proneftPROНЕФТЬ. Профессионально о нефтиPROneft. Professionally about Oil2587-73992588-0055«Газпром нефть»10.7868/S2587739920040102proneft-234Research ArticleРАЗРАБОТКА И ЭКСПЛУАТАЦИЯ НЕФТЯНЫХ МЕСТОРОЖДЕНИЙDEVELOPMENT AND OPERATION OF OIL FIELDSМетодика прогнозирования темпов падения нефти проектных скважин на основе алгоритма машинного обученияA new method of decline curve forecasting for project wells on the base of machine learning algorithmsГабитоваС. И.GabitovaS. I.

Saint-Petersburg

Gabitova.SI@gazpromneft-ntc.ruДавлетбаковаЛ. А.DavletbakovaS. A.

Saint-Petersburg

КлимовВ. Ю.KlimovV. Yu.

Saint-Petersburg

ШуваевД. В.ShuvaevS. V.

Saint-Petersburg

ЭдельманИ. Я.EdelmanI. Ya.

Moscow

ШмидтС.ShmidtS.

Moscow

Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)РоссияGazpromneft NTC LLCRussian FederationСалым Петролеум Девелопмент Н.В.РоссияSalym Petroleum Development N.V.Russian Federation202009062022046974Copyright © Габитова С.И., Давлетбакова Л.А., Климов В.Ю., Шуваев Д.В., Эдельман И.Я., Шмидт С., 20222022Габитова С.И., Давлетбакова Л.А., Климов В.Ю., Шуваев Д.В., Эдельман И.Я., Шмидт С.Gabitova S.I., Davletbakova S.A., Klimov V.Y., Shuvaev S.V., Edelman I.Y., Shmidt S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://proneft.elpub.ru/jour/article/view/234

Разработан метод, интегрирующий ручное выделение групп и алгоритм машинного обучения, позволяющий прогнозировать с высокой точностью темпы падения нефти проектных скважин по двум входным параметрам. При помощи машинного обучения (МО) выявлены скрытые закономерности между входными параметрами и темпами падения скважин. Анализ темпов падения скважин по типу заканчивания проиллюстрировал, что горизонтальные скважины эффективнее, чем наклонно-направленные.

The article describes new decline curves (DC) forecasting method for project wells. The method is based on the integration of manual grouping of DC and machine learning (ML) algorithms appliance. ML allows finding hidden connections between features and the output. Article includes the decline curves analysis of two well completion types: horizontal and slanted wells, which illustrates that horizontal wells are more effective than slanted.

темп падения добычи нефтикластеризацияклассификацияоценка достаточностиалгоритмы машинного обученияdecline curveclusteringclassificationsample sufficiencymachine learning algorithmsReferencesAnalysis of Decline Curves [Text] / Arps, J.J. // AIME. – 1945. – V. 160. – P. 228–247. https://doi.org/10.2118/945228-GArps J.J. Analysis of Decline Curves. Transactions of the AIME. 1945, vol. 160, no. 1, pp. 228–247. doi: 10.2118/945228-GПланирование и организация эксперимента [Текст]: учебное пособие для студентов / А.Г. Левшин [и др.]. – М.: Изд-во РГАУ-МСХА, 2015. – 65 с.Levshin A.G. et al. Planirovanie I organizatsia experimenta [Planning and organizing of experiment]. Moscow, RGAU-MSKhA, 2015. 65 p.Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем [Текст]. – Изд-во Вильямс, 2018. – 688 с.Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media Inc., 2018. 718 p.Shalev-Shwartz Sh., Ben-David Sh. [Текст]: Understanding Machine Learning Algorithms: From Theory to Algorithms. – Cambridge: Cambridge University Press, 2014. – 449 с.Shalev-Shwartz Sh., Ben-David Sh. Understanding Machine Learning Algorithms: From Theory to Algorithms. Cambridge, Cambridge University Press, 2014. 449 p

The authors declare that there are no conflicts of interest present.