Ứng dụng ANN trong dự báo áp suất nứt vỉa
THĂM DÒ - KHAI THÁC DẦU KHÍ
TẠP CHÍ DẦU KHÍ
Số 3 - 2019, trang 32 - 41
ISSN-0866-854X
ỨNG DỤNG ANN TRONG DỰ BÁO ÁP SUẤT NỨT VỈA
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
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.
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
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.
DẦU KHÍ - SỐ 3/2019
32
PETROVIETNAM
Bảng 1. Các phương pháp truyền thống để xác định áp suất nứt vỉa
Thông số đầu vào Công thức tính
Tài liệu
tham khảo
TT
Ứng suất địa tĩnh,
Áp suất lỗ rỗng,
[1]
=
1
Áp suất lỗ rỗng,
Hệ số Poisson,
Ứng suất địa tĩnh,
(
)
+
=
−
2
[3]
1 −
=
Độ sâu, D
Áp suất lỗ rỗng,
Hệ số
−
+
3
4
[4]
[5]
Mật độ biểu kiến
Thời gian truyền sóng địa chấn
Tra đồ thị
Ứng suất địa tĩnh,
Ứng suất địa tĩnh,
Áp suất lỗ rỗng,
Hệ số
=
(
−
) +
5
[6]
Áp suất địa tĩnh,
Áp suất lỗ rỗng,
Hệ số Poisson,
2
1 −
)
(
(
=
+
−
[7]
[8]
6
7
Hệ số nén của độ rỗng trong khung đá,
2
1 −
Gradient ứng suất địa tĩnh,
Gradient áp suất lỗ rỗng,
)
=
+
−
16
25
Hệ trí tuệ
nhân tạo lai
Logic mờ
14
12
10
8
2
Logic mờ
Thuật di truyền
Mạng neuron
Hệ chuyên gia
20
6
5
6
7
2
Thuật di truyền
Mạng neuron
Hệ chuyên gia
2
4
7
15
10
5
3
10
2
5
4
13
6
3
1
15
14
2
4
11
6
3
2
3
2
2
2
7
6
6
1
2
2
2
4
0
0
1996 1997 1998 1999 2000 2001 2002 2002 2003
Năm
1989 1990 1991 1992 1993 1994 1995
Năm
Hình 1. Ứng dụng trí tuệ nhân tạo trong lĩnh vực dầu khí [9]
Bảng 2. Ứng dụng của kỹ thuật trí tuệ nhân tạo trong lĩnh vực dầu khí
TT
1
2
3
4
5
6
7
8
9
10
11
12
Phương pháp
Fuzzy logic
Fuzzy logic, GA
ANN
Hybrid System
ANN
Thông số được dự báo
Xác định sự rò rỉ khí
Tính chất chất lưu
Độ rỗng, độ thấm, độ bão hòa
Độ rỗng, độ thấm của vỉa
Kẹt cần khoan
Tính chất của dầu và khí
Độ thấm vỉa
Sự cố trong quá trình khoan
Lựa chọn cấu trúc giàn biển
Độ ổn định thành giếng khoan
Các thông số về độ bền của đất đá
Đặc tính gaslift và tối ưu khai thác
Tài liệu tham khảo
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
SVM
SVM
CSR
ANN
ANN
Neuro-fuzzy
Hybird-SVM
DẦU KHÍ - SỐ 3/2019
33
THĂM DÒ - KHAI THÁC DẦU KHÍ
Nhiều kỹ thuật trí tuệ nhân tạo như mạng logic mờ
(fuzzy logic); thuật di truyền (genetic algorithm); huấn
luyện có giám sát máy (support vector machines); lập
luận theo tình huống (CBR); hệ trí tuệ nhân tạo lai (hybrid
systems) được ứng dụng rộng rãi trong công nghiệp dầu
khí [25, 26]. Trong bài báo này, nhóm tác giả chỉ tập trung
vào bài toán ứng dụng của mạng trí tuệ nhân tạo trong dự
báo áp suất nứt vỉa.
hình ANN có tiềm năng tính toán quan trọng. Nó có thể
thực hiện các phép toán logic cơ bản như AND, OR và
NOT khi các trọng số và ngưỡng được chọn phù hợp.
Sự liên kết giữa các ANN với cách thức khác nhau sẽ tạo
nên các loại ANN với tính chất và khả năng làm việc khác
nhau.
2.2. Cấu trúc ANN
Nhìn chung, các nghiên cứu đều cho thấy cấu trúc của
một ANN gồm 3 phần là lớp dữ liệu đầu vào (input layer),
lớp ẩn (hidden layer) và lớp dữ liệu đầu ra (output layer).
Mỗi lớp này đều được cấu tạo từ một số lượng neuron.
Mỗi neuron là một đơn vị xử lý thông tin của ANN, là yếu
tố cơ bản để cấu tạo nên toàn mạng. Các neuron này nhận
các dữ liệu vào, xử lý chúng và cho ra một kết quả xử lý
để làm dữ liệu đầu vào cho một neuron khác. Thông tin
sau khi đi vào lớp đầu vào sẽ đi tới lớp ẩn, lớp này bao
gồm các neuron sẽ xử lý thông tin và chuyển sang các lớp
tiếp theo, cuối cùng là tới lớp kết quả đầu ra. Mỗi dữ liệu
đầu vào sẽ được đánh giá mức độ mạnh yếu hay độ quan
trọng thông qua một trọng số w ứng với mỗi neuron. Các
trọng số này có thể được thay đổi để đưa ra được giá trị
đầu ra phù hợp nhất.
2. Cơ sở lý thuyết về ANN
2.1. Mô hình ANN
Với mục đích tạo ra mô hình tính toán phỏng theo
cách làm việc của neuron trong bộ não con người, vào
năm 1943, McCulloch và Pitts [27] đã đề xuất mô hình
toán cho một neuron (Hình 2).
Trong mô hình này, một neuron thứ i sẽ nhận các
tín hiệu vào xj với các trọng số tương ứng là wij, tổng các
∑
thông tin vào có trọng số là
thời điểm t + 1 được tính từ các thông tin đầu vào như sau:
( )
. Thông tin đầu ra ở
= 1
(
)
∑
+ 1 = (
− )
(1)
Trong đó, g là hàm kích hoạt (còn gọi là hàm chuyển)
có dạng là hàm bước nhảy, đóng vai trò biến đổi từ thông
tin đầu vào thành tín hiệu đầu ra:
Cấu trúc ANN được xác định bởi 5 yếu tố: (1) số lượng
các dữ liệu đầu vào/đầu ra; (2) số lượng các lớp của mạng;
(3) số lượng neuron trong mỗi lớp (lớp đầu vào, lớp ẩn, lớp
đầu ra) của mạng; (4) các trọng số để liên kết các neuron;
(5) cách liên kết giữa các neuron (trong một lớp và giữa
các lớp) với nhau.
1 ế
0 ế
> 0
≤ 0
( )
=
(2)
Như vậy, out = 1 (ứng với việc neuron tạo tín hiệu đầu
ra) khi tổng các tín hiệu vào lớn hơn ngưỡng θi, còn out
= 0 (neuron không tạo tín hiệu ở đầu ra) khi tổng các tín
hiệu vào nhỏ hơn ngưỡng θi.
Đối với ANN, việc quyết định số lượng neuron của lớp
ẩn rất phức tạp, phụ thuộc vào nhiều yếu tố: (1) số lượng
neuron của lớp dữ liệu đầu vào và đầu ra; (2) lượng dữ
liệu của quá trình luyện; (3) hàm sử dụng trong quá trình
luyện; (4) thuật toán huấn luyện của mạng neuron.
Trong mô hình neuron của McCulloch và Pitts, các
trọng số wij thể hiện ảnh hưởng của khớp nối trong liên
kết giữa neuron j (neuron gửi tín hiệu) và neuron i (neu-
ron nhận tín hiệu). Trọng số wij dương tương ứng với khớp
nối kích thích, trọng số âm ứng với khớp nối ức chế và wij
bằng 0 khi không có liên kết giữa 2 neuron. Hàm chuyển
g ngoài dạng hàm bước nhảy còn có thể chọn nhiều dạng
khác nhau.
Để sai số của quá trình xử lý của ANN là thấp nhất,
cũng như để quá trình này hoạt động hiệu quả, số lượng
neuron của lớp ẩn, cũng như số lớp ẩn cần được lựa chọn
phù hợp và tối ưu nhất, theo nguyên tắc: nếu quá ít neu-
ron sẽ dẫn tới sai số cao cho cả hệ thống và yếu tố đầu
ra cần dự báo sẽ trở nên rất khó khăn vì số lượng neuron
quá ít để có thể thực hiện được. Ngược lại khi quá nhiều
neuron thì mạng neuron sẽ hoạt động mất rất nhiều
thời gian và trở nên không hiệu quả. Vì vậy, việc quyết
định được số lượng lớp ẩn cũng như số lượng neuron
trong lớp này vô cùng quan trọng. Thường không có quy
tắc nào trong việc lựa chọn các giá trị này, việc xác định
được thực hiện bằng phương pháp thử-sai, đến khi nào
Thông qua cách mô hình hóa đơn giản một neuron
sinh học như trên, McCulloch và Pitts đã đưa ra một mô
Hình 2. Mô hình ANN [27]
DẦU KHÍ - SỐ 3/2019
34
PETROVIETNAM
giá trị sai số giữa giá trị đầu ra của mạng và giá trị thực
nhỏ nhất có thể.
Vì đầu vào của lớp thứ m là một hàm tường minh của
trọng số và ngưỡng, nên
− 1
=
+
∑
(8)
2.3. Thuật toán truyền ngược
Trong số nhiều loại ANN, mạng neuron nhiều lớp
ẩn với thuật toán truyền ngược là phương pháp được sử
dụng phổ biến nhất hiện nay [28]. Một ANN đặc trưng
chứa một lớp đầu vào, một lớp đầu ra và một hoặc nhiều
lớp ẩn.
Trong đó,
Thành phần thứ 2 phương trình (6) và (7) được tính
theo công thức:
là ngưỡng đặc trưng neuron thứ j.
− 1
(9)
=
Thuật toán truyền ngược là sự mở rộng của phương
pháp bình phương tối thiểu, được phát triển dựa trên cơ
sở đào tạo dữ liệu của ANN đa lớp, với mục tiêu làm giảm
sai số nhỏ nhất có thể giữa giá trị dự báo và giá trị yêu cầu.
Thuật toán truyền ngược sử dụng chuỗi các quy tắc để
tính đạo hàm bình phương sai số với biến số là các trọng
số và ngưỡng trong các lớp ẩn. Những đạo hàm này được
gọi là vector độ nhạy. Một vài thuật toán phi tuyến tính
như thuật toán giảm bước (steepest descent algorithm),
phương pháp Newton (Newton’s method) và thuật toán
gradient liên hợp (conjugate gradient algorithm) được sử
dụng để giảm thiểu sai số trong quá trình đào tạo.
(10)
= 1
Độ nhạy của hàm J theo sự thay đổi thành phần thứ j
của dữ liệu đầu vào tại lớp m được đặc trưng bởi thông số
, do đó phương trình (6) và (7) được viết lại như sau:
(11)
(12)
=
=
Thay ngược lại vào phương trình (4) và (5) ta có:
Như đã đề cập trước đó, thuật truyền ngược trình bày
tổng quát của phương pháp bình phương tối thiểu để
giảm hàm mục tiêu, nghĩa là làm hạn chế sai số giữa giá
trị dự báo o(m) và giá trị thực y. Hàm mục tiêu được thể
hiện như sau:
− 1
(13)
(14)
(
)
( )
−
+ 1 =
(
)
( )
−
+ 1 =
Dạng ma trận,
( )
[
]
( )
( )
)]
=
=
[( −
) ( −
(3)
− 1
(
)
( )
−
+ 1 =
(15)
(16)
Trong đó, m đặc trưng cho trọng số và ngưỡng trong
tất cả các neuron.
(
)
( )
−
+ 1 =
Với thuật toán giảm bước, giá trị nhỏ nhất của hàm
mục tiêu được xác định bằng công thức:
Trong đó
=
=
,
, … ,
(17)
[
]
1
2
(
)
( )
( )
+ 1 =
−
−
(4)
(5)
Vector sm là vector độ nhạy tại lớp m và được tính từ
độ nhạy lớp m + 1, nó được tính từ công thức của lớp sau,
nên gọi là truyền ngược. Ma trận Jacobian biểu diễn phép
tính ngược của độ nhạy, được định nghĩa như sau:
(
)
+ 1 =
Trong đó:
là trọng số đặc trưng liên kết neuron
+ 1
+ 1
thứ i với neuron thứ j; k là số bước lặp; m là lớp trong mạng
neuron; ζ là tốc độ huấn luyện.
1
1
[
⋯
⋱
[
+ 1
1
(18)
=
⋮
⋮
+ 1
+ 1
+ 1
+ 1
Sử dụng chuỗi quy tắc, đạo hàm của hàm J theo trọng
số và ngưỡng được tính toán theo:
⋯
1
Thành phần cột i, hàng j của ma trận Jacobian được
thể hiện trong công thức sau:
(6)
(7)
=
=
DẦU KHÍ - SỐ 3/2019
35
THĂM DÒ - KHAI THÁC DẦU KHÍ
+ 1
+ 1
+ 1
3. Kết quả nghiên cứu
∑
(
+
=
+ 1
=
=
3.1. Thông số đầu vào
(19)
(
)
+ 1
+ 1
Kết quả phân tích các mô hình lý thuyết dự báo áp
suất nứt vỉa thành hệ cho thấy áp suất nứt vỉa phụ thuộc
vào ứng suất địa tĩnh (δob), áp suất lỗ rỗng (Pf), hệ số Pois-
son (µ), tuổi thành hệ, độ sâu và tỷ trọng đất đá. Tùy vào
dữ liệu của các giếng khác nhau để chọn thông số đầu
vào phù hợp. Cần lưu ý rằng một số thông số đầu vào lại
có tương quan với nhau như: hệ số Poisson phụ thuộc vào
tỷ trọng riêng, tỷ số thành phần ứng suất hữu hiệu và tuổi
thành hệ. Do đó, mối liên hệ giữa khối lượng riêng của
thành hệ với gradient áp suất lỗ rỗng và chiều sâu đã gián
tiếp bao gồm trong đó và thể hiện được sự ảnh hưởng tới
áp suất nứt vỉa. Vì vậy, việc lựa chọn thông số đặc trưng để
đưa vào mô hình cần được cân nhắc kỹ. Sau khi tính toán
và kiểm nghiệm, nhóm tác giả đề xuất các thông số đầu
vào cho mô hình như Bảng 3.
=
(
)
(
Trong đó
trở thành
) , vì vậy ma trận Jacobian
(20)
(
) =
+1
=
(
)
(
)
⋯
0
⋮
1
(21)
(
)
⋮
⋱
=
[
]
0
⋯
(
)
1
Sau một chuỗi các phép toán, các vector độ nhạy tại
các lớp khác nhau thể hiện qua công thức:
+ 1
+1
(
)(
)
=
=
=
(
)
+1
+ 1
(22)
+ 1
+ 1
Tổng số 368 điểm dữ liệu được chọn cho một giếng
đã được khoan tại bể Nam Côn Sơn nhằm so sánh kết quả
tính toán với kết quả đo áp suất nứt vỉa thực tế tại một số
vị trí. Các dữ liệu đầu vào gồm: ứng suất địa tĩnh (δob), áp
suất lỗ rỗng (Pf), hệ số Poisson (µ) và độ sâu. Trong đó, 2/3
dữ liệu được chọn từ tập hợp dữ liệu tổng để thành lập
tập dữ liệu đào tạo (training). Trong số 1/3 dữ liệu còn lại,
một nửa được chọn để thiết lập tập dữ liệu phê chuẩn
(validation) và một nửa là của tập dữ liệu kiểm tra (test-
ing). Những điểm dữ liệu cho mỗi tập hợp được chọn từ
tập hợp tổng được phân bố sao cho vẫn giữ được sự đồng
nhất giống với tập dữ liệu tổng [29].
(
)(
)
=
Do đó, độ nhạy của sai số có thể được truyền ngược từ
lớp cuối cùng đến lớp đầu tiên. Tại lớp thứ l, độ nhạy bằng:
(
) (
)
( ∑ = 1
(
)2)
(
−
−
)
−
=
=
=
(23)
( )
= − 2(
−
)
= − 2(
= − 2(
−
)
= − 2(
−
)
−
) ( )
Theo dạng ma trận, phương trình (23) được viết lại
thành:
Trong mô hình ANN, nhóm tác giả sử dụng các
thông số độ sâu, hệ số Poisson, ứng suất lớp phủ và áp
suất lỗ rỗng làm dữ liệu đầu vào để dự báo áp suất nứt
vỉa (Bảng 3).
( )(
)
= − 2
−
(24)
Tóm lại, thuật toán truyền ngược cho mạng neuron
đa lớp được tóm tắt gọn như sau: (i) dữ liệu đầu vào
được truyền thẳng trong mạng từ lớp đầu tiên đến lớp
cuối, (ii) tính toán vector sai số và vector độ nhạy, (iii)
vector độ nhạy truyền ngược trong mạng từ lớp cuối
đến lớp đầu tiên và (iv) các trọng số và ngưỡng được
cập nhật trong suốt quá trình lan truyền bằng quy tắc
giảm bước.
3.2. Xây dựng mô hình
Sau khi dữ liệu được tập hợp, bước tiếp theo trong
đào tạo một mạng là tạo ra một đối tượng mạng. Qua quá
trình nghiên cứu và thử nghiệm, nhóm tác giả sử dụng
mạng lan truyền ngược (feed-forward backpropagation)
với 2 lớp ẩn, 1 lớp đầu vào và 1 lớp đầu ra. Tiếp theo là
Bảng 3. Phạm vi của các thông số đầu vào và đầu ra của mạng neuron (368 điểm của một giếng khoan thuộc bể Nam Côn Sơn)
Thông số
Độ sâu (m)
Giá trị nhỏ nhất
Giá trị lớn nhất
3413,12
225,47
Ứng suất địa tĩnh (ppg)
Áp suất lỗ rỗng (ppg)
Hệ số Poisson
667,101
8,81267
0,188404738
7,90831
13872,7
18,8291
0,414834946
18,6784
Áp suất nứt vỉa (ppg)
DẦU KHÍ - SỐ 3/2019
36
PETROVIETNAM
Lớp ẩn 1
Lớp ẩn 2
Lớp đầu ra
Đầu ra
Đầu vào
W
b
W
b
1
4
12
10
1
Hình 3. Sơ đồ cấu trúc mạng neuron
Bảng 4. Trọng số và ngưỡng của lớp ẩn thứ nhất
Lớp ẩn 1
Trọng số
Neuron
Ngưỡng
1
2
3
4
1
2
3
4
5
6
7
8
9
-0,52048
0,61856
-1,2951
1,3596
-2,3496
1,7719
-0,98796
-0,66979
0,37842
1,488
1,5535
-0,01865
-0,94171
1,5402
-2,2423
-2,0502
-1,6688
-0,74996
-0,45597
-1,2678
2,1558
-0,23488
-1,0741
1,765
2,3779
-2,2575
1,262
-1,0919
0,43587
-0,41494
0,057315
-0,66435
1,125
-0,01363
-0,46325
-0,21983
-1,3583
0,057823
0,53053
1,8355
1,8014
0,08929
0,90068
0,86185
-1,8686
-1,098
-0,02608
-1,0153
1,3159
1,5757
10
11
12
0,79276
-0,40828
1,2146
1,7931
-2,1895
2,6654
-1,512
1,6715
1,7788
-0,3573
log-sigmoid, hàm pure linear được sử dụng cho lớp đầu
ra. Những hàm đó được biểu diễn như sau:
Dữ liệu tốt nhất là 0,00027181 tại lần lặp thứ 219
Huấn luyện
Phê chuẩn
Kiểm tra
Tốt nhất
102
100
2
1
( )
( )
( )
=
=
− 1;
=
;
−
− 2
1+
1+
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.
10-2
10-4
0
50
100
225 lần lặp
150
200
Hình 4. Đồ thị biểu diễn hiệu suất của ANN 4-12-10-1
chọn số lượng neuron trong mỗi lớp. Số lượng neuron
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.
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
Hình 3 biểu diễn cấu trúc mạng mô phỏng. Những
hàm hoạt động cho những lớp ẩn là hàm tag-sigmoid và
DẦU KHÍ - SỐ 3/2019
37
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).
DẦU KHÍ - SỐ 3/2019
38
PETROVIETNAM
Phê chuẩn: R = 0,99998
Huấn luyện: R = 0,99998
18
16
14
12
10
8
18
16
14
12
10
8
Data
Fit
Y = T
Data
Fit
Y = T
8
10
12
14
16
18
8
10
12
14
16
18
Mục tiêu
Mục tiêu
Kiểm tra: R = 0,99997
Tổng: R = 0,99998
18
18
16
14
12
10
8
Data
Fit
Y = T
Data
Fit
Y = T
16
14
12
10
8
8
10
12
14
16
18
8
10
12
14
16
18
Mục tiêu
Mục tiêu
Hình 5. Đồ thị hồi quy của ANN
4. Kết luận
Áp suất (ppg)
12
13
14
15
16
17
18
19
20
21
2400
2500
2600
2700
2800
2900
3000
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.
Bellotti
and Giacca
Hubbert
and Willis
LOT
ANN
Eaton
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
DẦU KHÍ - SỐ 3/2019
39
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.
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.
Tài liệu tham khảo
1. M.King Hubbert, David G.Willis. Mechanics of
hydraulic fracturing. Society of Petroleum Engineers. 1957;
210: p. 153 - 163.
15. Fatai Adesina Anifowose, AbdlAzeem Oyafemi
Ewenla, Safiriyu Ijiyemi Eludiora. Prediction of oil and
gas reservoir properties using support vector machines.
International PetroleumTechnology Conference, Bangkok,
Thailand. 15 - 17 November, 2011.
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.
16. R.Gholami, A.R.Shahraki, M.Jamali Paghaleh.
Prediction of hydrocarbon reservoirs permeability using
support vector machine. Mathematical Problems in
Engineering. 2012.
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.
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.
5. L.A.MacPherson, L.N.Berry. Prediction of fracture
gradients from log derived moduli. The Log Analyst. 1972.
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.
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.
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.
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.
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.
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.
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.
11. S.J.Cuddy, P.W.J.Glover. The application of fuzzy
logicandgeneticalgorithmstoreservoircharacterizationand
modeling. Soft Computing for Reservoir Characterization
and Modeling. 2002.
22. Schlumberger Oilfield Glossary. Oilfield glossary.
12. Alpana Bhatt, Hans B.Helle. Committee neuron
networks for porosity and permeability prediction from well
logs. Geophysical Prospecting. 2002: p.645 - 660.
23. Adam Bourgoyne Jr, Keith Miliheim, Martin
Chenevert, KS Young Jr. Applied drilling engineering.
Society of Petroleum Engineers. 1986.
13. Fatai
Adesina
Anifowose,
Abdulazeez
24. Jincai Zhang, Shang-Xian Yin. Fracture gradient
prediction: an overview and an improved method. Petroleum
Science. 2017; 14(4): p. 720 - 730.
Abdulraheem. Prediction of porosity and permeability of oil
and gas reservoirs using hybrid computational intelligence
DẦU KHÍ - SỐ 3/2019
40
PETROVIETNAM
25. Opeyemi Bello, Javier Holzmann,TanveerYaqoob,
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.
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.
26. Agnar Aamodt, Enric Plaza. Case-Based reasoning:
Foundational issues, methodological variations, and system
approaches. Artificial Intelligence Communications. 1994;
7(1): p. 39 - 52.
29. M.H.Beale, M.T.Hagan, H.B.Demuth. Neuron
network toolbox user's guide. The MathWorks. 2015.
APPLICATION OF ARTIFICIAL NEURAL NETWORK IN FRACTURE
PRESSURE PREDICTION
Nguyen Van Hung, Dang Huu Minh
Petrovietnam University
Email: hungnv@pvu.edu.vn
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.
DẦU KHÍ - SỐ 3/2019
41
10 trang
16/04/2022
1840
Bạn đang xem tài liệu "Ứng dụng ANN trong dự báo áp suất nứt vỉa", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- ung_dung_ann_trong_du_bao_ap_suat_nut_via.pdf
