ОБЪЕДИНЕНИЕ ЛИДЕРОВ НЕФТЕГАЗОВОГО СЕРВИСА И МАШИНОСТРОЕНИЯ РОССИИ
USD 92,26 -0,33
EUR 99,71 -0,56
Brent 0.00/0.00WTI 0.00/0.00

PROнефть: Методика прогнозирования темпов падения нефти проектных скважин на основе алгоритма машинного обучения (статья)

С.И. Габитова1, Л.А. Давлетбакова1, В.Ю. Климов1, Д.В. Шуваев1, И.Я. Эдельман2, С. Шмидт2
1 Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»),
2 Салым Петролеум Девелопмент Н.В.

Электронный адрес: Gabitova.SI@gazpromneft-ntc.ru

Ключевые слова: темп падения добычи нефти, кластеризация, классификация, оценка достаточности, алгоритмы машинного обучения

Разработан метод, интегрирующий ручное выделение групп и алгоритм машинного обучения, позволяющий прогнозировать с высокой точностью темпы падения нефти проектных скважин по двум входным параметрам. При помощи машинного обучения (МО) выявлены скрытые закономерности между входными параметрами и темпами падения скважин. Анализ темпов падения скважин по типу заканчивания проиллюстрировал, что горизонтальные скважины эффективнее, чем наклонно-направленные.

A NEW METHOD OF DECLINE CURVE FORECASTING FOR PROJECT WELLS ON THE BASE OF MACHINE LEARNING ALGORITHMS

PRONEFT''. Professional'no o nefti, 2020, no. 4 (18), pp. 69-74

S.I. Gabitova1, L.A. Davletbakova1, V.Yu. Klimov1, D.V. Shuvaev1, I.Ya. Edelman2, S. Shmidt2
1 Gazpromneft NTC LLC, RF, Saint-Petersburg
2 Salym Petroleum Development N.V., RF, Moscow

E-mail: Gabitova.SI@gazpromneft-ntc.ru

Keywords: decline curve, clustering, classification, sample sufficiency, machine learning algorithms

The article describes new decline curves (DC) forecasting method for project wells. The method is based on the integration of manual grouping of DC and machine learning (ML) algorithms appliance. ML allows finding hidden connections between features and the output. Article includes the decline curves analysis of two well completion types: horizontal and slanted wells, which illustrates that horizontal wells are more effective than slanted.

DOI:  10.7868/S2587739920040102

ВВЕДЕНИЕ

В настоящее время перед нефтяными компаниями стоит важная задача добиться максимально эффективной разработки месторождений. Данная задача актуальна для базового и проектного фонда скважин. С целью оценки и прогнозирования профилей добычи базового фонда и проектных скважин применяются гидродинамические модели и единые эмпирические зависимости для участков месторождений. Первые требуют высоких временных затрат, вторые обладают низкой степенью достоверности прогноза ввиду отсутствия учета геолого-физических характеристик (ГФХ) и ввиду сильного осреднения показателей на единичную скважину, что сильно сказывается на точности прогнозирования для зон с высокой дифференциацией свойств пласта. В связи с этим возникает необходимость создания метода, позволяющего на основе ГФХ прогнозировать с высокой точностью динамику падения добычи по проектным скважинам сминимальной тратой времени. Целью данной работы является создание метода для прогнозирования темпов падения проектных скважин по входным геолого-физическим характеристикам. Для этого решалась задача создания классификатора, который использует методы машинного обучения (МО). Реализация осуществлялась при помощи языка программирования Python 3.0. Данный метод также позволяет провести сравнительный анализ динамики ТП ГС и ННС.

МЕТОД ПРОГНОЗИРОВАНИЯ ТЕМПОВ ПАДЕНИЯ

скважины. Для исследования использовались данные скважин, которые: 1) были запущенны в эксплуатацию с 01.01.2014 г., 2) работают более 6 мес., 3) не работающие в периодическом режиме (АПВ) более 6 мес. с начала эксплуатации, 4) переведенные на постоянный режим работы после проведенного гидроразрыва пласта (ГРП).

МЕТОДИКА ПОЗВОЛЯЕТ БЫСТРО, С ВЫСОКОЙ ТОЧНОСТЬЮ ОЦЕНИВАТЬ И ПРОГНОЗИРОВАТЬ ТЕМП ПАДЕНИЯ ПРОЕКТНОЙ СКВАЖИНЫ ПРИ ДВУХ ВХОДНЫХ ПАРАМЕТРАХ, КОТОРЫЕ МОЖНО СНЯТЬ С ПРОГНОЗНЫХ КАРТ. ПРЕДЛОЖЕН АЛГОРИТМ СОЗДАНИЯ КЛАССИФИКАТОРА НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ.

Были исключены скважины, работающие совместно на разных объектах разработки. Для построения темпов падения добычи выбираются стартовые дебиты, которые определяются как экстремумы в начальный период времени (за первые 3мес.). Необходимо деление скважин по типу заканчивания (ГС или ННС) и далее выборка на группы при наличии сложных геолого-технологических мероприятий (ГТМ) на скважинах (ГРП или многостадийный гидроразрыв пласта (МГРП). Проводится сбор входных данных по каждой скважине: параметры, которые можно снять с карт – проницаемость, мД (k), пористость, д. ед. (poro), нефтенасыщенные толщины (ННТ), 

10.1.JPG

м(netpay), нефтенасыщенность, д. ед. (soil), kh, добычные характеристики (сложнопрогнозируемые параметры) – стартовая обводненность (WC), обводненность через 6 мес. (WC6), обводненность через 12мес. (WC12), расчле - ненность (r). На втором этапе проводится оценка достаточности выборки, которая осуществляется при по - мощи критерия t-Стьюдента. Для анализа требуется оценка динамики в одинаковый период времени, однако, фактический период работы скважин разный, в связи с чем расчет производится на аппроксимированных темпах падения (применен степенной Арпс). Далее, с помощью полученных кривых падения строится прогноз на необходимый период времени для каждой скважины [1]. Пример построения аппроксимированного темпа падения на основе степенного Арпса представлен на рис. 1 . Существующие методы оценки достаточности выборки не позволяют оценивать такие динамические параметры, как темпы падения (в каждом месяце скважине соответствует свое значение ТП добычи). В связи с этим создана методика, ориентированная на оценку достаточности выборки динамических параметров. Значения темпов падения по всем скважинам за каждый месяц рассматриваются как отдельные выборки, по которым проводится оценка достаточности. Далее приведен алгоритм выборки оценки достаточности на один месяц. Репрезентативность входных данных – важный фактор, поэтому проводится проверка на выбросы. Анализируются максимальное и минимальные значения со значениями в выборке [2]. Достаточность выборки подтверждается при выполнении условия: доверительная вероятность равна 0,95. Необходимый объем выборки рассчитывается по формуле (1). Принимаем, что относительная погрешность ( Δ) нахождения среднего равна 10%. Полученное значение округляем до меньшего целого:

 

ф10.1.JPG

где ty; n – коэффициент Стьюдента; SX   – среднее квадратическое отклонение; X – выборочное среднее. Полученные расчетные значения отображаются на графике динамики изменения необходимого объема выборки, пример представлен на рис. 2, а. Выборка считается репрезентативной до тех пор, пока кривая фактического количества скважин выше необходимого количества. Если необходимое количество значений в выборке превышает текущее, то текущая выборка может не стать репрезентативной при добавлении необходимого количества значений. Следует проводить повторный расчет по определению

10.2.JPG

Ручное группирование по выделенным высоким корреляциям сложнопрогнозируемых параметров (добычные характеристики) в тепловой диаграмме позволило успешно выделить группы по темпам падения, которые были оценены на достаточность выборки при помощи критерия t-Стьюдента. На примере наклонно-направленных скважин выделены следующие группы: с высоким темпом падения обводнения, с низким темпом падения обводнения и с аномально высоким темпом падения нефти. Группа с низким темпом обводнения и динамическая оценка достаточности выборки представлены на рис. 2, а и б соответственно. На основе средних значений аппроксимированных темпов падения (красная линия) выделен базовый сценарий темпов падения (сплошная зеленая линия) по модели Арпса. Выборка рассматриваемой группы является репрезентативной до 20-го месяца.

Результаты группирования приведены на рис. 3, а. Анализ расположения групп на карте (рис. 3, б) Салымской группы месторождений позволяет утверждать, что скважины не группируются по площади и явной зависимости между параметрами (геолого-физическими характеристиками) не наблюдается. Всвязи с этим возникает необходимость применения алгоритма МО, который способен устанавливать взаимосвязи между входными признаками – простыми параметрами, которые можно снять с прогнозных карт, а также который позволит прогнозировать с высокой точностью темп падения проектной скважины на основе этих параметров. После проведения группирования темпов падения следующим этапом является поиск оптимального алгоритма машинного обучения с учителем для верификации ручной кластеризации, нахождения скрытых взаимосвязей между входными параметрами, которые можно снять с карт (геолого-физическими характеристиками), и выделенными группами темпов падения. При выборе алгоритма МО учитываются следующие критерии: принимаются параметры, при которых точность на обучающей и тестовой выборке стремится к 100%, и ведется поиск наименьшего количества входных параметров, которые можно снять с прогнозных карт. Входные параметры обучения – ГФХ и добычные характеристики по скважинам. Целевая функция – группа, к которой отнесена скважина (результаты ручной кластеризации). Проверка качества модели осуществлялась по способу отложенной выборки. Разбиение выборки на обучающую и тестовую проводится случайным образом в соотношении 80% к 20%[3]. Метрикой оценки результатов являлась точность прогноза. Во время выполнения анализа полученной выборки были рассмотрены алгоритмы методов машинного обучения с классификацией по прецедентам:

т10.1.JPG

РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ МЕТОДИКИ. Анализ динамики темпов падения наклонно-направленных и горизонтальных скважин

Предложенный метод применен на горизонтальных и вертикальных скважинах Салымской группы месторождений. Далее представлены результаты, полученные на основе выборки скважин, без проведенных ГТМ (ГРП/МГРП). На первом и втором этапах для ГС были собраны входные параметры, построены темпы падения и проведена оценка достаточности генеральной выборки. Визуальная ручная кластеризация ТП ГС позволила сформировать три группы: группу 1 и группу 2 с высоким темпом падения, группу 3 с низким темпом падения (рис. 4, сплошные линии). Для ННС также были сформированы группы (рис. 4, пунктирные линии). Проведенный анализ достаточности выборки позволил утверждать, что группы 1 и 2 репрезентативны до 20мес., группа 3 не репрезентативна и требует включения дополнительных ТП по скважинам. Для ННС анализ достаточности показал, что группа 1 репрезентативна до 11мес., группа 2 – до 23мес., группа 3 – нерепрезентативна и требует включения дополнительных скважин. При выборе алгоритмов МО для прогноза принадлежности проектной скважины к одной из выделенных групп наибольшую точность показали модели градиентного бустинга. Разбиение на группы темпов падения горизонтальных скважин и наклонно-направленных скважин позволяет сравнить эффективность работы скважин (рис. 4). Сплошные линии соответствуют темпам падения ГС, пунктирные – темпам падения ННС. При сравнении первых групп (красные линии) темп падения ННС больше, чем у группы ГС. Более резкое падение ТП ННС происходит изза истощения (слабое влияние системы поддержания пластового давления), динамика темпов падения горизонтальных скважин более медленная из-за хорошо выстроенной системы ППД. Количество горизонтальных скважин группы 1 – это 19% от их репрезентативной выборки и количество наклонно-направленных скважин группы 1 – 35% от их репрезентативной выборки. Тренд темпа падения группы 2ННС и ГС (зеленые линии) до 6-го месяца одинаковый. Однако после ТП ННС увеличивается в связи с ростом обводненности (скважины находятся в высокопроницаемых пластах с наличием подстилающей воды), а рост обводненности ГС, пробуренных в кровельных частях пласта, с наличием подстилающей воды более медленный.

10.4.JPG

 

Ко второй группе относятся 77% горизонтальных скважин, тогда как наклонно-направленных – 49%. Тренды темпов падения группы 3 ННС и ГС показаны линиями синего цвета на рис. 4. Резкое падение ТП ГС в начальный период времени обусловлено поздним запуском системы поддержания пластового давления, и далее кривая выравнивается за счет ее оптимизации (резкое падение останавливается). Более медленный темп падения ННС объясняется за счет меньшего охвата при позднем запуске системы ППД или от ее перекомпенсации. Процентное количество горизонтальных скважин – 4%, наклонно-направленных – 16%. Врезультате проведенного анализа установлено, что горизонтальные скважины эффективнее, чем наклонно-направленные.

ВЫВОДЫ

Авторами разработана методика, которая позволяет быстро, с высокой точностью оценивать и прогнозировать темп падения проектной скважины при двух входных параметрах, которые можно снять с прогнозных карт. Предложен алгоритм создания классификатора на основе машинного обучения для определения типа темпов падения и оценки достаточности выборок для прогнозируемого периода с целью дальнейшего расчета добычи нефти. По результатам сравнительного анализа динамики темпов падения ГС и ННС, горизонтальные скважины эффективнее наклонно-направленных.

Список литературы

      1. Analysis of Decline Curves [Text] / Arps, J.J. // AIME. – 1945. – V. 160. – P. 228–247.

https://doi.org/10.2118/945228-G

      2. Планирование и организация эксперимента [Текст]: учебное пособие для студентов / А.Г. Левшин [и др.]. – М.: Изд-во РГАУ-МСХА, 2015. – 65 с.

 

      3. Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем [Текст]. – Изд-во Вильямс, 2018. – 688 с.

 

      4. Shalev-Shwartz Sh., Ben-David Sh. [Текст]: Understanding Machine Learning Algorithms: From Theory to Algorithms. – Cambridge: Cambridge University Press, 2014. – 449 с.

 

References

      1. Arps J.J. Analysis of Decline Curves. Transactions of the AIME. 1945, vol. 160, no. 1, pp. 228–247. doi: 10.2118/945228-G

 

      2. Levshin A.G. et al. Planirovanie I organizatsia experimenta [Planning and organizing of experiment]. Moscow, RGAU-MSKhA, 2015. 65 p.

 

      3. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media Inc., 2018. 718 p.

 

    4. Shalev-Shwartz Sh., Ben-David Sh. Understanding  Machine Learning Algorithms: From Theory to Algorithms. Cambridge, Cambridge University Press, 2014. 449 p.

 

Дополнительная информация

  • Автор: С.И. Габитова1, Л.А. Давлетбакова1, В.Ю. Климов1, Д.В. Шуваев1, И.Я. Эдельман2, С. Шмидт2

Идет загрузка следующего нового материала

Это был последний самый новый материал в разделе "Upstream"

Материалов нет

Наверх