Содержание к диссертации
Введение
1. Геологические основы прогноза коэффициента извлечения нефти статистическими методами 6
1.1. Геолого-промысловая характеристика нефтяных залежей ХМАО в связи с оценкой КИН 6
1.2. Методы оценки КИН 22
1.3. Обоснование комплекса геолого-промысловых признаков для прогноза КИН статистическими методами 27
1.4. Анализ достоверности утвержденных значений КИН по залежам, находящимся на средних и поздних стадиях разработки 32
2. Методы построения дискретных моделей 47
2.1. Методика построения статистических прогнозных моделей 48
2.2. Роль группировок в задачах классификации 51
2.3. Методика построения дискретно-непрерывных моделей 58
3. Анализ взаимосвязи кин с комплексом геолого-промысловых признаков для залежей на поздних стадиях разработки 62
3.1. Анализ взаимосвязей КИН с геолого - промысловыми признаками в целом для нефтяных залежей ХМАО 62
3.2. Оценка коэффициента нефтеотдачи на основе дискретных и дискретно - непрерывных прогнозных моделей 77
4. Модели экспресс-оценки кин на основе дискретных и дискретно - непрерывных пропюзных моделей для залежей на стадии разведки 117
4.1. Флюидо динамическая модель прогноза КИН (Ф-модель) 117
4.2. Стратиграфическая модель прогноза КИН (С-модель) 125
4.3. Комбинированная модель прогноза КИН (К-модель) 131
5. Описание экспертной системы КИН-ПРОПЮЗ 141
5.1. Вводное замечание 141
5.2. Описание информационного обеспечения ЭС КИН-ПРОГНОЗ 144
5.3. Описание пользовательского интерфейса 154
Заключение 166
Список использованных источников 167
- Геолого-промысловая характеристика нефтяных залежей ХМАО в связи с оценкой КИН
- Анализ достоверности утвержденных значений КИН по залежам, находящимся на средних и поздних стадиях разработки
- Анализ взаимосвязей КИН с геолого - промысловыми признаками в целом для нефтяных залежей ХМАО
- Флюидо динамическая модель прогноза КИН (Ф-модель)
Введение к работе
,1 Актуальность темы. К настоящему времени сырьевая база
нефтедобывающих предприятий России в целом и Ханты-Мансийского автономного округа (ХМАО) в частности претерпевает значительные изменения структуры запасов нефти. Из разведки выходят, в основном, не крупные, высокопродуктивные месторождения, а мелкие и средние, подготовка которых к вводу в разработку осуществляется на основе
' небольшого количества разведочных скважин. В связи с этим технико-
экономическое обоснование коэффициента извлечения нефти (КИН) для
* таких залежей не может быть осуществлено на основе физически
содержательных гидродинамических моделей из-за невозможности
обеспечения их геолого-п ромысловой информацией в надлежащих объемах.
Согласно методическому руководству по расчету КИН, исходной информацией для обоснования коэффициента нефтеизвлечения обычно служат данные разведки, подсчета запасов, пробной эксплуатации отдельных скважин, опытно-промышленной и промышленной разработки залежи. Для мелких же объектов (с балансовыми запасами до 3 млн. т.) на стадиях подготовки месторождений к разработке оценка коэффициентов извлечения нефти может проводиться по статистическим зависимостям. Более того, по таким зависимостям допускается проводить обоснование КИН и для более
* крупных (с запасами до 30 млн. т.) месторождений, но имеющих при этом
простое строение. В руководящих документах особо подчеркивается, что
построение статистических зависимостей для оценки КИН необходимо
проводить по данным изучаемого региона.
Вопросами разработки статистических моделей для прогноза КИН занимались такие исследователи, как М.Т.Абасов, И.И.Абызбаев, Т.Ю.Бочаров, В.К.Гомзиков, М.И.Малиновский, Н.А.Молотова, В.В.Осипов,
* Р.Я.Кучумов, З.А.Султанов, М.А.Токарев и др. Поскольку все созданные в
настоящее время регрессионные уравнения для прогноза КИН основаны на
( обобщении материалов по месторождениям Татарии, Башкирии, Северного
Кавказа, Таджикистана, то актуальной задачей является создание регрессионных уравнений прогноза КИН для месторождений Западной Сибири - этой крупнейшей нефтедобывающей провинции. В настоящей работе рассматриваются вопросы теории и практики построения статистических прогнозных моделей КИН с использованием методов распознавания образов и регрессионного анализа. В качестве региона исследований выбран Ханты-Мансийский автономный округ, который
\ своими уровнями добычи обеспечивает и в дальнейшем будет обеспечивать
энергетическую составляющую экономики страны.
t Цель работы:
Разработка методики построения дискретно-непрерывных
% статистических моделей прогноза КИН по комплексу геолого-
промысловых, признаков измеряемых на стадии разведки.
Создание экспертной системы, обеспечивающей оперативную
оценку коэффициента извлечения нефти для залежей,
выходящих из разведки, на месторождениях Ханты-
Мансийского автономного округа.
Задачи работы:
- Оценить тесноту взаимосвязи коэффициента нефтеизвлечения с
" геолого-промысловыми характеристиками залежей.
Разработать методику построения дискретно-непрерывных статистических моделей для прогноза КИН.
Провести разграничение залежей на группы однородные по комплексу геолого-промысловых признаков, определяемых на стадии разведки.
Построить прогнозные модели КИН в форме многомерных уравнений регрессии для каждой из групп залежей.
Провести оценку качества построенной прогнозной модели по независимой (контрольной) выборке залежей, которые не участвовали в построении прогнозной модели.
* - Создать экспертную систему по экспресс-оценке КИН, которая
использует разработанные дискретно-непрерывные прогнозные модели.
Научная новизна работы:
1. Разработан новый подход к построению статистических моделей прогноза КИН по комплексу гео лого-промысловых признаков на основе комбинированного применения методов распознавания образов и регрессионного анализа.
* 2. Разработаны дискретно-непрерывные модели прогноза
коэффициента извлечения нефти для месторождений Ханты-Мансийского
, автономного округа.
3. Разработана компьютерная технология прогнозирования КИН, которая использует дискретно-непрерывные прогнозные модели.
Реализация работы. Результаты научно-исследовательской работы реализованы в экспертной системе, которая может быть использована в производственных и научно-исследовательских, проектных организациях при предварительной оценке коэффициента нефтеизвлечения на месторождениях ХМАО.
На основе результатов диссертационной работы разработаны новые лекции и лабораторные работы для специальности Информационные
системы и технологии.
Апробация работы.
Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:
П-й международный симпозиум " Наука и технология углеводородных дисперсионных систем" (г. Уфа, октябрь 2000);
Всероссийская научная конференция "Геология и нефтегазо-носность Западно-Сибирского мегабассейна" (г.Тюмень, ноябрь 2000);
Вторая всероссийская научно-техническая конференция «Геология и нефтегазоносность Западно-Сибирского мегабассейна» (г.Тюмень, апрель 2002);.
XII научно-практическая конференция молодых ученых и специалистов «Проблемы развития газовой промышленности Западной Сибири » (г.Тюмень, май 2002);
Шестая научно-практическая конференция "Пути реализации нефтегазового потенциала Ханты-Мансийского автономного округа" (г. Ханты-Мансийск, ноябрь 2002).
Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 4 статьи и 4 тезиса докладов на всероссийских и международных конференциях.
Структура и объем работы. Диссертация состоит из введения, 5 глав и заключения. Объём машинописного текста 124 страницы. Работа содержит 36 рисунков, 49 таблиц, библиография включает 129 наименований.
Геолого-промысловая характеристика нефтяных залежей ХМАО в связи с оценкой КИН
Залежь пласта ПК21 (нижний альб) также массивного типа, однако нефть по своим свойствам отличается от нефтей из юрских отложений более смолистым составом и большой плотностью. Среднеобская НГО располагается в центральной части низменности и в тектоническом отношении соответствует центральным участкам Западно 4 Сибирской платформы. Мощность осадочных отложений достигает 400 м [20, 53].
В пределах области выделяются два крупных свода - Сургутский и Нижневартовский, на которых располагаются почти все известные месторождения региона. Своды разделяются неглубоким и узким Ярсомовским прогибом, а с юга граничат с Юганской впадиной. Нижневартовский свод с востока отделяется от Александровского (Васюганская НГО) Колтогорским мегапрогибом.
Оба свода осложнены валами, состоящими из серии многочисленных локальных складок, к которым приурочено большинство нефтяных месторождений области. В геологическом строении Среднеобской НГО участвуют, главным образом, отложения мезозоя, залегающие на палеозойском кристаллическом фундаменте. В основании осадочного чехла находятся породы тюменской свиты (нижняя+средняя юра), развитой повсеместно и достигающей мощности 200-300 м. Она представлена переслаиванием песчаников, алевролитов и глин. Абалакская свита (верхняя юра) имеет ограниченное распространение, её мощность не превышает 35 м. В пределах Сургутского и Нижневартовского сводов аналогами этой свиты являются васюганская и георгиевская свиты, представленные чередованием песчаников и аргиллитов. Мощность их 50-110 м. Разрез валанжина и готерив-баррема слагают мегионская и вартовская свиты. В их составе широко распространены хорошо выдержанные пласты и пачки песчаников, разделенных покрышками.
Залежи нефти в Среднеобской НГО установлены в весьма широком стратиграфическом диапазоне. Здесь нефтеносны породы тюменской и васюганской свит юры, мегионской свиты валанжина, вартовской свиты валанжина и готерив-баррема. Залежи газа известны в отложениях апт-сеномана. Основные запасы нефти связаны с отложениями вартовской и верхов мегионской свит. В их разрезе выделяется около 20 пластов, имеющих доказанную промышленную нефтеносность. В западном направлении разрез вартовской свиты глинизируется. Глубины залегания продуктивных пластов на Сургутском своде колеблются в пределах 1900-2800 м. На месторождениях Нижневартовского свода значительно опесчанены не JO s только мегионская и вартовская свиты, но и нижняя часть глинистой алымскои свиты (сангопайская толща) и покурская свита. За счет этого нефтеносность поднимается по разрезу до 1600 м (Ватинское , Советское и др. месторождения). Продуктивные пласты сложены песчаниками и алевролитами с прослоями аргиллитов. Их эффективная пористость в среднем составляет 23-25 %, проницаемость от 0.12 до 2 мкм . Дебиты нефти 25-500 м /сут. Нефти месторождений области характеризуются средней плотностью (0.854-0.901 г/см) и являются сернистыми. Содержание серы 0.9-1,9 %, причем наибольшие значения характерны для месторождений Сургутского свода (Мамонтовское, Западно-Сургутское, Усть-Балыкское и др.). Все нефти малопарафинистые (1,9-5,3). На многих месторождениях (Самотлорское, Усть Балыкское и др.) в связи с сообщаемостью отдельных пластов развиты сводовые залежи массивного типа с единым для всех пластов водонефтяным контактом [20, 53]. Резюме: 1. В Приуральской области Центральной части Западно-Сибирской плиты мощность осадочного чехла составляет около 2000 м, а к востоку и северу в пределах Широтного Приобья она увеличивается до 3000-4000 м. 2. На западе в пределах Внешнего тектонического пояса преобладают залежи, приуроченные к унаследованным от рельефа фундамента структурам, а в Центральной тектонической зоне - к локальным поднятиям, осложняющим более крупные тектонические элементы. 3. Промышленная нефтегазоносность связана с породами коры выветривания фундамента, юрскими и меловыми отложениями. Залежи преимущественно пластовые, сводовые, литологически экранированные. Гидродинамическая связь продуктивных пластов обусловливает также сводовый массивный тип залежей. 4. Коллекторы представлены трещиноватыми породами коры выветривания фундамента, гравелитами, песчаниками, алевролитами и аргиллитами. В ., восточном направлении наблюдается опесчанивание и увеличение мощности продуктивного разреза. Дебиты нефти 2-500 м /сут. 1.1.2. Геолого-промысловые особенности нефтяных залежей ХМАО. Учитывая, что построение моделей для прогнозаКИН (гл. 3 и гл. 4) осуществлялось как для залежей, находящихся на поздней стадии разработки, так и для всей совокупности залежей ХМАО, то геолого-промысловая ч характеристика рассматривается ниже для каждой из этих совокупностей отдельно. Геолого-промысловая характеристика залежей нефти для ХМАО в целом « і основана на анализе 3066 залежей и их участков по категориям запасов А, В, С1. Ввиду того, что большая часть залежей не находится на поздней стадии » разработки, получить коэффициент нефтеизвлечения по кривым вытеснения для этих залежей представляется невозможным. Поэтому анализ проведен только для значений КИІІ, утвержденных ГКЗ. Распределение по значениям КИН, приведенное на рис. 1.1, близко к нормальному, наибольшее количество залежей (17%) имеют значения КИН 0.25-0.35. Высота залежей изменяется от 10 до 300 м , однако у 63% объектов этот параметр изменяется в пределах 1-40 м. Общие толщины залежей изменяются, в основном, от 1 м до 32м, и лишь незначительная часть залежей (2%) имеет общую толщину более 32 м (рис.1.2.). 4 Диапазоны 4-8 м и 8-12 м содержат максимальные количества объектов, в итоге более 60 % изучаемых объектов имеют общую толщину 4 -12 м. Эффективная нефтенасыщенная толщина для разных объектов изменяется от 1 м до 12 м и более. Для 38% залежей эффективная толщина находится в диапазоне 2-4 м. Коэффициент песчанистости варьируется от значений, меньших 0.1 до 0.7-0.8 и более (рис.1.2). Видно, что по значениям коэффициента песчанистости (0.75 и более) только 15% залежей имеют простое строение (по классификациям ГКЗ). На рис. 1.3. приведены гистограммы распределения фильтрационно-емкостных свойств коллекторов. Для наибольшей части объектов (57%) имеют значения коэффициента проницаемости меньше, чем 0.05 мкм2, в целом же значения коэффициента проницаемости находятся в пределах до 0.4 мкм2. Коэффициент пористости изменяется для большинства залежей от 0.14 до 0.24, а около 7 % объектов имеют значения коэффициента пористости более, чем 0.24 и около 6% объектов - меньше, чем 0.14. Коэффициент насыщения характеризуется практически нормальным распределением. Наибольшую частоту (28%) имеет диапазон значений 0.55-0.6. значения более 0.6 встречаются на 40% объектов, таким образом, более половины их относятся к недонасыщенным залежам. Из распределения удельного веса нефтей (рис. 1.4) видно, что только 8% изучаемых объектов содержат тяжелую нефть, удельный вес которой превышает 0.88 г/см , основная же часть объектов имеет значения меньше, вплоть до 0.6 г/см . і Вязкость нефти варьируется от 0.1 до 7 мПа с, причем более 97% объектов имеют значения меньше, чем 7 мПа с. На месторождениях ХМАО нефти 58% залежей имеют содержание серы менее 0.9% и 42% залежей с содержанием серы до 2%. (рис. 1.4).
Анализ достоверности утвержденных значений КИН по залежам, находящимся на средних и поздних стадиях разработки
В связи с тем, что главная задача настоящей работы представляет составление классификации залежей нефти ХМАО с целью прогнозирования КИН на стадии их разведки, то в основу такой классификации должны быть положены, в основном, природные геолого-физические характеристики залежей, данные о которых могут быть получены в начальный период освоения месторождения. Поэтому необходимо, чтобы изучаемые признаки прежде всего отражали следующие направления: а) природу и геологическое строение нефтеносных резервуаров, б) микромеханику пласта в процессе вытеснения нефти водой, в) внутренние связи воды, нефти и породы-коллектора в пластовой системе, г) энергетическую характеристику залежей. Также при поисках статистических связей могут быть использованы параметры, характеризующие залежи в аспектах, которые явного отношения к величине КИН с точки зрения физики и физической химии не имеют (т.е. согласно методу Монте-Карло). нефтегазоносного резервуара. Известно, что характеристика каждого природного резервуара отражает особенности развития соответствующего седиментационного палеобассейна и является их следствием.
По существу, характер осадконакопления изначально определяет основные свойства нефтегазоносного резервуара, от которых зависит конечная нефтеотдача. Это вещественный и гранулометрический состав пород, пространственная макро- и микронеоднородность и как следствие - удельная поверхность породы, её адсорбционные и другие поверхностно-молекулярные свойства, пористость и проницаемость пород-коллекторов, остаточная водо- и нефтенасыщенность, величины капиллярных давлений и направленность их действия и, наконец, изменчивость этих параметров в пространстве.
Динамикой седиментационного бассейна также определяются толщины нефтегазоносных резервуаров, их расчлененность и песчанистость и, как следствие, - запасы нефти. Возраст и история развития нефтегазоносного резервуара определяют степень эпигенетических преобразований, в том числе вещественного состава, пластических деформаций пород-коллекторов, меру развития в них трещиноватости. Общеизвестны факты снижения с глубиной пористости и проницаемости пород для раскрытых пластовых систем и формирования АВПД в системах без дренирования. Погружение первоначально гидрофильных нефтенасыщенных пород в область температур более 105 С резко ускоряет процесс их гидрофобизации [14]. Зависимость нефтеотдачи пласта от этих превращений известна по многим источникам.
Для разновозрастных природных резервуаров, развитых на территории ХМАО, в той или иной мере характерны свои особенности осадконакопления. Следовательно, для каждого из них характер осадконакопления опосредованно, через целый ряд геолого-физических факторов определил микро- и макромеханику пласта при вытеснении нефти, в том числе степень охвата эксплуатационного объекта вытеснением и заводнением, формирование за фронтом обводнения микро-и макроцеликов нефти, долю неизвлекаем ой нефти в блоках трещинно-поровых коллекторов и др., т.е. в конечном счете, коэффициент извлечения нефти.
Признаки, характеризующие микромеханику пласта. В качестве параметров, характеризующих микромеханику пласта, изучены проницаемость, пористость, капиллярные силы и вязкость нефти, а также соотношения этих параметров в виде подвижности нефти, гидропроводности и капиллярно-вязкостного отношения [7, 15]. Данные о проницаемости использованы в большинстве известных статистических моделей для прогнозирования КИН [3, 105]. Физический смысл связи проницаемости пород-коллекторов, определяющей их флюидопроводимость, с величиной нефтеотдачи очевиден. Однако, эта связь вуалируется действием многих других факторов, участвующих в процессе извлечения нефти из пласта, в связи с чем напрямую она проявляется недостаточно ясно и четко. Зависимость КИН в прямой связи от параметра пористости, характеризующей ёмкость нефтегазоносного резервуара, отсутствует, поскольку не имеет физического смысла. Но не исключено, что в некоторых случаях пористость может влиять на величину коэффициента нефтеизвлечения опосредованно, например, через удельную поверхность. Авторы некоторых известных статистических моделей для прогнозирования КИН параметр пористости при их построении не использовали [29]. Физический смысл зависимости КИН от капиллярных сил, действующих в пласте при фильтрации в нем жидкостей, имеющих поверхность раздела с определенным межфазным натяжением, очевиден для всех специалистов в области нефтепромыслового дела. Согласно [57, 61 и др.], если бы при вытеснении нефти водой отсутствовали капиллярные силы, то нефтеотдача пласта была бы практически полной, независимо от перепада давления и скорости движения фронта "вода-нефть". Однако, прямая связь капиллярных давлений с КИН по изученным залежам проявляется весьма слабо, что обусловлено, вероятно, различием поверхностно-молекулярных свойств пород-коллекторов рассмотренных залежей нефти. К сожалению, из-за отсутствия данных дифференциацию залежей по степени гидрофильности-гидрофобности пород-коллекторов произвести не удалось. Значения капиллярного давления находятся в достаточно тесной связи с проницаемостью. Изучение этой связи показало, что в большинстве случаев значения этих параметров по модулю обратно пропорциональны: чем меньше проницаемость разности песчаной породы на пути фильтрации, тем больший скачок капиллярного давления наблюдается при продвижении межфазной поверхности в пористой среде [14, 22-24, 26, 50, 56, 68, 69, 120]. Зависимость КИП от вязкости нефти также признается всеми исследователями. Физический смысл этой связи вполне понятен. По степени извлекаемости в зависимости от вязкости в структуре мировых запасов нефти выделяют три категории 122. К числу легкоизвлекаемых нефтей отнесены маловязкие нефти (вязкость 1-5 мПа-с). Считается, что при разработке залежей с такими нефтями с применением заводнения конечная нефтеотдача может составить 55-60 %. К трудноизвлекаемым отнесены нефти с вязкостью 30-100 мПа-с. В этом случае конечная нефтеотдача с применением заводнения составит не более 25-30 %. Разработку месторождений нефтей с вязкостью более 100 мПа-с производить путем заводнения считается экономически нецелесообразным, поскольку конечная нефтеотдача при этом не превышает 10%. В связи с изложенным, использование при составлении многомерных статистических моделей для прогнозирования КИН такого параметра как вязкость нефти имеет четкое физическое обоснование. Поскольку вязкость нефти в пластовых условиях отчасти является функцией газосодержания, то в качестве информативного признака при составлении статистических моделей может быть использован также газовый фактор.
Анализ взаимосвязей КИН с геолого - промысловыми признаками в целом для нефтяных залежей ХМАО
Все известные в настоящее время естественные классификации (таблица Менделеева, Федоровские классификации минералов, классификация растительного и животного миров и др.) прошли становление через искусственные, основной операцией в построении которых являются группировки.
Под группировкой в статистике принято понимать разделение рассматриваемой совокупности объектов на группы, однородные в том или ином смысле. Группировки используются и как форма представления значений и как инструмент их получения. Процесс познания любого объекта, процесса, явления начинается с определенной группировки элементов изучаемой системы, и каждый законченный этап характеризуется совершенствованием группировок, установлением их связей со все более широким кругом явлений, в частности, на основе статистических методов. С развитием электронно-вычислительной техники статистические исследования получили мощное подкрепление при обработке больших массивов информации не только технически, но и методологически, в частности, для группировки многомерных данных. Зародившись в русле технической кибернетики в связи с исследованием проблемы формирования обобщений при машинном распознавании образов, методы классификации многомерных наблюдений сразу нашли широкое поле приложений в нефтегазовой геологии. Несмотря на кибернетическую терминологию и математизированный стиль, методы классификации многомерных наблюдений не противоречат традиционной методологии группировок по градациям отдельных признаков, которые устанавливались исследователями на основании содержательного анализа наблюдаемых объектов. Классическим примером таких группировок является классификация пород-коллекторов А.А. Ханина. От наивных концепций автоматизации всех элементов познавательной деятельности специалисты в области технической кибернетики пришли постепенно к признанию необходимости построения и использования человеко-машинных систем, в которых человек, исследователь, играет ведущую роль как на входе, при формировании заданий машине, так и на выходе, при анализе результатов. Существующая методология статистических группировок ориентирована на ситуацию, когда основные признаки, используемые для группировки, определяются из теоретических соображений, так что сами группировки предназначены, главным образом, для наполнения конкретным содержанием, проверки и подтверждения тех или иных фактов в конкретных условиях. При слабой изученности объекта группировки используются не для проверки, а для выявления закономерностей, так что центр тяжести ложится на само построение группировки, а не на описание сформированных исследователем групп. В связи с этим возникает важный вопрос о критериях построения наилучших группировок. Здесь уже проявляются пробелы - в математических методах. Дело в том. что статистическая методология во главу угла ставит статистическую связь группировки с теми признаками, по которым группы должны быть однородными. Между тем, математические методы многомерной классификации исходят из критериев близости объектов внутри групп. Хотя на интуитивном уровне эти подходы представляются эквивалентными, но математические методы группировки, исходя из критерия статистической связи, ещё слабо разработаны. В связи с этим, Ю.А. Ворониным и Ю.А. Будянским [16, 18] введено понятие "суперцели" в классификационных построениях, представляющей собою утверждение, которое не может быть формально записано и использоваться как критерий качества классификации. Можно лишь проверить, достигнута ли суперцель или нет после завершения классификационных построений. В свете этого снимается вопрос об естественности классификаций - все классификации являются целевыми. И лучшей является та, которая обеспечивает наибольшее приближение к "суперцели". Традиционный способ решения задачи классификации состоит в следующем: эксперт отбирает из множества признаков, описывающих объект, тот признак, который, по его мнению, должен быть положен в основание классификации; затем производится разбиение множества объектов на группы (группировка) в соответствии со значениями данного признака. Подобную классификацию обычно называют монотетической.
В тех случаях, когда из каких-либо соображений следует, что классификация должна быть проведена не по одному базовому признаку, а по нескольким (иерархизированным между собой по важности или же неупорядоченными), тогда монотетическое построение классификации осуществляется в несколько этапов. Вначале образуются кластеры объектов в соответствии с градациями первого признака, затем каждый из полученных кластеров разбивается по второму признаку и т.д. Методической особенностью данного приема является то, что на каждом шаге разбиения используется только один признак. Это создает большое удобство в практических применениях полученной классификации.
При классификации геологических объектов приходится обычно учитывать не один, а комплекс признаков (политетическая классификация). В этом случае эффективными методами классификации являются процедуры кластер-анализа. Однако описания классов в этом случае получаются громоздкими и с трудном воспринимаемыми человеком, что затрудняет применение таких классификаций в практических приложениях. В связи с этим, возникает необходимость результаты политетической классификации сводить к монотетической путем введения комплексных показателей на основе анализа одномерных и двумерных распределений признаков, входящих в основание её.
Флюидо динамическая модель прогноза КИН (Ф-модель)
В нашем случае выбранная подсовокупность признаков (К„, q«, lgKnp) является не единственной информативной группой признаков. Так, при проведении пошаговой процедуры регрессии, начиная с включения в уравнение площади нефтеносности (табл. 3.1, варианты расчета 4, 5, 6, 7, 8), удалось построить уравнение, обеспечивающее снижение остаточного среднеквадратичного отклонения до 0.103 с коэффициентом корреляции 0.63 (рис. 3.10). Это, конечно, незначительное улучшение качества прогноза, но оно содержит гораздо больше переменных, чем вариант 3. Однако, этот пример показывает, что возможны различные по составу, но одинаковые по информативности подсовокупности. Выбор той или иной из них должен определяться соображениями удобства использования их в практических целях.
При анализе многомерных регрессий значений КИН, утвержденных в ГКЗ, от того же набора признаков установлено, что и здесь не удается получить высокого качества прогноза (табл. 3.1, варианты расчета 10 - 14). Здесь с помощью уравнения, включающего 3 признаков (ц, Кн, Sr, цж, lgK ), удается снизить остаточное среднеквадратичное отклонение до 0.085. Правда, и здесь начальный разброс точек несколько ниже, чем для КИНтех, и характеризуется среднеквадратичным отклонением 0.11 (а не 0.133), в связи с чем коэффициент множественной корреляции имеет здесь также невысокое значение, равное 0.63.
Следует отметить, что дальнейшее включение признаков в уравнение регрессии прекращалось по критерию Стьюдента. А именно, включение новых признаков прекращалось, если вычисленное значение критерия Стьюдента не превышало критического, равного 2,0 при объемах выборки свыше 10. Как видно из табл. 3.2, для всех включенных в уравнение признаков вычисленные значения критерия значительно больше 2, за исключением значений, соответствующих признаку G3M в уравнениях 6, 7, 8. Эти варианты расчета приведены в таблице 3.2, чтобы продемонстрировать, что остановка процесса включения признаков в уравнение по критерию Стьюдента не всегда приводит к оптимальному варианту. А именно, здесь видно, что при сохранении малоинформативного (по Стьюденту) признака в уравнении регрессии, на последующих шагах можно получить заметное снижение погрешности прогноза (табл. 3.1, варианты расчета 7,8). При этом вычисленные значения критерия Стьюдента для вновь введенных в уравнение признаков будут превышать критическое (табл. 3.2, варианты расчета 7,8).
В заключение следует отметить, что приведенные многовариантные расчеты (большинство из которых не приведено в табл. 3.1) показали невозможность построения приемлемого уравнения множественной регрессии для прогноза КИН на разведываемых месторождениях ХМАО. Это утверждение основано на том, что не удалось получить уравнения с коэффициентом множественной регрессии выше 0.63 - 0.64 и с остаточным среднеквадратичным отклонением менее 0.085 для КИІІ, утвержденных в ГКЗ, и 0.103 для КИН, полученных по характеристикам вытеснения. Из опыта построения подобных уравнений по месторождениям других нефтегазоносных районов страны [18] известно, что удавалось получать коэффициенты корреляции до 0.75 - 0.8 при остаточном среднеквадратичном отклонении 0.05. Для достижения таких показателей в настоящей работе применен аппарат дискретно - непрерывных моделей. 3.2. Оценка коэффициента нефтеотдачи на основе дискретных и дискретно - непрерывных прогнозных моделей Как отмечалось в главе 2, построение прогнозных дискретно-непрерывных моделей (ДНМ) осуществляется на основе вычислительного эксперимента. А именно, вначале осуществляется разграничение исходной совокупности на группы или выявляется кластерная структура изучаемой совокупности объектов, т.е. строится дискретная модель (ДМ), а затем вычисляются уравнения регрессии в пределах каждого кластера (группы). Далее, на основе сравнения среднеквадратичных отклонений прогнозируемого признака, полученных для этих уравнений, выбираются те модели, которые обеспечивают наилучшее качество прогноза. Автором рассмотрен ряд вариантов построения дискретных моделей [36, 37, 38]. При этом в трех случаях (ДНМ 1, 2 ,9) классификация осуществлялась методом группирования залежей по градациям двух-трех признаков, а в шести -методами кластер-анализа. Рассмотрим эти модели подробнее. резервуаров (ДНМ-1). При построении этой дискретно-непрерывной модели все залежи были разграничены на 7 групп по их стратиграфической приуроченности (табл. 3.3).
