||
5.3 Плагин Neural Network Regression. Модуль нейросетевой регрессионной модели межскважинного влияния

5.3.1 Загрузка данных по давлению

Встать на датчик давления и загрузить данные по давлению. Данные по давлению будут загружены в карман “P” – “Raw Data”.

Рис. 5.3.1.1 – Датчик “P” – “Raw Data”.

5.3.2 Загрузка данных по дебиту

Встать на датчик дебита и загрузить данные по дебиту. Данные по дебиту загружены в датчик “q” – “Raw Data”.

Рис. 5.3.2.1 – Датчик “q” – “Raw Data”.

5.3.3 Выбор нужного плагина

Во вкладке "Plugins": в строке "Plugin" выбрать "WOR". 

Рис. 5.3.3.1 – Выбор нужного плагина.

5.3.4 Задание настроек модуля

Создать текстовый файл, содержащий таблицу формата: Function | Cumulative | Rate - модель водонефтяного фактора и предикторы для включения в модель (дебит и/или накопленный дебит).

Рис. 5.3.4.1 – Пример задания настроек.

Пример файла с настройками: watercut_model.txt


5.3.5 Загрузка файла с настройками модуля

Во вкладке Plugins: в строке File нажать на кнопку Browse и выбрать текстовый файл с настройками модуля.

5.3.6 Расчет и отрисовка графиков

Нажать на кнопку Calculate. Сформируется архив, содержащий графики WOR 

Рис. 5.3.6.1 – Пример результатов работы модуля.

и файл с результатами

Рис. 5.3.6.2 – Пример содержимого выходного файла.

Пример выходного файла: WOR_parameters.txt


5.3.7 Примечание

Реализованные модели обводнённости не учитывают физическую природу явления и могут выявлять ложные корреляции, вследствие чего необходимо пробовать различные модели водонефтяного фактора и различные предикторы (дебит и/или накопленный дебит).