Новый подход к оценке проницаемости для расчета пускового дебита горизонтальной скважины во время бурения с применением инструментов машинного обучения

UDK: 622.276.031.011.433:582.5.072

DOI: 10.24887/0028-2448-2025-9-20-23

Ключевые слова: дебит новых скважин, анализ данных, машинное обучение, разработка месторождений, геонавигация, сопровождение бурения скважин, горизонтальные скважины (ГС), каротаж во время бурения

Авт.: В.Е. Анцупов (ПАО «НК «Роснефть»); Д.С. Галкин (ПАО «НК «Роснефть»)

Представленная работа посвящена изучению возможности применения данных геофизических исследований скважин во время бурения для оценки проницаемости, необходимой при расчете пускового дебита и добычи горизонтальной скважины с целью оптимизации ее траектории и повышения экономической эффективности в режиме реального времени. В качестве исходных использовались данные по пробуренным в 2022–2024 гг. горизонтальным скважинам ПАО «НК «Роснефть», а именно записи геофизических исследований во время бурения и адаптированные к фактическим пусковым дебитам средние по стволу значения проницаемости. Для решения задачи были построены модели, основанные на различных методах машинного обучения, как классификации, так и регрессии. В качестве целевой переменной выбрана адаптированная к фактическим результатам запуска средняя по стволу проницаемость скважины, а в качестве параметров – усредненные характеристики каротажных кривых. Оптимальная из обученных моделей продемонстрировала возможность вычисления необходимой для оценки пускового дебита проницаемости горизонтальной скважины со средней ошибкой 63 % при медианной ошибке 24 %. Полученные в процессе работы результаты позволяют сделать вывод как о перспективности нового предлагаемого подхода к оценке проницаемости для расчета пускового дебита горизонтальной скважины во время бурения с применением инструментов машинного обучения в целом, так и о возможности использования разработанного инструмента для повышения эффективности программы эксплуатационного бурения ПАО «НК «Роснефть».

Список литературы

1. Machine learning applications in predictive maintenance: Enhancing efficiency across the oil and gas industry / E.O. Nwulu [et al.] // International Journal of Engineering Research Updates. – 2023. – №5(1). – Р. 13–27. – https://doi.org/10.53430/ijeru.2023.5.1.0017. – EDN: YAMBCB

2. Machine Learning in Oil and Gas Exploration: A Review / A. Lawal [et al.] // IEEE Access. – 2024. – № 12. – Р. 19035–19058. – https://doi.org/10.1109/access.2023.3349216. – EDN: KKXECL

3. Choubey S., Karmakar G.P. Artificial intelligence techniques and their application in oil and gas industry // Artificial Intelligence Review. – 2020. – № 54 (04). – Р. 1–19. – https://doi.org/10.1007/s10462-020-09935-1. – EDN: LIMGBZ

4. New insights into the prediction of heterogeneous carbonate reservoir permeability from well logs using artificial intelligence network / S. Elkatatny, M. Mahmoud,

Z. Tariq, A. Abdulraheem // Neural Comput & Applic. – 2017. – https://doi.org/10.1007/s00521-017-2850-x

5. Подбор скважин-кандидатов для проведения гидроразрыва пласта на основе математического моделирования с использованием методов машинного обучения / А.Ф. Азбуханов, И.В. Костригин, К.А. Бондаренко [и др.] // Нефтяное хозяйство. – 2019. – № 11. – С. 38–42. – https://doi.org/10.24887/0028-2448-2019-11-38-42. – EDN: COEFTP

6. Deep learning versus conventional methods for missing data imputation: A review and comparative study / Yige Sun [et al.] // Expert Systems with Applications. – 2023. – V. 227. – https://doi.org/10.1016/j.eswa.2023.120201

7. Classification and regression trees / L. Breiman, J.H. Friedman, R.A. Olshen, C.J. Stone. – New York: Chapman and Hall/CRC, 1984. – 368 р. – https://doi.org/10.1201/9781315139470

8. Quinlan J.R. Induction of decision trees // Machine Learning. – Kluwer Academic Publishers, 1986. – No. 1. – P. 81–106. – https://doi.org/10.1023/A:1022643204877. – EDN: EQIDBF

9. Кудашов К.В., Анцупов В.Е., Акимова Д.А. Повышение качества прогноза дебитов новых скважин на основании фактического опыта достижения расчетных значений для объектов с различными геолого-геофизическими и технологическими параметрами // Нефтяное хозяйство. – 2023. – № 8. –

С. 128–130. – https://doi.org/10.24887/0028-2448-2023-8-128-130. – EDN: USAYYL

10. Helle H.B., Bhatt A., Ursin B. Porosity and permeability prediction from wireline logs using artificial neural networks: a North Sea case study // Geophysical Prospecting. – 2001. – № 49. – Р. 431–444. – https://doi.org/10.1046/j.1365-2478.2001.00271.x. – EDN: BAJWFH

11. Shokir E.M. Permeability Estimation From Well Log Responses // Journal of Canadian Petroleum Technology. – 2006. – № 45 (11). – С. 41–46. – https://doi.org/10.2118/06-11-05