Wśród rozwiązań dedykowanych symulacji eksploatacji gazu ze złóż łupkowych pojawiają się w ostatnich latach metody wykorzystujące narzędzia sztucznej inteligencji (SI), głównie sztuczne sieci neuronowe (SSN). Ogromne możliwości tej dziedziny nauki, szczególnie w kontekście rozpoznawania wzorców, są niezwykle inspirujące i skłoniły autora do podjęcia badań w zakresie wykorzystania elementów SI do opracowania modelu symulacyjnego dla strefy stymulowanej pojedynczego odwiertu horyzontalnego.
Praca nad modelem zastępczym działającym w oparciu o SSN prowadzona była zasadniczo w 4 głównych etapach:
1. budowa numerycznego modelu symulacyjnego,
2. analiza wrażliwości modelu – określenie kluczowych parametrów modelu, 3. przygotowanie bazy danych do trenowania, walidacji i testowania,
4. opracowanie modelu opartego na sztucznej sieci neuronowej.
Na etapie tworzenia bazy danych przyjęto imperatyw możliwie największego ograniczenia liczby symulacji numerycznych. W rezultacie wielokrotnych eksperymentów z ilością ciągów uczących, podziałem pakietu danych wejściowych oraz strukturą sieci, zaprojektowano ostatecznie eksperyment składający się ze 120 punktów, tj. zestawów parametrów wejściowych modelu symulacyjnego. W finalnej wersji modelu zastosowano sieć kaskadową typu feedforward z 3 warstwami ukrytymi.
W celu weryfikacji wiarygodności SSN wygenerowano dodatkowy pakiet danych, całkowicie różny od ciągu uczącego. Uzyskane wyniki potwierdziły przydatność sztucznych sieci neuronowych dla symulacji eksploatacji gazu ze złóż łupkowych, tym samym udowadniając tezę pracy.
WELL-SCALE SURROGATE RESERVOIR MODEL BASED ON ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR SHALE GAS SIMULATION
Among the solutions dedicated to shale gas simulation in recent years methods using artificial intelligence (AI) tools appear, mainly artificial neural networks (ANN). Great potential of this field of science, especially in the context of pattern recognition, is extremely inspiring, and led the author to undertake research in the use of elements of artificial intelligence to develop a simulation model for the stimulated reservoir volume of a single horizontal shale gas well.
Work on the surrogate model operating based on ANN was carried out primarily in 4 major stages:
1. construction of numerical simulation model,
2. sensitivity analysis – identification of key performance indicators, 3. preparation of a data base for ANN training, validation and testing, 4. development of an ANN-based model.
At the stage of creating the database the imperative of the highest possible limit on the number of numerical realizations were accepted. As a result of repeated experiments with the size of the input data set, input data division and the neural network structure, an experiment consisting of 120 points, i.e. sets of input parameters of the simulation model, were designed. The final version of the surrogate model uses cascade feed-forward neural network composed of 3 hidden layers.
In order to verify the reliability of the ANN model an additional data set was generated, completely different from the main training data set. The results confirmed the usefulness of artificial neural networks for modeling and simulation of shale gas production, thus proving the assumption of the dissertation.