Прогнозирование притока после гидравлического разрыва нефтяного пласта при помощи искусственного интеллекта

Abstract

Актуальность исследования обусловлена тем, что эффективность проведения гидравлического разрыва пласта зависит от ряда признаков, которые на данный момент не учитываются в традиционных формулах расчета гидроразрыв пласта. Так, в традиционных методиках расчета на основе одномерных геомеханических моделей (в работе рассматривались модели Христиановича-Гиртсма-де Клерка, радиальная модель и модель Перкинса-Керна- Нордгрена) распространения трещины делаются допущения, которые могут снижать точность расчета и, как следствие, точность прогнозирования роста дебита нефти после проведения гидроразрыв пласта. Целью данной работы является прогнозирование роста дебита нефти после проведения гидроразрыв пласта с использованием технологий искусственного интеллекта, а именно машинного обучения, и последующее сравнение точности такого прогнозирования с точностью традиционных методик расчетов на основе одномерных моделей для выявления наиболее точной методики. Объект: модель роста дебита нефти после проведения гидроразрыва пласта. Методы: разработка специального программного обеспечения для прогнозирования дебита нефти после проведения гидроразрыва пласта с использованием традиционных методик на основе одномерных моделей и с помощью методик машинного обучения. Результаты. Было установлено, что точность традиционных методик на основе одномерных моделей составляет 84 %, а точность методик с использованием машинного обучения - 87 %. Заключение. Показано, что использование технологий искусственного интеллекта, а именно машинного обучения, обеспечивает более точное прогнозирование гидроразрыва пласта по сравнению с традиционными методиками на основе одномерных моделей

Relevance. The effectiveness of hydraulic fracturing is determined by many features that are currently not taken into consideration in traditional formulas for calculating hydraulic fracturing. Thus, in traditional calculation methods, which are based on one-dimensional models of crack propagation (the work considered the Khristianovich-Girtsma-de Klerk model, the radial model and the Perkins-Kern-Nordgren model), assumptions are made to calculate various parameters, which in some cases will affect the accuracy of the calculation. Because of this, the effectiveness and necessity of hydraulic fracturing might under question. Aim. To predict hydraulic fracturing using artificial intelligence technologies such as machine learning techniques and then compare the accuracy of the prediction with the accuracy of traditional calculations using onedimensional models to identify the most accurate technique. Object. Model of oil production growth after hydraulic fracturing. Methods. Development of special software for predicting oil production after hydraulic fracturing using traditional methods based on one-dimensional models and using machine learning techniques. Results. Traditional univariate models were 84% accurate, while machine learning models were 87% accurate. Conclusion. The use of artificial intelligence technologies, namely machine learning, provides more accurate hydraulic fracturing prediction compared to traditional methods based on one-dimensional models