Ученые из Пермского политехнического университета воспользовались методами машинного обучения для прогнозирования дебита горизонтальных скважин. Новый подход позволил повысить эффективность расчетов на 50–90 % в сравнении с оценкой на основе математических моделей. Результаты исследования опубликованы в журнале SOCAR Proceedings.

Горизонтальными считаются скважины, в которых бурение осуществляется с отклонением от вертикальной оси не менее чем на 80 градусов. Это позволяет повысить охват подземных залежей и тем самым уменьшить количество скважин на единицу добываемой нефти. Как и в случае с традиционными методами добычи, ключевым показателем эффективности горизонтального бурения является дебит скважины – количество добываемой нефти за определенный период времени. Прогнозирование этого показателя еще с 1950-х гг. осуществляется с помощью методов математического моделирования, которые во многом похожи на конструктор «Лего», где роль деталей играют данные о геолого-физических условиях эксплуатации скважины и математические формулы, на основе которых определяется дебит.

Однако в случае горизонтального бурения нефтяникам требуется делать множество допущений, нехарактерных для вертикальных скважин, в том числе неоднородность пласта и наличие флюидов (жидкостей, которая встречается в порах горной породы). Эти и некоторые другие факторы снижают точность прогнозирования дебита горизонтальных скважин. Решить эту проблему попытались ученые из Пермского политехнического университета, которые сформировали базу данных по 178 горизонтальным скважинам на 31 месторождении. База данных охватывала геолого-физические характеристики пластов, конструктивные особенности скважин (диаметр ствола, длина участка по стволу), а также ряд гидродинамических показателей.

Затем ученые провели регрессионный анализ собранных данных, установив связь между зависимой переменной (дебит скважин) и рядом независимых факторов, таких как диаметр ствола скважины, вязкость нефти, а также песчанистость и пористость нефтяного пласта. Результаты анализа «подгружались» в нейросеть, которая на основе выявленных закономерностей прогнозировала дебит горизонтальных скважин.

«В качестве модели использовалась полносвязная нейронная сеть прямого распространения. Преимуществом данного вида нейросети является ее универсальность и возможность адаптироваться к любым входным данным, выделяя при этом важные признаки и игнорируя незначительные. Разработанная модель доказала свою эффективность. Коэффициент детерминации составил более 0,8, что выше значения, полученного по аналитическим формулам на 50–90 %», — цитирует Пермский политех одного из авторов исследования, кандидата технических наук Дмитрия Мартюшева.

Предложенный учеными метод можно усовершенствовать за счет расширения базы данных, которые «подгружаются» в нейросеть. Более полная выборка позволит еще точнее прогнозировать дебит горизонтальных скважин.