В статье рассматривается задача повышения дискретности замеров дебита жидкости в скважине по высокодискретным динамическим данным давления на приеме установки электроприводного центробежного насоса (УЭЦН). Представлен алгоритм «виртуального расходомера», основанный на методах машинного обучения и решающий поставленную задачу. В качестве признаков рассмотрены числовые характеристики, описывающие график изменения давления на приеме УЭЦН, а также компоненты закона Дарси и уравнения пьезопроводности. Для восстановления регрессии построены одиночные модели машинного обучения и ансамбли на основе стекинга – метода объединения ответов одиночных моделей в качестве признаков для вычисления ответов итоговой модели. Результаты тестирования на промысловых данных по механизированным скважинам на примере низкопроницаемого пласта месторождения Западной Сибири показали, что средняя относительная ошибка не превышает 10 %. Алгоритм виртуального расходомера реализован в программном комплексе для интерпретации гидродинамических исследований скважин «РН-ВЕГА» и использован при подготовке данных для интерпретации малозатратных исследований методом анализа добычи и давления (АДД). Для апробации рассматриваемого подхода проведено сравнение результатов интерпретации методом АДД на наборах данных с разной дискретностью замеров забойного давления и дебита. В первом наборе значения дебита имеют низкую дискретность, второй набор получен из первого путем применения разработанного алгоритма. Показано, что использование виртуального расходомера уменьшает ошибку в определении полудлины трещины гидроразрыва и проницаемости продуктивного пласта на 10 %. Результаты апробации позволяют сделать вывод, что разработанный алгоритм повышает достоверность интерпретации данных методом АДД, а также увеличивает точность определения параметров пласта и заканчивания скважин в низкопроницаемых коллекторах.
Список литературы
1. Апробация подхода к оценке текущего пластового давления при анализе динамических данных эксплуатации скважин / Г.Ф. Асалхузина, А.Я. Давлетбаев, Т.Р. Салахов [и др.] // Нефтяное хозяйство. – 2022. – № 10. – С. 30–33. - https://doi.org/10.24887/0028-2448-2022-10-30-33
2. Эволюция методов и масштабов гидродинамических исследований низкопроницаемых коллекторов / Г.Ф. Асалхузина, А.Р. Бикметова, А.С. Кардопольцев [и др.] // Нефтяное хозяйство. – 2023. – № 9. – С. 108–111. – https://doi.org/10.24887/0028-2448-2023-9-108-111
3. Планирование и анализ нагнетательных тестов при проведении гидроразрыва в низкопроницаемых пластах с применением ПК «РН-ГРИД» / А.Я. Давлетбаев, Н.А. Махота, А.Х. Нуриев [и др.] // Нефтяное хозяйство. – 2018. – № 10. – С.77 – 83. – https://doi.org/10.24887/0028-2448-2018-10-77-83
4. Апробация методов MLR и CRMIP при исследовании взаимовлияния скважин / С.В. Бухмастова, Р.Р. Фахреева, Ю.А. Питюк [и др.] // Нефтяное хозяйство. – 2020. – № 8. – С. 58–62. – DOI: https://doi.org/10.24887/0028-2448-2020-8-58-62
5. Применение методов вейвлет-анализа в задачах автоматической обработки данных гидродинамических исследований скважин / И.С. Афанасьев, А.В. Сергейчев, Р.Н. Асмандияров [и др.] // Нефтяное хозяйство. – 2012. – № 11. – С. 34–37.
6. Шабонас А.Р., Горидько К.А. Обзор подходов к реализации алгоритма виртуального расходомера на скважинах, оборудованных установками электроцентробежного насоса // Нефтепромысловое дело. – 2022. – № 1 (637). – С. 33–41. – https://doi.org/10.33285/0207-2351-2022-1(637)-33-41
7. Stundner M., Nunes G. Production Performance Monitoring Workflow // SPE-103757-MS. – 2006. - https://doi.org/10.2118/112221-MS
8. Zangl G., Graf T., Al-Kinami A. Proxy Modeling in Production Optimization // SPE-100131-MS. – 2006. - https://doi.org/10.2118/100131-MS
9. Автоматизация сбора и подготовки данных (В)ТМС для проведения гидродинамических исследований скважин с использованием «виртуального расходомера» / А.А. Пашали, М.А. Александров, А.Г. Климентьев [и др]. // Нефтяное хозяйство. – 2016. – № 11. – С. 60–63.
10. Виртуальная расходометрия как инструмент мониторинга эффективности работы скважины с УЭЦН / А.М. Андрианова, А.А. Логинов, Р.А. Хабибуллин, О.С. Кобзарь // PROНЕФТЬ. Профессионально о нефти. – 2020. – № 4 (18). – С. 75–80. – https://doi.org/10.7868/S2587739920040114
11. Bikmukhametov T., Jäschke J. First Principles and Machine Learning Virtual Flow Metering: A Literature Review // J. of Petroleum Science and Engineering. – 2020. - Vol. 184. - https://doi.org/10.1016/j.petrol.2019.106487.
12. RN-DIGITAL: Анализ и интерпретация гидродинамических исследований скважин (ГДИС) / ООО «РН-БашНИПИнефть». – URL: https://rn.digital/rnvega (дата обращения 19.12.2023).
13. Программный комплекс «РН-ВЕГА» для анализа и интерпретации результатов гидродинамических исследований скважин / В.В. Сарапулова, А.Я. Давлетбаев, А.Ф. Кунафин [и др.] // Нефтяное хозяйство. – 2023. – № 12. – С. 124–129. – https://doi.org/10.24887/0028-2448-2023-12-124-129
14. Абраменкова И.В., Круглов В.В. Методы восстановления пропусков в массивах данных // Программные продукты и системы. – 2005. – № 2. – https://cyberleninka.ru/article/n/metody-vosstanovleniya-propuskov-v-massivah-dannyh.
15. Каюмов Э. Методы восстановления пропусков в данных // MachineLearning.ru : профессиональный информационно-аналитический ресурс. – 2015. – http://www.machinelearning.ru/wiki/images/4/48/Methods_for_missing_value.pdf (дата обращения 12.09.2023).
16. Sharma V., Yuden K. Imputing Missing Data in Hydrology using Machine Learning Models // International Journal of Engineering Research & Technology. – 2021. – No. 10. – P. 78-82. - http://doi.org/10.17577/IJERTV10IS010011
17. Mariani M.C., Basu K. Spline interpolation techniques applied to the study of geophysical data // Physica A: Statistical Mechanics and its Applications. – 2015. - № 428 (C). – P. 68–79. - http://doi.org/10.1016/j.physa.2015.02.014
18. Schaff D.P., Waldhauser F. Waveform cross correlation based differential travel-time measurements at the northern California Seismic Network // Bull. Seismol. Soc. Am. – 2005. – Vol. 95. - № 95. – P. 2446–2461. – http://doi.org/10.1785/0120040221
19. A SVM Regression Based Approach to Filling in Missing Values / F. Honghai, C. Guoshun, Y. Cheng [et al.] // Knowledge-Based Intelligent Information and Engineering Systems. – 2005. – V. 3683. – P. 581–587. – http://doi.org/10.1007/11553939_83
20. A review on missing hydrological data processing / Y. Gao, C. Merz, G. Lischeid, M. Schneider // Environmental Earth Sciences. – 2018. – № 77. – DOI:10.1007/s12665-018-7228-6.
21. Tian C., Horne R.N. Machine Learning Applied to Multiwell Test Analysis and Flow Rate Reconstruction // SPE – 175059-MS – 2015.
22. Контроль дебита жидкости нестабильно работающего фонда скважин при помощи виртуального расходомера / Е.В. Юдин, А.М. Андрианова, Т.А. Ганеев [и др]. // Нефтяное хозяйство. – 2023. – № 8. – С. 82–87. – https://doi.org/10.24887/0028-2448-2023-8-82-87
23. Давлетбаев А.Я. Фильтрация жидкости в пористой среде со скважинами с вертикальной трещиной гидроразрыва пласта // Инженерно-физический журнал. – 2012. – Т. 85. – № 5. – С. 919–924.
24. Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support // Workshop on ML Systems at NIPS. – 2017.
25. Horichreiter S., Schmidhuber J. Long short-term memory // Neural Computation. –1997. – V. 9 (8). – DOI: https://doi.org/10.1162/neco.1997.9.8.1735
26. Sill J., Takacs G., Mackey L. Feature-weighted linear stacking // In Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2009. – P. 845–854.
