Прогнозирование добычи нефти играет важную роль в эффективной разработке месторождения нефти. Это помогает скорректировать действующую систему разработки месторождения. Детальное и точное прогнозирование уровня добычи нефти необходимо для оценки экономической и технологической эффективности разработки месторождения нефти. Прогнозирование уровня добычи можно осуществить различными способами. Одним из таких может быть использование специального программного обеспечения (tNavigator и др.). Использование данного программного обеспечения иногда сопряжено с длительными расчетами, поэтому для оперативного прогнозирования уровня добычи возможно использование других инструментов, таких как машинное обучение.
Использование машинного обучения и искусственного интеллекта в нефтегазовой отрасли приобретает все большую популярность в последние годы, поскольку, используя исторические данные по добыче, возможно прогнозирование уровней добычи нефти/жидкости. Кроме того, для аналогичных целей могут быть использованы аналогичные месторождения со схожими геологическими характеристиками и историей эксплуатации. Помимо использования машинного обучения и искусственного интеллекта, в качестве инструмента прогнозирования возможно применение анализ кривой падения.
Учитывая важность прогнозирования с точки зрения стратегического планирования, предлагается широкий спектр методов для получения точных прогнозов, основанных на характере доступных данных и вычислительной мощности. В данной статье представлен всесторонний анализ инструментов, используемых для долгосрочного прогнозирования добычи нефти, включая алгоритмы машинного обучения и анализ кривой падения добычи (DCA). Представлены результаты применения модели с долговременной и кратковременной памятью и ее практическая применимость на примере ее использования на скважине кандидате.
Прогнозирование добычи нефти играет важную роль в энергетическом планировании и принятии решений в нефтяной промышленности [1–3].
Список литературы
- Standards for Selection of Surfactant Compositions used in Completion and Stimulation Fluids / D.G. Petrakov [et al.] // International Journal of Engineering. – 2023. – Т. 36, № 9. – P. 1605–1610. DOI: 10.5829/IJE.2023.36.09C.03
- Density-dependent relationship between changes in ultrasonic wave velocities, effective stress, and petrophysical-elastic properties of sandstone / H. Aghaei [et al.] // Ultrasonics. – 2023. – Т. 132. – P. 106985. DOI: 10.1016/j.ultras.2023.106985
- Petrakov, D.G. Experimental study on the effect of rock pressure on sandstone permeability / D.G. Petrakov, G.M. Penkov, A.B. Zolotukhin // Записки Горного института. – 2022. – Т. 254. – С. 244–251. DOI: 10.31897/PMI.2022.24
- Negash, B.M. Artificial neural network based production forecasting for a hydrocarbon reservoir under water injection / B.M. Negash, A.D. Yaw // Petroleum Exploration and Development. – 2020. – Т. 47, № 2. – P. 383–392. DOI: 10.1016/S1876-3804(20)60055-6
- Berneti, S.M. An imperialist competitive algorithm artificial neural network method to predict oil flow rate of the wells / S.M. Berneti, M. Shahbazian // International journal of computer applications. – 2011. – Т. 26, № 10. – P. 47–50. DOI: 10.5120/3137-4326
- Falcone, G. The challenges of multiphase flow metering: today and beyond / G. Falcone, C. Alimonti // International Conference on Offshore Mechanics and Arctic Engineering. – 2007. – Т. 42681. – P. 823–834. DOI: 10.1115/OMAE2007-29527
- Mirzaei-Paiaman, A. The application of artificial neural networks for the prediction of oil production flow rate / A. Mirzaei-Paiaman, S. Salavati // Energy Sources, Part A: Recovery, utilization, and environmental effects. – 2012. – Т. 34, № 19. – P. 1834–1843. DOI: 10.1080/15567036.2010.492386
- Gilbert, W.E. Flowing and Gas-Lift Well Performance / W.E. Gilbert // Drilling and Production Practice. – 1954. – Т. 13. – P. 126–157.
- Baxendell, P.B. Bean performance-lake wells. Shell Internal Report / P.B. Baxendell. – Houston, TX: Shell Oil. – 1957.
- Ros, N.C.J. An analysis of critical simultaneous gas/liquid flow through a restriction and its application to flowmetering / N.C.J. Ros // Applied Scientific Research. – 1960. – Т. 9. – P. 374–388. DOI: 10.1007/BF00382215
- Achong, L.B. Revised bean and performance formula for Lake Maracaibo wells. Shell Internal Report / L.B. Achong. – Houston, TX: Shell Oil Co. – 1961.
- Mirzaei-Paiaman, A. A new empirical correlation for sonic simultaneous flow of oil and gas through wellhead chokes for Persian oil fields / A. Mirzaei-Paiaman,
S. Salavati // Energy Sources, Part A: Recovery, Utilization, and Environmental Effects. – 2013. – Т. 35. № 9. – P. 817–825. DOI: 10.1080/15567031003773304 - Zhang, P.Y. The Application of BP Neural Network In Oil-Field / P.Y. Zhang, Z. Meng-Meng // TELKOMNIKA Indonesian Journal of Electrical Engineering. – 2013. – Т. 11. – №. 9. – P. 527-75283. DOI: 10.11591/telkomnika.v11i9.3280
- Liu, W. Forecasting oil production using ensemble empirical model decomposition based Long Short-Term Memory neural network / W. Liu, W.D. Liu, J. Gu // Journal of Petroleum Science and Engineering. – 2020. – Т. 189. – С. 107013. DOI: 10.1016/j.petrol.2020.107013
- Data normalization and standardization: a technical report / P.J.M. Ali [et al.] // Mach Learn Tech Rep. – 2014. – Т. 1, № 1. – P. 1–6. DOI: 10.13140/RG.2.2.28948.04489
- Rumelhart, D.E. Learning representations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Nature. – 1986. – Т. 323, № 6088. – P. 533–536. DOI: 10.1038/323533a0
- Werbos, P.J. Generalization of backpropagation with application to a recurrent gas market model / P.J. Werbos // Neural networks. – 1988. – Т. 1, №. 4. – P. 339–356. DOI: 10.1016/0893-6080(88)90007-X
- Elman, J.L. Finding structure in time / J.L. Elman // Cognitive science. – 1990. – Т. 14, № 2. – P. 179–211. DOI: 10.1016/0364-0213(90)90002-E
- Bengio, Y. Learning long-term dependencies with gradient descent is difficult / Y. Bengio, P. Simard, P. Frasconi // IEEE transactions on neural networks. – 1994. –
Т. 5, № 2. – P. 157–166. DOI: 10.1109/72.279181 - Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural computation. – 1997. – Т. 9, № 8. – P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735
- Gers, F.A. Learning to forget: Continual prediction with LSTM / F.A. Gers, J. Schmidhuber, F. Cummins // Neural computation. – 2000. – Т. 12, № 10. – P. 2451–2471. DOI: 10.1162/089976600300015015
- Staudemeyer, R.C. Understanding LSTM–a tutorial into long short-term memory recurrent neural networks / R.C. Staudemeyer, E.R. Morris // arXiv preprint arXiv:1909.09586. – 2019. DOI: 10.48550/arXiv.1909.09586
- Understanding LSTM networks by Colah accessed at Understanding LSTM Networks – colah’s blog.
- Werbos, P.J. Backpropagation through time: what it does and how to do it / P.J. Werbos // Proceedings of the IEEE. – 1990. – Т. 78, № 10. – P. 1550–1560. DOI: 10.1109/5.58337
- A study of cross-validation and bootstrap for accuracy estimation and model selection / R. Kohavi [et al.] // Ijcai. – 1995. – Т. 14, № 2. – P. 1137–1145.
- Cross-Validation / Berrar D. [et al.]. – 2019. DOI: 10.1016/B978-0-12-809633-8.20349-X
- A Comparative Analysis of Cross-Validation Techniques for a Smart and Lean Pick-and-Place Solution with Deep Learning / E. Kee [et al.] // Electronics. – 2023. – Т. 12, № 11. – P. 2371. DOI: 10.3390/electronics12112371
- Using and understanding cross-validation strategies. Perspectives on Saeb et al / M.A. Little [et al.] // GigaScience. – 2017. – Т. 6, № 5. – С. gix020. DOI: 10.1093/gigascience/gix020
- On the need of preserving order of data when validating within-project defect classifiers / D. Falessi [et al.] // Empirical Software Engineering. – 2020. – Т. 25. – P. 4805–4830. DOI: 10.1007/s10664-020-09868-x
- Time series forecasting of univariate agrometeorological data: a comparative performance evaluation via one-step and multi-step ahead forecasting strategies /
S. Suradhaniwar [et al.] // Sensors. – 2021. – Т. 21, № 7. – P. 2430. DOI: 10.3390/s21072430. - Zhang, X. Optimal model averaging based on forward-validation / X. Zhang, X. Zhang // Journal of Econometrics. – 2022. DOI: 10.1016/j.jeconom.2022.03.010
- Hyperparameter tuning and pipeline optimization via grid search method and tree-based autoML in breast cancer prediction / S.F.M. Radzi [et al.] // Journal of personalized medicine. – 2021. – Т. 11, № 10. – P. 978. DOI: 10.3390/jpm11100978
- Belete, D.M. Grid search in hyperparameter optimization of machine learning models for prediction of HIV/AIDS test results / D.M. Belete, M.D. Huchaiah // International Journal of Computers and Applications. – 2022. – Т. 44, № 9. – P. 875–886. DOI: 10.1080/1206212X.2021.1974663
- Shekar, B.H. Grid search-based hyperparameter tuning and classification of microarray cancer data / B.H. Shekar, G. Dagnew // 2019 second international conference on advanced computational and communication paradigms (ICACCP). – IEEE, 2019. – С. 1–8. DOI: 10.1109/ICACCP.2019.8882943
- Bergstra, J. Random search for hyper-parameter optimization / J. Bergstra, Y. Bengio // Journal of machine learning research. – 2012. – Т. 13, № 2. DOI: 10.5555/2188385.2188395
- Liashchynskyi, P. Grid search, random search, genetic algorithm: a big comparison for NAS / P. Liashchynskyi, P. Liashchynskyi // arXiv preprint arXiv:1912.06059. –
- DOI: 10.48550/arXiv.1912.06059
- St-Aubin, P. Precision and Reliability of Forecasts Performance Metrics / P. St-Aubin, B. Agard // Forecasting. – 2022. – Т. 4, № 4. – P. 882–903. DOI: 10.3390/forecast4040048
- Cerqueira, V. Evaluating time series forecasting models: An empirical study on performance estimation methods / V. Cerqueira, L. Torgo, I. Mozetič // Machine Learning. – 2020. – Т. 109. – P. 1997–2028. DOI: 10.1007/s10994-020-05910-7
- Chai, T. Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature / T. Chai, R.R. Draxler // Geoscientific model development. – 2014. – Т. 7, № 3. – P. 1247–1250. DOI: 10.5194/gmd-7-1247-2014
- Park, Y.H. Concise logarithmic loss function for robust training of anomaly detection model / Y.H. Park // arXiv preprint arXiv:2201.05748. – 2022. DOI: 10.48550/arXiv.2201.05748
Выпуск
Другие статьи выпуска
По мере увеличения численности населения на планете растет также и потребность в энергии, которую исторически в основном получают от углеводородов. Невзирая на масштабные инвестиции в сферу возобновляемой энергии с целью снижения зависимости от исчерпаемых источников энергии, нефтяная отрасль до сих пор играет существенную роль в современном мире и, согласно предположениям специалистов, данный тренд будет оставаться неизменным на протяжении еще нескольких десятилетий. Однако, учитывая уменьшение запасов углеводородных месторождений, специалисты активно работают над разработкой новых способов и современных технологий, способных технологически и экономически увеличить эффектиновность добычи нефти.
Одним из таких методов, способствующих повышению нефтеотдачи, является снижение массовой доли минералов, в том числе соли, содержащейся в составе закачиваемой в пласты жидкости для поддрежания пластового давления. Результаты данного исследовательского проекта показывают, что при уровне минерализации, равной 0,02 %, количество нефтеотдачи составило 26,1 %, при этом базовый вариант заводнения составляет 22,2 %. К тому же показатели при применении полимера и полимерных поверхностно-активных веществ оказались 28,1 и 31,2 % (самый высокий показатель).
Поднимается вопрос определения свойств горных пород различной насыщенности флюидами и связи изменений этих свойств от стадии разработки месторождения нефти. Приведен минеральный состав исследуемых глинистых образцов пород-коллекторов нефти. Описан процесс изменения прочностных и упругих свойств породы от различной насыщенности керосином и водой. Приведены графики зависимостей предела прочности при одноосном сжатии, модуля упругости и коэффициента Пуассона для пород различной насыщенности флюидами. Снижение прочности и модуля упругости образцов породы при полном замещении керосина водой достигает 15–20 %, а в сравнении с результатами, полученными для образца в воздушно-сухом состоянии, снижение этих же свойств достигает 30–40 %. Исходя из проведенных теоретических и практических исследований, становится очевидной необходимость определения прочностных и упругих свойств горных пород в зависимости от их насыщенности в реальных условиях на месторождении. Приведены результаты фильтрационных исследований для образцов глинистых пород. Установлено, что снижение пластового давления способствует необратимому снижению проницаемости исследованных глинистых пород. Отсюда следует, что внедрение систем поддержания пластового давления на месторождении необходимо осуществлять как можно раньше. Приведен пример расчета относительных фазовых проницаемостей, распределения давления в пласте при постоянном дебите, построены графики распределения фронта вытеснения нефти водой по годам разработки месторождения при плоскорадиальном притоке в скважину. Приведены зависимости коэффициента упругоемкости и пьезопроводности породы от насыщенности флюидами. Полученные результаты и установленные зависимости рекомендуется использовать при прогнозировании изменения прочностных, упругих и фильтрационно-емкостных свойств глинистых пород порового типа на различных стадиях разработки месторождений нефти, в том числе для планирования проведения геолого-технологических мероприятий.
Анализируется проблема изменчивости абсолютной проницаемости карбонатного сложнопостроенного коллектора в вертикальном и латеральном направлениях. В рамках работы проведен детальный анализ всего имеющегося кернового материала изучаемого карбонатного объекта. По результатам исследований полноразмерных образцов керна установлено, что изменчивость абсолютной проницаемости зависит от типа карбонатной породы, которая может быть осложнена вторичными изменениями, такими как наличие трещиноватости и кавернозности. Описанный в данной работе методический подход позволил произвести типизацию сложнопостроенного карбонатного коллектора, выделяя несколько типов плотных, низкопористых, пористых, кавернозно-пористых, трещиноватых пород. Выявлено, что каждый тип карбонатного коллектора имеет определенную корреляцию с параметром проницаемости и ее изменчивости в различных направлениях пласта. Установлено, что доля типов карбонатного коллектора значительно отличается от скважины к скважине, следовательно, данный факт оказывает влияние на фильтрационные процессы, на степень и равномерность выработки, а также на темпы обводнения скважин. Следующим этапом работы осуществлен учет изменчивости параметра проницаемости в действующей геолого-гидродинамической модели изучаемого объекта путем создания кубов абсолютной проницаемости в направлениях Y и Z через систему множителей согласно выявленным корреляционным зависимостям. Оценка эффективности представленного метода типизации и учета изменчивости проницаемости осуществлена путем сопоставления результатов моделирования с фактическими промысловыми данными. Всего рассмотрено два варианта реализации геолого-гидродинамической модели продуктивного карбонатного пласта. Первый вариант модели подразумевает стандартный способ создания, второй вариант соответствует разработанному методическому подходу. При сопоставлении выявлено, что геолого-гидродинамическая модель, созданная с учетом типизации и соответствующей ей изменчивости, с более высокой точностью воспроизводит фактическую добычу.
Рассматривается один из аспектов формирования углеводородного потенциала основной нефтегазоматеринской толщи (НГМТ) верхнедевонско-турнейского возраста в разрезе осадочного чехла территории Пермского края. Предметом изучения являются основные химико-битуминологические характеристики рассеянного органического вещества (РОВ) пород данной толщи. Выборка параметров, собранная для изучения толщи, содержит более чем 4300 определений. Основной целью исследования является дифференциация рассеянного органического вещества пород в зависимости от распределения величин битумоидного коэффициента и степени обогащенности толщ органическим углеродом. По условиям формирования верхнедевонско-турнейская толща пород характеризуется максимальным развитием на данной территории благоприятных геохимических фаций, в условиях которых происходит преобразование РОВ в углеводороды нефтяного ряда. Статистический анализ средних значений химико-битуминологических параметров подтвердил сингенетичность РОВ вмещающей породе с высокой степенью преобразованности и обогащенности миграционно-способными битумоидами, что позволяет считать данную толщу нефтегазогенерировавшей и обеспечившей формирование нефтегазоносности разреза. Далее, опираясь на фундаментальные исследования, в частности зависимость Успенского- Вассоевича, была впервые количественно обоснована дифференциация РОВ девонско-турнейской толщи на сингенетичное, смешанное и эпигенетичное. Исследуя выборку методами регрессионного и дискриминантного анализов, было показано, что выделенные типы РОВ, статистически различны по соотношению параметров С орг и β, что доказывает их отношение кбитумоидам различного типа. Для каждого выделенного типа РОВ в объеме стратиграфических подразделений основной НГМТ были также статистически установлены различные типы соотношений исследуемых параметров С орг и β. В результате проведения исследований автором установлено индивидуальное процентное распределение типов РОВ для каждого горизонта верхнедевонско-турнейской нефтегазоматеринской толщи и статистически доказано их различие по соотношению С орг и β, характеризующих индивидуальную интенсивность и направленность процессов преобразования битумоидов в микронефть. Установлено, что в этой толще максимально широким развитием эпигенетических битумоидов характеризуется собственно доманиковый горизонт.
Актуальность работы обусловлена тем, что в ближайшие годы предстоит наиболее полно изучить нефтегазоносность глубокопогруженных отложений осадочного чехла, залегающих на глубинах более 4 км. Одним из методов, который позволяет решить данную задачу наиболее эффективно, является построение вероятностно-статистических моделей. При этом применяются сравнение средних значений и плотностей распределения (статистики – t и χ2), корреляционный анализ, регрессионный анализ, в том числе пошаговый, а также дискриминантный анализ. В результате этих расчетов определены принципиальные различия в тектонических условиях формирования исходных концентраций органического углерода ( и ) С орг до начала процессов генерации углеводородов (УВ) для изучаемых типов органического вещества (ОВ) – сапропелевого, смешанного и гумусового. Сравнение средних значений и С орг позволило установить наличие статистических различий между типами ОВ в глубокопогруженных отложениях Верхнепечорской впадины. Поскольку данная структура имеет типичное для краевых прогибов асимметричное строение, проведено сравнение двух тектонических зон – западной и восточной, отвечающих внешнему и внутреннему ее бортам. Корреляционный анализ показал, что между изучаемыми показателями наблюдаются связи различной степени тесноты и направленности. С помощью линейного дискриминантного анализа по комплексу тектонических показателей установлена дифференциация по типам ОВ и тектоническим зонам. Выполненный пошаговый регрессионный анализ подтвердил существенное различие в процессах накопления ОВ сапропелевого и гумусового типов, а также в западных и восточных районах впадины. Таким образом, статистический анализ показал определяющую роль тектонических факторов в процессах формирования концентраций и С орг . Кроме того, были построены уравнения регрессии, описывающие зависимости и С орг от тектонических показателей, позволяющих прогнозировать эту важнейшую характеристику нефтегазоматеринских пород.
Издательство
- Издательство
- ПНИПУ
- Регион
- Россия, Пермь
- Почтовый адрес
- 614990, Пермский край, г. Пермь, Комсомольский проспект, д. 29
- Юр. адрес
- 614990, Пермский край, г. Пермь, Комсомольский проспект, д. 29
- ФИО
- ТАШКИНОВ АНАТОЛИЙ АЛЕКСАНДРОВИЧ (ИСПОЛНЯЮЩИЙ ОБЯЗАННОСТИ РЕКТОРА)
- E-mail адрес
- rector@pstu.ru
- Контактный телефон
- +7 (342) 2198067
- Сайт
- https://pstu.ru