Применение машинного обучения для прогнозирования снижения дебитов нефти на сланцевых нефтяных скважинах Баккен

Том 12 научных отчетов, номер статьи: 16154 (2022) Цитировать эту статью

1599 доступов

3 цитаты

3 Альтметрика

Подробности о метриках

Коммерческие симуляторы коллектора необходимы для решения дискретных уравнений массового баланса. Когда пласт становится неоднородным и сложным, можно использовать больше блоков сетки, что требует подробной и точной информации о пласте, например, о пористости, проницаемости и других параметрах, которые не всегда доступны на месторождении. Таким образом, прогнозирование EUR (оценочного предельного извлечения) и снижения дебита для одной скважины может занять часы или дни, что делает их вычислительно дорогостоящими и трудоемкими. Напротив, модели кривой снижения являются более простым и быстрым вариантом, поскольку для них требуется лишь несколько переменных в уравнении, которые можно легко получить из текущих данных скважин. Данные о скважинах для этого исследования были собраны из общедоступных баз данных Совета по охране нефти и газа штата Монтана. Переменные уравнения кривой падения SEDM (растянутая экспоненциальная модель падения), специально разработанные для переменных нетрадиционных коллекторов, были коррелированы с предикторными параметрами в случайном наборе данных нефтяных скважин. В ходе исследования изучалось относительное влияние нескольких параметров скважины. Новизна исследования заключается в разработке инновационной модели на основе машинного обучения (ML) (случайный лес (RF)) для быстрого снижения дебитов и прогнозирования EUR в нефтяных скважинах Баккен-Сланцев. Успешное применение этого исследования во многом зависит от наличия хорошего качества и количества набора данных.

Основной целью данного исследования является разработка модели на основе ML, которую можно использовать для прогнозирования снижения дебита на большом количестве скважин в сланцах Баккен за очень короткий период. Этот метод будет намного быстрее, чем коммерческие симуляторы пласта, поскольку он не требует решения большого количества конечно-разностных уравнений. Добыча нетрадиционных сланцевых нефти и газа была начата много лет назад в США. С тех пор многочисленные геологоразведочные компании собрали данные о значительном количестве нефтяных и газовых скважин, пробуренных и добытых из этих пластов, в результате чего был получен большой объем данных горизонтальных скважин. Эта информация доступна в нескольких общедоступных базах данных веб-сайтов1. Различные методы анализа данных могут использоваться для оценки общедоступных данных с целью выявления основных закономерностей и «сладких мест» в этих коллекторах, которые могут быть полезны для будущей разработки горизонтальных скважин2,3,4. Наиболее широко используемым методом прогнозирования будущей добычи из сланцевых нефтяных скважин является прогнозирование кривых падения добычи5. Модели кривой падения добычи представляют собой математические уравнения, используемые для моделирования существующих данных о продуктивности скважин и прогнозирования будущего снижения добычи1. Разработка эмпирической модели снижения дебита скважины на ранних этапах эксплуатации и экстраполяция этой закономерности в будущее позволяет спрогнозировать будущий потенциал добычи и евро. Наиболее часто используемой моделью кривой падения добычи является гиперболическая модель Арпса. Однако применение гиперболической модели Арпса к данным добычи из сланцевых нефтяных скважин часто приводило к физически нереалистичным значениям коэффициента гиперболического снижения1. Для решения этой проблемы5 использовалась SEDM для прогнозирования добычи из нетрадиционных скважин5. SEDM лучше подходит для сланцевых нефтяных скважин, чем гиперболическая модель Арпса, поскольку большую часть своего срока службы они находятся в переходном режиме потока. Для положительных \({q}_{i}\), n и SEDM SEDM возвращает конечное значение EUR1. В результате в исследовании использовался SEDM для прогнозирования снижения дебита и EUR для тестовых скважин.

В аналогичном исследовании был представлен альтернативный подход к деконволюции скорости/давления. Обученные параметры и алгоритмы, основанные на физике, играют ключевую роль в эффективной реализации рекомендуемой стратегии путем сохранения суперпозиции физики переходных процессов6. Основным недостатком этого исследования является то, что этот метод не дает удовлетворительных результатов, когда доступны очень изменчивые и ограниченные данные. Принципиальным недостатком этого исследования является то, что оно сильно зависит от наличия достаточного количества данных. В другом исследовании была предложена модель прогнозирования проницаемости технически сложной (чрезвычайно неоднородной) карбонатной породы, основанная на регрессии случайного леса, которая может эффективно получать данные на основе надежных физических параметров и обеспечивать надежный прогноз проницаемости по сравнению с традиционными эмпирическими моделями7. Принципиальным недостатком этого исследования является то, что оно сильно зависит от наличия качественных данных без помех. В аналогичном исследовании авторы использовали моделирование на основе данных для прогнозирования снижения дебитов нефтяных скважин Eagle Ford Shale8. В другом исследовании была предложена модель на основе ИНС для прогнозирования снижения темпов добычи нефти на сланцевых скважинах Игл-форд9. Основным недостатком этих исследований было то, что их применимость ограничивалась только скважинами Eagle для сланцевых нефтяных скважин.