Методология построения метамоделей и перспективы их применения для решения актуальных задач нефтяного инжиниринга

При традиционном математическом моделировании исследователь, как правило, ограничен в объеме вычислительных экспериментов, которые он может провести на математических моделях в целях оптимизации решения. Для ускорения решения оптимизационных задач в последние годы стало активно развиваться новое, альтернативное направление математического моделирования – метамоделирование. Построение таких моделей основано на идеях машинного обучения, где модели «обучаются» по множеству прототипов входных и выходных данных (результатов натурных и/или вычислительных экспериментов, проведенных с различными объектами рассматриваемого класса). Построенные модели фактически имитируют сами математические модели, созданные на основе изучения физики процессов, и при этом позволяют существенно сократить время на расчет и принятие решений. В работе представлены подходы к созданию метамоделей различного уровня сложности, который определяется в зависимости от особенности решаемых задач. Доказано, что применение метамоделей позволяет значительно сокращать временные и вычислительные ресурсы, необходимые для решения широкого спектра задач нефтяного инжиниринга, в частности, для выбора, мониторинга и оптимизации разработки месторождений, при этом качество получаемых метамоделей будет соответствовать качеству традиционных физических моделей.

1. Cao Fei, Luo Haishan, Lake L.W. Oil-Rate forecast by inferring fractional-flow models from field data with koval method combined with the capacitance/resistance model // SPE 173315-PA. – 2015.

2. Artun E. Characterizing reservoir connectivity and forecasting waterflood performance using data-driven and reduced-physics models // SPE 180488-MS. – 2016.

3. Surrogate modeling of buckling analysis in support of composite structure optimization / S. Grihon, S.Alestra, E. Burnaev, P. Prikhodko // Proceedings of DYNACOMP 2012 1st International Conference on Composite Dynamics May 22-24 2012, Arcachon, France.

4. Development of surrogate reservoir model (srm) for fast track analysis of a complex reservoir / S. Mohaghegh [et al.] // SPE 99667-MS. – 2006.

5. Mohaghegh Sh. Full field reservoir modeling of shale assets using advanced data-driven analytics // Geoscience Frontiers. – 2015. – V. 49 (1). – DOI: 10.1016/j.gsf.2014.12.006.

6. Mohaghegh Sh. Virtual intelligence applications in petroleum engineering. Part 1. Artificial neural networks // Journal of Petroleum Technology. – 2000. – V. 52. – № 9. – Р. 64-73.

7. Mohaghegh Sh. Virtual intelligence applications in petroleum engineering. Part 2. Evolutionary computing // Journal of Petroleum Technology. – 2000. – V. 52. – № 10. – Р. 40-46.

8. Mohaghegh Sh. Virtual intelligence applications in petroleum engineering. Part 3. Fuzzy Logic // Journal of Petroleum Technology. – 2000. – V. 52. – № 11. – Р. 82-87.

9. Application of machine learning technologies for rapid 3d modelling of inflow to the well in the development system / M. Simonov, A. Akhmetov, P. Temirchev [et al.] // SPE 191593-18RPTC-MS. – 2018.

10. Schuetter J., Mishra S. Experimental design or monte carlo simulation? strategies for building robust surrogate models // SPE 174905-MS. – 2015.

11. Sayyafzadeh M. A Self-adaptive surrogate-assisted evolutionary algorithm for well placement optimization problems // SPE 176468-MS. – 2015.

12. Simonov M.V., Perets D.S., Kotezhekov V.S. Adaptive tool for solving applied problems of oil engineering // Proceedings of Conference: Geomodel 2018. – DOI: 10.3997/2214-4609.201802418.

13. Jared L., Clayton V. Latin hypercube sampling with multidimensional uniformit // Journal of Statistical Planning and Inference. – 2012. – V. 142. – № 3. – Р. 763-772. – https://doi.org/10.1016/j.jspi.2011.09.016.

14. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. – 2006. – V. 63. – № 1. – Р. 3-42. – https://doi.org/10.1007/s10994-006-6226-1

15. Friedman J.H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. – 2001. – V. 29. – № 5. – Р. 1189–1232. – DOI: 10.1214/aos/1013203451.

16. Breiman L. Random Forests // Machine Learning. – 2001. – V. 45 (1). – P. 5–32. – DOI:10.1023/A:1010933404324.