Оптимизация расположения скважин на месторождении на основе нейронного оператора

UDK: 681.518:622.276.342

DOI: 10.24887/0028-2448-2025-12-107-113

Ключевые слова: нейронный оператор, гидродинамическое моделирование, машинное обучение, суррогатное моделирование, оптимизация расположения скважин, двухфазная фильтрация

Авт.: М.М. Хасанов, д.т.н. (Группа компаний «Газпром нефть»); Б.М. Латыпов, к.т.н. (Уфимский гос. нефтяной технический университет); Е.В. Юдин, к.ф.-м.н. (Группа компаний «Газпром нефть»); Р.А. Бондоров (Уфимский гос. нефтяной технический университет); Н.А. Зырянов (Санкт-Петербургский гос. университет)

В статье представлена методология оптимизации расположения добывающих и нагнетательных скважин на нефтяном месторождении с использованием суррогатного моделирования на основе нейронных операторов. Традиционные подходы требуют проведения большого числа гидродинамических симуляций, что делает задачу крайне ресурсоемкой. Предлагается заменить полномасштабный симулятор быстрой моделью на основе архитектуры Latent Neural Operator (LNO), способной воспроизводить динамику двухфазной фильтрации с учетом неоднородностей пласта и различных конфигураций скважин. Модель обучается на обширной выборке, сгенерированной промышленным симулятором tNavigator и включающей 2048 различных сценариев размещения скважин. Архитектура LNO использует механизм Physics-Cross-Attention для перехода в латентное пространство и обратно, что позволяет эффективно аппроксимировать поля давления и насыщенности. Полученный суррогат обеспечивает среднее время прогноза около 0,052 с на год расчета, что позволяет применять его внутри оптимизационного алгоритма. Для поиска оптимального расположения скважин применяется генетический алгоритм, максимизирующий суммарную добычу нефти. Показано, что комбинация LNO и генетического алгоритма способна исследовать тысячи конфигураций, обходить низкопроницаемые зоны и находить близкие к оптимальным решения. Несмотря на высокую скорость и качество, при длительных прогнозах модель демонстрирует ошибки в околоскважинной области. Предложены направления улучшения точности и интеграции с численным симулятором.

Список литературы

1. Salasakar S., Prakash S., Thakur G. Recent trends in proxy model development for well placement optimization employing machine learning techniques // Modelling. – 2024. – V. 5. – No. 4. – P. 1808–1823. – https://doi.org/10.3390/modelling5040094. – EDN: JOIEYR

2. Tang H., Durlofsky L.J. Graph network surrogate model for optimizing the placement of horizontal wells for CO2 storage. – 2024. – https://doi.org/10.2139/ssrn.4967577

3. Юдин Е.В. Моделирование фильтрации жидкости в неоднородных средах для анализа и планирования разработки нефтяных месторождений: дисс. на соиск. уч. степ. канд. ф.-м. наук. – М., 2014. – 173 с. – EDN: SVANZH

4. Badawi D., Gildin E. Neural operator-based proxy for reservoir simulations considering varying well settings, locations, and permeability fields. – 2024. – https://doi.org/10.48550/arXiv.2407.09728

5. Tang H., Durlofsky L.J. Graph network surrogate model for subsurface flow optimization // Journal of Computational Physics. – 2024. – V. 512. – https://doi.org/10.1016/j.jcp.2024.113132

6. Multipole graph neural operator for parametric partial differential equations / Z. Li, N. Kovachki, K. Azizzadenesheli [et al.] // Advances in Neural Information Processing Systems (NeurIPS). – 2020. – V. 33. – P. 6755–6766.

7. Wang T., Wang C. Latent neural operator for solving forward and inverse PDE problems. – 2024. – https://doi.org/10.48550/arXiv.2406.03923

8. Geometry-Informed Neural Operator for Large-Scale 3D PDEs / Z. Li [et al.] // Advances in Neural Information Processing Systems (NeurIPS). – 2023. – https://doi.org/10.48550/arXiv.2309.00583

9. Подход к планированию добычных характеристик новых скважин в низкопроницаемом пласте / Е.В. Юдин [и др.] // Нефтяное хозяйство. – 2012. – №. 11. – С. 25-29. – EDN: PIKZPV