Одной из важных составляющих успешного развития любой нефтяной компании являются качественная обработка и анализ большого объема данных для последующего решения задач прогнозирования и планирования объемов добычи нефти, жидкости, природного и нефтяного газа. Среди активно развиваемых цифровых технологий стоит отметить методы машинного обучения, имеющие большой потенциал для решения задач прогнозирования временных рядов различной природы данных. Однако практика показывает, что большинство инженерных задач нельзя эффективно решить, используя только алгоритмы машинного обучения либо только физико-математические и подобные модели. Решение задач с использованием только одного из подходов либо более трудозатратно и может требовать дополнительных данных и достаточно глубокого понимания физики процесса (для описания всех процессов рассматриваемой системы полной физико-математической моделью), либо допускает возможность наличия нефизичных решений и неконтролируемую погрешность получаемых результатов (только машинное обучение). Для разрешения указанных проблем в статье предложен метод объединения упрощенной физико-математической модели и модели машинного обучения создания так называемой гибридной модели. Предложенный гибридный подход, сочетая методы машинного обучения и базовую упрощенную псевдо-2D физико-математическую модель, позволяет минимизировать погрешности расчета, возникающие из-за невозможности глубокой детализации базовой модели, с использованием неявных зависимостей, получаемых с помощью модели машинного обучения, что позволяет корректировать основной прогноз. Также гибридный подход дает возможность при необходимости вносить новые управляющие параметры, которые не учитываются физико-математической моделью, но могут существенно влиять на итоговый результат. Показано, что качество адаптации к фактическим данным и качество прогноза добычи удовлетворяют требованиям, предъявляемым к полномасштабным гидродинамическим 3D моделям.
Список литературы
1. Направления развития когнитивных технологий в периметре Блока разведки и добычи компании «Газпром нефть»/ В.В. Яковлев, М.М. Хасанов, А.Н. Ситников [и др.]//Нефтяное хозяйство. – 2017. - № 3. – С. 6-9.
2. A Novel Approach to Refinment Reservoir Proxy Model Using Machine-Learning Techniques / Zotkin O., Osokina A., Simonov M. [et al.] // SPE–198411–MS. – 2019. – DOI: 10.2118/198411-MS.
3. Application of Machine Learning Methods for Modeling the Current Indicators of Operating Wells Stock of PJSC Gazprom Neft / N. Teplyakov, A. Slabetskiy, N. Sarapulov [et al.] // SPE–191585–18RPTC–MS. – 2018.
4. Полуаналитические модели расчета интерференции скважин на базе класса моделей CRM / И.Ф. Хатмуллин, А.П. Цанда, А.М. Андрианова [и др.] // Нефтяное хозяйство. – 2018. – № 12. – С. 38–41. – DOI: 10.24887/0028-2448-2018-12-38-41.
5. Hochreiter, Sepp & Schmidhuber, Jürgen. Long Short-term Memory //
Neural computation. – 1997. – V. 9. – № 8. – P. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735.
6. A Capacitance Model To Infer Interwell Connectivity From Production and Injection Rate Fluctuations / A.A. Yousef, P.H. Gentil, J.L. Jensen, L.W. Lake // SPE–95322–MS. – 2005.
7. The use of capacitance–resistance models for rapid estimation of waterflood performance and optimization / M. Sayarpour, E. Zuluaga, C.S. Kabir [et al.] // Journal of Petroleum Science and Engineering. – 2009. – V. 69. – P. 227–238.
8. Бузинов C.Н., Умрихин И.Д. Исследование нефтяных и газовых скважин и пластов. – М.: Недра, 1984. – 269 с.
9. Heteroskedasticity‐Robust Standard Errors for Fixed Effects Panel Data Regression / Stock J.H., Watson M.W. // Econometric. – 2008. – V. 76. – № 1. – Р. 155–174.
