Использование машинного обучения и методов оптимизации при долгосрочном планировании геолого-технических мероприятий в программном комплексе Еpsilon

UDK: 622.276.1/.4.001.57
DOI: 10.24887/0028-2448-2022-7-48-51
Ключевые слова: геолого-техническое мероприятие (ГТМ), сценарий разработки, оптимальный портфель ГТМ, методы машинного обучения, целевая функция, система налогообложения
Авт.: А.В. Насыбуллин (Альметьевский гос. нефтяной институт), д.т.н., А.А. Дьяконов (Альметьевский гос. нефтяной институт), д.т.н., М.И. Маннапов (ПАО «Татнефть»), Рам.З. Саттаров (ТатНИПИнефть), к.т.н., Р.Р. Хафизов (ТатНИПИнефть), В.С. Тимофеев (Новосибирский гос. технический университет), д.т.н., А.В. Фаддеенков (Новосибирский гос. технический университет), к.т.н.

При решении проблем управления разработкой нефтяных месторождений появляется задача формирования сценариев разработки и оптимального портфеля геолого-технических мероприятий (ГТМ) нефтяной компании в условиях ограничений на добычу продукции и капитальные затраты. Для подбора технологий ГТМ значительное распространение получили системы поддержки принятия решений, основанные на экспертных системах и методах теории нечетких множеств. В статье рассмотрен один из подходов стратегического долгосрочного планирования, основанный на приближенной оценке эффективности реализации большого числа сценариев разработки по всем месторождениям компании с использованием статистических прокси-моделей, который позволяет оценить затраты компании, экономические показатели эффективности на долгосрочную перспективу. В ПАО «Татнефть» данный метод реализован в программном комплексе Epsilon. В основе Epsilon лежит применение иерархических прокси-моделей АРМ «Лазурит». Модели полностью воспроизводят историю разработки месторождений и воссоздают карты текущих запасов нефти, содержащие участки невыработанных запасов нефти, перспективные для уплотняющего бурения скважин. В автоматическом режиме выполняется поэтапная расстановка проектных точек с последовательным увеличением шага сетки скважин. При этом на каждом этапе оцениваются геологические риски и рентабельность каждой скважины, исключаются скважины, не удовлетворяющие заданным условиям. На каждом временном шаге происходит перераспределение остаточных запасов нефти с учетом их выработанности. В результате выполнения алгоритма в автоматическом режиме создается неравномерная сетка планируемых ГТМ, удовлетворяющая геологическим, технологическим и экономическим ограничениям и имеющая максимально возможную плотность. В автоматическом режиме выполняется ранжирование скважин-кандидатов на проведение ГТМ. Представлена методика решения оптимизационной задачи для различных целевых функций и ограничений. Расчеты технико-экономических показателей разработки объектов ПАО «Татнефть» и оптимизация инвестиционного портфеля для заданного количества вариантов сценариев по каждому объекту выполнены для двух систем налогообложения. Результаты расчетов и выбор на их основе оптимального сценария разработки по месторождениям ПАО «Татнефть» позволили определить, при какой налоговой системе эффективнее разрабатывать то или иное месторождение.

Список литературы

1. Gharbi R. Application of an expert system to optimize reservoir performance // Journal of Petroleum Science and Engineering. – 2005. – V. 49. – Issues 3-4. – P. 261–273.

2. Application of Using Fuzzy Logic as an Artificial Intelligence Technique in the Screening Criteria of the EOR Technologies / M. Nageh, M. Abu, E. Sayed, H. Sayyouh // SPE-175883-MS. - 2015.

3. Bing Han, Xiaoqiang Bian. A hybrid PSO-SVM-based model for determination of oil recovery factor in the low-permeability reservoir // Petroleum. – 2018. – V. 4, Issue 1. – P. 43–49.

4. Development of machine learning methodology for polymer gels screening for injection wells / M. Aldhaheri, M. Wei, B. Bai, M. Alsaba // Journal of petroleum science & engineering. – 2017. – V. 151. – P. 77-93.

5. Tarrahi M., Afra S., Surovets I. A novel automated and probabilistic EOR screening method to integrate theoretical screening criteria and real field EOR practices using machine learning algorithms // SPE-176725-MS. - 2015.

6. Khazalia N., Sharifia M., Ahmadi M.A. Application of fuzzy decision tree in EOR screening assessment // Journal of Petroleum Science and Engineering. – 2019. – V. 177. – P. 167–180.

7. Ramos G.A.R., Akanji L. Application of artificial intelligence for technical screening of enhanced oil recovery methods // Journal of Oil, Gas and Petrochemical Sciences. – 2017. – V. 0. – P. 6–16.

8. Determination of oil well production performance using artificial neural network (ANN) linked to the particle swarm optimization (PSO) tool / M.A. Ahmadi, R. Soleimani, M. Lee [et al.] // Petroleum. – 2015. – V. 1. – Issue 2. – P. 118–132.

9. Application of artificial intelligence to forecast hydrocarbon production from shales / P. Panja, R. Velasco, M. Pathak, M. Deo // Petroleum. – 2018. – V. 4. – Issue 1. – P. 75–89.

10. Wang Sh., Chen Z., Chen Sh. Applicability of deep neural networks on production forecasting in Bakken shale reservoirs // Journal of Petroleum Science and Engineering. – 2019. – V. 179. – P. 112–125.

11. Combined artificial intelligence modeling for production forecast in an oil field / M. Ruiz, G. Alzate-Espinosa, A. Obando, H. Alvares // CT&F - Ciencia, Tecnologia y Futuro. – 2019. – V. 9. - No. 1. – P. 27–35.

12. Krasnov F., Glavnov N., Sitnikov A. A Machine Learning Approach to Enhanced Oil Recovery Prediction // Analysis of Images, Social Networks and Texts : 6th International Conference, AIST 2017, Moscow, Russia, 2017 July 27–29. – Cham: Springer, 2018. – P. 164–171.

13. Selection methodology for screening evaluation of EOR methods / B.A. Suleimanov, F.S. Ismayilov, O.A. Dyshin, E.F. Veliyev // Petroleum Science and Technology. – 2016. – V. 34. - Issue 10. – P. 961-970.

14. О методике автоматизированной генерации сценариев разработки длительно эксплуатируемого нефтяного месторождения / Р.С. Хисамов, Б.Г. Ганиев, И.Ф. Галимов [и др.] // Нефтяное хозяйство. – 2020. – № 7. – С. 22–25. – https://doi.org/10.24887/0028-2448-2020-7-22-25

15. Создание информационно-программного инструмента долгосрочного планирования инвестиций для эффективной разработки нефтяных месторождений / А.В. Насыбуллин, Рам.З. Саттаров, Ф.М.  Латифуллин [и др.] // Нефтяное хозяйство. – 2019. – № 12. – С. 128–131. – https://doi.org/10.24887/0028-2448-2019-12-128-131

16. Поэтапная оптимизация расстановки проектных скважин по неравномерной сетке с использованием программного модуля технико-экономической оценки запасов месторождений / Е.Ю. Звездин, М.И. Маннапов, А.В. Насыбуллин [и др.] // Нефтяное хозяйство. – 2019. – № 7. – С. 28–31. – https://doi.org/10.24887/0028-2448-2019-12-128-131

17. Применение методов машинного обучения при планировании бурения скважин на объектах разработки нефтяного месторождения / Б.Г. Ганиев, А.В. Насыбуллин, Рам.З. Саттаров [и др.] // Нефтяное хозяйство. – 2021. – № 7. – С. 23–27. – https://doi.org/10.24887/0028-2448-2019-7-28-31

18. Poirriez V., Yanev N., Andonov R. A hybrid algorithm for the unbounded knapsack problem // Discrete Optimization. – 2009. – V. 6. – Issue 1. – С. 110–124.


Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.