proneftPROНЕФТЬ. Профессионально о нефтиPROneft. Professionally about Oil2587-73992588-0055«Газпром нефть»10.51890/2587-7399-2024-9-3-43-49proneft-507Research ArticleРАЗРАБОТКА И ЭКСПЛУАТАЦИЯ НЕФТЯНЫХ МЕСТОРОЖДЕНИЙDEVELOPMENT AND OPERATION OF OIL FIELDSПомощник инженера для анализа и разработки месторождений нефти и газа на основе интегрированной модели активаAssistant engineer for the analysis and development of assets based on the integrated asset modelАфанасьевА. А.AfanasevA. A.

Александр Андриянович Афанасьев - главный специалист

190000, г. Санкт-Петербург, ул. Почтамтская, д. 3–5

Alexander A. Afanasyev - Chief specialist

3–5, Pochtamtskaya str., 190000, Saint Petersburg

ProNeft@gazprom-neft.ruСимоновМ. В.SimonovM. V.

Максим Владимирович Симонов - руководитель центра

190000, г. Санкт-Петербург, ул. Почтамтская, д. 3–5

Maxim V. Simonov - Head of the Center

3–5, Pochtamtskaya str., 190000, Saint Petersburg

ПечкоК. А.PechkoK. A.

Конастантин Анатольевич Печко - главный специалист

Санкт-Петербург

Konastantin A. Pechko - Chief specialist

Saint Petersburg

БровинН. М.BrovinN. M.

Николай Михайлович Бровин - главный специалист

190000, г. Санкт-Петербург, ул. Почтамтская, д. 3–5

Nikolay M. Brovin - Chief specialist

3–5, Pochtamtskaya str., 190000, Saint Petersburg

БажуковС. П.BazhukovS. P.

Сергей Павлович Бажуков - специалист

Санкт-Петербург

Sergey P. Bazhukov - Specialist

Saint Petersburg

КимВ. В.KimV. V.

Вячеслав Владиславович Ким - ведущий специалист

190000, г. Санкт-Петербург, ул. Почтамтская, д. 3–5

Vyacheslav V. Kim - Leading specialist

3–5, Pochtamtskaya str., 190000, Saint Petersburg

КолесниковаВ. Р.KolesnikovaV. R.

Валерия Романовна Колесникова - специалист

Санкт-Петербург

Valeria R. Kolesnikova - Specialist

Saint Petersburg

Группа компаний «Газпром нефть»РоссияGazprom neft company groupRussian FederationФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого»РоссияPeter the Great Saint Petersburg Polytechnic UniversityRussian Federation202428092024934349Copyright © Афанасьев А.А., Симонов М.В., Печко К.А., Бровин Н.М., Бажуков С.П., Ким В.В., Колесникова В.Р., 20242024Афанасьев А.А., Симонов М.В., Печко К.А., Бровин Н.М., Бажуков С.П., Ким В.В., Колесникова В.Р.Afanasev A.A., Simonov M.V., Pechko K.A., Brovin N.M., Bazhukov S.P., Kim V.V., Kolesnikova V.R.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/507

Введение. При проведении анализа результатов расчета интегрированных моделей актива возможно получение результатов, которые не согласуются с историей разработки месторождения. Детектирование некорректных результатов может вызывать сложности, связанные с человеческим фактором и отсутствием опыта в области интегрированного моделирования активов (ИМА). В то время как определение причин потерь по добыче нефти и определение проведения необходимых мероприятий для оптимизации добычи требуют высокой осведомленности процессов разработки.Цель. Для специалистов геологии и разработки, а также центров управления добычи создание алгоритмов интеллектуального помощника для работы с ИМА является востребованной задачей. С его помощью возможно своевременно идентифицировать проблемы и оценивать потенциал актива на базе ИМА.Материалы и методы. В работе применены модели машинного обучения (МО), сформированные на базе исторических показателей разработки месторождения и месторождений-аналогов, полученные из промысловых данных технологического режима скважины, а также на основе синтетических моделей, построенные в специализированных симуляторах, для дальнейшего повторного использования их в прогнозных и оптимизационных расчетах.Результаты. Разработаны алгоритмы рекомендаций для принятия оптимальных решений инженером при разработке месторождения нефти и газа.Заключение. Данный инструмент позволяет инженерам принимать более обоснованные решения при выборе стратегии разработки нефтегазовых месторождений. При наличии ограниченных вычислительных ресурсов помогает исследовать различные варианты, учитывать факторы неопределенности и работать с ограничениями, что значительно повышает эффективность работы на месторождениях.

Introduction. During analyzation the results of calculating integrated asset models, it is possible to obtain results that are inconsistent with the history of field development. Detecting incorrect results can cause difficulties related to the human factor and lack of experience in the field of IAM. While determining the causes of oil production losses and determining the necessary measures to optimize production require high awareness of the development processes.Aim. For specialists in geology and mining, as well as production control centers, the creation of intelligent assistant algorithms for working with IAM is a crucial task. Using this approach it is possible to identify problems promptly and find the potential of an asset based on an IAM.Materials and methods. Applying machine learning (ML) models based on the historical data of field development and deposits of analogues, obtained from field data of the technological regime of the well, as well as on the basis of synthetic models built in specialized simulators, for further reuse in predictive and optimization calculations.Results. Recommendation algorithms for making optimal decisions by an engineer during the development of an oil and gas field.Conclusion. This tool allows engineers to make more informed decisions when choosing a strategy for the development of oil and gas fields, even with limited computing resources. It helps to explore different options, take into account uncertainties and work with constraints, which significantly increases the efficiency of work in the fields.

интегрированное моделирование активовмодель системы сбора и транспортамодель скважиныметамоделированиеоптимизация разработкибаза моделейintegrated asset modelingcollection and transport system modelwell modelmetamodelingdevelopment optimizationmodel databaseReferencesПечко К.А., Сенькин И.С., Боярский С.B. Прогнозирование забойного давления для построения VLP кривых при помощи алгоритмов машинного обучения типа “Случайный лес” // Материалы V молодежной конференции «Tatarstan upexpro-2021». — Казань, 2021. — С. 185–186.Pechko K.A., Senkin I.S., Boyarsky S.V. Forecasting bottomhole pressure for constructing VLP curves using machine learning algorithms of the “Random Forest” type // Proceedings of the V youth conference «Tatarstan upexpro-2021». Kazan.2021, pp. 185–186.Печко К.А., Сенькин И.С., Белоногов Е.B. Моделирование скважин методами машинного обучения для задач интегрированного моделирования // PROНефть. Профессионально о нефти. — 2022. — № 7(2) — C. 114–120.Pechko K.A., Senkin I.S., Belonogov E.V. Well modeling using machine learning methods for integrated modeling tasks // PROOf. Professionally about oil. 2022, no. 7(2), pp. 114–120.Печко К.А., Чупров А.А., Афанасьев А.А., Симонов М.В. Интерполяция пропусков данных технологического режима скважин алгоритмами машинного обучения // PROНЕФТЬ. Профессионально о нефти. — 2023. — № 8(3). — C. 163–166. https://doi.org/10.51890/2587-7399-2023-8-3-163-166/Pechko K.A., Chuprov A.A., Afanasyev A.A., Simonov M.V. Interpolation of well process mode data gaps using machine learning algorithms // PRONEFT. Professionally about oil. 2023, no. 8(3), pp. 163–166. https://doi.org/10.51890/2587-73992023-8-3-163-166Zotkin O., Osokina A., Simonov M., Alla A., Sharifov A. A novel approach to refi nment reservoir proxy model using machinelearning techniques // Society of Petroleum Engineers — SPE Annual Caspian Technical Conference 2019. — 2019. https://doi.org/10.2118/198411-MSZotkin O., Osokina A., Simonov M., Alla A., Sharifov A. A novel approach to refining reservoir proxy model using machinelearning techniques // Society of Petroleum Engineers — SPE Annual Caspian Technical Conference 2019. 2019. https://doi.org/10.2118/198411-MSPechko K.A., Brovin N.M., Senkin I.S., Belonogov E.V. Acceleration of Calculations of Integrated Fields Using Machine Learning Methods // EAGE Digital Innovation for a Sustainable Future. — 2022. https://doi.org/10.3997/22144609.202272025Pechko K.A., Brovin N.M., Senkin I.S., Belonogov E.V. Acceleration of Calculations of Integrated Fields Using Machine Learning Methods // EAGE Digital Innovation for a Sustainable Future. 2022. https://doi.org/10.3997/2214-4609.202272025Temirchev P., Kostoev R., Burnaev E., Oseledets I., Koroteev D., Simonov M., Akhmetov A., Margarit A., Sitnikov A. Deep neural networks predicting oil movement in a development unit // Journal of Petroleum Science and Engineering. — 2020. https://doi.org/10.1016/j.petrol.2019.106513Temirchev P., Kostoev R., Burnaev E., Oseledets I., Koroteev D., Simonov M., Akhmetov A., Margarit A., Sitnikov A. Deep neural networks predicting oil movement in a development unit // Journal of Petroleum Science and Engineering. 2020. https://doi.org/10.1016/j.petrol.2019.106513Illarionov E., Temirchev P., Voloskov D., Gubanova A., Koroteev D., Simonov M., Akhmetov A., Margarit A. 3D reservoir model history matching based on machine learning technology // Society of Petroleum Engineers — SPE Russian Petroleum Technology Conference 2020. — 2020. https://onepetro.org/SPERPTC/proceedings-abstract/20RPTC/2-20RPTC/D023S012R001/450247Illarionov E., Temirchev P., Voloskov D., Gubanova A., Koroteev D., Simonov M., Akhmetov A., Margarit A. 3D reservoir model history matching based on machine learning technology // Society of Petroleum Engineers — SPE Russian Petroleum Technology Conference 2020. — 2020. https://onepetro.org/SPERPTC/proceedings-abstract/20RPTC/2-20RPTC/D023S012R001/450247Pechko K.A., Afanasev A.A., Simonov M.V. Application of Machine Learning in Integrated Modeling of the Oil and Gas Fields // Third EAGE Digitalization Conference and Exhibition. — 2023. https://doi.org/10.3997/2214-4609.202332061Pechko K.A., Afanasev A.A., Simonov M.V. Application of Machine Learning in Integrated Modeling of the Oil and Gas Fields // Third EAGE Digitalization Conference and Exhibition. 2023. https://doi.org/10.3997/2214-4609.202332061Бровин Н.М., Печко К.А., Сенькин И.С., Белоногов Е.B., Симонов М.В. Совершенствование алгоритма оптимизации графика ввода в эксплуатацию добывающих скважин на интегрированной модели // Сборник материалов 24-й научно-практической конференции по вопросам геологоразведки и разработки месторождений нефти и газа «Геомодель», Геленджик. — 2022. https://www.elibrary.ru/item.asp?id=49880168&pff=1Brovin N.M., Pechko K.A., Senkin I.S., Belonogov E.B., Simonov M.V. Improving the Algorithm for Optimizing the Commissioning Schedule of Production Wells Based on an Integrated Model // Collection of Materials of the 24th Scientific and Practical Conference on Geological Exploration and Development of Oil and Gas Fields «Geomodel», Gelendzhik. — 2022. https://www.elibrary.ru/item.asp?id=49880168&pff =1Еремеев Д.М., Рязанов А.А., Сагиров А.А., Титов И.В., Сарапулов Н.П., Кадочников Д.Д., Афанасьев А.А., Сенькин И.С. Разработка инструмента по подбору опций оптимизации эксплуатации нефтегазоконденсатного месторождения на основе интегрированной модели актива // PROНЕФТЬ. Профессионально о нефти. — 2023. — № 8(1). — С. 177–187.Eremeev D.M., Ryazanov A.A., Sagirov A.A., Titov I.V., Sarapulov N.P., Kadochnikov D.D., Afanasyev A.A., Senkin I.S. Development of a Tool for Selecting Options for Optimizing the Operation of an Oil and Gas Condensate Field Based on an Integrated Asset Model // PRONEFT. Professionally about Oil. 2023, no. 8(1), pp. 177–187.Illarionov E., Temirchev P., Voloskov D., Kostoev R., Simonov M., Pissarenko D., Orlov D., Koroteev D. End-to-end neural network approach to 3D reservoir simulation and adaptation // Journal of Petroleum Science and Engineering. — 2022. — Vol. 208. — P. 109332.Illarionov E., Temirchev P., Voloskov D., Kostoev R., Simonov M., Pissarenko D., Orlov D., Koroteev D. End-to-end neural network approach to 3D reservoir simulation and adaptation // Journal of Petroleum Science and Engineering. 2022, no. 208, p. 109332.Temirchev P., Gubanova A., Kostoev R., Gryzlov A., Voloskov D., Koroteev D., Simonov M., Akhmetov A., Margarit A., Ershov A. Reduced order reservoir simulation with neural-network based hybrid model //Reduced order reservoir simulation with neural-network based hybrid model. — 2020. https://onepetro.org/SPERPTC/proceedings-abstract/19RPTC/3-19RPTC/D033S018R004/219117Temirchev P., Gubanova A., Kostoev R., Gryzlov A., Voloskov D., Koroteev D., Simonov M., Akhmetov A., Margarit A., Ershov A. Reduced order reservoir simulation with neural-network based hybrid model // Reduced order reservoir simulation with neural-network based hybrid model. 2020. https://onepetro.org/SPERPTC/proceedings-abstract/19RPTC/319RPTC/D033S018R004/219117

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