Цель исследования – разработать комплексный, нейросетевой и гидродинамического моделирования двухфазной фильтрации в призабойной зоне метод оптимизации геолого-технологических мероприятий на нефтяных скважинах, проводимых для интенсификации добычи нефти. В качестве элементов прокси-модели для формирования обучающей и тестовой выборки использовалась база данных технологических режимов скважин и эффективности обработок призабойной зоны скважин. Библиотеки оптимизаторов Python и алгоритмы глубокого обучения Pytorch применялись для выбора конкретного вида и параметров процесса. Для конкретного месторождения проведен анализ различных вариантов и эффективности воздействия на нефтяной пласт. Для определенной группы скважин анализ показал эффективность прогрева призабойной зоны скважины. На модели двухфазной фильтрации выполнено гидродинамическое моделирование. Результаты расчетов использовались для детализации процессов в пласте и как дополнение к промысловым данным для повышения качества обучающих и тестовых выборок. Показано, что прокси-моделирование, представляющее собой комбинацию алгоритмов машинного обучения и упрощенного гидродинамического моделирования, позволяет прогнозировать эффективность и оптимизировать процесс планирования программ геолого-технологических мероприятий на нефтяной скважине, повысить рентабельность добычи нефти. Разработанная модель на основе алгоритмов глубокого машинного обучения и гидродинамического моделирования открывает широкие возможности для анализа других видов обработки призабойной зоны, физико-химического воздействия на нефтяной пласт.
The objective of the work is to develop a comprehensive neural network and hydrodynamic modeling of two-phase filtration in the bottomhole zone method for optimizing geological and technological measures at oil wells carried out to intensify oil production. A database of well process modes and the efficiency of well bottomhole zone treatments was used as elements of the proxy model for forming the training and test samples. Python optimizer libraries and Pytorch deep learning algorithms were used to select a specific type and parameters of the process. For a specific field, an analysis of various options and the efficiency of impact on the oil reservoir was carried out. For a certain group of wells, the analysis showed the efficiency of heating the well bottomhole zone. Hydrodynamic modeling was performed on the two-phase filtration model. The calculation results were used to detail the processes in the reservoir and as a supplement to field data to improve the quality of training and test samples. It is shown that proxy modeling, which is a combination of machine learning algorithms and simplified hydrodynamic modeling, allows predicting the efficiency and optimizing the process of planning programs of geological and technological measures at an oil well, increasing the profitability of oil production. The developed model based on deep machine learning algorithms and hydrodynamic modeling opens up wide opportunities for analyzing other types of bottomhole zone treatment, physical and chemical effects on the oil reservoir.
1. Березина А.А., Череповицын А.Е. Экономическая концепция нефтегазового «интеллектуального» месторождения // Нефтяное хозяйство. 2014. № 14. С. 14–15.
2. Евсюткин И.В., Марков Н.Г. Управление геолого-техническими мероприятиями на месторождениях нефти и газа с использованием искусственных нейронных сетей // Доклады Томского государственного университета систем управления и радиоэлектроники. 2020. Т. 23, № 1. С. 62–69. DOI: 10.21293/1818-0442-2020-23-1-62-69.
3. Келлер Ю.А. Применение кластеризации данных на основе самоорганизующихся карт Кохонена при подборе скважин-кандидатов для методов увеличения нефтеотдачи // Управление, вычислительная техника и информатика. Вестник Томского государственного университета. 2014. Т. 28, № 3. С. 32–37.
4. Kashapov А. The Application of the Fuzzy Sets Theory for Candidate Wells Selection // SPE Russian Petroleum Technology Conference, Moscow, Russia, October 2015. Paper Number: SPE-176744-MS/ [Электронный ресурс] URL: https://onepetro.org/SPERPTC/proceedings-abstract/15RPTC/All-15RPTC/SPE-176744–MS/ 183875 (дата обращения: 15.11.2024).
5. Галиуллин М.М., Зимин П.В., Васильев В.В. Методика выбора скважин-кандидатов для интенсификации добычи с использованием математического аппарата нечеткой логики // Нефтяное хозяйство. 2011. № 6. С. 120–123.
6. Odedele T.O., Ibrahim H.D. Oil Well Performance Diagnosis System Using Fuzzy Logic Inference Models // Proceedings of The World Congress on Engineering. 2014. P. 80–85.
7. Okwu M.O., Nwachukwu N.A. A review of fuzzy logic applications in petroleum exploration, production and distribution operations // Journal of Petroleum Exploration and Production Technology. 2018. Vol. 9. P. 1555–1568.
8. DOI: 10.1007/s13202-018-0560-2.
8. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУиГУ. Сер.: Вычислительная математика и информатика. 2017. Т. 6, № 3. С. 28–59. DOI: 10.14529.
9. Хадавимогаддам Ф., Мостаджеран М., Мищенко И.Т., Телков В.П. Оценка полимерного заводнения в коллекторе тяжелой нефти с использованием искусственной нейронной сети // Газовая промышленность. 2019. № 12 (794). С. 34–38.
10. Кочнев А.А., Козырев Н.Д., Кочнева О.Е., Галкин С.В. Разработка комплексной методики прогноза эффективности геолого-технических мероприятий на основе алгоритмов машинного обучения // Георесурсы. 2020. № 22 (3). С. 79–86. DOI: 10.18599/grs.2020.3.79-86.
11. Кривцов А.М. Прокси-моделирование энергетического состояния залежи // Цифровая платформа по разработке и применению цифровых двойников CML-Bench [Электронный ресурс]. URL: https://nticenter.spbstu.ru/nti_projects/55 (дата обращения: 22.12.2024).
12. Назипов В.Т., Мугатабарова А.А. Создание прокси-модели для автоматизации расчетов технологических показателей разработки месторождения на основе теории Бакли – Леверетта // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. 2022. № 2 (136). С. 42–57. DOI: 10.17122/NTJ-OIL-2022-2-42-57.
13. Марков П.В., Боталов А.Ю., Нижельский Д.В., Расторгуев М.Н., Воробьев Д.С., Гадельшина Э.Р., Ковязина Д.М., Косяков В.П. Методология сравнения инструментов прокси-моделирования пласта для нефтегазоконденсатного месторождения в условиях импортозамещения // Нефтепромысловое дело. 2024. № 2 (662). С. 5–16. URL: https://journal.gubkin.ru/journals/oilfield/2024/2-662/ (дата обращения: 22.12.2024).
14. Садыкова А.А. Прокси-моделирование работы горизонтальных скважин с многостадийным гидроразрывом пласта в условиях низкопроницаемых коллекторов // Академическая публицистика. 2019. № 11. С. 39–43. URL: https://aeterna-ufa.ru/sbornik/AP-2019-11.pdf (дата обращения: 22.12.2024).
15. Тютяев А.В., Должикоа А.С., Зверева И.С. Расчетный метод оценки эффективности электропрогрева нефтяных скважин // Фундаментальные исследования. 2015. № 2-19. С. 4188-4191.
16. Тютяев А.В., Макаров Ю.Д., Должиков А.С., Должикова И.С. Моделирование электромагнитного воздействия на месторождениях с высоковязкой нефтью // Нефть. Газ. Новации. 2024. № 6. С. 22-28.