В настоящее время число месторождений с легкими для извлечения запасами нефти и газа стремительно уменьшается, в результате чего нефтегазовым компаниям все чаще приходится обращать внимание на сложные активы, характеризующиеся высокой степенью неопределенности. К подобным месторождениям можно отнести карбонатные месторождения, расположенные в Восточной Сибири. Прогнозирование свойств этих резервуаров является крайне сложной задачей, поскольку их образование связано с седиментационными, эрозионными, тектоническими процессами. Традиционные подходы к оценке геологических параметров и эффективности систем разработки в подобной ситуации практически не применимы, поскольку они не могут учесть все влияющие на результат факторы. Бизнес-решения, основанные на таких оценках, характеризуются высоким уровнем экономических рисков. В подобной ситуации необходимым становится поиск альтернативных инструментов прогноза, способных охватить весь объем имеющейся геолого-геофизической информации и дать на его основе взвешенную оценку. В качестве такого инструмента могут выступать алгоритмы машинного обучения, зарекомендовавшие себя в решении множества нефтегазовых задач в последние годы.
В статье рассмотрено тестирование алгоритмов машинного обучения в задачах прогноза продуктивности скважин на объектах с осложненными геолого-геофизическими условиями. В качестве признаков, которые используют модели, выбран широкий диапазон факторов, в той или иной мере влияющих на результативность работ: геологических, тектонических, технологических (бурение и заканчивание скважин). Предложенный подход подход может позволить не только оптимизировать систему разработки через повышение качества прогноза начальных характеристик скважин, но и выявить новые связи между целевыми параметрами и существующими условиями работ.
Список литературы
1. Shiwei Yu, Kejun Zhu, Fengqin Diao. A dynamic all parameters adaptive BP neural networks model and its application on oil reservoir prediction // Applied Mathematics and Computation. – 2008. – V. 195. – P. 66–75.
2. Automatic Well Log Analysis Across Priobskoe Field Using Machine Learning Methods / B. Belozerov, N. Bukhanov, D. Egorov, A. Zakirov [et al.] // SPE 18RPTC. – 2018.
3. Cawley G.C. , Talbot N.L.C. On Over-fitting in Model Selection and Subsequent Selection Bias in Performance Evaluation // Journal of Machine Learning Research. – 11(Jul). – 2010. – P. 2079−2107.
4. Zhihua Zhou. On the doubt about margin explanation of boosting // Artificial Intelligence. – 2013. – V. 203. – P. 1–18.
5. SMOTE: Synthetic Minority Over-sampling Technique / V. Chawla Nitesh, W. Bowye Kevin, O. Hall Lawrence, W. Philip Kegelmeyer // Journal of Artificial Intelligence Research. – 2002. – V. 16. – P. 321–335.
6. David M.W. Powers Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation // Journal of Machine Learning Technologies. 2011. – V. 2 (1). – P. 37–63.
