Науки о Земле

Машинное обучение улучшит технологии гидроразрыва пласта на нефтяных скважинах

Схема исследования

Skoltech

Исследователи Сколтеха совместно с коллегами из компании «Газпром нефть» разработали модель, основанную на реальных полевых данных, с помощью которой можно предсказывать объем добычи нефти при закачивании горизонтальных скважин с использованием многостадийного гидравлического разрыва пласта (ГРП). Созданная модель имеет большие перспективы коммерческого применения и способна обеспечить значительное увеличение объемов добычи за счет использования оптимизированной технологии ГРП. Результаты исследования, проводившегося при поддержке Научно-технического центра «Газпром нефти» и «Газпромнефть-Хантос», опубликованы в Journal of Petroleum Science and Engineering.

Гидравлический разрыв пласта является одним из наиболее широко используемых методов интенсификации добычи на нефтяных и газовых скважинах. Суть метода заключается в том, что в пласт под высоким давлением закачивается жидкость с твердыми частицами, что приводит к образованию трещин и увеличению притока к скважине и тем самым позволяет увеличить охват области, из которой добываются углеводороды. В течение последних нескольких десятилетий техническая сложность работ по ГРП возросла настолько, что для ее реализации требуется масштабное проектирование и предварительное моделирование с использованием сложных многомодульных симуляторов.

«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.

Исследователи M-Phase Lab совместно с коллегами из Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных (CDISE) во главе с руководителем научной группы Advanced Data Analytics in Science and Engineering (ADASE group) профессором Евгением Бурнаевым изучили возможность решения этой задачи при помощи основанного на реальных данных подхода к проектированию ГРП с использованием технологий машинного обучения.

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.

«Нам удалось собрать и систематизировать огромную базу данных по выполненным проектам ГРП. Применяя методы машинного обучения к этой базе данных, мы уже можем достаточно точно с учетом параметров процесса предсказывать результаты ГРП. Но нам предстоит решить и еще одну непростую задачу – разработать рекомендации по выбору параметров процесса ГРП с учетом результатов моделирования», − отметил один из авторов работы профессор Бурнаев. Старший инженер и руководитель проекта M-Phase Lab, один из авторов статьи Альберт Вайнштейн отметил, что проект «с самого начала был очень амбициозным в силу высокой меры неопределенности в реальных данных и разноплановости источников данных».

«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.

Ученые уже подготовили и передали индустриальному партнеру свои рекомендации по пилотному проекту ГРП нефтяной скважины с использованием технологий машинного обучения. Они надеются, что в ходе предстоящих опытно-промышленных испытаний будут продемонстрированы потенциал и возможности их подхода к оптимизации ГРП.

«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 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».

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.