В статье рассмотрена автоматическая интерпретация гидродинамических исследований нефтяных и газовых скважин (ГДИС) на неустановившихся режимах фильтрации методами регистрации кривой восстановления давления (КВД), кривой падения давления (КПД) и кривой стабилизации давления (КСД). Интерпретация выполняется при помощи алгоритма машинного обучения, который по билогарифмическому графику кривой изменения давления и его логарифмической производной позволяет определить наиболее подходящую модель системы скважина – пласт. Данная задача в терминах машинного обучения является проблемой многозначной классификации, поскольку одни и те же входные данные могут относиться сразу к нескольким классам. Проанализированы различные модели классификаторов, по результатам кросс-валидации выбрана модель одномерной сверточной нейронной сети. После определения модели системы скважина – пласт аналитический алгоритм рассчитывает гидродинамические свойства продуктивного пласта, параметры заканчивания скважин и расстояния до границ пласта и скважин окружения. Алгоритмы автоматической интерпретации КВД, КПД и КСД реализованы в виде отдельного функционала в программном комплексе (ПК) «РН-ВЕГА», который выполняет широкий спектр задач, связанных с обработкой исходных данных, анализом и интерпретацией различных технологий проведения ГДИС. Функционал автоматической интерпретации в ПК «РН-ВЕГА» расширяет возможности эксперта, формируя перечень релевантных моделей системы скважина – пласт и решая задачу расчета параметров для каждой из этих моделей, что невозможно при обработке динамических данных эксплуатации скважин вручную. Проведена апробация функционала на синтетических и промысловых данных с результатами исследований на неустановившихся режимах на примере месторождений Западной Сибири и Волго-Уральского региона. Результаты сравнения с аналогичным функционалом в зарубежном программном обеспечении показали, что новый алгоритм в рассмотренных примерах позволяет получить искомые параметры заканчивания скважины и пласта с точностью, большей на 8 %.
Список литературы
1. Анализ добычи и давления по горизонтальным скважинам с многостадийным гидроразрывом пласта / Р.Р. Уразов, А.Я. Давлетбаев, А.И. Синицкий [и др.] // Нефтяное хозяйство. – 2020. – № 10. – С. 62–67. - https://doi.org/10.24887/0028-2448-2020-10-62-67
2. Апробация подхода к оценке текущего пластового давления при анализе динамических данных эксплуатации скважин / Г.Ф. Асалхузина, А.Я. Давлетбаев, Т.Р. Салахов [и др.] // Нефтяное хозяйство. – 2022. – № 10. – С. 30–33. https://doi.org/10.24887/0028-2448-2022-10-30-33.
3. KAPPA: Saphir – анализ ГДИС / KAPPA Engineering 1987 – 2023. https://www.kappaeng.com/software/saphir/
4. Программный комплекс «РН-ВЕГА» для анализа и интерпретации результатов гидродинамических исследований скважин / В.В. Сарапулова, А.Я. Давлетбаев, А.Ф. Кунафин [и др.] // Нефтяное хозяйство. – 2023. – № 12. – С.124 –129. - https://doi.org/10.24887/0028-2448-2023-12-124-129
5. Применение методов вейвлет-анализа в задачах автоматической обработки данных гидродинамических исследований скважин / И.С. Афанасьев, А.В. Сергейчев, Р.Н. Асмандияров [и др.] // Нефтяное хозяйство. – 2012. – № 11. – С. 34–37.
6. Wavelet-Based Transform Analysis for Non-Darcy Gas Flow Noisy Data Interpretation / D. Ivaschenko, A. Davletbaev, V. Baikov [et al.] // SPE-166909-MS. – 2013. - http://doi.org/10.2118/166909-MS
7. Allain O.F., Horne R.N. Use of Artificial Intelligence in Well-Test Interpretation. // J Pet Technol. – 1990. – V. 42 (03). – Р. 342–349. - http://doi.org/10.2118/18160-PA
8. Automatic well test interpretation based on convolutional neural network for a radial composite reservoir / Li Daolun, Liu Xuliang, Zha Wenshu [et al.] // Petroleum Exploration and Development. – 2020. – V. 47(3). – Р. 623–631. - https://doi.org/10.1016/S1876-3804(20)60079-9
9. Well test analysis and interpretation: the use of artificial neural network / S.L. Arubi, B. Ikporo, S. Igbani, A. Obuebute // International Journal of Engineering Applied Sciences and Technology. – 2020. – V. – 4(11). – Р. 438–446.
10. Ahmadi R., Shahrabi J., Aminshahidy B. Automatic well-testing model diagnosis and parameter estimation using artificial neural networks and design of experiments // Journal of Petroleum Exploration and Production Technology. – 2016. – V. 7(3). – Р. 759–783. - https://doi.org/10.1007/s13202-016-0293-z
11. Ivakhnenko A.G., Lapa V.G. Cybernetic predicting devices. New York: CCM Information Corp, 1966. – 256 р.
12. Specht D.F. A general regression neural network // IEEE Transactions on Neural Networks. – 1991. – V. 2 (6). – Р. 568–576. - https://doi.org/10.1109/72.97934
13. Specht D.F. Generation of Polynomial Discriminant Functions for Pattern Recognition // IEEE Transactions on Electronic Computers. – 1967. – V. EC-16 (3). – Р. 308–319. - https://doi.org/10.1109/PGEC.1967.264667
14. Gringarten A.C. From Straight Lines to Deconvolution: The Evolution of the State of the Art in Well Test Analysis // SPE-102079-PA. – 2008. - http://doi.org/10.2118/102079-PA
15. Гидродинамические исследования скважин в низкопроницаемых коллекторах / А.Я. Давлетбаев, Г.Ф. Асалхузина, Р.Р. Уразов, В.В. Сарапулова // Новосибирск: ООО «ДОМ МИРА», 2023. – 176 с.
