Нейросетевой подход к моделированию темпов отбора нефти

UDK: 622.276.5.001

DOI: 10.24887/0028-2448-2026-4-80-83

Ключевые слова: предиктивная аналитика, нейронные сети, многослойный персептрон, ранжирование, прогнозирование темпов отбора нефти

Авт.: В.А. Маркин (ПАО «Сургутнефтегаз»); Л.В. Маркина (НГДУ «Федоровскнефть», ПАО «Сургутнефтегаз»); В.Р. Байрамов (ПАО «Сургутнефтегаз»); М.Ю. Лобанок (ПАО «Сургутнефтегаз»)

Статья посвящена созданию модели на основе нейронной сети с целью предиктивной оценки потенциально перспективных участков месторождений и эффективного вовлечения в разработку остаточных запасов нефти. В качестве объекта исследования выбран участок недр, представленный тремя месторождениями со степенью выработанности запасов нефти около 80 %. Кроме того, на объекте в течение длительного периода времени фиксируется значительное снижение объема годовой добычи нефти. В качестве исходных данных приняты характеристики основного объекта разработки по 2000 скважин. Уникальность подхода заключается в добавлении временной динамики (отработанное накопленное время работы скважины) к статическим параметрам (эффективная нефтенасыщенная толщина пласта, коэффициенты песчанистости, пористости, нефтегазонасыщенности), что позволяет моделировать темпы отборов нефти с графическим описанием данных. Выявлена наилучшая конфигурация сети – многослойный персептрон с шестью узлами в промежуточном слое. Выполнен предиктивный анализ 14 участков, выделенных в рамках работ по поиску перспективных зон для проведения геолого-технических мероприятий (ГТМ). Получены результаты прогноза темпов отбора нефти и добычных характеристик будущих типовых скважин. Обученные нейросетевые модели сохранены и могут быть использованы на любом участке месторождений при наличии всего нескольких значений переменных. Таким образом, решена задача предиктивной оценки и выявления перспективных зон, выполнено ранжирование участков, подтверждена эффективность интеграции нейросетевого моделирования в практику планирования ГТМ.

Список литературы

1. Boyd D., Crawford K. Six provocations for Big Data // SSRN Electronic Journal. – 2011. – V. 123. – No. 1. – http://doi.org/10.2139/ssrn.1926431

2. Siegel E. Liftoff: The basics of predictive model deployment // Predictive Analytics World. – 2021. – https://www.predictiveanalyticsworld.com/blog/liftoff-the-basics-of-predictive-model-deployment/

3. Методы Data Mining как система поддержки принятия решений в условиях ограничения данных / В.А. Маркин, Л.В. Маркина, В.Р. Байрамов [и др.] // Нефтяное хозяйство. – 2024. – № 5. – С. 138–142. – https://doi.org/10.24887/0028-2448-2024-5-138-142. – EDN: RMNYCY

4. Интеллектуальный анализ данных как метод обнаружения знаний в области разработки месторождений / В.А. Маркин, Л.В. Маркина, В.Р. Байрамов

[и др.] // Нефтяное хозяйство. – 2025. – № 5. – С. 132–136. – https://doi.org/10.24887/0028-2448-2025-5-132-136. – EDN: KWGWBV

5. Nisbet R., Miner G., Yale K. Handbook of statistical analysis and data mining applications. – Oxford, UK: Elsevier Inc., 2018.