В статье рассмотрены создание и тестирование ансамблевого вероятностного вычислительного инструмента для оперативного прогнозирования дебита скважин на краткосрочный период. В состав ансамбля входят модели, в основе которых лежат такие физико-математические аппараты, как уравнение нестационарной фильтрации, материальный баланс, закон Дарси и модели машинного обучения. После проведения расчетов на каждой модели, их прогнозы объединяются в единый ансамблевый прогноз. Причем каждая из моделей делает прогноз на основе ретроспективной информации о режимах добычи добывающих и нагнетательных скважин. Подход к объединению основан на методе Монте-Карло на Марковских цепях в виде отдельной вероятностной модели с использованием формулы Байеса. При этом статистические веса каждой модели (степень доверия к каждой модели) определяются в виде вероятностного распределения на основе достоверности ретроспективной составляющей прогнозов. Представленные результаты тестирования получены на основе промысловых данных месторождения. Проведено сравнение прогнозов, полученных помощью отдельных моделей и ансамбля, с фактическими данными. Несмотря на наличие недостатков в подходе ансамбля, анализ использования инструмента на фактических данных показал, что предложенный подход имеет меньшую среднюю ошибку при прогнозе и в разы меньшую дисперсию, чем каждая модель ансамбля в отдельности. Прогнозы выполнялись на краткосрочный период (от 30 до 90 сут). Дискретизация расчетов во времени составила 1 сут. Среднее значение относительной ошибки по отдельным скважинам для ансамбля по модулю для жидкости составило 2,8 %, для нефти – 5,1 %, в то время как классическая методика прогноза по темпам падения дала ошибку соответственно 24,5 и 24,3 %.
Список литературы
1. Petroleum engineering handbook Volume I / W. Lake [et al.] // Society of Petroleum Engineers. – 2014.
2. Regularization Paths for Generalized Linear Models via Coordinate Descent / J. Friedman [et al.] // Journal of Statistical Software. – 2010. - V. 33. – DOI: 10.1163/ej.9789004178922.i-328.7
3. An Interior-Point Method for Large-Scale L1-Regularized Least Squares / Kim Seung-Jean [et al.] // IEEE Journal of selected topics in signal processing. – 2007. – V. 1. – № 4. - DOI: 10.1109/JSTSP.2007.910971
4. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – Р. 785–794. - DOI:10.1145/2939672.2939785
5. Методика прогнозирования темпов падения нефти проектных скважин на основе алгоритма машинного обучения / С.И. Габитова, Л.А. Давлетбакова, В.Ю. Климов [и др.] // PROНЕФТЬ. Профессионально о нефти. – 2020. – № 4. – С. 69–74. https://doi.org/10.7868/S2587739920040102
6. Ranganathan A. The Levenberg-Marquardt Algorithm. – 2004.
7. 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. – 2006. – DOI:10.2118/95322-PA
8. A State-of-the-Art literature review on capacitance resistance models for reservoir characterization and performance forecasting / R. Holanda [et al.] // Energies. – 2018. – Т. 11. – No 12. – doi: 10.3390/en11123368
9. Osvaldo M. Bayesian Analysis with Python. – Packt Publishing, 2018. – 282 p.
