Войти в мой кабинет
Регистрация
ГОТОВЫЕ РАБОТЫ / РЕФЕРАТ, НЕФТЕГАЗОВОЕ ДЕЛО

Применение нейронных сетей в нефтегазовой индустрии.

happy_woman 190 руб. КУПИТЬ ЭТУ РАБОТУ
Страниц: 19 Заказ написания работы может стоить дешевле
Оригинальность: неизвестно После покупки вы можете повысить уникальность этой работы до 80-100% с помощью сервиса
Размещено: 08.01.2021
В настоящий момент можно выделить три потенциальные сферы где идет развитие технологий на основе искусственного интеллекта: геологоразведка, добыча и стратегическое планирование. В геологоразведке использование искусственного интеллекта позволит более эффективно интерпретировать данные сейсмических исследований и разведочного бурения. С такой методикой можно позволить сократить количество пробуренных скважин и проводимых тестов для определения характеристик месторождений, что в свою очередь будет способствовать экономии денежных средств и временных ресурсов. В технологиях добычи нефти развивается такое направление, как «умные месторождения» и «умные скважины». Их продвигают такие зарубежные нефтяные компаниями, как Chevron, BP и Shell. Такие месторождения и скважины предполагают дистанционное управление объектами газонефтедобычи, что позволяет сократить издержки и увеличить коэффициент извлечения нефти. Согласно исследованию, проведенному Cambridge Energy Research Association (CERA), отдача на «умных месторождениях» уже сейчас на 1-9% выше, чем на традиционных. И это только экспериментальная фаза развития подобных технологий. Следовательно, можно судить о том, что с развитием технологии в различных сферах деятельности так или иначе вводятся новые технологии. Нейронные сети по мере своего развития включаются в нефтегазовую отрасль для упрощения взаимодействий с системой добычи, увеличения добываемого продукта и автоматизации процесса. Большое использование такие технологих в нефтегазовом промысле, тем меньше и меньше используется человеческий труд как ручной, но появляется нужда в высококвалифицированных специалистов, которые умеют работать с новейшими технологиями и увеличивать коэффициенты и уровень производства.
Введение

Нейронная сеть (также искусственная нейронная сеть) –матмодель, а также её программное или аппаратное обеспечение, построенное по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма [1]. На сегодняшний день нейронные технологии применяются повсеместно и исключением не является и нефтегазовая отрасль. Искусственный интеллект учёные представляют всему миру как самодостаточное научное направление. Если же рассматривать его в старом аспекте, то данные знания как отдельная область науки получили широкое распространение и пoпулярнoсть в середине двадцатого века. Основоположником науки об искусственном интеллекте принято считать учёного с мирoвым именем – Тьюринга. Именно он первый сравнил человека с «умной машиной», которую сложно отличить от людей по внешним качествам. Сегодня при значительных достижениях в науке, технике, технологиях, процессам цифрового улучшения активов фирмы, а также при финансовых возможностях современных предприятий нефтегазового комплекса внедрение искусственного интеллекта не кажется далёким будущим. Актуальность темы исследования искусственного интеллекта связана с накопленным за значительный отрезок времени учёными опытом, а также с очень большими затратами (расходами), так как это высокотехнологичные достижения науки [1]. Искусственная нейронная сеть представляет собой вычислительную систему с большим количеством одновременно функционирующих простых процессоров с множеством связей. Искусственный интеллект основывается на самообучаемых искусственной нейронной системе, что, в свою очередь, представляет систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов) [2]. То есть преимуществом искусственных нейронных сетей является не их программируемость, а «обучаемость». И это означает, что нейронная сеть сама должна настроить веса связей согласно выборке, представленной для обучения. Авторы предлагают выстраивать обучение сетей на базе сети Интернет — метод практикуется и используется в развитии робота Софии, похожего на человека.
Содержание

ВВЕДЕНИЕ 3 1 Использование нейронных сетей в нефтегазовой отрасли 5 1.1 Нейронные сети 6 1.2 Интерпретация геологических данных 8 1.3 Эксплуатация месторождений 8 1.4 Прогнозирование цен 10 2 Цифровая трансформация нефтегазовой отрасли 11 2.1 Первые шаги к трансформации 11 2.2 Оцифровка нефтедобычи 12 2.3 Ожидания и перспективы 12 2.4 Автоматизация переработки 13 2.5 Выгода цифровизации в разработке и добычи 15 ЗАКЛЮЧЕНИЕ 16 Список используемых источников 18
Список литературы

1 Нейронная сеть // Большая российская энциклопедия: 35 т. / гл. ред. Ю. С. Осипов. – М.: Большая российская энциклопедия, 2004–2017. 2 Горбань А.Н. Обучение нейронных сетей. — М.: СССР-США СП «Параграф», 1990. — 160 с 3 Еремин Д. М., Гарцеев И. Б. Искусственные нейронные сети в интеллектуальных системах управления. – М.: МИРЭА, 2004. – 75 с. 4 Тадеусевич Рышард, Боровик Барбара, Гончаж Томаш, Леппер Бартош. Элементарное введение в технологию нейронных сетей с примерами программ / Перевод И. Д. Рудинского. — М.: Горячая линия — Телеком, 2011. – 408 с. 5 Подольский, А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. №3. С. - 33-36 6 Борисов А.С., Куликов С.А. Искусственные нейронные сети в прогнозировании нефтегазоносности по данным сейсморазведки // Казанский (Приволжский) федеральный университет, Институт геологии и нефтегазовых технологий. 2012. 7 Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974. 8 Демарчук В.В. Перспективы и направления реализации проектов «интеллектуальных» месторождений нефти и газа // Молодой ученый. 2014. № 19. С. 284–289. 9 Родина С.Н., Силкин К.Ю. Применение нейросетевого подхода при интерпретации каротажных данных // Вестник ВГУ, Геология. 2007. № 2. С.184–188. 10 Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга / под ред. С.М. Осовца. М.: Мир, 1965.
Отрывок из работы

1 Использование нейронных сетей в нефтегазовой отрасли В последние годы произошло значительное падение стоимости на сырье, в первую очередь на нефть – это явление которое произошло не в первый раз, а новое равновесное состояние рынка, которое сформировалось в результате инноваций. В такой ситуации преимущество получают те производители, которые могут быстро приспособиться к низким ценам, снизив издержки и повысив эффективность. До последнего времени основной движущей силой нового развития энергетического сектора была «сланцевая революция». Ситуация быстро меняется, поэтому сейчас в нефтегазовой индустрии идет активный поиск новых технологических решений, которые позволили бы ей пережить период низких цен. Одно из самых обсуждаемых и быстрорастущих направлений — технологии «искусственного интеллекта» [3]. Три основных направления использования таких технологий: интерпретация геологических данных, эксплуатация месторождений (умных месторождений — smart fields) и прогнозирование цен. Методы, которые были получены совсем недавно позволяют на основе искусственного интеллекта повышать результативность проводимых работ как в геологоразведке, так и в добыче — дает вероятность добиваться лучшего итога с меньшими расходами. В новых рыночных условиях, сформировавшихся в энергетическом и горнодобывающем секторах, весьма значимо применять все доступные механизмы, дабы увеличить результативность. Позже снижения цен на сырьевые товары добывающим компаниям необходимы больше точные способы прогнозирования, которые дозволили бы проанализировать метаморфозы на рынке и усовершенствовать тактическое проектирование. Падение стоимости на нефть и другие бытовые товары, протекавшее в последние два года, бросает серьезный вызов добывающим компаниям. Малые цены принуждают их искать новые инновационные решения — пути возрастания производительности как нынешней операционной деятельности, так и тактического планирования. Можно выразить одно из таких направлений – искусственный интеллект. Искусственный интеллект — это способность программных систем делать точно такое же человеческое мышление для выполнения различных задач: ? обучение (восприятие информации, ее обработка и определение правил ее использования); ? умозаключение (применение этих правил для совершения определенных выводов и принятия решений); ? самокоррекция (самостоятельное исправление неправильных результатов с учетом накапливаемого опыта) и др. Искусственный интеллект соперничает с человеческим по точности, мощности и скорости. Он способен воспринимать огромное число громоздких данных, стремительно структурировать их, производить обзор и давать на выходе нужный итог (в зависимости от загружаемых данных и поставленной задачи — идентификация образов, управление, прогнозирование и т. д.). Очень знаменитыми являются области использования искусственного интеллекта – идентификация образов (текстов, изображений, речи, лиц и др.), «компьютерное зрение» (технология, дозволяющая компьютерам определять, отслеживать и систематизировать объекты), машинный перевод, игровые программы, обработка и обзор данных и многое другое. Существенную роль искусственный интеллект играет и в работе нефтегазового промысла – от интерпретации геологических данных до последнего момента – добычи углеводородов. Его привлечение приводит к снижению расходов и к возрастанию результативности производства. Особенно распространенным способом, основанным на искусственном интеллекте, — как в этой отрасли, так и в целом — являются искусственные нейронные сети [4]. 1.1 Нейронные сети Искусственная нейронная сеть – матмодель биологической нейронной сети, выполняющая точно такую же работу как работа нервозной системы и головного мозга человека. Искусственная нейронная сеть состоит из объединенных и взаимодействующих между собой примитивных процессоров — искусственных нейронов. По своей сути искусственная нейронная сеть является механизмом обработки информации – способной к обучению вычислительной системой со большинством самостоятельно протекающих процессов. В ходе обучения, которое может осуществляться с «учителем» либо даже без него, нейронная сеть берет входные данные, подстраивается под них, меняя свою конструкцию и внутренние параметры, а после этого выдает на выходе преобразованные данные. Схематичное представление нейронной сети представлено на рисунке 1. Зелёным цветом обозначены входные нейроны, голубым – спрятанные нейроны, жёлтым – выходной нейрон [5]. На основе обучающей выборки искусственная нейронная сеть настраивает веса связей – соединений между процессорами-нейронами – так, дабы сеть давала результаты, максимально близкие к верным, уже известным. Такую систему дозволено «обучить», добавив в нее новую внешнюю информацию и получив настройку весовых показателей. Превосходство нейронных сетей заключается в том, что они могут обобщать информацию, трудиться с различно форматными, ложными и даже отсутствующими данными [6]. Первая простейшая искусственная нейронная сеть – «перцептрон» — была предложена американским психологом и нейрофизиологом Фрэнком Розенблаттом в 1959 году. Она представляла собой сеть с искусственными нейронами с одним скрытым слоем и являлась кибернетической моделью работы мозга, способной обучаться с учителем. Позже он рассматривал также модели многослойных персептронов (с несколькими слоями спрятанных нейронов) с перекрестными и обратными связями. Прорыв в становлении неестественных нейронных сетей был связан с разработкой алгоритмов обратного распространения ошибки — способа обучения многослойного перцептрона. Впервые алгоритм был описан в 1974 году А.И. Галушкиным и единовременно Полом Дж. Вербосом [7]. Рисунок 1Схематичное представление нейронной сети Обычные нейронные сети 1980–1990-х годов имели ряд ограничений в применении, что унимало их широкое распространение, скажем, весьма долгое время обучения — по мере увеличения числа входов и внутренних слоев сети время, требуемое для обучения, растет экспоненциально. Дополнительной характерной задачей неестественных является неоптимальность итогового результата и понимание того, что там не осознать, как данный итог был получен (результат «черного ящика») [2]. Результативный способ обучения многослойных нейронных сетей возник позднее и получил наименование «глубокое обучение» (deep learning). Данный способ является разновидностью машинного обучения и полагает многоуровневую обработку информации с применением нелинейных реформирований. Вследствие «глубокому обучению» трудные искусственные нейронные сети способны учиться на своем навыке без «учителя», формируя в процессе обучения многоуровневые иерархические конструкции данных [2]. На данный момент в мире существует несколько больших исследовательских центров, которые занимаются разработкой алгорифмов на основе нейронных сетей, — к ним, скажем, к ним относится лаборатория Массачусетского технологического университета (MIT). В России ведущей организацией в этой сфере является Вычислительный центр РАН им. А.А. Дородницына. Первоначально акцент делался на таких направлениях, как идентификация речи и текста, «компьютерное зрение» в робототехнике. Сегодня все больше существенную роль искусственный интеллект играет в работе нефтегазовой отрасли — от интерпретации геологической информации до собственно добычи нефти и газа. Его использование дозволяет снижать соответствующие затраты и повышать результативность исполняемых операций [3]. Остановимся подробнее на тех сферах нефтегазового сектора и других сырьевых направлений, где искусственный интеллект теснее внедрен в реальную практику. 1.2 Интерпретация геологических данных Искусственные нейронные сети благополучно используются в решении геофизических и геотехнических задач. Привлечение искусственная нейронная сеть разрешает сократить требуемое число скважин и проводимых тестов для определения характеристик грунтов и свойств коллекторов, приводя к существенной экономии денежных средств и времени. Скажем, применение нейронных сетей в картографировании почвенных слоев на севере Ирана показало высокую степень точности предсказания обученных моделей на основе искусственный нейронной сети – около 90% (при сопоставлении с данными тестовых скважин). Использование нейронных сетей снижает стоимость проводимых изысканий, улучшает качество геологической оценки и облегчает интерпретацию конструкции подземных слоев. Полезность таких нейронных сетей объясняется их возможность обрабатывать огромный объем данных, трудиться с нелинейными взаимосвязями, умение приспособиться к изменяющимся условиям, обобщать и обучаться. Искусственные нейронные сети, наравне с линейными регрессиями, используются для прогнозирования разных геофизических параметров, для построения кривых геофизических изысканий скважин. Искусственные нейронные сети применяются в геофизике также для интерпретации каротажных данных интерпретации данных сейсмических слежений, определения литологической конструкции и границ геологических объектов, обзора водной насыщенности и проницаемости. Обзор геологических данных весьма значим для оценки содержания газа в нефти на исследуемых участков. Искусственные нейронные сети разрешают исследовать геологический разрез по материалам сейсморазведки (особенно эффективный геофизический способ нахождения углеводородов). Использование искусственного интеллекта в этом направлении увеличивает результативность геологоразведочных работ, повышая их скорость, точность дает возможность снизить затраты [6]. 1.3 Эксплуатация месторождений Искусственный интеллект также используется в эксплуатации месторождений. Наглядным примером являются «интеллектуальные» месторождения. Такие месторождения полагают удаленное управление объектами нефтегазодобычи и персоналом с поддержкой разных способов искусственного интеллекта. Автоматизация процесса повышает производительность освоения: уменьшает издержки при одновременном росте добычи сырья (в итоге роста, эффективности энергетического возрастания продуктивности оборудования и персонала), оптимизирует процесс управления, содействует большей открытости и прозрачности информации [5]. Исследование Кембриджской ассоциации энергетических изысканий выявило, что показатели добычи на «умных» месторождениях на 2–10% выше, чем на «нецифровых» Большие интернациональные нефтегазовые компании нередко владеют отдельными подразделениями, которые занимаются спецтехнологиями «интеллектуализации» месторождений. Среди таких компаний – Shell («Smart Fields»), BP («Field of the Future»), Chevron («iFields»), а также Saudi Aramco, Petrobras, Kuwait Oil и др. Первые навыки с «интеллектуальными» месторождениями проводятся и в России. Один такой план реализуется совместным предприятием компаний Shell и «Газпромнефть» с компанией «Салым Петролеум». Вследствие стремительной передачи информации на пункты управления растет результативность применения фонда скважин, снижаются расходы на эпсплуатацию (в итоге сокращения поездок операторов на промысел), оптимизируется закачка воды в пласт, возрастают объем и скорость добычи. В 2008 году на нескольких площадках Западно-Салымского месторождения был запущен пилотный план, а к 2010 году спецтехнология была внедрена на всех скважинах нефтепромысла. Высокоинтеллектуальное управление скважинами коллекторами повысило добычу «Салым Петролеум» в среднем на 3-4% в год, сократив внеплановые простои. Разновидностью умственных спецтехнологий в нефтегазовом деле является «умные» скважины – smart wells. Такая спецтехнология разрешает добывать нефть из различных коллекторов и при этом вести постоянный контроль отдельно по всему пласту. В России «умные скважины» впервой были применены той же компанией «Салым Петролеум» в конце 2006 года в северной части Ваделыпского месторождения. Спецтехнология smart wells уменьшает число кустов скважин и объемы строительства внутри промысловой инфраструктуры, снижая тем самым капитальные затраты и сокращая пагубное воздействие на окружающую среду. С момента первого запуска искусственного разума в мировой индустрии разведки и добычи прошло примерно 30-35 лет. Первоначально оно было в интерпретации каротажных диаграмм и в диагностике бурового оборудования с применением нейронных сетей. Позднее сфера использования искусственного разума в нефтегазовой ветви расширилась и охватила следующие направления: определение колляций коллекторов, оптимизация конструкций скважин, их тестирование, оптимизация процесса бурения, обзор гидроразрыва пласта, оптимизация газлифта, обзор повреждения породы, оптимизация добычи нефти, обзор рисков планов по возрастанию добычи нефти. Скажем, применение пород разрушающих инструментов со встроенными компьютерными чипами, нацеленных на поиск трещин в породе, повышает результативность водного разрыва пласта [4].
Не смогли найти подходящую работу?
Вы можете заказать учебную работу от 100 рублей у наших авторов.
Оформите заказ и авторы начнут откликаться уже через 5 мин!
Похожие работы
Реферат, Нефтегазовое дело, 21 страница
200 руб.
Реферат, Нефтегазовое дело, 18 страниц
200 руб.
Реферат, Нефтегазовое дело, 16 страниц
170 руб.
Реферат, Нефтегазовое дело, 17 страниц
170 руб.
Служба поддержки сервиса
+7(499)346-70-08
Принимаем к оплате
Способы оплаты
© «Препод24»

Все права защищены

Разработка движка сайта

/slider/1.jpg /slider/2.jpg /slider/3.jpg /slider/4.jpg /slider/5.jpg