В статье рассмотрены вопросы прогнозирования накопленных показателей добычи для горизонтальных скважин с многостадийным гидроразрывом пласта (МГРП), вскрывающих баженовскую свиту на Пальяновской площади Красноленинского месторождения (Ханты-Мансийский автономный округ). Согласно оценкам специалистов компании «Газпром нефть» данная формация характеризуется крайне низкими показателями фильтрационно-емкостных свойств (проницаемость - порядка 0,001×10-3 мкм2), что создает ряд сложностей как при эксплуатации скважин, так и при моделировании процессов дренирования целевого объекта и прогнозировании.
Приведены результаты комплексного анализа накопленных исторических данных по показателям добычи скважин, технологическим показателям, характеризующим особенности строительства и стимуляции скважин, и геологических показателям, характеризующим геомеханические свойства целевого объекта, а также влияющим на проведение стимуляции скважин с помощью МГРП. Текущее состояние разработки Пальяновской площади Красноленинского месторождения определяет тип решаемой задачи как анализ данных на малых выборках. В результате анализа были построены статистические модели, которые позволяют количественно оценивать показатели добычи по данным, характеризующим особенности дизайна строительства и стимуляции скважины. Представлена методика подготовки исходных данных к анализу, выбора инструментов моделирования и оценки статистической значимости найденных зависимостей. На основе построенных статистических моделей выполнен вероятностный прогноз показателей добычи для новых скважин с принципиально новым дизайном строительства и стимуляции скважин. Для построения прогноза в связке используются кластерный анализ показателей добычи, корреляционный анализ показателей добычи и технологических показателей, анализ регрессионных моделей показателей добычи, семплирование методом Монте-Карло. Рассчитанный прогноз подтвердил выбор направления технологического совершенствования дизайна – расчетные показатели добычи свидетельствуют о кратном увеличении добычи по сравнению со среднестатистическими показателями ранее пробуренных скважин.
Список литературы
1. Плавинский С.Л., Работа с малыми выборками. Статистический анализ данных с пропущенными наблюдениями // Научный семинар для молодых ученых «Применение статистических методов в фундаментальных и прикладных биомедицинских научных исследованиях», Санкт-Петербург, 26-27 марта 2014 г. – https://www.youtube.com/watch?v=YeYs6GfNv-0
2. Dealing with very small datasets. – https://www.kaggle.com/rafjaa/dealing-with-very-small-datasets
3. Choosing the right estimator. – https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
4. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. – М.: Физматлит, 2012. - 813 с.
5. Лапач С.Н., Радченко С.Г. Регрессионный анализ в условиях неоднородности факторного пространства // Математичні машини і системи. – 2016. - № 3 – С. 55-63.
6. Зубков А.Ф., Деркаченко В.Н., Бармин М.А. Кластерный и дискриминантный анализ региональных рынков страхования //Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. – 2012. – № 1(140). – С. 113-118.
7. Сивоголовко Е.В. Методы оценки качества чёткой кластеризации // Компьютерные инструменты в образовании. – 2011. – № 4. - С. 14-31.
8. Факторный дискриминантный и кластерный анализ: сборник / пер. с англ. А.М. Хотинского, С.Б. Королева; под ред. И. С. Енюкова. - М.: Финансы и статистика, 1989. - 215 с.
9. Tarantola A. Inverse problem theory and methods for model parameter estimation. – Society for Industrial and Applied Mathematics, 2005. – 352 р. - https://doi.org/10.1137/1.9780898717921
