Создание алгоритма вероятностного прогноза показателей разработки пласта БВ8 нефтегазоконденсатного месторождения с применением машинного обучения на основе исторических данных о работе добывающих скважин

Abstract

Актуальность. Рассмотрена актуальная тема, связанная с прогнозированием показателей разработки нефтяных месторождений на основе исторических данных. Одним из эффективных технологических решений в данной области является модификация моделей характеристик вытеснения за счёт применения алгоритмов машинного обучения на базе теории вероятности Байеса в комбинации со стохастическим моделированием методом Монте-Карло. Применение цифровых технологий в сфере добычи в последнее время резко возросло, что будет способствовать снижению себестоимости добычи и позволит эффективно осваивать ранее признанные нерентабельными участки недр. Цель. Разработка алгоритма на основе машинного обучения, способного прогнозировать основные показатели разработки нефтяных месторождений на основе исторических данных с точностью, превышающей эти значения в применяемых на данный момент методах. Объект. Набор исторических данных о работе добывающих скважин крупного нефтегазоконденсатного месторождения, включающий в себя суточный дебит жидкости, изменение обводнённости и средневзвешенного пластового давления в рассматриваемой зоне. Методы. Общенаучные методы (анализ, обобщение, синтез, классификация) и конкретно-научные (математическое моделирование, программное моделирование). Совокупность и сочетание данных методов адекватны цели и задачам, объекту и предмету исследования данной работы. Результаты. Рассмотрен алгоритм построения расчётов по интегральным характеристикам вытеснения на примере скважин № 1133, 1165, 1221 и 1328 с различной обводнённостью. Наилучшим методом для всех скважин любой степени обводнённости является группа методов Г.С. Камбарова и А.М. Пирвердяна, т. к. их относительная погрешность имеет наименьший диапазон - от 1,2 до 5,6 %. Далее сформированы теоретические основы и механизм работы будущей программы на основе байесовских сетей с цепями Маркова. Созданная программа на языке программирования Python с использованием библиотеки BAMT позволила снизить относительную ошибку прогноза до 0,63 %. Научная новизна работы заключается в разработке уникального алгоритма прогноза добычи нефти на скважине, который включает в себя применение развивающегося на данный момент машинного обучения. Использование предложенного алгоритма позволит сократить время на оценку накопленных показателей и минимизировать погрешность расчёта

Relevance. Related to forecasting the parameters of oil field development based on historical data. One of the effective technological solutions in this area is the modification of displacement characteristic models through the use of machine learning algorithms based on Bayesian probability theory in combination with stochastic Monte Carlo modeling. The use of digital technologies in the mining sector has increased dramatically in recent years, which will help reduce production costs and allow for the efficient development of previously recognized unprofitable subsoil areas. Aim. To develop a machine learning-based algorithm capable of predicting key oil field development parameters based on historical data with an accuracy exceeding those values in currently used methods. Objects. Set of historical data on the operation of production wells of a large oil and gas field, including daily fluid flow rate, changes in water cut and average weighted reservoir pressure in the zone under consideration. Methods. General scientific methods (analysis, generalization, synthesis, classification) and specific scientific ones (mathematical modeling, software modeling). The set and combination of these methods are adequate to the goals and objectives, object and subject of research of this work. Results. The paper considers an algorithm for constructing calculations based on integral displacement characteristics using wells no. 1133, 1165, 1221 and 1328 with different water cuts as an example. The best method for all wells of any water cut category is the G.S. Kambarov and A.M. Pirverdyan group of methods, since its relative error has the smallest range - from 1.2 to 5.6%. Next, the theoretical foundations and mechanism of the future program based on Bayesian networks with Markov chains are formed. The created program in the Python programming language using the BAMT library made it possible to reduce the relative forecast error to 0.63%. The scientific novelty of the work lies in the development of a unique algorithm for forecasting oil production at a well, which includes the use of currently developing machine learning. The use of the proposed algorithm will reduce the time for assessing the accumulated indicators and minimize the calculation error