A A A Ц Ц Ц Ц

ШРИФТ:

Arial Times New Roman

ИНТЕРВАЛ:

х1 х1.5 х2

КЕРНИНГ:

Обычный Средний Большой

ИЗОБРАЖЕНИЯ:

Черно-белые Цветные
Для слабовидящих Обычная версия
научно-технический и производственный журнал
ISSN 2079–3332 (print)
ISSN 3034-6835 (online)
основан в 2001 году

Нейросетевая оптимизация составов смесевых твердых топлив для повышения экономической эффективности термогидродинамического воздействия на нефтяные коллекторы

Новости

Оригинальные статьи: 2025 г. № 4

Нейросетевая оптимизация составов смесевых твердых топлив для повышения экономической эффективности термогидродинамического воздействия на нефтяные коллекторы

DOI: 10.56195/20793332-2025-25-4-53-58

Читать в pdf М. Г. Ефимов1, А. Р. Мухутдинов2
  1. ЧОУ ВО «Казанский инновационный университет имени В. Г. Тимирясова», Республика Татарстан, г. Казань, Российская Федерация
  2. ФГБОУ ВО «Казанский национальный исследовательский технологический университет», Республика Татарстан, г. Казань, Российская Федерация
стр. 53-58, №4/2025
Аннотация:
Актуальной задачей нефтегазовой промышленности является повышение эффективности извлечения углеводородов из трудноизвлекаемых запасов (ТрИЗ) с минимальным экологическим воздействием. Целью работы стало исследование влияния компонентного состава и начальных условий на эксплуатационные характеристики (СТТ) аммиачно-селитренного состава (АСС): скорости горения и объема газообразных продуктов, а также разработка рекомендаций по их оптимизации для применения в скважинных газогенераторах. Для достижения цели использован нейросетевой программный модуль, апробированный на экспериментальных данных. Анализ показал, что давление и плотность заряда являются доминирующими факторами, управляющими процессом горения, тогда как компоненты АСС (горючее, катализаторы) обеспечивают «тонкую» настройку свойств топлива. Предложены составы СТТ АСС, адаптированные под типовые условия Западной Сибири (низкопроницаемые песчаники), Волго-Урала (карбонатные коллекторы) и Арктики (низкие пластовые температуры). Технология соответствует Стратегии развития минерально-сырьевого комплекса РФ до 2035 года, обеспечивая импортозамещение и цифровизацию производственных процессов. Экологическая безопасность подтверждена снижением выбросов NOx на 30–40% и минимизацией загрязнения пластовых вод за счет полного сгорания (>99,8%). Экономическая эффективность достигается через сокращение затрат на натурные испытания на 70% и повышение коэффициента извлечения нефти (КИН) на 7–12%. Результаты соответствуют требованиям ISO 14001 и ФЗ № 166, что делает технологию востребованной в долгосрочной перспективе.
Ключевые слова:
смесевое твердое топливо, аммиачно-селитренный состав, нейросетевое моделирование, скорость горения, экологическая безопасность, маркшейдерский мониторинг, Стратегия МСК РФ, экономическая эффективность
Для цитирования:
Ефимов МГ, Мухутдинов АР. Нейросетевая оптимизация составов смесевых твердых топлив для повышения экономической эффективности термогидродинамического воздействия на нефтяные коллекторы. Маркшейдерия и недропользование. 2025;25(4):53-58. https://doi.org/10.56195/20793332-2025-25-4-53-58.
Информация об авторах:
  1. Максим Геннадьевич Ефимов – старший преподаватель кафедры компьютерного моделирования и техносферной безопасности ЧОУ ВО «Казанский инновационный университет имени В. Г. Тимирясова», 420111, Республика Татарстан, г. Казань, Российская Федерация, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
  2. Аглям Рашидович Мухутдинов – д-р техн. наук, профессор кафедры технология твердых химических веществ ФГБОУ ВО «Казанский национальный исследовательский технологический университет», 420015, Российская Федерация, Республика Татарстан, г. Казань, Российская Федерация, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Список литературы:
  1. 1. Жилина ИВ. Перспективы разработки трудноизвлекаемых запасов углеводородов с позиции концепции устойчивого развития сырье- вой базы нефтегазового комплекса России. Актуальные проблемы нефти и газа. 2018; 4 (23): 27. [Zhilina IV. Prospects for the Development of Hard-to-Recover Hydrocarbon Reserves from the Position of the Concept of Sustainable Development of the Raw Material Base of the Oil and Gas Complex of Russia. Actual Problems of Oil and Gas. 2018; 4 (23): 27. (In Russ.)].
  2. 2. Wang L, et al. Thermohydrodynamic Stimulation Using Downhole Gas Generators Based on Composite Solid Fuels: Experimental and Numerical Analysis. Fuel. 2017; 205: 145-158.
  3. 3. Решетников СМ, Фролов ВМ. Современные подходы к моделированию процесса горения смесевого твердого топлива. Бутлеровские сообщения. 2012; 30 (6): 1-25. [Reshetnikov SM, Frolov VM. Modern Approaches to Modeling the Combustion Process of Composite Solid Fuel. Butlerov Communications. 2012; 30 (6): 1-25. (In Russ.)].
  4. 4. Тиссо Б, Вельте Д. Образование и распространение нефти. Москва, 1981: 501. [Tissot B., Welte D. Formation and Distribution of Oil. Moscow, 1981: 501. (In Russ.)].
  5. 5. Мухутдинов АР, Ефимов МГ, Сафиуллин РИ. Изучение зависимости скорости горения аммиачно-селитренного топлива от эксплуа- тационных характеристик его заряда с использованием нейросетевых технологий. Вестник технологического университета. 2017; 20 (18):127-129. [Mukhutdinov AR, Efimov MG, Safiullin RI. Study of the dependence of the combustion rate of ammonium nitrate fuel on the operational characteristics of its charge using neural network technologies. Bulletin of the Technological University. 2017; 20 (18): 127-129. (In Russ.)].
  6. 6. Мухутдинов АР, Ефимов МГ. Компьютерное моделирование теплообмена хлорбензола в электрическом поле. Вестник Казанского технологического университета. 2014; 17 (24): 138-140. [Mukhutdinov AR, Efimov MG. Computer modeling of chlorobenzene heat transfer in an electric field. Bulletin of the Kazan. technological University. 2014; 17 (24): 138-140. (In Russ.)].
  7. 7. Мухутдинов АР, Ефимов МГ, Сафиуллин РИ и др. Программный модуль на основе нейронной сети для прогнозирования скорости го- рения смесевого твердого топлива. Вестник технологического университета. 2017; 20 (24): 102-104. [Mukhutdinov AR, Efimov MG, Safiullin RI, et al. Software module based on neural network for predicting the combustion rate of mixed solid fuel. Bulletin of the Technological University. 2017; 20 (24): 102-104. (In Russ.)].
  8. 8. Kim Seongmin, Xu Jiaxin, Shang Wenjie, еt al. A review on machine learning-guided design of energy materials. Progress in Energy. 2024; 6 (4): 042005. DOI: 10.1088/2516-1083/ad7220.
  9. 9. Alkinani Husam H., et al. Applications of Artificial Neural Networks in the Petroleum Industry: A Review. Society of Petroleum Engineers. 2019. DOI: 10.2118/195072-MS.
  10. 10. Shen Fei, Ren Shuang, Zhang Xiang, et al. A Digital Twin-Based Approach for Optimization and Prediction of Oil and Gas Production. Mathematical Problems in Engineering. 2021: 1-8. DOI: 10.1155/2021/3062841.
  11. 11. Gao Fengyu, Tang Xiaolong, Yi Honghong, et al. A Review on Selective Catalytic Reduction of NOx by NH3 over Mn-Based Catalysts at Low Temperatures: Catalysts, Mechanisms, Kinetics and DFT Calculations. Catalysts. 2017; 7: 199. DOI: 10.3390/catal7070199.
  12. 12. Sun Qian, Zhang na, Liu Wei, et al. Insights into enhanced oil recovery by thermochemical fluid flooding for ultra-heavy reservoirs: An experimental study. Fuel. 2023; 331: 125651. DOI: 10.1016/j.fuel.2022.125651.
  13. 13. Davis ME, Davis RJ. Fundamentals of Chemical Reaction Engineering. McGraw-Hill. 2003: 784.

 

Золото России и СНГ

Новые материалы