Применение генетических алгоритмов для формирования ковра бурения и оценка рисков бурения новых скважин и проведения зарезок боковых стволов в условиях геологической неопределенности

Цель. Исследовать применение генетических алгоритмов для решения задачи о поиске оптимального варианта ковра бурения/зарезок боковых стволов.
Материалы и методы. Для обоснования рентабельности разработан алгоритм на python, позволяющий оценить и снизить риски финансовых потерь при принятии решения о бурении новых скважин за счет выбора оптимального варианта из всех возможных. Для оптимизации процесса принятия решений предлагается генетический алгоритм, основанный на комбинации профилей добычи таким образом, чтобы одновременно поддерживать полку по добыче на этапе стабилизации уровня добычи и минимизировать капитальные расходы на ввод новых скважин/боковых стволов в условиях геологических неопределенностей. Исследование выполнялось на основе материалов, включавших в себя проектные профили добычи скважин, а также удельные экономические показатели.
Результаты. Использование предлагаемого алгоритма позволило существенно упростить процесс принятия решений за счет отсутствия ручного перебора всех возможных вариантов, а также сформировать обоснованную методику подбора ковра бурения. Для принятия оптимального решения о бурении новых скважин на существующем месторождении необходимо учитывать несколько параметров одновременно. Такой подход называется многомерной оптимизацией, его результатом является выбор одного или нескольких наилучших вариантов. Наибольший интерес представляют собой скважины, имеющие наибольший планируемый дебит (то есть в итоге наибольшую прибыль) и влекущие за собой наименьшее количество затрат.
Заключение. Идея многомерной оптимизации реализована с помощью генетического алгоритма, который основывается на теории вероятностей и законе больших чисел и позволяет сделать оптимальный выбор в пользу той или иной стратегии бурения пула новых скважин. Предлагаемый подход может быть успешно применен для решения задач оптимизации разного типа.

1. Андреас Мюллер. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными: монография. Москва: Альфа-книга, 2017. — 697 c.

2. Байков В.А., Бакиров Н.К., Яковлев А.А. Математическая геология. Введение в геостатистику: монография. — Москва: Изд-во ИКИ, 2012. — Т. 1. — 228 с.

3. Гиматудинов Ш.К. Физика нефтяного и газового пласта / учебник, 2-е изд., перераб. и доп. Москва: Недра, 1971. — 312 с.

4. Демьянов В.В., Савельева Е.А. Геостатика. Теория и практика. Москва: Наука, 2010. — 329 с.

5. Колмогоров А.Н. Основные понятия теории вероятностей : учебник, 3-е изд. с приложением. Москва: Главная редакция физико-математической литературы «Наука», 1974. — 144 с.

6. Оптимизация нечеткого регулятора. Режим доступа: https://studfile.net/preview/9369891/page:10/