Помощник инженера для анализа и разработки месторождений нефти и газа на основе интегрированной модели актива

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.

1. Печко 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.

2. 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.

3. 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/

4. Zotkin 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-MS

5. Pechko 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/10.3997/22144609.202272025

6. Temirchev 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.2019.106513

7. Illarionov 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/D023S012R001/450247

8. Pechko 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/10.3997/2214-4609.202332061

9. Бровин 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=1

10. Еремеев 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.

11. 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.

12. 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/D033S018R004/219117