Xếp hạng các thông số đầu vào
DISTANCE 0.15
ZONES 0.99
DIPANGLE 0.71 DIPZIMUTH 3.95E-02 GAUSSIANCURVATURE 0.63
Hình 4.6: Sai số sau mỗi bƣớc lặp trên tập huấn luyện của phần mềm tự viết, trong đó trục tung mô tả giá trị sai số, trục hoành mô tả số bƣớc lặp.
Hình 4.7: Sai số sau mỗi bƣớc lặp trên tập kiểm tra của phần mềm tự viết, trong đó trục tung mô tả giá trị sai số, trục hoành mô tả số bƣớc lặp.
Hình 4.9: Đồ thị tỷ lệ ô lƣới tƣơng ứng với khoảng nứt nẻ ban đầu.
Hình 4.10: Đồ thị phần trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng modul “train estimation model” của phần mềm Petrel.
Hình 4.11: Đồ thị phân trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng chƣơng trình tự viết.
Hình 4.12: So sánh kết quả trên tập dữ liệu luyện tập, kiểm tra, xác nhận; trong đó y là cƣờng độ nứt nẻ tính từ ANN,
d là dữ liệu thực tế, trục tung mô tả giá trị cƣờng độ nứt nẻ, trục hoành mô tả số thứ tự các mẫu
Phân tích
Từ chỉ số xếp hạng nhƣ trong bảng 4.1 thấy rằng với việc sử dụng biểu thức xếp hạng nhƣ trong (2.4), (2.5) đã chỉ ra chính xác thông số ZONES không ảnh hƣởng tới cƣờng độ nứt nẻ giả định, sau đó sẽ đƣợc loại bỏ khỏi tập các thông số đầu vào, khi đó tập các thông số đầu vào của mạng thần kinh nhân tạo chỉ còn các thông số bao gồm Khoảng cách tới đứt gãy (DISTANCE); góc cắm (DIPANGLE); phƣơng vị (DIPAZIMUTH), độ cong gauss (GUSIANCURVATURE).
Hình 4.8 gồm có: Cƣờng độ nứt nẻ xây dựng lúc ban đầu từ biểu thức (4.1) đặt tên trong hình là “Intensity_GOC”, cƣờng độ nứt nẻ xây dựng lại bằng module train estimation model trong phần mêm thƣơng mại Petrel là hình phía dƣới bên phải đặt tên là “train_estimation_model_petrel”, sau đó là cƣờng độ nứt nẻ xây dựng bằng phần mềm tự viết đặt tên là “INTENSITY_TU PHAN MEM TU VIET” là hình dƣới cùng bên trái. Số mẫu K ết qu ả tín h toán
Về mặt định tính xu hƣớng phân bố cƣờng độ nứt nẻ xây dựng từ phần mềm thƣơng mại Petrel và phần mềm tự viết đều tƣơng đối tƣơng đồng với cƣờng độ nứt nẻ gốc ban đầu.
Tiến hành phân tích so sánh tiếp bằng biểu đồ. Biểu đồ hình 4.9 mô tả phần trăm số ô lƣới tƣơng ứng với mỗi khoảng cƣờng độ nứt nẻ xây dựng lúc đầu, tƣơng ứng hình 4.11 là cƣờng độ nứt nẻ xây dựng lại bằng phần mềm tự viết, hình 4.10 cƣờng độ nứt nẻ xây dựng lại bằng module “train estimation model” trong phần mềm thƣơng mại Petrel. Cả đồ thị trong hình 4.10 và 4.11 đều cho sự tƣơng đồng nhất định đối với 4.9, tuy nhiên trong trƣờng hợp xây dựng cƣờng độ nứt nẻ bằng module “train estimation model” (hình 4.10) khoảng giá trị cƣờng độ nứt nẻ xây dựng đƣợc rao động rất lớn 800,800, còn trong trƣờng hợp xây dựng cƣờng độ nứt nẻ bằng phần mềm tự viết thì giá trị cƣờng độ nứt nẻ dao động trong khoảng 0;300, hoàn toàn tƣơng đồng với cƣờng độ nứt nẻ xây dựng lúc đầu 0,300.
Hình 4.12 mô tả sai số giữa kết quả tính toán cƣờng độ nứt nẻ so với cƣờng độ nứt nẻ xây dựng giả định lúc đầu (theo công thức 4.1), đƣờng đồ thị màu xanh mô tả kết quả tính toán từ chƣơng trình máy tính tự viết, đƣờng đồ thị màu đỏ mô tả kết quả cƣờng đồ nứt nẻ theo công thức 4.1. Hai đƣờng đồ thì này gần nhƣ chồng khít lên nhau cho thấy chƣơng trình máy máy tính hoạt động cho kết quả chính xác và ổn định, có một vài mẫu (nhƣ trong hình) xuất hiện sai số (2 đƣờng xanh, và đỏ vênh nhau) tuy nhiên nhìn kỹ hơn thì thấy rằng tuy kết quả làm việc của chƣơng trình máy tính tự viết có xuất hiện sai lệch tại một số điểm, nhƣng sai số không lớn và quan trong hơn, tuy lệch nhƣng vẫn phản ảnh đúng về mặt xu hƣớng (sự thăng giáng trong kết quả), đây cũng là một trong những đặc điểm nổi bật và riêng biệt của kỹ thuật hồi quy bằng mạng thần kinh nhân tạo (tuy có thể xuất hiện sai số tại một vài điểm, nhƣng nhìn trên một bình diện rộng hơn, nó vẫn luôn phản ảnh đúng xu hƣớng).
Bƣớc đầu áp dụng cho mỏ của Việt Nam
Từ kết quả khả quan khi thử nghiệm xây dựng cƣờng độ nứt nẻ của mỏ Teapot Dome, tiến hành bƣớc đầu áp dụng đối với mỏ Bạch Hổ của Việt Nam, tuy nhiên dữ liệu có đƣợc rất hạn chế (hiện tại chỉ có đƣợc một vài thông tin nhƣ độ rỗng, độ thấm, khoảng cách tới đứt gãy), nên ở đây sẽ sử dụng thông số đầu vào gồm có độ rỗng, và
khoảng cách tới đứt gãy để xây dựng độ thấm. Tiến trình thực hiện tuân theo các bƣớc nhƣu sau:
- Phần mềm xây dựng sẽ đọc vào dữ liệu độ thấm , độ rỗng, bản đồ đứt gãy, và file lịch sử khai thác. Trong file lịch sử khai thác sẽ trích xuất lấy thông tin về tên giếng và tọa độ các ô lƣới mà giếng đi qua.
- Sau đó phần mềm sẽ chỉ giữ lại độ thấm tại những ô lƣới mà giếng đi qua, dữ liệu trong những ô lƣới khác sẽ bị xóa bỏ.
- Sử dụng chƣơng trình máy tính xây dựng độ thấm từ các thông số độ rỗng, khoảng cách tới đứt gãy, kết quả thu đƣợc.
Mỏ Bạch Hổ
Mỏ Bạch Hổ nằm ở lô số 9 của bể Cửu Long thuộc thềm lục địa Việt Nam, tọa độ 0 0
90 30' 90 50 , Tầng móng Bạch Hổ gồm chủ yếu là Granit và Granodioit, có vị trị sâu nhất khoảng 5450m, dài 24785m, rộng 14172m. Mỏ Bạch Hổ là mỏ dầu công nghiệp lớn nhất của Viêt nam, đƣợc bắt đầu đƣa vào khai thác từ năm 1989, hàng năm đóng góp hơn 80% sản lƣợng dầu nội địa.
Dữ liệu đầu vào
Do dữ liệu đặc trƣng cho nứt nẻ tại các giếng trong mỏ Bạch Hổ tác giả đã tiến hành thử tìm cách áp dụng kỹ thuật mô hình vỉa nứt nẻ liên tục tìm cách xây dựng trực tiếp trƣờng độ thấm từ các thông số đầu vào có đƣợc ở mỏ Bạch Hổ.
Các thông số đầu vào gồm có khoảng các tới đứt gãy, độ rỗng, và độ thấm tại những ô lƣới mà giếng đi qua.
Thông số độ rỗng và độ thấm sẽ đƣợc phần mềm đọc từ file : BASEMENT_GPRO.INC, bản đồ đứt gãy đƣợc đọc từ file:
FAULTS.INC, để có tọa độ những ô lƣới mà giếng đi qua, phần mềm sẽ đọc dữ liệu từ file:
Basement_SCH_New.INC và trích xuất lấy thông tin sau từ khóa COMPDAT, sau từ khóa này có 8 thông số những do mục đích chỉ lấy dữ liệu về vị trị các ô lƣới mà giếng đi qua, nên phần mềm sẽ chỉ đọc thông số thứ 2, 3, 4 tƣơng ứng là ô lƣới ( , , )i j k trong mỏ. Từ đó ta xây dựng đƣợc thông số khoảng cách tới đứt gãy hình 4.14, độ rỗng hình 4.13, độ thấm tại các ô lƣới mà giếng đi qua hình 4.15.
Hình 4.15: Độ thấm theo phƣơng x tại các giếng.
Kết quả
Bảng 4.2: Kết quả xếp hạng ảnh hƣởng các thông số đầu vào đối với độ thấm theo phƣơng x.
Kết quả xếp hạng các thông số đầu vào
DISTANCE 0.9676 PORO 0.7812
Phân tích
Từ kết quả xếp hạng các thông số đầu vào nhƣ bảng 4.2 cho thấy cả hai thông số khoảng cách tới đứt gãy (DISTANCE), và độ rỗng (PORO) đều ảnh hƣởng không nhiều tới độ thấm tại các giếng trong mỏ Bạch hổ, đặc biệt thông số khoảng cách tới đứt gãy ảnh hƣớng rất ít.
Tuy nhiên do dữ liệu từ mỏ Bạch Hổ hiện có còn thô chứa nhiều sai số, nên cần đƣợc phân tích và kiểm tra kỹ lƣợng hơn để cho kết quả chính xác.
KẾT LUẬN
Luận văn định hƣớng nội dung nghiên cứu kỹ thuật mô hình nứt nẻ liên tục – CFM, và các công cụ sử dụng trong kỹ thuật này, đó là mạng thần kinh nhân tạo 4 lớp truyền thẳng, thuật toán xếp hạng dựa trên các đƣờng cong fuzzy. Đánh giá sự hiệu quả của kỹ thuật mô hình vỉa nứt nẻ liên tục - CFN dựa trên các ví dụ thực tế, và so sánh kết quả với phần mềm thƣơng mại Petrel. Dựa trên ví dụ thử nghiệm, cho thấy chƣơng trình máy tính hoạt động ổn định, hiểu quả, cho chất lƣợng tốt hơn modul “Train estimation model” của phần mềm thƣơng mại Petrel. Bƣớc đầu áp dụng đánh giá ảnh hƣởng của thông số khoảng cách tới đứt gãy và thông số độ rỗng đối với độ thấm trong mỏ Bạch Hổ: Kết quả đánh giá bƣớc đầu với hệ thống dữ liệu hiện có cho thấy thông số khoảng cách tới đứt gãy tƣơng quan rất thấp đối với độ thấm trong mỏ Bạch Hổ. Các modul của chƣơng trình máy tính đƣợc xây dựng độc lập hoạt động phù hợp với hệ thống dữ liệu hiện có của các mỏ dầu khí của Việt Nam.
Các đóng góp khoa học của luận văn:
- Hệ thống hóa các nội dung cơ bản về kỹ thuật mô hình nứt nẻ liên tục (CFM), mạng neural nhân tạo và thuật toán xếp hạng dựa trên đƣờng cong fuzzy
- Nghiên cứu mạng neural nhân tạo 4 lớp truyền thẳng với giải thuật lan truyền ngƣợc.
- Áp dụng thử nghiệm bƣớc đầu đối với dữ liệu từ mỏ Teapot Dome bƣớc đầu cho kết quả làm việc của chƣơng trình máy tính chính xác hơn module “train estimation model” trong phần mềm thƣơng mại Petrel.
- Xây dựng chƣơng trình máy tính dựa trên hệ thống lý thuyết, và thuật toán nghiên cứu đƣợc, chƣơng trình máy tính đƣợc viết bằng ngôn ngữ lập trình Fortran có khả năng kết hợp với phần mềm vẽ hình mã nguồn mở Gnuplot. - Đóng góp khoa học của luận văn là một bài báo đăng trên hội nghị Cơ Học Kỹ
Thuật kỷ niệm 35 năm thành lập Viên Cơ Học, một bài báo đăng trên hội nghị cơ học thủy khí toàn quốc năm 2014, và một bài báo đăng trên hội nghị quốc tế lần thứ 3 về Cơ Học Kỹ Thuật và Tự Động Hóa (ICMA3).
Hƣớng phát triển:
Những kết quả nghiên cứu khả quan về ứng dụng áp dụng kỹ thuật mô hình nứt nẻ liên tục (CFM) trong bài toán mô phỏng cƣờng độ nứt nẻ đã chứng tỏ rằng đây là một kỹ thuật có thể ứngdụng hiệu quả đối với bài toán này. Tuy nhiên, một vấn đề gặp
phải đó là thuật toán lan truyền ngƣợc sai số dựa trên các gradient trong mạng thần kinh nhân tạo chỉ là thuật toán hội tụ về cực tiểu địa phƣơng gần nhất của hàm của sai số, vì vậy để nâng cao kết quả cần thiết phải áp dụng những thuật toán có tốc độ hội tụ nhanh hơn cho kết quả chính xác hơn. Đã có nhiều nghiên cứu trên thế giới áp dụng các thuật toán lai nhƣ Qrprop, Drpop, hoặc các phƣơng pháp tối ƣu ví dụ nhƣ: giải thuật di truyền (Genetic Algorimths - GAs), giải thuật tối ƣu bầy đàn (PSO),…, để cực tiểu hóa hàm mục tiêu trong mạng thần kinh nhân tạo. Vì vậy, một trong những hƣớng phát triển tiếp theo của đề tài là thử nghiệm, nghiên cứu, đánh giá, và cải tiến các thuật toán tiên tiến khác để có thể nâng cao đƣợc kết quả bài toán xây dựng đặc trƣng vỉa nứt nẻ tự nhiên nói riêng và nâng cao chất lƣợng cho mô hình vỉa nứt nẻ liên tục - CFM.
DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ LIÊN QUAN ĐẾN TÀI LIỆU
1. Thang Văn Đạt và Đặng Thế Ba (2014), Xác định đặc trưng vỉa nứt nẻ tự nhiên bằng mô hình mạng thần kinh nhân tạo (ANN), Hội nghị cơ học kỹ thuật toàn quốc kỷ niệm 35 năm thành lập Viện Cơ Học, pp 277 – 282.
2. Nguyễn Quang Thái, Thang Văn Đạt, Đặng Thế Ba (2014), Nghiên cứu phát triển thuật toán và chương trình thô hóa các tham số thuộc tính từ lưới địa chất sang lưới mô phỏng của các vỉa dầu khí, Hội nghị cơ học thủy khí toàn quốc 2014. 3. Thang Van Dat and Dang The Ba (2014), Application of Fuzzy Logic to Evaluete
the Effect Between Inject and Production Wells in Naturally Fractured Reservoir
TÀI LIỆU THAM KHẢO
1. Abdelkader Kouider El Ouahed, Djebbar Tiab, Amine Mazouzi (2005),
Application of artificial intelligence to characterize naturally fractured zones in Hassi Messaoud Oil Field, Algeria, Petroleium Science & Engineering, SPE 84870.
2. Andrzej Piegat (2001), Fuzzy Modeling and Control, ISSN 1434-9922, ISBN 978-3-7908-2486-5, DOI 10.1007/978-3-7908-1824-6.
3. M. C. Cacas, J. M. Daniel and J. Letouzey, Nested geological modelling of naturally fractured reservoirs, Petroleum Geoscience, Vol. 7 2001, pp. s43-s52 4. Cetin Ozgen, SPE, Nitec LLC, Tuba Firincioglu (2003), Fracture
Characterization for Integrated Studies: A new approach and its applications, SPE 84413
5. Đỗ Cảnh Dƣơng (2004), Giáo Trình Địa Chất Các Mỏ Than và Khí Đốt, Nhà xuất bản Khoa Học và Kỹ Thuật Hà Nội.
6. D.E. Goldberg (1989), Genetic Algorithm in Search, Optimization and Machine Learning, Addison Wesley, Reading, MA.
7. A. Ouenes (2000), Practical application of fuzzy logic and neural networks to fractured reservoir characterization, Computers & Geosciences 26, pp953-962. 8. A. Ouenes (2008), Seismically Driven Characterization, Simulation and
Underbalanced Drilling of Multiple Horizontal Boreholes in a Tight Fractured Quartzite Reservoir: Application to Sabria Field, Tunisia, SPE North Africa Technical Conference and Exhibition held in Marrakech Moroco, SPE 112853. 9. A. Ouenes (2010), Maping Natural Fractures Using 3D Seismic and Well
Data: Application to a Shale Play, Prism Seismic.
10.Creties Jenkins, Ahmed Ouenes, Abdel Zellou, and Jeff Wingard, (2009),
Quantifying and predicting naturally fractured reservoir behavior with continuous fracture models, AAPG Bulletin, v. 93, no. 11, pp. 1597–1608, DOI: 10.1306/07130909016.
11.Fahlman Scoot E (1988), An Empirical Study of Learning Speed, Carnegie Mellon University, Computer Science Department, CMU-CS-88-162.
12.Scoot E. Fahlman and Christian Lebiere (1991), The Cascade-Correlation Learning Architecture, National Science Foundation, CMU-CS-91-100.
13.Fox J.E., Dolton, G.L., and Clayton, J.L (1991), Powder River Basin, Geological Society of America, P-2, P. 373-390.
14.J. Hertz, A. Krogh, and R.G. Palmer. (1991), Introduction to the Theory of Neural Computation, New York: Addison-Wesley.
15.Steve Lawrence and C. Lee Giles (2000), Overfitting and Neural Networks: Conjugate Gradient and Backpropagation, International Joint conference on Neural Networks, Como, Italy, July 24–27, 114–119, 2000.
16.Mcculloch W.S. and Pitts, W A (1943), Logical Calculus of Ideas Immanent in Nervous Activity, Bull. Mathematical Biophisics. 5, pp. 115.
17.NAM H. TRAN *, KAREN VALENCIA, KIEN TRAN AND SHEIK S. RAHMAN (2006), Hybrid Modelling using Neuro Fractal for Fractured Reservoirs, Proceedings of the 5th WSEAS International Conference on Applied Computer Science, Hangzhou, China, April 16-18, 2006 (pp826-831). 18.Nguyễn Cát Hồ, Nguyễn Công Hào (2009), Logic Mờ và Ứng Dụng.
19.O.Pinous Abdel M Zellou, Gry Robinson, Ted Royer (2007), Continuous Fracture Modeling of a Carbonate Reservoir in West Siberia. Society of Petroleum Engineers, SPE 103284.
20.P.M. WONG and S.BOERNER (2003), Ranking Geological Drivers for Mapping Fracture Intensity at the Pinedale Anticline, EAGE 65th Conference & Exhibition – Stavanger, Norway.
21.Robert Fuller (1995), Neural Fuzzy systems, Abo Akademi University, ISBN 951-650-624-0, ISSN 0358-5654.
22.Rojas Raúl (1993), Second Order Backpropagation Efficient Computation of the Hessian Matrix for Neural Networks, Freie Universitat Berlin, TR 93-057. 23.Rojas Raúl (2010), Neural Networks A Systematic Introduction, Springer-
Verlag.
24.Schlumberger (2010), Fracture Modeling, Schlumberger.
25.Shahab Mohaghegh (2000), Virtual-Intelligence Applications in Petroleum Engineering: Part 1—Artificial Neural Networks, SPE 58046.
26.W. Schiffman M. Joost, R. Werner (1994), Ooptimization of the Backpropagation Algorithm for Training Multilayer Perceptrons, ESANN. 27.Wilde Ivan F, Neural Networks, King's College .
28.Yinghua Lin, George A. Cunningham (1994), A Fuzzy Approach to Input Variable Identification, IEEE.
29.Yinghua Lin, George A. Cunningham, (1995), A New Approach to Fuzzy- Neural System Modeling, IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 3, NO. 2, MAY 1995.
30.Yinghua Lin, George A. Cunningham, (1996), Input variable identification – Fuzzy curves and fuzzy surfaces, Fuzzy Sets and System 82, pp 65-71.
31.Yinghua Lin, George A. Cunningham, (1998), Nonliear System Input Structure Identification: Two Stage Fuzzy Curves and Surfaces, Fuzzy Sets and System 82, pp 65-71.
PHỤ LỤC
NEURALNETWORK
! THIS PROGRAM WAS WRITTEN BY GNU FORTRAN COMPILER ! AUTHOR: THANG VAN DAT
!
! SO IT RUNS BETTER ON ANY GNU FORTRAN COMPILER MODULE NEURALNETWORK
! MODULE NEURALNETWORK USE GA
IMPLICIT NONE
INTEGER, PUBLIC :: NI, NJ, NK
INTEGER, PUBLIC :: IWR, NUMBER_GLOBAL_P
REAL(8), ALLOCATABLE, PUBLIC :: PROPERTIES(:,:,:,:) CHARACTER(LEN = 50), ALLOCATABLE, PUBLIC :: GLOBAL_PROPERTIES(:)
INTEGER, PRIVATE :: NHU, PERCENT CHARACTER(LEN = 50), PRIVATE :: FNS REAL(8), PRIVATE :: EPS