Моделирование скважин методами машинного обучения для задач интегрированного моделирования

Моделирование скважин, в частности прогнозирование забойного давления, является важной задачей, типичной при интегрированном моделировании активов (ИМА). Скважина, как элемент, связывающий пласт с наземной сетью сбора, должна описывать движение двухфазного флюида через неё. Для выбора режима работы скважины необходимо описать зависимость забойного давления от промысловых параметров.  Классическим подходом является прямой расчет по эмпирическим корреляциям — физическим уравнениям, построенным по экспериментальным данным, либо по механистическим моделям, основанным на физических законах. Они требует больших вычислительных мощностей, экспертизы  специалиста при построении и адаптации модели и, как следствие,  больших временных ресурсов.

Цель. Целью работы является сокращение использования зарубежных дорогостоящих программных пакетов и ускорение создания ИМА. В статье предлагается новый подход моделирования скважины в рамках ИМА. При помощи модели машинного обучения описывать скважину как зависимость забойного давления от производственных параметров.

Материалы и методы. Скважина симулируется при помощи модели машинного обучения типа «Случайный лес», состоящей из ассамблеи «Деревьев решений», с применением техники градиентного бустинга. В качестве данных для моделирования используются численные значения производственных параметров, свойств флюида и элементов ИМА. Программная часть реализована средствами языка python при помощи библиотеки scikit-learn.

Результаты. Разработанная модель была протестирована на синтетических и реальных данных различных месторождений. Предлагаемый подход превосходит текущие решения в скорости расчета и предсказательной способности, а также позволяет использовать меньшее количество дорогостоящих лицензий и в случае использования реальных данных позволяет не создавать модели скважин в симуляторах.

Заключение. Благодаря высокой предсказательной способности предлагаемый алгоритм будет внедрен в производственные процессы в качестве модели скважины при создании интегрированной модели месторождения.

1. Al Shehri F. H. et al. Utilizing Machine Learning Methods to Estimate Flowing Bottom-Hole Pressure in Unconventional Gas Condensate Tight Sand Fractured Wells in Saudi Arabia // SPE Russian Petroleum Technology Conference. — Society of Petroleum Engineers, 2020.

2. Beggs D. H., Brill J. P. A study of two-phase flow in inclined pipes // Journal of Petroleum technology. — 1973. — V. 25. — No. 05. — Pp. 607–617.

3. Duns H., Ros N. C. J. Vertical flow of gas and liquid mixtures in wells // 6th World Petroleum Congress. — OnePetro, 1963. 4. D. I. Ignatov, K. Sinkov, P. Spesivtsev, I. Vrabie, V. Zyuzin, Tree-based ensembles for predicting the bottomhole pressure of oil and gas well flows, in: International Conference on Analysis of Images, Social Networks and Texts, Springer, 2018. — Pp. 221–233.

4. Hagedorn A. R., Brown K. E. Experimental study of pressure gradients occurring during continuous two-phase flow in small-diameter vertical conduits //Journal of Petroleum Technology. — 1965. — V. 17. — No. 04. — Pp. 475–484.

5. Kanin E. A. et al. A predictive model for steady-state multiphase pipe flow: Machine learning on lab data // Journal of Petroleum Science and Engineering. — 2019. — V. 180. — Pp. 727–746.