Интерполяция пропусков данных технологического режима скважин алгоритмами машинного обучения

Задача интерполяции пропущенных данных является важной для интегрированного моделирования активов, так как точность и достоверность моделирования напрямую зависят от качества входных данных. Если в модели отсутствуют некоторые данные, то это может приводить к невозможности моделирования на этот временной шаг. Таким образом, задача интерполяции пропущенных данных является важной и ее решение позволяет повысить точность и достоверность прогнозов.

Цель. Целью работы является разработка подходка по улучшению качества данных для интегрированного моделирования активов (ИМА).

Материалы и методы. В качестве исходных данных рассматриваются необходимые для моделирования скважин в рамках ИМА данные из технологического режима скважин. Данные табличного вида содержат пропуски, что уменьшает объем данных, доступных для моделирования.

Результаты. В работе показан метод заполнения пропусков алгоритмами машинного обучения на примере реального месторождения. Полученные результаты подтверждены тестами с проверкой уровня статистической значимости. Отсутствующие на многие даты показания газового фактора были спрогнозированы моделями машинного обучения.

Заключение. В результате проведенной работы объем выборки был увеличен на 98 %. Для разрабатываемых моделей машинного обучения такой прирост положительно сказался на предсказательной способности, точность предсказаний увеличилась в среднем на 41 %. Данная техника может быть полезной и для классических методов моделирования, для которых требуются данные для адаптации.

1. Печко К.А., Сенькин И.С., Белоногов Е.В. Моделирование скважин методами машинного обучения для задач интегрированного моделирования // PROНЕФТЬ. Профессионально о нефти. — 2022. — № 7(2). — С. 114–120. https://doi.org/10.51890/2587-7399-2022-7-2-114-120

2. Роберт Косова, Евгений Джафай, Алтын Каррики. Отсутствующие данные в нефтяной промышленности и методы импутации с использованием Spss: влияние на оценку запасов. https://www.researchgate.net/publication/358922022_Missing_Data_In_The_Oil_Industry_And_Methods_Of_Imputations_Using_Spss_The_Impact_On_Reserve_Estimation

3. Куинлан Дж.Р. Индукция деревьев решений // Машинное обучение. — 1986. — Т. 1. — С. 81−106.

4. Дуглас Х. Джонсон. Незначительность проверки статистической значимости // Журнал управления дикой природой. — Wiley-VCH, 1999. — Вып. 3. — №. 63. — C. 763–772.