точная 3D статическая модель месторождения, поскольку доступность кернов ограничена по сравнению с количеством скважин на месторождении. Характеристика коллектора часто является сложной и сложной задачей из-за нелинейных и гетерогенных физических свойств породы нефтяного пласта. Эти проблемы могут быть легко решены точно и эффективно с помощью компьютерных методов искусственного интеллекта, таких как нейронные сети, нечеткая логика и генетический алгоритм.
Искусственная нейронная сеть или генетический алгоритм, однако, не могут эффективно справляться с неопределенностями, которые существуют всякий раз, когда имеется недостаточная информация, неспособность выполнить адекватные измерения или неточность.
Однако в последнее время нечеткая логика представила отрасли новый метод интерпретации, который полностью учитывает неопределенность при прогнозировании параметров коллектора, таких как проницаемость и литофации в неокоренных, но зарегистрированных скважинах, перечисленные преимущества применения нечеткой логики для классификации типов пород из каротажных диаграмм. Их исследование показало, что нечеткая логика позволяет прогнозировать типы горных пород из скважин, не имеющих образцов керна, с приемлемой точностью по сравнению с традиционными статистическими методами. Это экономичный метод для отрасли и должен послужить катализатором для будущих исследований в области применения FL в компаниях E&P.
Кадди сообщил об исследовании, в котором метод нечеткой логики был успешно использован для получения информации о литофациях и проницаемости в 30 некорневых скважинах, применяя знания, полученные только из 10 керновых скважин. По сравнению с нейросетевыми моделями нечеткая логика давала гораздо лучшие предсказания. Предсказанная FL модель дала надежные результаты. Применение нечеткой логики может быть расширено до основных интерпретаций уточнения, где субъективная природа измерения дает простор для ошибок.
Метод нечеткой логики также был полезен при описании различных типов горных пород. Существующие методы классификации горных пород основаны на резких переходах, которые могут существовать не во всех случаях. В отличие от этого, нечеткая логика не требует каких-либо таких упрощающих условий и оказалась лучшим вариантом для дифференциации типов горных пород.
Было обнаружено, что регрессионный подход с нечеткой логикой превосходит традиционный регрессионный анализ, особенно в тех случаях, когда имеется неопределенность в имеющихся данных