Машинное обучение улучшит технологии гидроразрыва пласта на нефтяных скважинах
20 июля 2020 г.
Исследователи Сколтеха совместно с их коллегами из компании «Газпром нефть» разработали модель, основанную на реальных полевых данных, с помощью которой можно предсказывать объем добычи нефти при заканчивании горизонтальных скважин с использованием многостадийного гидравлического разрыва пласта (ГРП). Результаты исследования опубликованы в Journal of Petroleum Science and Engineering.
Созданная модель имеет большие перспективы коммерческого применения и способна обеспечить значительное увеличение объемов добычи за счет использования оптимизированной технологии ГРП.
«При этом одной из серьезных проблем при калибровке, верификации и валидации моделей на реальных данных по-прежнему остается обеспечение соответствия между результатами работы симуляторов и реальными промысловыми данными. Кроме того, для объединения данных симулятора ГРП и реальных промысловых данных необходимо увязать модель проекта ГРП с симулятором добычи, что еще больше усложняет задачу и увеличивает неопределенность. Мы решили пойти по другому пути и напрямую проанализировать промысловые данные по ГРП совместно с данными по добыче нефти, которые служат показателем успеха при применении технологии ГРП», − рассказал инициатор данного проекта, руководитель Лаборатории по моделированию многофазных систем (M-Phase Lab) Центра добычи углеводородов Сколтеха (CHR) профессор Андрей Осипцов.
Ключевым элементом этого проекта, стартовавшего в 2018 году, является цифровая база данных о ГРП и объемах добычи нефти, где собрана информация приблизительно по 6 тыс. скважинам и 20 месторождениям Западной Сибири в периметре компании «Газпром нефть». Каждая точка базы данных содержит 92 переменных по пласту, скважине и проектным параметрам ГРП, а также 16 параметров по добыче нефти.
«Я думаю, что разработка цифровой базы данных позволит нам проверить различные гипотезы, что, в свою очередь, поможет выявить многие скрытые закономерности процессов ГРП. В частности, важно установить, при каком объеме закачиваемого проппанта прекращается рост общего объема добычи. В зависимости от конкретных условий может закачиваться различное количество проппанта, но общий подход состоит в том, чтобы на каждой стадии ГРП вводить в пласт 60 тонн проппанта. Используя модель машинного обучения и статистические данные, можно подтвердить, либо опровергнуть эту гипотезу», − сказал аспирант Сколтеха, стажер-исследователь M-Phase Lab Антон Морозов.
«Необходимо активно использовать промысловые данные, но делать это нужно осторожно, поскольку это очень чувствительная информация, которая требует использования специальных процедур хранения и обработки. Эту работу мы вряд ли смогли бы выполнить без всесторонней поддержки нашего технологического партнера − Научно-Технического Центра «Газпром нефть», а также крупнейшей производственной структуры оператора − «Газпромнефть-Хантос», которая в данном проекте является нашим конечным заказчиком», − сказал Осипцов.
«Наш подход, основанный на данных, открывает возможности для создания рекомендательной системы, которая будет выдавать инженерам DESC рекомендации по оптимальному набору параметров ГРП или, по крайней мере, информацию о более узких диапазонах для поиска нужного набора проектных параметров», − отметил в заключение Осипцов.
Представитель индустриального партнера Григорий Падерин, руководитель направления и руководитель проекта «Кибер ГРП (Оптимальная модель ГРП)» Научно-Технического Центра «Газпром нефти», отметил: «Данный проект является не только уникальным научным вызовом, направленным на оптимизацию операций ГРП, но также он очень важен для цифровизации процессов компании в целом. Он позволяет по-новому взглянуть на ценность наших данных, пересмотреть отношение к способам их сбора, хранения и обработки»/