Сегодня широко развивается технология горизонтального бурения скважин (когда их прокладывают с отклонением от вертикальной оси не менее чем на 80 градусов). Благодаря такой технологии нефть добывается с большей результативностью, чем при использовании обычных вертикальных скважин. Этот метод позволяет охватывать и разрабатывать обширные залежи углеводородов с использованием только одной скважины. Но существующие технологии, основанные на аналитических уравнениях, слишком ненадежны для расчета и прогноза дебита горизонтальных скважин (объема продукции, добываемой из скважины за единицу времени). Неточный расчет дебита негативно влияет на эффективность добычи нефти. Финансовые, человеческие и технологические ресурсы могут быть потрачены впустую – на скважину, которая не окупит затрат. Чтобы повысить точность прогнозирования дебита горизонтальных скважин, ученые Пермского Политеха предложили принципиально новый подход, основанный на методах машинного обучения.
Пермские ученые обучили нейронную сеть прогнозировать дебит горизонтальных скважин / ©Getty images
Исследование опубликовано в журнале SOCAR Proceedings, Special Issue. С 1950-х годов множество ученых представили свои математические модели расчета дебита горизонтальной скважины. Однако, как выяснили ученые Пермского Политеха, значение дебита, рассчитанное при помощи данных методов, может отличаться от фактического на 40-80 процентов.
Методы математического моделирования похожи на конструктор «Лего», в котором вместо деталей – данные о геолого-физических условиях эксплуатации скважины и математические формулы, на основе которых определяется дебит. Однако в нашем случае проблема кроется в наличии множества допущений: неоднородности пласта, конструкции скважины, закона фильтрации флюида (жидкости, которая встречается в порах горной породы), фильтрационных сопротивлений, реологии флюидов и их свойств. Чтобы повысить точность прогнозирования дебита горизонтальных скважин, ученые Пермского Политеха предложили использовать методы машинного обучения.
Первым этапом построения моделей машинного обучения стали сбор и подготовка, предобработка и структуризация цифрового массива информации. Для анализа ученые сформировали базу данных по 178 горизонтальным скважинам 31 нефтяного месторождения: геолого-физические характеристики пластов, исходные данные для гидродинамических исследований скважин, конструктивные особенности скважин (диаметр ствола, длина участка по стволу) и информацию об их методе освоения.
Для прогнозирования использовался многомерный регрессионный анализ – набор статистических методов оценки связей между зависимой переменной и одной/несколькими независимыми переменными. Дебит выступал в качестве зависимого признака, а геолого-технологические параметры (коэффициенты нефтенасыщенности, песчанистости, вытеснения и пористости, диаметр ствола скважины, проницаемости, вязкости нефти) – в качестве независимых факторов. Затем, для достижения максимальной точности прогнозирования и оперативности расчетов, ученые обратились к использованию нейронных сетей.
«В качестве модели использовалась полносвязная нейронная сеть прямого распространения. Преимуществом данного вида нейросети является ее универсальность и возможность адаптироваться к любым входным данным, выделяя при этом важные признаки и игнорируя незначительные. Разработанная модель доказала свою эффективность. Коэффициент детерминации составил более 0,8, что выше значения, полученного по аналитическим формулам на 50-90 процентов», – подводит итог кандидат технических наук, доцент кафедры «Нефтегазовые технологии» Пермского Политеха Дмитрий Мартюшев.
Преимуществом разработанной учеными ПНИПУ модели является использование уже накопленного опыта бурения и формирование обобщенных закономерностей прогнозирования дебита горизонтальных скважин. С расширением базы данных эксплуатации горизонтальных скважин в различных геолого-физических условиях предложенный метод может стать еще точнее.
