Nghiên cứu ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng nứt nẻ, mỏ Bạch Hổ
PETROVIETNAM
TẠP CHÍ DẦU KHÍ
Số 12 - 2020, trang 37 - 46
ISSN 2615-9902
NGHIÊN CỨU ỨNG DỤNG THUẬT TOÁN HỌC MÁY ĐỂ DỰ BÁO KHAI THÁC
CHO ĐỐI TƯỢNG MÓNG NỨT Nꢀ, MỎ BẠCH HỔ
Trần Đăng Tú1, Đinh Đứ HHu1, Phạm Trường Giang1, Lê QHang DHuến2, Trần XHân QHý1, Lê Thế Hung1, LưH Đinh Tung1
1Viện Dầu khí Việt Nam
2Đại học Mỏ Địa chất
Email: tutd@vpi.pvn.vn
Tóm tắt
Các công cụ đang được sử dụng để dự báo sản lượng khai thác truyền thống cho đối tượng móng nứt nẻ (như mô hình mô phỏng thủy
động lực và phương pháp hệ đường cong suy giảm...) có độ tin cậy và hiệu quả dự báo chưa cao, mang tính ngắn hạn, ảnh hưởng đến kế
hoạch phát triển, điều hành mỏ cũng như tối ưu hiệu quả thu hồi dầu.
Bài báo giới thiệu khả năng ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng mỏ Bạch Hô. Kết quả nghiên cứu
cho thấy mô hình mạng neural nhân tạo (artificial neural network - ANN) sử dụng thuật toán lan truyền ngược và mô hình tăng trưởng
logistic (logistics growth model - LGM) sử dụng thuật toán tối ưu đã nâng cao khả năng dự báo khai thác với mức độ chính xác cao.
Từ khóa: Trí tuệ nhân tạo, học máy, dự báo khai thác, mỏ Bạch Hô, mô hình tăng trưởng.
1. Đặt vấn đề
Dự bá sả llưản đđặ bhiệ ặcả ệthếệ ặt́ ặôản ệaặ qusả
ảày là ư ddản ặaặ ệtuậệ ệ́aả tọặ may ảtằm xaặ lập ặaặ
mốh quaả ti pth ệuyếả ptứặ ệạp nhữa ặaặ ệtôản ố vậả
tàảt mỏ và au đó ệtựặ thiả dự bá. Tuy ảthêả, nhsh ptap
ảày vẫả ặoả ặó ảtlưặ đhểm ảtl: ktôản ệtể ap ddản ặt́
ặaặ đốh ệlưản mỏ ặtla t́đặ mớh ktah ệtaặ, đlưặ ktuyếả
ảntị ap ddản vớh ặaặ mỏ dcu ktt ệrlởản ệtàảt, ặó dữ lhiu
ệhả ặậy.
lý - đhều tàảt ktah ệtaặ mỏ. Caặ ptlơản ptap ệruyềả
ệtốản ư ddản ệŕản dự bá ktah ệtaặ ảtl ptâả ệtặt
đlơản ặ́ản uy nhsm (DCA) và mô tìảt mô ptỏản ệtủy
độản lựặ ặt́ ệtấy thiu qus rõ riệ đốh vớh ặaặ đốh ệlưản
ệrcm ệtặt tạệ vdả ảtl ặaệ kếệ. Tuy ảthêả, dự bá ktah ệtaặ
ư ddản ặaặ ptlơản ptap ệrêả ặt́ ệtấy mộệ ố ảtlưặ
đhểm đốh vớh đốh ệlưản móản ảứệ ảẻ d́ đoh tỏh ảthều ệtơh
nhaả ặt́ vhiặ xây dựản, thiu ặtỉảt ệừ mô tìảt địa ặtấệ ệớh
ệtủy độản lựặ tọặ, xây dựản ặaặ kịặt bsả ptaệ ệrhểả ktaặ
ảtau. Hơả ảữa, móản ảứệ ảẻ là đốh ệlưản địa ặtấệ ptứặ
ệạp, któ dự bá ặaặ đđặ đhểm địa ặtấệ, d́ vậy kếệ qus dự
bá ặó ệtể ktôản ệhả ặậy d́ ptd ệtuộặ ảthều ệtôản ố
ktôản ặtăặ ặtăả.
Mộệ ố ặaặ ệtuậệ ệ́aả thiả đạh đlưặ ảtóm ệaặ nhs ư
ddản ệŕản ặaặ mô tìảt mạản ệrt ệui ảtâả ệạ́ và mô tìảt
ệăản ệrlởản ảtl: ệtuậệ ệ́aả laả ệruyềả ảnlưặ và ệtuậệ
ệ́aả ệốh lu ảtằm ệăản ảăản lựặ ặt́ dự bá ktah ệtaặ
ảnăả tạả và dự bá ktah ệtaặ dàh tạả:
- Dự bá ktah ệtaặ ảnăả tạả:
+ Ptdặ vd ặaặ ặôản ệaặ sả xuấệ, xây dựản kế t́ạặt
ktah ệtaặ địảt ky tàản ảăm ặủa ảtà đhều tàảt;
Vớh ḿản muốả ệhếp ặậả ệté tlớản đh mớh và tạả
ặtế ặaặ ảtlưặ đhểm ặủa ptlơản ptap ệruyềả ệtốản và
ứản ddản ự ptaệ ệrhểả mạảt mẽ ặủa ặaặ ệtuậệ ệ́aả thiả
đạh, ảtóm ệaặ nhs ệtựặ thiả xây dựản ặôản ặd dự bá ư
ddản ặaặ ệtuậệ ệ́aả tọặ may. Bsả ặtấệ ặủa ptlơản ptap
+ Đề xuấệ ệtựặ thiả ặaặ nhsh ptap ặaả ệthip nhếản (xư
lý vuản ặậả đay nhếản, ảứệ vỉa ệtủy lựặ,…) ảtằm duy ệrì
nha ệăản sả llưản ktah ệtaặ.
- Dự bá ktah ệtaặ dàh dạả:
+ Xây dựản ptlơản aả sả llưản, địảt tlớản và ệốh
lu vậả tàảt ktah ệtaặ;
Ngày nhận bài: 1/12/2020. Ngày phản biện đánh giá và sửa chữa: 1 - 22/12/2020.
Ngày bài báo được duyệt đăng: 22/12/2020.
+ Xây dựản kế t́ạặt ptaệ ệrhểả mỏ (ptlơản aả ặaả
DẦU KHÍ - SỐ 12/2020
37
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
ệthip vỉa: bơm ep ảlớặ, bơm ep tóa ptâm,…), ệốh lu ktah
ệtaặ, ti ố ệtu tồh và nha ệăản thiu qus khảt ệế.
ệruyềả ảnlưặ. Cấu ệrúặ MLP bá nồm tệ ảtấệ 3 lớp ệŕản
bộ xư lý đlưặ lhêả kếệ ệtôản qua ặaặ kếệ ảốh ặó ệrọản ố.
Lớp đcu ệhêả bá nồm ặaặ veặệ́r đcu và́ và lớp ặuốh ặtứa
veặệ́r đcu ra. Caặ lớp âả mô ệs ặaặ ặtuỗh ảeural và thiu
ặtỉảt dữ lhiu đcu và́ ệtôản qua vhiặ naả ệrọản ố.
2. Mô hình mạng trí tuệ nhân tạo và mô hình tăng
trưởng logistic (LGM)
2.1. Mô hình mạng trí tuệ nhân tạo
Có 3 nhah đ́ạả ặttảt để tuấả luyiả mạản vớh ệtuậệ
ệ́aả laả ệruyềả ảnlưặ. Tŕản nhah đ́ạả 1, veặệ́r đcu và́
thểả ệtị mộệ mạản, đlưặ ktặt t́ạệ ệtôản qua qua ệrìảt
ệtảt ệ́aả ệrựặ ệhếp. Qua ệrìảt ệạ́ ra ah ố nhữa dữ lhiu đcu
và́ và dữ lhiu đcu ra ḿản muốả ặủa mạản. Tŕản nhah
đ́ạả 2, ặaặ ah ố đcu ra đlưặ ệtảt ệ́aả ệrở lạh ệtôản qua
ệtuậệ ệ́aả laả ệruyềả ảnlưặ. Đếả nhah đ́ạả 3, ặaặ ệrọản
ố kếệ ảốh đlưặ đhều ặtỉảt bằản ptlơản ptap ệổản ah
ố bìảt ptlơản băệ đcu ệừ lớp đcu ra, ệtôản qua ặaặ lớp
âả ệớh lớp đcu và́. Qua ệrìảt đlưặ lđp lạh ặt́ đếả kth đạệ
đlưặ kếệ qus đcu ra ḿản muốả.
Tŕản kt́a tọặ may ệtảt, mô tìảt mạản ệrt ệui ảtâả
ệạ́ là mô tìảt ệtảt ệ́aả đlưặ xây dựản dựa ệrêả ặaặ
mạản ảeural hảt tọặ nồm ặó mộệ ảtóm ặaặ ảeural ảtâả
ệạ́ (ảúệ) ảốh vớh ảtau và xư lý ệtôản ệhả bằản ặaặt ệruyềả
ệté ặaặ kếệ ảốh và ệtảt nha ệrị mớh ệạh ặaặ ảúệ. Tŕản ảthều
ệrlơản tưp, ANN là ti ệtốản ệttặt ứản ệự ệtay đổh ặấu
ệrúặ ặủa mạản dựa ệrêả ặaặ ệtôản ệhả về dữ lhiu lịặt ư
t́đặ ặaặ kế t́ạặt ệlơản lah ệŕản qua ệrìảt tọặ.
Tŕản ệtựặ ệế ư ddản, ảthều mạản ảeural là ặaặ ặôản
ặd mô tìảt tóa dữ lhiu ệtốản kê pth ệuyếả, bsả ặtấệ ặủa
tcu tếệ ặaặ bàh ệ́aả ệŕản ệtựặ ệế. Ttôản ệtlơản, ặaặ ảtà
ệ́aả tọặ ẽ ệuyếả ệtảt tóa ặaặ bàh ệ́aả pth ệuyếả để ệtu
đlưặ kếệ qus ncả đúản. Ntơ ảăản lựặ ặủa may ệtảt, ANN
ặó ệtể mô tìảt tóa ặaặ mốh quaả ti dữ lhiu pth ệuyếả
ptứặ ệạp và ệìm ra kếệ qus ặó độ ặttảt xaặ ặá ặũản ảtl
ệìm khếm ặaặ dạản/mẫu ặủa mỗh quaả ti ệŕản dữ lhiu.
Hìảt 1 và 2 lcả llưệ bhểu dhễả ặấu ệrúặ mạản ảeural hảt
tọặ ặơ bsả và ặấu ệrúặ ảeural ảtâả ệạ́.
Lựa ặtọả mộệ mô tìảt ặấu ệrúặ ệốh lu là ảthim vd
któ ktăả yêu ặcu mộệ qua ệrìảt ệtư và ệìm lỗh lhêả ệdặ. D́
đó, ặaặ mạản vớh ảthều lớp âả, ệtuậệ ệ́aả tuấả luyiả, ặaặ
tàm ktặt t́ạệ ẽ đlưặ ệtư để dự bá ặaặ ah ố ệổản quaệ
ặt́ mỗh mạản. Mạản ặó ah ố ệổản quaệ dự bá ảtỏ ảtấệ
ẽ đlưặ ặtọả.
2.2. Mô hình tăng trưởng logistic
Mô tìảt ệăản ệrlởản ĺnh ệhặ (LGM) đlưặ ptaệ ệrhểả
bởh ảtà ệ́aả tọặ ảnlơh Bỉ Pherre Vertul ệ và́ ảăm 1830
[7]. Đlơản ặ́ản ệăản ệrlởản ĺnh ệhặ là mộệ ệập tưp ặaặ
mô tìảt ệ́aả tọặ đlưặ ư ddản để dự bá dâả ố. Ver-
tul ệ ặăả ặứ và́ ý ệlởản ặủa Malệtu [8] - ảnlơh ệhả rằản
dâả ố ặủa mộệ quốặ nha t́đặ mộệ ktu vựặ ặd ệtể ặtỉ ặó
ệtể ệăản lêả mộệ mốặ ảtấệ địảt. Vertul ệ đã lấy ý ệlởản
ảày bằản ặaặt ệtêm mộệ ti ố ảtâả và́ ptlơản ệrìảt
ệăản ệrlởản lũy ệhếả ệạ́ ra mô tìảt ệăản ệrlởản ĺnh ệhặ.
Mô tìảt ANN ptổ bhếả ảtấệ là ặấu ệrúặ mạản đa lớp
(mulệh-layer perặepệŕả, MLP) ư ddản ệtuậệ ệ́aả laả
Khớp neural
Nhân
Sợi trục ra
Thân tế bào
Các nhánh vào hình cây
Hình 1. Cấu trúc của một neural sinh học
Caặ LGM au đó đlưặ ứản ddản ệrêả ảthều lĩảt vựặ
ktaặ ảtau ảtl: vậệ lý, địa lý, tóa tọặ... Bêả ặạảt mô tìảt
ệăản ệrlởản dâả ố, mô tìảt ảày ặoả đlưặ mô tìảt tóa ự
ệăản ệrlởản ặủa ảấm meả, ệah ệạ́ ặaặ ặơ quaả và ự ệtâm
ảtập ặủa ặaặ sả ptâm mớh và́ ệtị ệrlơản (T ́ularh và
Wallaặe) [9]. Mô tìảt ảày ặoả đlưặ ư ddản ệrlớặ đó ệŕản
ảnàảt dcu ktt dlớh dạản mô tìảt Hubberệ [10] để dự bá
ktah ệtaặ ặt́ ệ́àả mỏ t́đặ vuản ktah ệtaặ rhêản bhiệ.
Các nhánh vào hình cây
Thân tế bào
Sợi trục ra
Đầu ra Y
Xi
Xj
Wi
n
Wj
U
Xn + Wn
Mô tìảt đlưặ đề xuấệ au đây là ệrlơản tưp đđặ bhiệ
ặủa mô tìảt ệăản ệrlởản ĺnh ệhặ ệổản quaệ. Mô tìảt ảày
rấệ lhảt t́ạệ và ặó ệtể ệttặt ứản vớh ảthều dạản đlơản
ặ́ản ktaặ ảtau. Vớh mdặ đtặt để dự bá ktah ệtaặ ặaặ
nhếản dcu và ktt, mô tìảt đlưặ thiu ặtỉảt ặó dạản:
U
x=i
Wn
Xn
Hàm tông
Hàm truyền
Trọng số liên kết
đầu vào
Hình 2. Neural nhân tạo
DẦU KHÍ - SỐ 12/2020
38
PETROVIETNAM
Ktn
4.1. Dự báo khai thác ngắn hạn
(1)
Q(t) =
a + tn
4.1.1. Tiền xử lý dữ liệu
Tŕản đó:
Ttôản ệtlơản, 1 mô tìảt mạản ktôản ệtể ặttảt xaặ ảếu dữ lhiu
đcu và́ ktôản đcy đủ. Vì ệtế, ệrlớặ kth tuấả luyiả mạản, dữ lhiu ktah
ệtaặ ptsh đsm bś độ ệhả ặậy để ệraảt ah ố lớả. Tuy ảthêả, ptd ệtuộặ
và́ ặaặ vấả đề nđp ptsh, mộệ ptcả dữ lhiu đcu và́ ặó ệtể đlưặ ư
ddản để khểm ệra ặtấệ llưản mô tìảt mạản. Mộệ ặaặt để khểm ệra ặtấệ
llưản mô tìảt mạản là quaả aệ bhểu đồ sả llưản đcu và́ để lựa
ặtọả nhah đ́ạả ptu tưp ảtằm ĺạh bỏ ặaặ dữ lhiu ảthễu. Hìảt 3 ệtể
thiả sả llưản ktah ệtaặ dcu ệté ệtơh nhaả và đlưặ ặtha ệtàảt ặaặ nhah
đ́ạả. Tập dữ lhiu I ư ddản 284 ệtaản dữ lhiu (ệừ ệtaản 5/1993 - ệtaản
12/2016) để xây dựản mô tìảt ặấu ệrúặ. Tập dữ lhiu II ư ddản 15 ệtaản
dữ lhiu (ệừ ệtaản 1/2017 - ệtaản 5/2018) để dự bá llu llưản ktah ệtaặ
dcu, dự bá llu llưản ktah ệtaặ ặtấệ llu và dự bá ap uấệ vỉa.
Q: Ssả llưản ktah ệtaặ ặộản dồả;
K: Trữ llưản ệtu tồh ặuốh ặuản (EUR);
a: Hằản ố;
ả: Số mũ typerb́lhặ;
ệ: Ttơh nhaả.
3. Dữ liệu khai thác của đối tượng móng
mỏ Bạch Hổ
Tạh ệtơh đhểm băệ đcu đla và́ ktah ệtaặ
ảăm 1988, ap uấệ vỉa baả đcu ặủa ệcản
móản mỏ Bạặt Hổ ệạh độ âu ệuyiệ đốh 3.650
mSS đạệ 417 aệ, ệté kếệ qus đ́ ktś aệ ap
uấệ (2, 401, 402, 417). Ở nhah đ́ạả đcu ktah
ệtaặ ap uấệ vỉa uy nhsm mạảt, ặơ ặtế uy
nhsm ảăản llưản ệự ảthêả và đàả tồh sảt
tlởản ặttảt đếả ệtâả dcu ktah ệtaặ. D́ vậy,
nhsh ptap bơm ep ảlớặ đlưặ ap ddản kth ap
uấệ vỉa ệruản bìảt đạệ 280 aệ ệạh ptcả đay
ặủa ệtâả dcu ảtằm duy ệrì ảăản llưản và nha
ệăản thiu qus ệtu tồh. Từ ảăm 1995, au 2
ảăm bơm ep, ệốặ độ uy nhsm ap uấệ vỉa dcả
dcả ổả địảt. Ttảt đếả ảnày 31/5/2018, ệổản
llưản dcu ktah ệtaặ ệừ đa móản là 217 ệrhiu
m3 (180 ệrhiu ệấả) ặthếm 86% ệổản sả llưản
dcu đã ktah ệtaặ ặủa Vheệ ́vpeệŕ, llu llưản
ktah ệtaặ ệruản bìảt kt́sản 6.000 ệấả/ảnày,
độ ảnập ảlớặ 60%.
Để ệraảt thiả ệlưản mô tìảt mạản qua ktớp t́đặ ktôản ktớp
lịặt ư vớh ệập tuấả luyiả và ảâản ặá ặtấệ llưản mô tìảt ANN, dữ lhiu
baả đcu đlưặ ptâả ặtha làm 3 nhah đ́ạả: tuấả luyiả, xaặ ệtựặ và khểm
ệra. Ptcả tuấả luyiả ư ddản 190 ệtaản dữ lhiu (67%) để ệtảt ệ́aả độ
dốặ, ặập ảtậệ ệrọản ố và ah ố ặủa mô tìảt mạản. Ptcả xaặ ệtựặ ư
ddản 47 ệtaản dữ lhiu (16,5%) để khểm ệra ặtấệ llưản mạản ệŕản qua
ệrìảt tuấả luyiả. Qua ệrìảt tuấả luyiả ặó ệtể dừản kth kếệ qus mô
tìảt mạản ệŕản qua ệrìảt xaặ ệtựặ ặt́ ah ố ảtỏ ảtấệ. Ptcả khểm ệra
ư ddản 47 ệtaản dữ lhiu (16,5%) để ệhảt ặtỉảt mô tìảt mạản, ktôản
đlưặ ư ddản để tuấả luyiả và xaặ ệtựặ, ặtỉ để xaặ ệtựặ ặấu ệrúặ ệốh
lu, lựa ặtọả mô tìảt mạản ptu tưp và đaảt nha thiu uấệ t́ạệ độản
mô tìảt mạản.
4.1.2. Cấu trúc ANN
Ntóm ệaặ nhs lựa ặtọả kếệ qus ệốệ ảtấệ ệừ mô tìảt ANN bá nồm 2
lớp âả, mỗh lớp âả ặó 50 ảeural. Caặ ảúệ ệŕản lớp âả và lớp đcu ra đlưặ
ktặt t́ạệ ệtôản qua tàm ặtuyểả Shnḿhd và đlưặ tuấả luyiả bằản
ệtuậệ ệ́aả laả ệruyềả ảnlưặ (baặk pŕpanaệh́ả ảeural ảeệẃrk, BPNN).
4. Cấu trúc ANN và dự báo khai thác
Mạản ảeural ặó 5 ệtôản ố đcu và́ và
3 ệtôản ố đcu ra. Caặ ệtôản ố đcu và́ là
llu llưản ktah ệtaặ dcu ệruản bìảt (FOPR)
ệạh ệtơh đhểm ệ, llu llưản ktah ệtaặ ặtấệ llu
ệruản bìảt (FLPR) ệạh ệtơh đhểm ệ, ap uấệ vỉa
ệruản bìảt (FPR) ệạh ệtơh đhểm ệ, llu llưản
bơm ep ảlớặ (FWIT) ệạh ệtơh đhểm ệ+1 và ố
llưản nhếản ktah ệtaặ (NP) ệạh ệtơh đhểm ệ+1.
Ttôản ố đcu ra là llu llưản dcu ệruản bìảt
ệạh ệtơh đhểm ệ+1, llu llưản ktah ệtaặ ặtấệ
llu ệruản bìảt và ap uấệ vỉa ệruản bìảt ệạh
ệtơh đhểm ệ+1. Lựa ặtọả mộệ mạản ảeural
ặó ặấu ệrúặ ệốh lu bằản ptlơản ptap ệtư và
ptaệ thiả lỗh. Hìảt 3 là bhểu đồ llu llưản dcu
ệừ ệtaản 9/1988 - ệtaản 5/2018.
70000
60000
50000
40000
30000
20000
10000
0
500
450
400
350
300
250
200
150
100
50
Dự báo
Khoảng huấn luyện
Thời điểm bắt đầu
bơm ép
0
0
50
100 150 200 250 300 350 400
Thời gian (tháng)
FLPR_H FOPR_H FWIR
FOPR_Pred FLPR_Pred FPR_H NOP
FPR_Pred
Hình 3. Biểu đồ lưu lượng khai thác dầu từ tháng 9/1988 - tháng 5/2018
DẦU KHÍ - SỐ 12/2020
39
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
4.2. Dự báo khai thác dài hạn
+ Qua ệrìảt khểm ệra:
4.2.1. Tiền xử lý dữ liệu
AE: 1157 ệấả/ảnày, 1165 ệấả/ảnày, 6,12 aệ;
ARE: 6,46%, 5,54%, 2,5%.
Tập dữ lhiu I ư ddản 236 ệtaản dữ lhiu (ệừ
ệtaản 5/1993 - ệtaản 12/2012) để xây dựản mô
tìảt ặấu ệrúặ mạản. Tập dữ lhiu II ư ddản 60 ệtaản
dữ lhiu (ệừ ệtaản 1/2013 - ệtaản 12/2017) để dự
bá llu llưản ktah ệtaặ dcu, dự bá llu llưản ktah
ệtaặ ặtấệ llu và dự bá ap uấệ vỉa.
Caặ ah ố ảày đlưặ đaảt nha là ệtấp và dlớh nhớh tạả ặt́
ptep. Kếệ qus ặaặ qua ệrìảt tuấả luyiả, xaặ ệtựặ và khểm ệra
đlưặ bhểu dhễả ệrêả Hìảt 4.
Data_Training 1st Dataset
Ptcả tuấả luyiả ư ddản 160 ệtaản dữ lhiu
(67%) để ệtảt ệ́aả độ dốặ (Gradheảệ) và ặập ảtậệ
ệrọản ố và ah ố ặủa mạản. Ptcả xaặ ệtựặ ư ddản
38 ệtaản dữ lhiu (16,5%) để đaảt nha ặtấệ llưản
mạản ệŕản qua ệrìảt tuấả luyiả. Qua ệrìảt tuấả
luyiả ặó ệtể dừản kth kếệ qus mô tìảt mạản ệŕản
qua ệrìảt xaặ ệtựặ ặt́ ah ố ảtỏ ảtấệ. Ptcả khểm
ệra ư ddản 38 ệtaản dữ lhiu (16,5%) để ệhảt ặtỉảt
mô tìảt mạản, lựa ặtọả mô tìảt mạản ptu tưp và
đaảt nha thiu uấệ t́ạệ độản mô tìảt mạản.
40000
35000
30000
25000
20000
15000
10000
5000
350
300
250
200
150
100
50
0
0
0
50
100
150
200
250
300
Thời gian (tháng)
H_Data_Train FOPR
M_Data_Train FOPR
H_Data_Train Liquid
H_Data_Train FPR
M_Data_Train FLPR
M_Data_Train FPR
4.2.2. Cấu trúc ANN
Ntóm ệaặ nhs lựa ặtọả kếệ qus ệốệ ảtấệ ệừ mô
tìảt ANN bá nồm 1 lớp âả ặó 60 ảeural. Caặ ảúệ
ệŕản lớp âả và lớp đcu ra đlưặ ktặt t́ạệ ệtôản
qua tàm ặtuyểả Shnḿhd và đlưặ tuấả luyiả bằản
ệtuậệ ệ́aả laả ệruyềả ảnlưặ.
Data_Validation 1st Dataset
40000
35000
30000
25000
20000
15000
10000
5000
350
300
250
200
150
100
50
5. Đánh giá kết quả dự báo khai thác sử dụng
mô hình ANN trong dự báo khai thác ngắn hạn
và dài hạn
0
0
5.1. Đánh giá kết quả dự báo khai thác của mô
hình ANN để dự báo ngắn hạn
0
50
100
150
200
250
300
Thời gian (tháng)
H_Data_Validation FOPR
H_Data_Validation FLPR
M_Data_Validation F:PR
M_Data_Validation FPR
M_Data_Validation FOPR H_Data_Validation FPR
Caặ ệtôản ố ệtốản kê ư ddản để ệtảt ệ́aả
kts ảăản dự bá ặủa ANN đạệ đlưặ ệừ qua ệrìảt
tuấả luyiả, xaặ ệtựặ, khểm ệra và dự bá đlưặ ệóm
ệăệ ệŕản Bsản 1. Bsản 1 ặt́ ệtấy kếệ qus đaảt nha
ah ố ệuyiệ đốh (ab ́luệe erŕr, AE) và ah ố ệlơản
đốh ệruản bìảt (averane relaệhve erŕr, ARE) ặủa 3
ệtôản ố: llu llưản dcu ktah ệtaặ, llu llưản ặtấệ
llu ktah ệtaặ, ap uấệ vỉa ệruản bìảt ảtl au:
Data_Testing 1st Dataset
40000
350
35000
30000
25000
20000
15000
10000
5000
0
300
250
200
150
100
50
+ Qua ệrìảt tuấả luyiả:
AE: 526 ệấả/ảnày, 637 ệấả/ảnày, 6 aệ;
ARE: 3,11%, 3,13%, 2,47%;
0
300
0
50
100
150
200
250
Thời gian (tháng)
+ Qua ệrìảt xaặ ệtựặ:
H_Data_Testing FOPR
M_Data_Testing FOPR
H_Data_Testing FLPR
H_Data_Testing FPR
M_Data_Testing FLPR
M_Data_Testing FPR
AE: 998 ệấả/ảnày, 1112 ệấả/ảnày, 6,67 aệ;
ARE: 5,51%, 5,26%, 2,76%;
Hình 4. Kết quả quá trình huấn luyện, xác thưc và kiểm tra
DẦU KHÍ - SỐ 12/2020
40
PETROVIETNAM
Để ảnthêả ặứu, đaảt nha mứặ độ ặttảt xaặ và ặtấệ
llưản ặủa mô tìảt mạản, ệập dữ lhiu II đlưặ ư ddản để
dự bá sả llưản ktah ệtaặ dcu. Llu llưản ktah ệtaặ dcu
đlưặ dự bá ktớp vớh nha ệrị lịặt ư ặt́ ệtấy mô tìảt
mạản đlưặ tuấả luyiả ặó ệtể ư ddản ảtl mộệ ặôản
ặd qusả lý ktah ệtaặ thiu qus và ệtựặ ệế (Hìảt 4). Sah ố
ệuyiệ đốh ặủa llu llưản dcu kt́sản 255 ệấả/ảnày và ah
ố ệlơản đốh ệruản bìảt là 4,82% (Bsản 1).
AE: 1001 ệấả/ảnày, 1025 ệấả/ảnày, 6,34 aệ;
ARE: 4,91%, 4,4%, 2,52%.
+ Qua ệrìảt khểm ệra:
AE: 1215 ệấả/ảnày, 1261 ệấả/ảnày, 7,69 aệ;
ARE: 5,6%, 5,43%, 3,13%.
Caặ ah ố ảày đlưặ đaảt nha là ệtấp và dlớh nhớh tạả
ặt́ ptep. Kếệ qus ặaặ qua ệrìảt tuấả luyiả, xaặ ệtựặ và
khểm ệra đlưặ bhểu dhễả ệrêả Hìảt 6.
5.2. Đánh giá kết quả dự báo khai thác của mô hình ANN
để dự báo dài hạn
Để ảnthêả ặứu, đaảt nha mứặ độ ặttảt xaặ và ặtấệ
llưản ặủa mô tìảt mạản, ệập dữ lhiu II đlưặ ư ddản để
dự bá sả llưản ktah ệtaặ dcu. Llu llưản ktah ệtaặ dcu
đlưặ dự bá ktớp vớh nha ệrị lịặt ư ặt́ ệtấy mô tìảt
mạản đlưặ tuấả luyiả ặó ệtể ư ddản ảtl mộệ ặôản
ặd qusả lý ktah ệtaặ thiu qus và ệtựặ ệế (Hìảt 7). Sah ố
ệuyiệ đốh ặủa llu llưản dcu kt́sản 698 ệấả/ảnày và ah
ố ệlơản đốh ệruản bìảt là 12,61% (Bsản 2).
Caặ ệtôản ố ệtốản kê ư ddản để ệtảt ệ́aả kts ảăản
dự bá ặủa ANN đạệ đlưặ ệừ qua ệrìảt tuấả luyiả, xaặ
ệtựặ, khểm ệra và dự bá đlưặ ệóm ệăệ ệŕản Bsản 2. Bsản
2 ặt́ ệtấy ặaặ kếệ qus đaảt nha ah ố ệuyiệ đốh và ah ố
ệlơản đốh ệruản bìảt ặủa 3 ệtôản ố: llu llưản dcu ktah
ệtaặ, llu llưản ặtấệ llu ktah ệtaặ, ap uấệ vỉa ệruản bìảt
ảtl au:
+ Qua ệrìảt tuấả luyiả:
6. Kết quả tái lặp lịch sử của mô hình LGM
AE: 553 ệấả/ảnày, 644 ệấả/ảnày, 5,25 aệ;
ARE: 2,79%, 2,78%, 2,1%.
Năm 2019, Trcả Đăản Tú và ảảk đã “Nnthêả ặứu ứản
ddản mô tìảt ệăản ệrlởản ĺnh ệhặ để dự bá ktah ệtaặ
ặt́ ệcản Mh́ặeảe dlớh mỏ Bạặt Hổ” [6] ư ddản ệtuậệ
ệ́aả ệốh lu để ệự độản ệah lđp lịặt ư ktah ệtaặ dựa ệrêả
+ Qua ệrìảt xaặ ệtựặ:
Bảng 1. Bảng thống kê đánh giá sai số của mô hình mạng trí tuệ nhân tạo dưbáo ngắn hạn
FOPR_ FOPR_
ANN
ARE1 FLPR_ FLPR_
(%) ANN
ARE2 FPR_
FPR
ANN
ARE3
(%)
AE1
AE2
AE3
H
H
(%)
H
Huấn luyện
3,11 22.410 22.273
Trung bình 19.523 19.421
Độ lệch chuẩn 10.034 9.914
526
485
4
637
522
10
3,13
2,63
0,04
245
26
210
309
245
25
216
298
6
5,37
0,08
2,47
2,23
0,03
2.79
0,01
8.815 8.656
9.081 9.719
Nhỏ nhất
Lớn nhất
4.521 4.765
35.959 34.902 2.496 17,84 37.452 36.707 2.765 14,81
33,11 15,62
Dữ liệu I
Xác thực
Trung bình 19.469 19.558
Độ lệch chuẩn 9.973 9.649
998
995
15
5,51 22.289 22.270 1.112
5,26
4,45
0,14
245
28
211
305
247
26
216
299
6,67
7,8
0,16
2,76
3,02
0,06
4,92
0,23
8.772 8.411 1.020
9.438 9.902 20
Nhỏ nhất
Lớn nhất
4.669 4.901
35.478 34.648 5.407
23,2 3.7204 36.382 5.480 20,22
27,86 12,69
Kiểm tra
Trung bình 19.380 1.9523 1.157
Độ lệch chuẩn 10.015 9.794 1.281
6,46 22.216 22.250 1.165
5,54
4,72
0,19
246
27
217
306
247
25
218
298
6,12
6,47
0,02
26,7
2,5
2,59
0,01
10,18
4,98
0,11
8.765 8.531 1.218
9.464 9.947 65
Nhỏ nhất
Lớn nhất
4.525 4.900
6
35.367 34.801 7.271 20,56 36.778 36.267 6.883 18,88
Dự báo
Trung bình
Dữ liệu II Độ lệch chuẩn 350
5.280 5.277 254,5
4,82 11.095 10.615
573
504
66
5
4,13
0,63
220
7
206
234
228
7
216
237
10,38
8,68
0,35
4,83
4,15
0,15
173 111,78 2,13
0,56
726
312
Nhỏ nhất
Lớn nhất
4.692 4.951 30,54
9.464 9.947
5.848 5.538 434,59 8,71 12.097 11.041 1.637 13,54
24,78 11,83
DẦU KHÍ - SỐ 12/2020
41
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
Data_Prediction FOPR 2nd Dataset
'DWDB7UDLQLQJ
7000
6000
5000
4000
3000
2000
1000
0
40000
35000
30000
25000
20000
15000
10000
5000
350
300
250
200
150
100
50
0
0
280
285
290
295
300
305
0
50
100
150
200
250
Thời gian (tháng)
Data_Predicted FOPR H_Data_Prediction FOPR
Thời gian (tháng)
H_Data_Train FOPR H_Data_Train FLPR
M_Data_Train FOPR H_Data_train FPR
M_Data_Train FLPR
M_Data_Train FPR
Data_Prediction FLPR 2nd Dataset
13000
12000
11000
10000
9000
8000
7000
6000
5000
4000
Data_Validation 1st Dataset
40000
35000
30000
25000
20000
15000
10000
5000
350
300
250
200
150
100
50
0
0
0
50
100
150
200
250
280
285
290
295
300
305
Thời gian (tháng)
Thời gian (tháng)
H_Data_Validation FOPR H_Data_Validation FLPR
M_Data_Validation FOPR H_Data_Validation FPR
M_Data_Validation FLPR
M_Data_Validation FPR
Data_Predicted FLPR
H_Data_Prediction FLPR
Data_Prediction FPR 2nd Dataset
250
Data_Testing 1st Dataset
350
300
250
200
150
100
50
40000
200
150
100
50
35000
30000
25000
20000
15000
10000
5000
0
0
280
285
290
295
300
305
0
Thời gian (tháng)
0
50
100
150
200
250
Thời gian (tháng)
Data_Predicted FPR
H_Data_Prediction FPR
H_Data_Testing FOPR H_Data_Testing FLPR
M_Data_Testing FOPR H_Data_Testing FPR
M_Data_Testing FLPR
M_Data_Testing FPR
Hình 5. Kết quả dưbáo lưu lượng dầu, lưu lượng chất lỏng và áp suất vỉa trung bình
(từ tháng 1/2017 - tháng 4/2018)
Hình 6. Kết quả quá trình huấn luyện, xác thưc và kiểm tra
ệập dữ lhiu lịặt ư ktah ệtaặ. Kếệ qus dự bá 71 nhếản ktah
ệtaặ đốh ệlưản Mh́ặeảe dlớh mỏ Bạặt Hổ ặt́ ệtấy ah ố
ệlơản đốh ệruản bìảt nhữa mô tìảt LGM và dữ lhiu ktah
ệtaặ ệtựặ ệế là 0,6%. Kếệ qus ảnthêả ặứu ặt́ ệtấy mô tìảt
ệăản ệrlởản ĺnh ệhặ đã ặsh ệthiả kts ảăản dự đ́aả vớh độ
ệhả ặậy ặá ặt́ đốh ệlưản Mh́ặeảe. Từ ảnthêả ặứu ệrêả,
ảtóm ệaặ nhs ệhếp ệdặ ệtư ảnthim mô tìảt ệăản ệrlởản
ĺnh ệhặ để ệah lđp lịặt ư và dự bá ktah ệtaặ ặt́ đốh ệlưản
móản ảứệ ảẻ mỏ Bạặt Hổ.
Hìảt 8 và 9 ặt́ ệtấy kếệ qus ệah lđp lịặt ư ktah ệtaặ
ệŕản 340 ệtaản và ệŕản 292 ệtaản ở ệcản móản ệlơản
đốh ệốệ. Kếệ qus ệah lđp lịặt ư ệŕản 340 ệtaản ặt́ ah ố
ệtấp và xu tlớản đúản tơả kếệ qus ktớp lịặt ư ệŕản 292
ệtaản. Từ kếệ qus đó, ệhếp ệdặ ap ddản mô tìảt LGM để dự
bá ktah ệtaặ ảnăả tạả (16 ệtaản) và dàh tạả (60 ệtaản).
7. Đánh giá, so sánh kết quả dự báo khai thác sử dụng
mô hình ANN, LGM và phần mềm OFM, mô hình thủy
đông lực hoc
Kếệ qus ệah lđp lịặt ư đốh ệlưản ệcản móản mỏ Bạặt
Hổ ảtl Hìảt 8 và 9.
Từ Bsản 3 và 4 ảtóm ệaặ nhs ặó mộệ ố ảtậả xeệ au:
DẦU KHÍ - SỐ 12/2020
42
PETROVIETNAM
Bảng 2. Bảng thống kê đánh giá sai số của mô hình mạng trí tuệ nhân tạo dưbáo dài hạn
FOPR_ FOPR_
ANN
ARE1
(%)
FOPR_
ANN
ARE2 FPR_
PR_
ANN
ARE3
(%)
AE1
FLPR_H
AE2
AE3
H
(%)
H
Huấn luyện
2,79 24.599 24.498 644
Trung bình 22.342 22.302 553
2,78
2,45
0,04
250
27
211
309
249
26
223
304
5,25
5,41
0,02
2,1
2,14
0,01
Độ lệch chuẩn 8.365 8.571
478
6
2,45
7.820 7.475
551
9
Nhỏ nhất
Lớn nhất
6.864 6.498
0,06 12.650 12.748
35.959 35.569 3.941 16,11 37.452 36.606 3.693 13,62
34,37 12,94
Dữ liệu I
Xác thực
Trung bình 22.430 22.633 1.001
4,91 24.633 24.668 1.025
4.4
3,45
0,08
4,4
250
27
217
250
252
27
222
252
6,34
5,01
0,24
6,34
2,52
1,95
0,11
2,52
Độ lệch chuẩn 8.729 8.666
844
58
3,97
8.149 76.44
794
12
Nhỏ nhất
Lớn nhất
7.083 6.852
0,18 13.167 13.137
22.430 22.633 1.001
4,91 24.633 24.668 1.025
Kiểm tra
Trung bình 22.563 22.753 1.215
Độ lệch chuẩn 8.236 8.300 1.307
5,6
5,68
24.779 24.796 1.261
7.804 7.367 1.216
5,43
5,53
0,38
250
27
212
306
251
26
224
303
7,69
9,02
0,25
3,13
3,89
0,11
Nhỏ nhất
Lớn nhất
8.935 8.453
30
0,27 14.021 14.080
95
34.899 35.255 5.887 23,91 36.778 36.052 5.963 27,26
42,64 20,11
Dự báo
Trung bình 5.405 5.238 697,84 12,61 11.302 11.899 1.254 11,44
222
7
206
240
241
15
224
278
19,6
16,88
0
8,94
7,9
0
Dữ liệu II Độ lệch chuẩn 630
863 559,05 10,08 1.369
638
761
9
7,29
0,08
Nhỏ nhất
Lớn nhất
4.521 4.419 16,73 0,26 9.081 11.281
7.031 7.697 2628,28 52,67 14.553 13.755 2.758 25,71
66,92 31,7
- Mô tìảt ANN ̉ự bá ktah ệtaặ ảnăả tạả ặó ảthều
̉ữ lhiu (284 ệtaản ̉ữ lhiu) đlưặ đla và́ xây ̉ựản mô
tìảt ặấu ệrúặ mạản ẽ ặó kếệ qus ̉ự bá llu llưản ̉cu,
llu llưản ặtấệ llu, ap uấệ vỉa ặttảt xaặ tơả mô tìảt ANN
̉ự bá ̉àh tạả ặó tệ ̉ữ lhiu (236 ệtaản ̉ữ lhiu) đlưặ đla
và́ xây ̉ựản mô tìảt ặấu ệrúặ mạản (Hìảt 5, 7). Kếệ qus
̉ự bá đlơản llu llưản ̉cu ảnăả tạả và ̉àh tạả ư ̉dản
mô tìảt ANN ặt́ ah ố ệlơản đốh ệruản bìảt lcả llưệ
10% và 5%. Kếệ qus ̉ự bá đlơản llu llưản ̉cu ảnăả
tạả và ̉àh tạả đlưặ ̉ự bá ệté đúản xu tlớản và ặó
ptsả aảt đlưặ sảt tlởản ặủa ặaặ ệtôản ố vậả tàảt ảtl
llu llưản ktah ệtaặ ̉cu, llu llưản bơm ep, ap uấệ vỉa...
Hơả ảữa, mô tìảt mạản ANN ặó ệtể ̉ự bá ktah ệtaặ ̉ựa
ệrêả ệập ̉ữ lhiu đcu và́ mà ktôản ptd ệtuộặ và́ khảt
ảnthim ặtủ quaả ặủa ặaặ ặtuyêả nha ảtơ ặtủ độản xaặ
địảt ̉ựa ệrêả ặaặ ệập ệrọản ố au qua ệrìảt tuấả luyiả
mạản. Vhiặ ̉ự bá ư ̉dản mô tìảt mạản ANN ệự độản
xaặ địảt mốh quaả ti lhêả quaả nhữa ặaặ ệập ̉ữ lhiu đcu
và́ ặt́ ệtấy kếệ qus ̉ự bá ảày đaản ệhả ặậy tơả ́ vớh
ptlơản ptap ̉ự bá ư ̉dản mô tìảt LGM và ptlơản
ptap ệruyềả ệtốản. Bêả ặạảt đó, kếệ qus ̉ự bá ktah ệtaặ
ư ̉dản mô tìảt ANN là qua ệrìảt tuấả luyiả ktôản ptsh
lúặ ảà́ ặũản tộh ệd và ặó kts ảăản rơh và́ ặựặ ệhểu địa
ptlơản (ĺặal mhảhmum). Nếu rơh và́ ệrlơản tưp ảày, ặcả
ptsh tuấả luyiả mạản lạh t́đặ ệtay đổh ố ảeural ặủa lớp
âả, đhều ảày kthếả ặt́ mạản ảeural ktôản ap ̉dản đlưặ
ặt́ ặaặ bàh ệ́aả yêu ặcu độ ặttảt xaặ ặá ệŕản ệtơh nhaả
ệốh ệthểu.
- Kếệ qus ̉ự bá đlơản llu llưản ̉cu ảnăả tạả và
̉àh tạả ư ̉dản mô tìảt LGM ặt́ ah ố ệlơản đốh ệruản
bìảt lcả llưệ là 16% và 4%. Kếệ qus ̉ự bá đlơản llu
llưản ̉cu ̉àh tạả ặt́ ah ố ệlơản đốh ệruản bìảt lớả tơả
kếệ qus ̉ự bá đlơản llu llưản ảnăả tạả. Nnuyêả ảtâả
là ̉́ mô tìảt LGM ̉ự bá ảnăả tạả ặó ảthều ệtaản ̉ữ
lhiu (340 ệtaản) đlưặ đla và́ để ệah lđp lịặt ư ệtì kếệ qus
ệah lđp lịặt ư và kếệ qus ̉ự bá ặttảt xaặ tơả mô tìảt
LGM ̉ự bá ̉àh tạả vớh tệ ệtaản ̉ữ lhiu tơả (292 ệtaản).
Nóh ặaặt ktaặ, ảếu ̉ữ lhiu lịặt ư đủ lớả ệtì thiu uấệ ̉ự
bá mô tìảt LGM ẽ ặsh ệthiả rấệ ảthều. Bêả ặạảt đó, mô
tìảt LGM ặtỉ là ặôản ặd tỗ ệrư ̉ự bá ảtaảt và ặttảt
xaặ tơả ặôản ặd ̉ự bá bằản ptcả mềm OFM. Mô tìảt
LGM ặũản ktôản ệtể ̉ự bá ặttảt xaặ đlưặ kth mỏ/nhếản
ệtay đổh ặơ ặtế vậả tàảt: mở ặôả, bơm ep na lhfệ, bơm ep
ảlớặ, đóản nhếản…
- Kếệ qus ̉ự bá đlơản llu llưản ̉cu ảnăả tạả và
̉àh tạả ặủa mô tìảt ệtủy độản lựặ tọặ ặt́ ah ố ệlơản
đốh ệruản bìảt lcả llưệ là 19% và 81%. Nnuyêả ảtâả ặttảt
̉́ llu llưản ̉cu ặó độ liặt lớả ́ vớh ệtựặ ệế ảnay kth băệ
DẦU KHÍ - SỐ 12/2020
43
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
7000000
6000000
5000000
4000000
3000000
2000000
1000000
0
Data_Prediction FOPR 2nd Dataset
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
236
246
256
266
276
286
296
306
Thời gian (tháng)
0
50 100 150 200 250 300 350 400
Thời gian (tháng)
Data_Predicted FOPR H_Data_Prediction FOPR
Cum_FOPR_H Cum_FOPR_Ma
Hình 8. Kết quả tái lăp llch sử trong 340 tháng
Data_Prediction FLPR 2nd Dataset
16000
14000
12000
10000
8000
7000000
6000000
5000000
4000000
3000000
2000000
1000000
0
6000
4000
236
246
256
266
276
286
296
Thời gian (tháng)
Data_Predicted FLPR H_Data_Prediction FLPR
0
50 100 150 200 250 300 350 400
Thời gian (tháng)
Cum_FOPR_H
Cum_FOPR_Ma
Hình 9. Kết quả tái lăp llch sử trong 292 tháng
Data_Prediction FPR 2nd Dataset
300
Data_Prediction FOPR
250
200
150
100
50
10000
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
0
236
246
256
266
Thời gian (tháng)
Data_Predicted FPR H_Data_Prediction FPR
276
286
296
284 286 288 290 292 294 296 298 300 302
Thời gian (tháng)
FOPR_Actual
FOPR_Simulation
FOPR_ANN
FOPR_LGM
FOPR_OFM
Hình 7. Kết quả dưbáo lưu lượng dầu, lưu lượng chất lưu và áp suất vỉa trung bình
(từ tháng 1/2013 - 31/1/2017)
Hình 10. Kết quả dưbáo đường lưu lượng dầu ngắn hạn
đcu ệtựặ thiả ̉ự bá, đhều ảày ặt́ ệtấy ảtữản ptứặ ệạp
về địa ặtấệ ptâả bố ệtuộặ ệtảt đa ặtứa và mạản llớh kte
ảứệ ặũản ảtl ệtảt lhêả ệtôản ệtủy độản ptứặ ệạp ặủa ệcản
ặtứa móản ảứệ ảẻ. Ttựặ ệế thiả ảay vẫả ặtla ặó ptlơản
ptap xây ̉ựản mô tìảt mô ptỏản đốh ệlưản móản ặttảt
xaặ, đaản ệhả ặậy và đlưặ ặôản ảtậả rộản rãh.
- Kếệ qus ̉ự bá đlơản llu llưản ̉cu ảnăả tạả
và ̉àh tạả ư ̉dản ptcả mềm OFM ặt́ ah ố ệlơản đốh
ệruản bìảt lcả llưệ là 16% và 32%. Ptlơản ptap ̉ự bá
đlơản ặ́ản uy nhsm ư ̉dản ptcả mềm OFM ặt́ ệtấy
kếệ qus ̉ự bá đlơản llu llưản ̉cu ảnăả tạả ặt́ ah
ố ệlơản đốh ệruản bìảt ệtấp tơả kếệ qus ̉ự bá đlơản
DẦU KHÍ - SỐ 12/2020
44
PETROVIETNAM
Bảng 3. Bảng thống kê đánh giá sai số của các mô hình dưbáo khai thác ngắn hạn
AE_
ANN
ARE_
ANN (%)
AE_
Simulation
ARE_
Simulation (%)
AE_
LGM
ARE_
LGM (%)
AE_
OFM
ARE_
OFM (%)
Dự báo dài hạn
Trung bình
Độ lệch chuẩn
Nhỏ nhất
665
503
17
9,7
7,3
1.287
270
19
4
1.087
761
15,84
11,18
0,35
2.197
932
32
13
6
0,2
850
12
27
24
389
Lớn nhất
2.521
36,7
1.842
2.813
40,97
3.612
53
Bảng 4. Bảng thống kê đánh giá sai số của các mô hình dưbáo khai thác dài hạn
AE_
ARE_
AE_
ARE_
AE_
ARE_
AE_
ARE_
Dự báo ngắn hạn
ANN
ANN (%) Simulation Simulation (%)
LGM
LGM (%)
OFM
OFM (%)
Trung bình
Độ lệch chuẩn
Nhỏ nhất
254
5,4
2,4
0,7
9,3
3.794
139
81
3
191
114
17
4,1
2,4
0,4
8,1
751
258
16
5
112
31
3.562
4.014
76
86
313
7
Lớn nhất
435
382
1.264
27
là ảtữản lưh ệtế ́ vớh ptlơản ptap ̉ự bá
ư ̉dản mô tìảt LGM và ặaặ ptlơản ptap
̉ự bá ệruyềả ệtốản.
Data_Prediction FOPR
12000
10000
8000
6000
4000
2000
0
Mô tìảt ANN ư ̉dản ệtuậệ ệ́aả laả
ệruyềả ảnlưặ đã ặtứản ệỏ kts ảăản rấệ ệốệ
ặt́ ảthều bàh ệ́aả ptứặ ệạp. Tuy ảthêả,
ktôản ặó mộệ mô tìảt ặtuản về ố llưản
ảeural và ự tộh ệd ặủa mạản ặt́ ệấệ ặs ặaặ
bàh ệ́aả. Để ặó kts ảăản ứản ̉dản thiu qus
ặcả ặó ệtơh nhaả để đà́ ệạ́, đhều ặtỉảt ặaặ
ệtam ố mạản.
230
240
250
260
270
280
290
300
Kếệ qus ảnthêả ặứu ứản ̉dản LGM ư
̉dản ệtuậệ ệ́aả ệốh lu để ệự độản ệah lđp lịặt
ư ktah ệtaặ ặt́ đốh ệlưản móản ảứệ ảẻ là
ệlơản đốh ệốệ. LGM là mộệ ặôản ặd ̉ự bá
ảtaảt ặó ệtể ệtay ệtế ptcả mềm OFM vớh
̉ữ lhiu lịặt ư đủ lớả. Tuy ảthêả, LGM ặũản
ktôản ệtể ̉ự bá ặttảt xaặ đlưặ kth mỏ/
nhếản ệtay đổh ặơ ặtế vậả tàảt: mở ặôả,
bơm ep na lhfệ, bơm ep ảlớặ, đóản nhếản…
Thời gian (tháng)
FOPR_Actual
FOPR_Simulation
FOPR_ANN
FOPR_LGM
FOPR_OFM
Hình 11. Kết quả dưbáo đường lưu lượng dầu dài hạn
llu llưản ̉àh tạả. Tuy ảthêả, kếệ qus ̉ự bá đlơản llu llưản ̉cu ư
̉dản ptcả mềm OFM ặtủ yếu maản ệtảt ặtủ quaả ặủa ảnlơh ̉ự bá
và ktôản ệtể ̉ự bá ặttảt xaặ đlưặ kth mỏ/nhếản ệtay đổh ặơ ặtế vậả
tàảt: mở ặôả, bơm ep na lhfệ, bơm ep ảlớặ, đóản nhếản…
Tài liệu tham khảo
8. Kết luận
[1] Q. Cá, R. Baảerjee, S. Gupệa, J. Lh,
W. Zt́u, aả̉ B. Jeyaặtaả̉ra, “Daệa ̉rhveả
pŕ̉uặệh́ả f́reặa ệhản u hản maặthảe
learảhản”, SPE Argentina Exploration and
Production of Unconventional Resources
Symposium, Buenos Aires, Argentina, 1 - 3 June
2016. DOI: 10.2118/180984-MS.
Nnthêả ặứu ặuản ặấp mộệ ố ptlơản ptap mớh ̉ự bá ktah ệtaặ
ệrêả ệập ̉ữ lhiu lịặt ư ktah ệtaặ. Kếệ qus ảnthêả ặứu ặt́ ệtấy kts ảăản
ệổản quaệ tóa bàh ệ́aả ̉ự bá ệrêả mô tìảt ANN ệtàảt ặôản ặd tữu
thiu để ặó ệtể nhsh quyếệ thiu qus ảthều bàh ệ́aả ktaặ ảtau ệŕản kỹ
ệtuậệ ktah ệtaặ mỏ. Mô tìảt ANN vớh ảthều đđặ ệrlản: kts ảăản tọặ ệừ
̉ữ lhiu, ệtảt ệttặt ảnth, ặtịu lỗh kth ̉ữ lhiu ktôản đcy đủ t́đặ ặó ảthễu
DẦU KHÍ - SỐ 12/2020
45
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
[2] Yaảaả Lh aả̉ Yhfu Haả, “Deặlhảe ặurve aảaly h
f́r pŕ̉uặệh́ả f́reặa ệhản ba ẻ ́ả maặthảe learảhản”,
SPE Symposium: Production Enhancement and Cost
Optimisation, Kuala Lumpur, Malaysia, 7 - 8 November 2017.
DOI: 10.2118/189205-MS.
Trcả Nnuyêả Ĺản, “Nnthêả ặứu ứản ̉dản mô tìảt ệăản
ệrlởản ĺnh ệhặ để ̉ự bá ktah ệtaặ ặt́ ệcản Mh́ặeảe
̉lớh mỏ Bạặt Hổ”, Tạp chi ầu khi, ố 9, ệr. 16 - 22, 2019.
[7] Pherre-Fraảḉh
Vertul ệ, “Ńệhặe ur la ĺh
que la ṕpulaệh́ả ṕur uhệ ̉aả ́ả aặặŕh emeảệ”,
Correspondance Mathématique et Physique, V́l. 10, pp. 113
- 121, 1838.
[3] A. Mhrzaeh-Pahamảa aả̉ S. Salavaệh, “Tte
applhặaệh́ả ́f arệhfiặhal ảeural ảeệẃrk f́r ệte prẻhặệh́ả
́f ́hl pŕ̉uặệh́ả fĺw raệe”, Energy Sources, Part A: Recovery,
Utilization, and Environmental Effects, V́l. 34, Ń. 19, pp.
1834 - 1843, 2012. DOI: 10.1080/15567036.2010.492386.
[8] Tt́ma Ŕberệ Malệtu , An essay on the principle
of population: or, a view of its past and present effects
on human happiness; with an inquiry into our prospects
respecting the future removal or mitigation of the evils which
it occasions. Bh́̉hver hệy Herhệane Lhbrary (BHL), 1872. DOI:
10.5962/btl.ệhệle.49216.
[4] Davh̉ Fulf́r̉, “Maặthảe learảhản f́r Pŕ̉uặệh́ả
th
f́reặa ệhản: Aặặuraặy ệtŕunt uảặerệahảệy”, 12 Annual
Ryder Scott Reservoir Conference, Houston, TX, 14 September
2016.
[9] A. T ́ularh aả̉ J. Wallaặe, “Aảaly h ́f ĺnh ệhặ
nŕwệt ḿ̉el ”, Mathematical Biosciences, V́l. 179, Ń. 1,
pp. 21 - 55, 2002. DOI: 10.1016/S0025-5564(02)00096-2.
[5] Trcả Văả Hồh, Nnuyễả Văả Đứặ và Ptạm Xuâả Sơả,
“Tìm khếm ệtăm ̉o và ptaệ ệrhểả ̉cu ệŕản đa móản mỏ
Bạặt Hổ: Tl lhiu, ự khiả và bàh tọặ khảt ảnthim”, Hội nghị
khoa học kỷ niệm 30 năm khai thác dầu từ đá móng mỏ
Bạch Hổ, Vũng Tàu, 6/9/2018.
[10] M.Khản Hubberệ, Nuclear energy and the fossil
fuel. Drhllhản aả̉ Pŕ̉uặệh́ả Praặệhặe, New Ýrk. 1956.
[6] Trcả ĐăảnTú, Đhảt Đứặ Huy, Trcả Xuâả Quý, Ptạm
Trlơản Ghaản, Lê Vũ Quâả, Lê Ttế Huản, Lê Quốặ Truản và
RESEARCH ON APPLICATION OF MACHINE LEARNING ALGORITHM TO
FORECAST PRODUCTION FOR FRACTURE BASEMENT - BACH HO FIELD
Tran Dang TH1, Dinh DH́ HHu1, Pham TrHong Giang1, Le QHang DHuen2, Tran XHan QHu1, Le The HHng1, LHH Dinh THng1
1Vietnam Petroleum Institute
2Hanoi University of Mining and Geology
Email: tutd@vpi.pvn.vn
SHmmaru
Conventional tools that are currently used to forecast production for fracture basement (such as simulation model and decline curve
analysis) are still not highly reliable and their forecasting performance is still short-term, affecting the plan for field development, field
operation and optimisation of oil recovery.
The paper introduces the applicability of machine learning algorithm to predict oil production for basement reservoirs of Bach Ho field.
The research results show that the artificial neural network (ANN) model using reverse propagation algorithm and the logistic growth model
(LGM) using optimisation algorithm have improved the ability to predict production with high accuracy.
Keu words: Artificial neural network, machine learning, forecasting production, Bach Ho field, logistic growth model.
DẦU KHÍ - SỐ 12/2020
46
Bạn đang xem tài liệu "Nghiên cứu ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng nứt nẻ, mỏ Bạch Hổ", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- nghien_cuu_ung_dung_thuat_toan_hoc_may_de_du_bao_khai_thac_c.pdf