В статье представлен алгоритм поэтапного планирования повторных селективных многостадийных гидравлических разрывов пласта (МГРП), позволяющий обоснованно и оперативно выбирать потенциальные скважины-кандидаты для проведения МГРП из общего числа горизонтальных скважин месторождения. В процессе реализации работ сбор и проверка данных по добыче нефти и эксплуатации месторождения, подготовка статистической обучающей выборки проведены с применением программного продукта Microsoft Excel. Геолого-промысловый анализ скважинных данных выполнен с помощью программного комплекса «РН-КИН». Оценка прогнозных технологических параметров добычи проведена с использованием программного обеспечения для трехмерного гидродинамического моделирования «РН-КИМ». Объектом исследования являются горизонтальные скважины, введенные в работу с первичными селективными многостадийными гидроразрывами пласта ВК1-3 Каменной площади Красноленинского месторождения. По результатам апробации алгоритма в промышленных условиях общее сокращение выборки горизонтальных скважин по рассматриваемому месторождению составило 80 %, что позволило из общего фонда выбрать лучшие скважины. Во всех обоснованных в работе скважинах выполнены повторные селективные МГРП, получены приросты дебита и добычи нефти с приемлемой сходимостью прогнозных и фактических значений, что позволяет сделать вывод о применимости и адекватности разработанного алгоритма. Результаты опытно-промысловых испытаний свидетельствуют о том, что применение алгоритма пошагового планирования позволяет оперативно и обосновано выделять в общем фонде потенциально эффективные скважины-кандидаты для проведения МГРП на основе совокупного учета комплекса критериев и их весов, последующего геолого-промыслового анализа и оценки добычного потенциала с помощью трехмерной гидродинамической модели.
Список литературы
1. Применение методов машинного обучения при планировании бурения скважин на объектах разработки нефтяного месторождения / Б.Г. Ганиев,
А.В. Насыбуллин, Р.З. Сатаров [и др.] // Нефтяное хозяйство. – 2021. – № 7. – С. 23–27. - https://doi.org/10.24887/0028-2448-2021-7-23-27
2. Разработка комплексной методики прогноза эффективности геолого-технических мероприятий на основе алгоритмов машинного обучения /
А.А. Кочнев, Н.Д. Козырев, О.Е. Кочнева, С.В. Галкин // Георесурсы. – 2020. – № 3. – С. 79–86. - https://doi.org/10.18599/grs.2020.3.79-86
3. Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. – М.: МедиаСфера, 2002 – 312 с.
4. Насыбуллин А.В., Байбуров Р.Р. Использование статистических методов машинного обучения для оптимизации эксплуатации скважин // Нефтяная провинция. – 2021. – № 3 (27). – С. 84–94.
5. Lee J.W., Kim S.H. Using analytic network process and goal programming for interdependent information system project selection // Computers and Operations
Research. – 2000. – № 27. – Р. 367-382. - http://doi.org/10.1016/S0305-0548(99)00057-X
6. Wang J., Hwang W.-L. A fuzzy set approach for R&D portfolio selection using a real option valuation model // Omega. – 2005. – No 35. – Р. 247–257. - http://doi.org/10.1016/j.omega.2005.06.002
