Ứng dụng ANN trong dự báo áp suất nứt vỉa

Bài viết 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.

THĂM DỊ - KHAI THÁC DẦU KHÍ TẠP CHÍ DẦU KHÍ Số - 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 công việc quan trọng lên kế hoạch thiết kế giếng khoan, cho phép kiểm soát, vận hành, kích thích giếng hoạt động hiệu Nếu dự báo khơng xác áp suất nứt vỉa gây vấn đề nghiêm trọng như: tuần hoàn dung dịch khoan xảy tượng "kick" dẫn đến phun trào… Bài báo giới thiệu ứng dụng trí tuệ nhân tạo lĩnh vực dầu khí, sử dụng phương pháp sử dụng ANN dựa liệu đầu vào gồm: độ sâu, hệ số Poisson, ứng suất địa tĩnh, áp suất lỗ rỗng liệu đầu áp suất nứt vỉa để xây dựng mơ hình dự báo áp suất nứt vỉa cho giếng khoan thuộc bể Nam Cơn Sơn Nhóm tác giả so sánh với kết dự báo phương pháp truyền thống cho thấy phương pháp sử dụng ANN cho kết dự báo áp suất nứt vỉa sát với kết đo thực tế Từ khóa: Áp suất nứt vỉa, ANN, bể Nam Côn Sơn Giới thiệu Áp suất nứt vỉa thông số quan trọng giai đoạn tiền thiết kế hệ thống khoan, khai thác kích thích vỉa, để tối ưu công tác khoan Việc xác định áp suất nứt vỉa phương pháp đo trực tiếp chi phí cao gặp nhiều khó khăn, xác định áp suất nứt vỉa phương pháp gián tiếp Các thông số áp suất lỗ rỗng, độ rỗng thành hệ, tỷ trọng đá, tính chất thạch học đất đá… theo độ sâu sử dụng làm liệu đầu vào để dự báo áp suất nứt vỉa Đồng thời, công thức dự báo sử dụng riêng cho đặc tính vùng dựa sở liệu có sẵn sử dụng Năm 1957, Hubbert Willis lần đầu đưa mối tương quan để tính áp suất nứt vỉa dựa vào áp suất lỗ rỗng, hệ số Poisson ứng suất lớp phủ theo độ sâu [1] Đến năm 1968, Pennebaker phát triển mối tương quan ứng suất lớp phủ tuổi thành hệ để xây dựng cơng thức dự báo [2] Eaton (1969) tìm cơng thức tính áp suất lỗ rỗng dựa vào ứng suất lỗ rỗng, hệ số Poisson độ sâu, áp dụng cho vùng Tây Texas vịnh Mexico [3] Từ đó, mối tương quan xác định dựa hiệu chỉnh, cải tiến để giúp kết dự báo áp suất nứt vỉa xác Bảng thống kê phương pháp truyền thống để xác định áp suất nứt vỉa công bố Mặc dù Ngày nhận bài: 2/5/2018 Ngày phản biện đánh giá sửa chữa: 2/5 - 14/6/2018 Ngày báo duyệt đăng: 6/3/2019 32 DẦU KHÍ - SỐ 3/2019 chấp nhận để áp dụng việc tính tốn, song tồn số nhược điểm dẫn đến kết sai số lớn Các tài liệu nghiên cứu gần cho thấy phương pháp sử dụng mạng neuron nhân tạo (ANN), logic mạng mờ thuật di truyền, sử dụng rộng rãi lĩnh vực dầu khí, kỹ thuật vector hỗ trợ (SVM), mạng chức (functional network) lập luận theo tình (case based reasoning)… sử dụng rộng rãi lĩnh vực dầu khí (Hình 1) Nhóm tác giả tổng hợp 17 ứng dụng kỹ thuật trí tuệ nhân tạo, bao gồm: (1) phát triển giao diện cho trình mơ phỏng; (2) minh giải đường log; (3) lựa chọn chng khoan; (4) chuẩn đốn q trình vận hành bơm; (5) lựa chọn minh giải mơ hình thử vỉa; (6) phân tích nứt vỉa thủy lực; (7) tối ưu hóa gas-lift; (8) phân loại vỉa dầu khí; (9) mối tương quan tính chất chất lưu (PVT); (10) phân tích độ rủi ro dự án thu hồi dầu tăng cường; (11) dự báo chế độ dịng chảy đường ống; (12) phân tích phá hủy thành hệ; (13) thiết kế 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 thiết kế giếng sử dụng thuật di truyền [9] Bảng tổng hợp tài liệu liên quan tới ứng dụng trí tuệ nhân tạo Ngồi thơng số trên, sử dụng trực tiếp thông số vật lý vỉa gamma ray, điện trở mật độ đo từ kết địa vật lý giếng khoan để dự báo áp suất nứt vỉa có kết hợp hiệu chỉnh mơ hình thơng qua kết đo trực tiếp từ thí nghiệm LOT hay FIT [24] PETROVIETNAM Bảng Các phương pháp truyền thống để xác định áp suất nứt vỉa TT Thông số đầu vào Ứng suất địa tĩnh, Áp suất lỗ rỗng, Áp suất lỗ rỗng, Hệ số Poisson, Ứng suất địa tĩnh, Độ sâu, D Áp suất lỗ rỗng, Hệ số = Mật độ biểu kiến Thời gian truyền sóng địa chấn Ứng suất địa tĩnh, Tra đồ thị Ứng suất địa tĩnh, Áp suất lỗ rỗng, Hệ số Áp suất địa tĩnh, Áp suất lỗ rỗng, Hệ số Poisson, Hệ số nén độ rỗng khung đá, Gradient ứng suất địa tĩnh, Gradient áp suất lỗ rỗng, = = = = 20 10 2 1989 2 1990 1991 13 1993 15 1994 1995 − ( [4] [5] − )+ [6] + 1− ( − ) [7] + 1− ( − ) [8] 15 11 10 [3] + 1992 Năm Số báo SPE Số báo SPE 10 )+ − Hệ trí tuệ nhân tạo lai Logic mờ Thuật di truyền Mạng neuron Hệ chuyên gia Logic mờ Thuật di truyền Mạng neuron Hệ chuyên gia ( 1− 25 12 [1] = 16 14 Tài liệu tham khảo Cơng thức tính 14 4 1996 1997 1998 1999 2000 2001 2002 2002 2003 Năm Hình Ứng dụng trí tuệ nhân tạo lĩnh vực dầu khí [9] Bảng Ứng dụng kỹ thuật trí tuệ nhân tạo lĩnh vực dầu khí TT 10 11 12 Phương pháp Fuzzy logic Fuzzy logic, GA ANN Hybrid System ANN SVM SVM CSR ANN ANN Neuro-fuzzy Hybird-SVM Thông số dự báo Xác định rị rỉ khí Tính chất chất lưu Độ rỗng, độ thấm, độ bão hòa Độ rỗng, độ thấm vỉa Kẹt cần khoan Tính chất dầu khí Độ thấm vỉa Sự cố trình khoan Lựa chọn cấu trúc giàn biển Độ ổn định thành giếng khoan Các thông số độ bền đất đá Đặc tính gaslift tối ưu khai thác Tài liệu tham khảo [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] DẦU KHÍ - SỐ 3/2019 33 THĂM DỊ - KHAI THÁC DẦU KHÍ Nhiều kỹ thuật trí tuệ nhân tạo mạng logic mờ (fuzzy logic); thuật di truyền (genetic algorithm); huấn luyện có giám sát máy (support vector machines); lập luận theo tình (CBR); hệ trí tuệ nhân tạo lai (hybrid systems) ứng dụng rộng rãi công nghiệp dầu khí [25, 26] Trong báo này, nhóm tác giả tập trung vào toán ứng dụng mạng trí tuệ nhân tạo dự báo áp suất nứt vỉa hình ANN có tiềm tính tốn quan trọng Nó thực phép tốn logic AND, OR NOT trọng số ngưỡng chọn phù hợp Sự liên kết ANN với cách thức khác tạo nên loại ANN với tính chất khả làm việc khác Cơ sở lý thuyết ANN Nhìn chung, nghiên cứu cho thấy cấu trúc ANN gồm phần lớp liệu đầu vào (input layer), lớp ẩn (hidden layer) lớp liệu đầu (output layer) Mỗi lớp cấu tạo từ số lượng neuron Mỗi neuron đơn vị xử lý thông tin ANN, yếu tố để cấu tạo nên toàn mạng Các neuron nhận liệu vào, xử lý chúng cho kết xử lý để làm liệu đầu vào cho neuron khác Thông tin sau vào lớp đầu vào tới lớp ẩn, lớp bao gồm neuron xử lý thông tin chuyển sang lớp tiếp theo, cuối tới lớp kết đầu Mỗi liệu đầu vào đánh giá mức độ mạnh yếu hay độ quan trọng thông qua trọng số w ứng với neuron Các trọng số thay đổi để đưa giá trị đầu phù hợp 2.1 Mơ hình ANN Với mục đích tạo mơ hình tính tốn theo cách làm việc neuron não người, vào năm 1943, McCulloch Pitts [27] đề xuất mơ hình tốn cho neuron (Hình 2) Trong mơ hình này, neuron thứ i nhận tín hiệu vào xj với trọng số tương ứng wij, tổng thông tin vào có trọng số ∑ = Thơng tin đầu thời điểm t + tính từ thơng tin đầu vào sau: ( + 1) = ( ∑ ( )− ) (1) Trong đó, g hàm kích hoạt (cịn gọi hàm chuyển) ế ( >)0− ) + 1) có dạng hàm(bước đóng vai trị biến đổi từ thơng ( nhảy, )= = ( ∑ ế ≤0 tin đầu vào thành tín hiệu đầu ra: { { ế >0 ( )= (2) ] = [(0 −ế ( ≤))0 ( − ( ))] Như vậy, out = (ứng với việc neuron tạo tín hiệu đầu ra) tổng tín hiệu vào lớn ngưỡng θi, cịn out ( ) = [ ( ]+=1) =[( −( () −)) ( − ( ))] = (neuron khơng tạo tín hiệu đầu ra) tổng tín hiệu vào nhỏ ngưỡng θi ( + 1) = ( )− Trong mơ hình Pitts, ( +neuron ( )McCulloch − 1) = trọng số wij thể ảnh hưởng khớp nối liên kết neuron j (neuron gửi tín hiệu) neuron i (neu( ) − tương ứng với khớp + 1)số = w dương ron nhận tín hiệu).( Trọng ij nối kích thích, trọng số âm ứng với khớp nối ức chế wij khơng có liên kết neuron Hàm chuyển g ngồi dạng hàm bước nhảy cịn chọn nhiều dạng khác ( )= [ Thông qua cách mơ hình hóa đơn giản neuron sinh học trên, McCulloch Pitts đưa mô Hình Mơ hình ANN [27] 34 DẦU KHÍ - SỐ 3/2019 2.2 Cấu trúc ANN Cấu trúc ANN xác định yếu tố: (1) số lượng liệu đầu vào/đầu ra; (2) số lượng lớp mạng; (3) số lượng neuron lớp (lớp đầu vào, lớp ẩn, lớp đầu ra) mạng; (4) trọng số để liên kết neuron; (5) cách liên kết neuron (trong lớp lớp) với Đối với ANN, việc định số lượng neuron lớp ẩn phức tạp, phụ thuộc vào nhiều yếu tố: (1) số lượng neuron lớp liệu đầu vào đầu ra; (2) lượng liệu trình luyện; (3) hàm sử dụng q trình luyện; (4) thuật tốn huấn luyện mạng neuron Để sai số trình xử lý ANN thấp nhất, để trình hoạt động hiệu quả, số lượng neuron lớp ẩn, số lớp ẩn cần lựa chọn phù hợp tối ưu nhất, theo nguyên tắc: neuron dẫn tới sai số cao cho hệ thống yếu tố đầu cần dự báo trở nên khó khăn số lượng neuron q để thực Ngược lại nhiều neuron mạng neuron hoạt động nhiều thời gian trở nên không hiệu Vì vậy, việc định số lượng lớp ẩn số lượng neuron lớp vơ quan trọng Thường khơng có quy tắc việc lựa chọn giá trị này, việc xác định thực phương pháp thử-sai, đến = == = giá trị sai số giá trị đầu mạng giá trị thực nhỏ = ==m hàm tường minh Vì đầu vào lớp thứ = số ngưỡng, nên trọng −1 =∑ + −1 −+ ==∑ + ∑ ngưỡng đặc trưng neuron thứ j 2.3 Thuật toán truyền ngược Trong số nhiều loại ANN, mạng neuron nhiều lớp ẩn với thuật toán truyền ngược phương pháp sử dụng phổ biến [28] Một ANN đặc trưng chứa lớp đầu vào, lớp đầu nhiều lớp ẩn PETROVIETNAM = ∑ Trong −đó, + (8) Thành phần thứ phương trình (6) (7) tính theo công thức: −1 = == − −1 (9) −1 = =1 (10) ==11 =1 Thuật toán truyền ngược mở rộng phương pháp bình phương tối thiểu, phát triển dựa sở đào tạo liệu ANN đa lớp, với mục tiêu làm giảm sai số nhỏ giá trị dự báo giá trị yêu cầu Độ nhạy hàm J theo thay đổi thành phần thứ j Thuật toán truyền ngược sử dụng chuỗi quy tắc để liệu đầu vào lớp m đặc trưng thơng số tính đạo hàm bình phương sai số với biến số trọng = , phương trình (6) (7) viết lại sau: số ngưỡng lớp ẩn Những đạo hàm = gọi vector độ nhạy Một vài thuật tốn phi tuyến tính (11) = = thuật toán giảm bước (steepest descent algorithm), = = phương pháp Newton (Newton’s method) thuật toán = (12) = gradient liên hợp (conjugate gradient algorithm) sử = = dụng để giảm thiểu sai số trình đào tạo ( + 1) = −1 ( )− = = ( + 1) = ( ∑ ( )− ) Thay ngược lại vào phương trình (4) và−(5) ta có: Như đề cập trước đó, thuật truyền ngược trình bày ( + 1) = ( )− −1 − − + 1) 1) = = ( để ( )− tổng quát phương pháp bình phương tối thiểu + 1) = −1 (( + (( )) − (13) −1 ( ( ) − + 1) = 1là làm ế hạn > 0chế sai số giá − − giảm hàm mục tiêu,( nghĩa ( (+ 1) + =1) = ( )( −) − )= ế ≤0 − ( + 1) = − trị dự báo o(m)(và+giá ( +thể ( )− 1) = (14) ( ) −mục ∑ y Hàm 1) =trị (thực ) tiêu ( + 1) = (( )) − ( )− ) ( + 1) = ( )− − sau: ( + 1) = ( ∑ + 1) ( (+ 1) = = ( () )− − −1 Dạng ma trận, ( ( ) ( ( )− − + 1) = − + 1) = − −1 ( ) = [ ] = [(1 −ế ( >))0 ( − ( ))] (3) + 1) = ( ( ) − ( )= ế ( (+ 1) = = (( ()) −) − > − − + 1) ế ≤ ( − + 1) = (15) ( )= Trong đó, m đặc trưng choếtrọng ≤ số ngưỡng ( + 1) = ( )− ( ( ) − + 1) = = = , ,…, tất neuron ( + 1) = ( + 1) = ( )− (16) ( )− ( + 1) = ( )− ( ) = [ ] = [( − ( )) ( − ( ))] = = , ,…, Với thuật Trong = [ giảm ] = bước, ( ) = toán ( trị )) nhỏ ( ))] hàm [( − giá ( −nhất , ,…, = = = , , …, mục tiêu xác định công thức: , ,…, = = 2 = = , ,…, ( + 1) = ( )− (17) ( + 1) = ( )− 2 ( + 1) = ( )− (4) Vector sm vector độ nhạy lớp m tính từ độ nhạy lớp m + 1, tính từ cơng thức lớp sau, ( + 1) = ( )− (5) nên gọi truyền ngược Ma trận Jacobian biểu diễn phép ( + 1) = ( )− tính ngược độ nhạy, định nghĩa sau: = Trong đó: trọng số đặc trưng liên kết neuron +1 +1 thứ i với neuron thứ j; k số bước lặp; m lớp mạng 1 ⋯ +1 = neuron; ζ tốc độ huấn luyện (18) = ⋮ ⋱ ⋮ +1 +1 Sử dụng chuỗi quy tắc, đạo hàm hàm J theo trọng +1 +1 ⋯ số ngưỡng tính tốn theo: −1 =∑ + Thành phần cột i, hàng j ma trận Jacobian (6) = thể công thức sau: +1 +1 +1 (∑ + +1 = = (7) = { {{ [ ] [ [[ [[ ] ]] ]] [ =∑ =1 −1 = −− 11 + + +1 [ = ( ) = +1 ) DẦU KHÍ - (SỐ 3/2019 35 = [ 1 ⋮ +1 )= ( +1 ( +1 = ( ( )= +1 ) 3.1 Thơng số đầu vào ( (19) ) ,, ma trận Jacobian ( ( ) ⋮ Kết nghiên cứu +1 = +1 = [ +1 +1 = ( )= +1 ⋮ + ) ) , Trong trở thành ⋱ ⋯ (∑ = +1 +1 THĂM DỊ - KHAI THÁC DẦU KHÍ ⋯ [ +1 (20) = +1 ) ] [ ⋮ ( )= ( ) ⋯ ⋱ ⋯ ( ) (21) ⋮ Sau chuỗi phép toán, vector độ nhạy lớp khác thể qua công thức: = = ( +1 ) ( = +1 ( = + 1) )( )( +1) +1 (22) +1 Do đó, độ nhạy sai số truyền ngược từ lớp cuối đến lớp Tại lớp thứ l, độ nhạy bằng: = (( − = = − 2( − ) ) ( − )) = ( ∑ = 1( ( ) = − 2( − ) = − 2( − ) ( ) − )2 ) (23) = − 2( − ) Theo dạng ma trận, phương trình (23) viết lại thành: = − ( )( − ) (24) ( )= ( )= ( )= − − 1; − ; 1+ cho Tóm lại, 1+ thuật tốn truyền ngược mạng neuron đa lớp tóm tắt gọn sau: (i) liệu đầu vào truyền thẳng mạng từ lớp đến lớp cuối, (ii) tính tốn vector sai số vector độ nhạy, (iii) vector độ nhạy truyền ngược mạng từ lớp cuối đến lớp (iv) trọng số ngưỡng cập nhật suốt trình lan truyền quy tắc giảm bước Kết phân tích mơ 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 Poisson (µ), tuổi thành hệ, độ sâu tỷ trọng đất đá Tùy vào liệu giếng khác để chọn thông số đầu vào phù hợp Cần lưu ý số thông số đầu vào lại có ( tương ) quan với như: hệ số Poisson phụ thuộc vào tỷ trọng riêng, tỷ số thành phần ứng suất hữu hiệu tuổi ⋯ Do đó, mối liên hệ khối lượng riêng thành hệ ⋱ ⋮ thành hệ ( 1với) gradient áp suất lỗ rỗng chiều sâu gián ⋯ tiếp bao gồm thể ảnh hưởng tới áp suất nứt vỉa Vì vậy, việc lựa chọn thông số đặc trưng để đưa vào mơ hình cần cân nhắc kỹ Sau tính tốn kiểm nghiệm, nhóm tác giả đề xuất thơng số đầu vào cho mơ Bảng ] Tổng số 368 điểm liệu chọn cho giếng khoan bể Nam Côn Sơn nhằm so sánh kết tính tốn với kết đo áp suất nứt vỉa thực tế số vị trí Các liệu đầu vào gồm: ứng suất địa tĩnh (δob), áp suất lỗ rỗng (Pf ), hệ số Poisson (µ) độ sâu Trong đó, 2/3 liệu chọn từ tập hợp liệu tổng để thành lập tập liệu đào tạo (training) Trong số 1/3 liệu lại, nửa chọn để thiết lập tập liệu phê chuẩn (validation) nửa tập liệu kiểm tra (testing) Những điểm liệu cho tập hợp chọn từ tập hợp tổng phân bố cho giữ đồng giống với tập liệu tổng [29] Trong mơ hình ANN, nhóm tác giả sử dụng thông số độ sâu, hệ số Poisson, ứng suất lớp phủ áp suất lỗ rỗng làm liệu đầu vào để dự báo áp suất nứt vỉa (Bảng 3) 3.2 Xây dựng mơ hình Sau liệu tập hợp, bước đào tạo mạng tạo đối tượng mạng Qua q trình nghiên cứu thử nghiệm, nhóm tác giả sử dụng mạng lan truyền ngược (feed-forward backpropagation) với lớp ẩn, lớp đầu vào lớp đầu Tiếp theo Bảng Phạm vi thông số đầu vào đầu mạng neuron (368 điểm giếng khoan thuộc bể Nam Côn Sơn) Thông số Độ sâu (m) Ứng suất địa tĩnh (ppg) Áp suất lỗ rỗng (ppg) Hệ số Poisson Áp suất nứt vỉa (ppg) 36 DẦU KHÍ - SỐ 3/2019 Giá trị nhỏ 225,47 667,101 8,81267 0,188404738 7,90831 Giá trị lớn 3413,12 13872,7 18,8291 0,414834946 18,6784 PETROVIETNAM Lớp ẩn Đầu vào Lớp ẩn W W b b 12 Lớp đầu Đầu 10 Hình Sơ đồ cấu trúc mạng neuron Bảng Trọng số ngưỡng lớp ẩn thứ Lớp ẩn Neuron Trọng số -0,52048 0,61856 -1,2951 1,3596 -2,3496 1,7719 -0,98796 -0,66979 0,37842 1,488 -1,512 1,6715 10 11 12 1,5535 -0,01363 -0,46325 -0,21983 -1,3583 0,057823 0,53053 1,8355 1,5757 0,79276 -0,40828 1,2146 Sai số bình phương trung bình (MSE) Dữ liệu tốt 0,00027181 lần lặp thứ 219 Huấn luyện Phê chuẩn Kiểm tra Tốt 102 -2,2423 -2,0502 -1,6688 -0,74996 -0,45597 -1,2678 2,1558 -0,23488 -1,0741 1,765 1,7788 -0,3573 2,3779 -2,2575 1,262 -1,0919 0,43587 -0,41494 0,057315 -0,66435 1,125 1,7931 -2,1895 2,6654 log-sigmoid, hàm pure linear sử dụng cho lớp đầu Những hàm )( = −biểu (diễn − )sau: ( )= 1+ − − 1; ( )= 1+ − ; ( )= 3.3 Phân tích hiệu suất mạng neuron sau huấn luyện 100 10 -2 10-4 Ngưỡng -0,01865 -0,94171 1,5402 1,8014 0,08929 0,90068 0,86185 -1,8686 -1,098 -0,02608 -1,0153 1,3159 50 100 225 lần lặp 150 200 Hình Đồ thị biểu diễn hiệu suất ANN 4-12-10-1 chọn số lượng neuron lớp Số lượng neuron nhỏ đào tạo mạng nhanh khơng cho kết xác Trong đó, tăng số lượng neuron tăng thời gian xử lý Nhóm tác giả sử dụng cấu trúc mạng với 12 neuron lớp ẩn thứ 10 neuron lớp ẩn thứ hai (mạng 4-12-10-1) Lựa chọn số lượng neuron khơng có ngun tắc rõ ràng cần đảm bảo đáp ứng hệ thống sẵn có người sử dụng, độ xác cuối chấp nhận Hình biểu diễn cấu trúc mạng mơ Những hàm hoạt động cho lớp ẩn hàm tag-sigmoid Sau mạng đào tạo đạt tới 225 phép lặp thu đồ thị biểu diễn hiệu suất trình đào tạo Hình Hình biểu diễn tổng sai số bình phương cho tập liệu với số lần lặp cho mạng có cấu trúc 4-12-10-1 sử dụng thuật tốn đào tạo lan truyền ngược LMA (Levenberg-Marquardt Algorithm) Ứng xử đường cong thể trình đào tạo thành công tập liệu chọn phù hợp từ tập liệu ban đầu Hiệu suất tốt MSE = 2,7181 × 10-4 lần lặp thứ 219 Các thông số trọng số ngưỡng lớp mơ hình trình bày Bảng - Hình trình bày liệu đào tạo, xác nhận, kiểm tra liệu tổng Đường nét đứt thể kết sau đào tạo trùng với liệu mục tiêu Đường nét liền trình bày hồi quy tuyến tính tốt kết đào tạo mục tiêu Giá trị R biểu thị mối quan hệ kết mục tiêu Nếu R = mối quan hệ tuyến tính DẦU KHÍ - SỐ 3/2019 37 -0,75647 -0,53623 0,19885 0,52492 0,63168 0,50363 -0,13513 DẦU KHÍ - SỐ 3/2019 -0,03767 -0,79359 0,85067 0,77821 -1,5087 0,30796 1,3998 -0,84301 0,018484 -1,3651 0,71036 -0,71857 0,70328 0,25754 0,01723 -0,79508 -1,1074 0,13514 -0,91785 0,3212 1,3249 0,10705 -0,48565 -0,32639 -0,3032 -1,017 -1,139 -0,83637 -1,4609 0,32721 38 -0,51143 0,49316 Trọng số Lớp đầu Bảng Trọng số ngưỡng lớp đầu -0.2011 1,9821 -0,75599 1,7767 0,45024 1,4187 -0.24013 -1,0926 -0,78059 1,36 0,40713 -1,4463 1,1283 -0,11162 -1,497 0,76883 1,1825 0,067826 0,47523 -1,391 0,83441 0,81094 -0,06848 -1,3585 1,1411 1,1658 1,1042 -0,10609 -0,02995 -1,4554 -0,08593 -1,0279 1,5733 0,56099 0,97494 0,82365 0,14685 -1,1905 -1.6033 -0,35895 -1,5348 -0,99824 -1,3132 0,40528 1,9532 0,79354 -1,1854 -0,17407 0,90322 1,4912 0,75256 0,92884 -0,10303 1,3799 0,96758 -0,61183 -1,3098 0,467 -0,34836 -0,45539 Trọng số Lớp ẩn Bảng Trọng số ngưỡng lớp ẩn thứ hai 0,15883 -1,1629 Ngưỡng 10 -0,5548 0,061264 0,1269 -1,2874 -0,25396 -3,3202 -0,24982 -1,0708 -1,5051 -2,775 -0,80191 1,262 0,88189 -1,8199 0,78966 -1,5195 0,94204 1,2354 -1,1189 -0,32505 -0,46225 0,34509 1,6648 -0,48764 -1,1742 0,35091 0,9503 0,6056 -1,6964 -1,1224 -0,60623 0,42312 1,7451 -1,0869 0,072192 -0,45147 1,3204 -1,8692 2,675 12 10 11 Ngưỡng 3,4815 THĂM DỊ - KHAI THÁC DẦU KHÍ xác kết đào tạo mục tiêu [29] Kết liệu đào tạo mô hình ANN nghiên cứu mối quan hệ xác: kết đào tạo, kết xác nhận, kiểm tra kết tổng cộng cho giá trị R lớn 0,9995 3.4 Sử dụng ANN để dự báo áp suất nứt vỉa, so sánh với phương pháp truyền thống Sau có mơ hình dự báo với độ tin cậy cao, nhóm tác giả tiến hành dự báo áp suất nứt vỉa cho giếng khoan thuộc bể Nam Côn Sơn Kết dự báo trình bày Hình 6, hình thể kết dự báo phương pháp truyền thống thường phương pháp xác định áp suất nứt vỉa trực tiếp thơng qua thí nghiệm “Leak off test”, LOT độ sâu giếng: 2542,59m, 2705,42m 2932,09m (Bảng 1) Thông qua kết so sánh Hình thấy mơ hình lý thuyết Hubert Willis, Eaton nằm xa kết đo thực nghiệm LOT, kết mơ hình Bellotti Glacca nằm sát khác biệt Ngược lại, đường cong dự báo áp suất nứt vỉa phương pháp ANN qua điểm áp suất nứt vỉa thí nghiệm LOT Vì vậy, phương pháp ANN có kết dự báo xác so với phương pháp dự báo truyền thống (Hubbert and Willis, Eaton, Bellotti and Giacca) PETROVIETNAM Phê chuẩn: R = 0,99998 Huấn luyện: R = 0,99998 18 18 Data Fit Y=T 16 16 14 Đầu 14 Đầu Data Fit Y=T 12 12 10 10 8 10 12 14 Mục tiêu 16 18 10 Kiểm tra: R = 0,99997 18 18 18 Data Fit Y=T 16 14 Đầu Đầu 16 Tổng: R = 0,99998 Data Fit Y=T 16 12 14 Mục tiêu 14 12 12 10 10 8 10 12 14 Mục tiêu 16 18 10 12 14 Mục tiêu 16 18 Hình Đồ thị hồi quy ANN 12 2400 13 14 15 Áp suất (ppg) 16 17 18 Kết luận 19 20 21 2500 Độ sâu (m) 2600 Nhóm tác giả thực dự báo áp suất nứt vỉa cho giếng khoan thuộc bể Nam Côn Sơn, với số điểm liệu 368 Từ kết nghiên cứu thấy phương pháp sử dụng ANN có ưu điểm sau: - Sử dụng nhiều điểm liệu khác nhau, phù hợp với vùng nghiên cứu rộng, liệu đa dạng; 2700 - Thơng số đầu vào cho mơ hình dễ dàng có được; 2800 - Đơn giản dễ sử dụng trình trước khoan; 2900 3000 Hubbert and Willis Eaton Bellotti and Giacca - Độ xác cao so với phương pháp dự báo truyền thống LOT ANN Hình Áp suất nứt vỉa theo phương pháp dự báo, xác định khác Kết dự báo áp suất nứt vỉa cho giếng khoan bể Nam Côn Sơn đủ độ tin cậy để sử dụng cho q trình DẦU KHÍ - SỐ 3/2019 39 THĂM DỊ - KHAI THÁC DẦU KHÍ thiết kế giếng khu vực lân cận cần kiểm nghiệm thêm trước nhân rộng tính ứng dụng phương pháp Tài liệu tham khảo M.King Hubbert, David G.Willis Mechanics of hydraulic fracturing Society of Petroleum Engineers 1957; 210: p 153 - 163 E.S.Pennebaker An engineering interpretation of seismic data Fall Meeting of the Society of Petroleum Engineers of AIME, Houston, Texas 29 September - October Ben A.Eaton Fracture gradient prediction and its application in oilfield operations, Journal of Petroleum Technology 1969; 21(10): p 1353 - 1360 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 L.A.MacPherson, L.N.Berry Prediction of fracture gradients from log derived moduli The Log Analyst 1972 Stan A.Christman Offshore fracture gradients Journal of Petroleum Technology 1973; p 910 - 914 R.A.Anderson, D.S.Ingram, A.M.Zanier Determining fracture pressure gradients from well logs Journal of Petroleum Technology 1973 P.Bellotti, D.Giacca Seismic data can detect overpressures in deep drilling Oil and Gas Journal 1978 E.M.Shokir Neuron network determines shaly-sand hydrocarbon saturation Oil & Gas Journal 2001 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 11 S.J.Cuddy, P.W.J.Glover The application of fuzzy logic and genetic algorithms to reservoir characterization and modeling Soft Computing for Reservoir Characterization and Modeling 2002 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 15 Fatai Adesina Anifowose, AbdlAzeem Oyafemi Ewenla, Safiriyu Ijiyemi Eludiora Prediction of oil and gas reservoir properties using support vector machines International Petroleum Technology Conference, Bangkok, Thailand 15 - 17 November, 2011 16 R.Gholami, A.R.Shahraki, M.Jamali Paghaleh Prediction of hydrocarbon reservoirs permeability using support vector machine Mathematical Problems in Engineering 2012 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 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 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 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 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 22 Schlumberger Oilfield Glossary Oilfield glossary http://www.glossary.oilfield.slb.com/ 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 Abdulraheem Prediction of porosity and permeability of oil and gas reservoirs using hybrid computational intelligence 24 Jincai Zhang, Shang-Xian Yin Fracture gradient prediction: an overview and an improved method Petroleum Science 2017; 14(4): p 720 - 730 40 DẦU KHÍ - SỐ 3/2019 PETROVIETNAM 25 Opeyemi Bello, Javier Holzmann, Tanveer Yaqoob, 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 26 Agnar Aamodt, Enric Plaza Case-Based reasoning: Foundational issues, methodological variations, and system approaches Artificial Intelligence Communications 1994; 7(1): p 39 - 52 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 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 ... biệt Ngược lại, đường cong dự báo áp suất nứt vỉa phương pháp ANN qua điểm áp suất nứt vỉa thí nghiệm LOT Vì vậy, phương pháp ANN có kết dự báo xác so với phương pháp dự báo truyền thống (Hubbert... Các phương pháp truyền thống để xác định áp suất nứt vỉa TT Thông số đầu vào Ứng suất địa tĩnh, Áp suất lỗ rỗng, Áp suất lỗ rỗng, Hệ số Poisson, Ứng suất địa tĩnh, Độ sâu, D Áp suất lỗ rỗng,... tắc giảm bước Kết phân tích mơ 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 Poisson (µ), tuổi thành