В статье представлен инновационный подход к оптимизации режимов работы добывающих скважин, объединяющий инженерные методы, программирование и машинное обучение. Описана необходимость расчета предельно допустимых значений забойного давления с учетом давления насыщения, газосодержания и напряженного состояния коллектора. Для автоматизации процесса подбора скважин-кандидатов для оптимизации забойного давления разработана программа на языке Python, интегрированная в корпоративную информационную систему нефтедобывающей компании. Сбор и подготовка данных включают формирование и обработку электронных таблиц, создание новых параметров и интеграцию данных в единую базу. Учитываются также геологические риски, определенные с использованием актуальных гидродинамических моделей объектов компании. Алгоритм расчета потенциала скважин разделен на два блока: увеличение отборов за счет оптимизации глубиннонасосного оборудования (ГНО) и за счет его замены на более производительное. Модели, учитывающие динамический уровень жидкости, текущее забойное давление и параметры работы насосного оборудования, позволяют определить оптимальные параметры работы наземного привода и ГНО. Кроме того, прогнозируется изменение обводненности продукции скважин после увеличения отборов с использованием модели машинного обучения для решения задачи множественной регрессии. Важным элементом работы является создание web-приложения для удобного доступа к данным и результатам расчетов. Внедрение интерфейса ускоряет и упрощает доступ к информации, необходимой для анализа и принятия решений. Таким образом, комплексный подход, объединяющий инженерные методы, программирование и машинное обучение, позволяет значительно повысить эффективность и автоматизировать процесс подбора скважин-кандидатов, что способствует увеличению добычи нефти при минимальных затратах.
Список литературы
1. Баландин Л.Н., Грибенников О.А., Свиридова И.А. Текущее состояние работы добывающих скважин в зависимости от забойных давлений // Булатовские чтения / I Международная научно-практическая конференция, 31 марта 2017 г. В 5 т. – Краснодар: Издательский Дом - Юг, 2017. – Т. 2. Разработка нефтяных и газовых месторождений. – С. 65–69.
2. Назарова Л.Н. Разработка нефтегазовых месторождении с трудноизвлекаемыми запасами. – М.: РГУ нефти и газа имени И.М. Губкина, 2011. – 156 с.
3. Мищенко И.Т. Скважинная добыча нефти. – М.: Нефть и газ, 2003. – 816 с.
4. Досказиева Г.Ш., Куангалиев З.А., Имангалиева Г.Е. Оптимизация работы скважин на месторождениях НГДУ «Доссормунайгаз» // Технические науки. – 2020. – № 3.1. – https://7universum.com/pdf/tech/3.1(72.1)/3.1(72.1).pdf
5. Назаренко М.Ю., Золотухин А.Б. Применение машинного обучения для вероятностного прогнозирования добычи и расчета потенциальных извлекаемых запасов // Нефтяное хозяйство. – 2020. – № 9. – С. 109–113. - http://doi.org/10.24887/0028-2448-2020-9-109-113
6. Топольников А.С. Машинное обучение для механизированной добычи нефти // Neftegaz.ru. – 2021. – № 5. – С. 14-19.
7. Новый подход к доуточнению прогнозов прокси-моделей пласта с помощью алгоритмов машинного обучения / О.В. Зоткин, М.В. Симонов, А.Е. Осокина [и др.] // Нефтяное хозяйство. – 2019. – № 12. – С. 60–63. - http://doi.org/10.24887/0028-2448-2019-12-60-63
8. CatBoost: unbiased boosting with categorical features / Prokhorenkova L. [et al] // NeurIPS 2018 : 32nd Conference on Neural Information Processing Systems,
Dec 2-8, 2018, Montréal, Canada. – 2018. – https://doi.org/10.48550/arXiv.1706.09516
9. Chen T., Guestrin C. Xgboost: A scalable tree boosting system / ACM SIGKDD : Proceedings of the 22nd International Conference on Knowledge Discovery and Data Mining, Aug 2016. – 2016. – Р.785-794. – https://doi.org/10.1145/2939672.2939785.
10. LightGBM: A Highly Efficient Gradient Boosting Decision Tree / G. Ke [et al] // Advances in Neural Information Processing Systems 30 (NIPS 2017) : 31st Conference on Neural Information Processing Systems, Long Beach, CA, USA, Dec 2017. – 2017. – 10 р.
11. Permutation importance: a corrected feature importance measure / A. Altmann [et al] // Bioinformatics. – 2010. – V. 26. – No 10. – P. 1340-1347 – https://doi.org/10.1093/bioinformatics/btq134
