Utilización de redes neuronales artificiales en la optimización de la historia de producción
Utilización de redes neuronales artificiales en la optimización de la historia de producción
Las redes neuronales artificiales son cada vez más populares en la industria de petróleo y gas. En el pasado, se han realizado estudios sobre el uso de redes neuronales artificiales en la caracterización, desarrollo y formación del yacimiento, por nombrar unos pocos. El objetivo de este estudio es proporcionar directrices para desarrollar con éxito y formar una red neuronal artificial (RNA), que se reserva a predecir las propiedades que pueden dar una mejor coincidencia en la historia de entrada en un modelo de simulación del yacimiento. Una RNA se ha desarrollado para mejorar la historia con un partido "pequeño" número de la simulación es de un yacimiento que produce petróleo, gas y agua por un período de diez años. Debido a la falta de protocolos específicos para este tipo de estudio, el proceso de ensayo y error se utilizó para establecer directrices y sugerencias.
La red neuronal se ha desarrollado utilizando un método inverso de solución para formular la formación y los datos de prueba. La normalización de los datos simplificados de la red neuronal, mejora de eficacia y mejora su rendimiento. La red de alimentación hacia adelante y atrás con la propagación y el sigmoide función tangente hiperbólica en las capas ocultas de la red ha demostrado ser más eficaz en la formación y aprendizaje.
Los resultados indicaron que los vínculos funcionales y valores propios de los diversos relacionados con el sistema de matrices son eficaces en la formación y aprendizaje. Estos siempre que la red con las conexiones necesarias de que los insumos estén vinculados a los productos. Era necesario para introducir diferencias entre la producción histórica y ejecuciones simuladas en momentos concretos con éxito la red de trenes para predecir el valor de las propiedades para el yacimiento. La estructura de datos y la producción de los intervalos de tiempo influyó en el tiempo de formación, así como la exactitud de las predicciones. Si los intervalos de tiempo son muy cortos, se produjo memorización, y la red no puede predecir con precisión las propiedades del yacimiento. La mayoría de los vínculos funcionales que tuvieron éxito en la formación y proceso de aprendizaje incluye las relaciones entre la permeabilidad y de otros factores tales como la porosidad, zonas de las regiones en el yacimiento y las distancias desde el productor hasta los límites de la reserva.
Tomado de:
www.spe.org
La red neuronal se ha desarrollado utilizando un método inverso de solución para formular la formación y los datos de prueba. La normalización de los datos simplificados de la red neuronal, mejora de eficacia y mejora su rendimiento. La red de alimentación hacia adelante y atrás con la propagación y el sigmoide función tangente hiperbólica en las capas ocultas de la red ha demostrado ser más eficaz en la formación y aprendizaje.
Los resultados indicaron que los vínculos funcionales y valores propios de los diversos relacionados con el sistema de matrices son eficaces en la formación y aprendizaje. Estos siempre que la red con las conexiones necesarias de que los insumos estén vinculados a los productos. Era necesario para introducir diferencias entre la producción histórica y ejecuciones simuladas en momentos concretos con éxito la red de trenes para predecir el valor de las propiedades para el yacimiento. La estructura de datos y la producción de los intervalos de tiempo influyó en el tiempo de formación, así como la exactitud de las predicciones. Si los intervalos de tiempo son muy cortos, se produjo memorización, y la red no puede predecir con precisión las propiedades del yacimiento. La mayoría de los vínculos funcionales que tuvieron éxito en la formación y proceso de aprendizaje incluye las relaciones entre la permeabilidad y de otros factores tales como la porosidad, zonas de las regiones en el yacimiento y las distancias desde el productor hasta los límites de la reserva.
Tomado de:
www.spe.org
