Современные подходы к автоматизации процесса уплотняющего бурения: от поиска зон до оптимизации затрат для месторождений на последних стадиях разработки

   Введение. Благодаря автоматизации различных процессов разработки происходит повышение экономической эффективности добычи на выработанных месторождениях. Уплотняющее бурение является одним из ключевых мероприятий для увеличения коэффициента охвата и, соответственно, нефтеотдачи на последних стадиях разработки. Современные подходы к поиску новых зон бурения, оптимальному расположению проектного фонда и экономической оценке запускных параметров все чаще включают использование машинного обучения, аналитику большого объема данных и цифровых двойников.

   Цель. На основе литературного обзора новейших подходов в области уплотняющего бурения показать наиболее эффективные и пригодные из них для автоматизации процесса подбора кандидатов на крупных активах при условии ограниченного набора данных.

   Материалы и методы. В работе рассмотрены современные подходы к поиску новых зон для уплотняющего бурения, включая построение карт вероятности и применение машинного обучения для анализа данных, а также техники автоматической интерпретации геофизических данных для выявления пропущенных интервалов коллектора. Описаны методы оптимизации размещения скважин с учетом геологических рисков и экономических факторов. Отмечено, что сложности и риски, связанные с уплотняющим бурением на зрелых месторождениях, подчеркивают необходимость балансировки между точностью и оперативностью методик для эффективного принятия решений.

   Результаты. Рассмотрены и выделены наиболее эффективные и универсальные методы для каждого этапа планирования уплотняющего бурения, включая построение карт вероятности, оптимизацию размещения фонда и прогнозирование параметров добычи с использованием аналитических методов и машинного обучения.

   Заключение. Современные подходы к автоматизации уплотняющего бурения, включающие машинное обучение и интеграцию различных моделей, значительно повышают эффективность и точность планирования, однако требуют дальнейших исследований для адаптации к разнообразным условиям эксплуатации.

1. Mata C., Saputelli L., Badmaev D., Zhao W., Mohan R., Gönczi D. Automated Reservoir Management Workfl ows to Identify Candidates and Rank Opportunities for Production Enhancement and Cost Optimization in a Giant Field in Offshore Abu Dhabi. Offshore Technology Conference, Houston, TX, USA. 2021. OTC 31295

2. Algarhy A., Bateman R.M., Soliman M.Y. An Innovative Technique To Evaluate Shale Sweetspots: A Case Study From North Africa. SPWLA 56^th Annual Logging Symposium held in Long Beach, California, USA. July 18–22, 2015

3. Algarhy A., Ibrahim A.F., A. Gabry M., Ali Amr G. Predicting Shale Production Performance Through Machine Learning: The Development and Application of the Sweet Spot Quality Index. Society of Petroleum Engineers, Wheeling, West Virginia, USA. 2023. SPE 215911

4. Su Sh., Schulze-Riegert R., Mustapha H., Lang Ph., Kloucha Ch.K. Artificial Intelligence for Infi ll Well Placement and Design Optimization in Multi-layered/stacked Reservoirs Under Subsurface Uncertainty. Society of Petroleum Engineers, Abu Dhabi, UAE. 2021. SPE 207899

5. Pongtepupathum W., Lang Ph., Adeyemi T. An Ensemble-Based Infi ll Well Location Solution: A Cloud Native Application for Automating Well Placement and Evaluation. Society of Petroleum Engineers, Abu Dhabi, UAE. 2022. SPE 211361

6. Su Sh., Tahir S., Ghorayeb K., Ramatullayev S., Garcia-Teijeiro X. Multidisciplinary Data Integration for Artifi cial-IntelligenceAssisted Well Placement and Trajectory Design Optimization Under Uncertainty. Society of Petroleum Engineers, Abu Dhabi, UAE. 2022. SPE 211367

7. Bernadi B., Silalahi Eli S., Reksahutama A., Miraza D. Infi ll Wells Placement in High Water-Cut Mature Carbonate Field with Simulation Opportunity Index Method. Society of Petroleum Engineers, Bali, Indonesia. 2019. SPE 196388

8. Zijlstra E., Riethmuller G., Schäff tlein S., Mahruqi S. Using Marketing Technology in Reservoir Engineering: The Application of Data Driven Predictive Analysis on a Mature Oil Field. International Petroleum Technology Conference, Bangkok, Thailand. 2011. IPTC 14676

9. Al-Kinani A., Nunez G., Stundner M., Zangl G., Mata T., Cottone S. Selection of Infill Drilling Locations Using Customized Type Curves. Society of Petroleum Engineers, Cartagena, Columbia. 2019. SPE 122186

10. Aslanyan A., Kovalenko I., Ilyasov I., Gulyaev D., Buyanov A., Musaleev Kh. Waterflood study of high viscosity saturated reservoir with multiwell retrospective testing and cross-well pressure pulse-code testing. Society of Petroleum Engineers, Kuwait City, Kuwait. 2018. SPE-193712-MS

11. Aslanyan A., Asmadiyarov R., Kaeshkov I., Bikkulov M., Farakhova R., Krichevsky V., Gulyaev D., Musaleev Kh. Multiwell deconvolution as important guideline to production optimisation: Western Siberia Case Study. The International Petroleum Technology Conference, Beijing, China. 2019. IPTC-19566-MS

12. Aslanyan A., Grishko F., Krichevsky V., Gulyaev D., Panarina E., Buyanov A. Assessing waterflood efficiency with deconvolution based multi-well retrospective test technique. Society of Petroleum Engineers, London, England, UK. 2019. SPE195518-MS

13. Коваленко И.В., Немирович Г.М., Ильясов И.Р., Буянов А.В., Гуляев Д.Н. Применение технологии импульсно-кодового гидропрослушивания при заводнении в сложных геологических условиях // Нефтяное хозяйство. — Июнь, 2018.

14. Sabzabadi A., Masoudi R., Arsanti D., Aslanyan I., Garnyshev M., Minakhmetova R., Karancharat R. Verifying Local Oil Reserves Using Multi-Well Pressure Pulse Code Testing. Offshore Technology Conference Asia, Kuala Lumpur, Malaysia. 2018. OTC-28601-MS

15. Qin Zh., Xu T. Shale gas geological “sweet spot” parameter prediction method and its application based on convolutional neural network. Scientific Reports, Nature Portfolio, China. 2022. doi: 10.1038/s41598-022-19711-6

16. Egorov D.V., Sabirov A.R. Applying Machine Learning Methods to Search for Missing Net Pay Zones in Mature Oilfields Wells. Society of Petroleum Engineers, Moscow, Russia. 2019. SPE 196869

17. Semenikhin A.S., Shchepetnov A.A. Missed Net Pay Zones in Mature Oilfields Via Injection of Expert Knowledge in Deep Learning Algorithms. Society of Petroleum Engineers, Moscow, Russia. 2020. SPE 201922

18. Белозеров Б.В., Буханов Н.В. Автоматический анализ геофизических исследований скважин на Приобском месторождении с использованием методов машинного обучения // Авторское право 2018, Общество инженеров нефтегазовой промышленности. — Москва, 2018. SPE 191604-18RPTC-RU

19. Сахнюк В.И., Новиков Е.В., Шарифуллин А.М., Белохин В.С., Антонов А.П. Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты // Московский государственный университет имени М.В. Ломоносова. — Москва. — 2022. — Т. 24. — № 2. — С. 230–238. doi: 10.18599/grs.2022.2.21

20. Litvak M., Gane B., Williams G. Field Development Optimization Technology. Society of Petroleum Engineers, Houston. 2007. SPE 106426

21. Roussennac B., Gijs van Essen. Streamlining the Well Location Optimization Process — An Automated Approach Applied to a Large Onshore Carbonate Field. Society of Petroleum Engineers, Dubai, UAE. 2021. SPE 205913

22. Boah E.A., Senyo Kondo O.K., Borsah A.A. Critical Evaluation of Infill Well Placement and Optimization of Well Spacing Using the Particle Swarm Algorithm. Journal of Petroleum Exploration and Production Technology. 2019, no. 9 (4). doi: 10.1007/s13202-019-0710-1

23. Ma Zh., Davani E., Ma X. Finding a Trend Out of Chaos: A Machine-Learning Approach for Well-Spacing Optimization. Society of Petroleum Engineers, Denver, Colorado, USA. 2020. SPE 201698

24. Li С., Fang Ch., Huang Y., Zuo H. Infill well placement optimization for secondary development of waterflooding oilfields with SPSA algorithm. Frontiers in Energy Research. 2022. doi: 10.3389/fenrg.2022.1005749

25. Forouzanfar F., Li G., Reynolds A.C. A two-stage well placement optimization method based on adjoint gradient. Society of Petroleum Engineers, Florence, Italy. 2010. SPE 135304

26. Alpak F., Wang Y., Gao G. Benchmarking and Field-Testing of the Distributed Quasi-Newton Derivative-Free Optimization Method for Field Development Optimization. Society of Petroleum Engineers, Dubai, UAE. 2021. SPE 206267

27. Litvak M., Onwunalu J., Baxter J. Field Development Optimization with Subsurface Uncertainties. Society of Petroleum Engineers, Colorado, USA. 2011. SPE 146512

28. Motlagh M., Thenon A. Automated Well Location Optimization Using Wish Technology. Society of Petroleum Engineers, Abu Dhabi, UAE. 2022. SPE 211621-MS

29. Kristoff ersen B.S., Bellout M.C., Silva T.L., Berg F.C. An Automatic Well Planner for Complex Well Trajectories. Math Geosci. 2021, no. 53 (4). doi: 10.1007/s11004-021-09953-x

30. Kristoff ersen B.S., Bellout M.C., Silva T.L., Berg F.C. An Automatic Well Planner for Efficient Well Placement Optimization Under Geological Uncertainty. ECMOR XVII. 2020, no. 17. doi: 10.3997/2214-4609.202035211

31. Abdul-Hameed M.R., Hamd-Allah S.M. Optimization sequence of infill well-drilling using Latin hypercube plus radial basis function network. Int. J. Nonlinear Anal. Appl. 2024, no. 15, pp. 87–96. doi: 10.22075/ijnaa.2023.29922.4296

32. Zhang P., Gao T., Fu J., Li R. Deep-Learning-Based Approach for Optimizing Infill Well Placement. Society of Petroleum Engineers, San Antonio, Texas, USA. 2023. SPE 215072

33. Willigers B.J.A., Begg S., Bratvold R.B. Appraising Unconventional Resources: How Many Wells To Drill and Where To Place Them? Society of Petroleum Engineers. 2016. SPE 179736

34. Qadeer Siddiqui M.A., Khan R.A., Md Sarim J. Multi-objective Well Placement Optimization Considering Energy Sustainability Along With Economical Gains. Society of Petroleum Engineers, Cairo, Egypt. 2015. SPE 175842-MS

35. Sieberer M., Peisker J., Clemens T., Thiele M.R. Infill Well Portfolio Management under Uncertainty — Application to the 8TH Reservoir, Austria. Society of Petroleum Engineers, Paris, France. 2017. SPE 185803

36. Allard D.N., Hillyer M.G., Gerbacia W.E., Rychener L.M. Empirical Risk Assessment of Infill Drilling Locations, Barrow Island, Australia. Society of Petroleum Engineers, Houston, Texas, USA. 1999. SPE 56816

37. Bansal Y., Ertekin, T., Karpyn, Z., Ayala, L., Nejad, A. Forecasting Well Performance in a Discontinuous Tight Oil Reservoir Using Artifi cial Neural Networks. Society of Petroleum Engineers, The Woodlands, Texas, USA. 2013. SPE 164542

38. Колесов В.В., Курганов Д.В. Расчет рейтинга скважин-кандидатов при уплотняющем бурении с помощью машинного обучения на промысловых данных (метод опорных векторов) // Вестник Самарского государственного технического университета. Серия: Технические науки. — 2019. — № 1 (61).

39. Wang Z., Tang H., Cai H., Hou Y., Shi H., Li J., Yang T., Feng Y. Production prediction and main controlling factors in a highly heterogeneous sandstone reservoir: Analysis on the basis of machine learning. Energy Science & Engineering. 2022. doi: 10.1002/ese3.1297