|
В статье предложена методика применения методов машинного обучения при подборе скважин-кандидатов для проведения гидроразрыва пласта (ГРП) для условий одного из месторождений ПАО «НК «Роснефть». В настоящее время при подборе скважин-кандидатов для ГРП требуется анализ большого объема информации об истории работы, проведенных ранее мероприятиях, техническом состоянии, энергетическом состоянии пласта и др. Анализ данных традиционными методами требует значительных трудозатрат, но не дает гарантии точного прогноза результатов ГРП. В последние годы подобные задачи решаются с применением современных цифровых технологий. Наиболее активно развиваются методы анализа данных на основе алгоритмов машинного обучения, предназначенные для извлечения знаний из представленного массива данных с целью принятия решений применительно к рассматриваемым объектам. В статье рассмотрена разработка комплексного подхода для подбора скважин-кандидатов для проведения ГРП. Созданы прогнозные модели машинного обучения для следующих показателей: начальные дебиты нефти и жидкости, дебит нефти через 1, 3, 6 мес после проведения ГРП, чистый дисконтированный доход (NPV). При прогнозировании каждого показателя использовались три алгоритма машинного обучения. Для каждой модели выбран алгоритм, давший наименьшую ошибку. Показано, что для моделирования целевых показателей после ГРП лучшими оказались нелинейные алгоритмы градиентного бустинга и случайного леса. Подбор скважин-кандидатов для проведения ГРП осуществлен на основании ранжированного списка скважин-кандидатов по прогнозным целевым технологическим и экономическим показателям. Апробация предложенного подхода на одном из месторождений компании «Роснефть» показала возможность повышения точности прогнозирования и экономической эффективности. В пяти скважинах, подобранных с помощью технологии машинного обучения проведены операции ГРП, результаты которых подтвердили корректность выбора скважин и точность прогноза прироста дебита нефти. Построенные модели обладают существенно лучшей прогностической способностью, чем традиционный подход. В частности, отклонение прогнозного прироста дебита нефти от фактического на тестовой выборке скважин одного из месторождений Западной Сибири уменьшилось с 43 до 23 %. Список литературы 1. Aryanto А., Kasmungin S., Fathaddin MT. Hydraulic fracturing candidate-well selection using artificial intelligence approach // Prosiding seminar nasional cendekiawan, 2018. – P. 1–7. 2. Yanfang W., Salehi S. Refracture candidate selection using hybrid simulation with neural network and data analysis techniques // Journal of Petroleum Science and Engineering. – 2014. – V. 123. – P. 138–146. 3. Rahmanifard H., Plaksina T. Application of artifcial intelligence techniques in the petroleum industry: a review // Artifcial Intelligence Review, 2018. – P. 1–24. 4. Development of an intelligent systems approach for restimulation candidate selection / S. Mohaghegh, S. Reeves, D. Hill [et al.] // SPE-59767-MS, 2000. – Р. 1–11. 5. Comparison of Candidate-Well Selection Mathematical Models for Hydraulic Fracturing / Ting Yu [et al.] // Fuzzy Systems & Operations Research and Management. – 2015. – V. 367. – 289 p. 6. Гайнуллин М.М., Шабаров А.Б. Применение теории нечетких множеств для подбора скважин с целью геолого-технологических мероприятий на нефтяных месторождениях // Вестник Тюменского гос. университета. – 2011. – № 7. – C. 30–37. 7. Alimkhanov R., Samoylova I. Application of Data Mining Tools for Analysis and Prediction of Hydraulic Fracturing Efficiency for the BV8 Reservoir of the Povkh Oil Field / SPE-171332-MS. – 2014. – October 14. – C. 1–20. – DOI:10.2118/171332-MS. 8. Давлетова А.Р., Колонских А.В., Федоров А.И. Направление трещины повторного гидроразрыва пласта // Нефтяное хозяйство. – 2017 – № 11. – С. 110–113. 9. Методика выбора скважин-кандидатов для проведения повторного гидроразрыва пласта на основе эффекта переориентации трещины // П.Д. Савченко, А.И. Федоров, А.В. Колонских [и др.] // Нефтяное хозяйство. – 2017. – № 11. – С. 114–117. 10. Внедрение новых технологий гидроразрыва пласта на карбонатных объектах месторождений ПАО АНК «Башнефть» / С.Е. Здольник, Ю.В. Некипелов, М.А. Гапонов, А.Е. Фоломеев // Нефтяное хозяйство. – 2016. – № 7. – С. 92–95. |
