Прогнозирование дебита горизонтальных скважин с применением модели машинного обучения; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 335, № 5
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering: сетевое издание/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 335, № 5.— 2024.— С. 118-130 |
|---|---|
| 主要作者: | |
| 其他作者: | |
| 总结: | Актуальность исследования связана с необходимостью точно и быстро прогнозировать дебиты горизонтальных скважин. Это позволит оптимизировать составление графиков бурения, программ увеличения нефтеотдачи, стратегии разработки месторождения, а также сделать экономическую модель более точной и предсказуемой. В настоящее время для прогнозирования дебитов скважин используются аналитические расчеты и численные методы моделирования. Данные методы имеют ограничения как по точности, так и по времени. Для решений данной задачи предлагается использовать машинное обучение, которое за счет своей точности, адаптивности и скорости позволяет исключить недостатки ранее перечисленных методов. Цель: создание модели машинного обучения для количественной оценки дебита газовых скважин на основе геологических свойств на различных временных шагах. Объект: фонд горизонтальных скважин газоконденсатного месторождения Западной Сибири. Методы: математическое моделирование, машинное обучение и статистические методы. Результаты. Проведено 300 итераций гидродинамического моделирования в симуляторе. Собран исходный набор данных со следующими параметрами: временной шаг, пористость, проницаемость, исходная водонасыщенность, толщина пласта, давление в зоне забоя на различных расстояниях от ствола скважины, дебит газа. Созданы модели машинного обучения на основе алгоритмов случайного леса и градиентного бустинга с различными соотношениями тестовой выборки к тренировочной. Модели машинного обучения позволяли точно прогнозировать дебит газа горизонтальной скважины. Градиентный бустинг показал лучшие результаты прогнозирования по сравнению со случайным лесом: квадрат средней квадратичной ошибки равен 8440 ст. м3/сут., средняя абсолютная процентная ошибка равна 3,95 %, коэффициент детерминации (R2)=0,991 Relevance. The need to accurately and quickly predict flow rates of horizontal wells. This allows optimizing drilling schedules, enhanced oil recovery programs, and field development strategy, as well as making the economic model more accurate and predictable. Currently, analytical calculations and numerical modeling methods are used to predict well production rates. These methods have limitations in both accuracy and time. To solve this problem, it is proposed to use machine learning, which due to its accuracy, adaptability, and speed, allows excluding the disadvantages of the above-mentioned methods. Aim. To create a machine-learning model to quantify gas well flow rates based on geological properties at different time steps. Object. Stock of horizontal wells in a gas condensate field in Western Siberia. Methods. Mathematical modelling, machine learning and statistical methods. Results. The authors have carried out 300 iterations of hydrodynamic modeling in a simulator. They collected an initial data set with the following parameters: time step, porosity, permeability, initial water saturation, reservoir thickness, bottom hole pressure at different distances from the wellbore, and gas flow rate. Machine learning models based on random forest and gradient boosting algorithms were created with different ratios of testing/training samples. The machine learning models were able to accurately predict the gas flow rate of a horizontal well. Gradient boosting showed better prediction results compared to random forest: root mean square error is equal to 8440 std. m3/day, mean absolute percentage error is equal to 3.95%, and coefficient of determination (R2)=0.991 Текстовый файл |
| 语言: | 俄语 |
| 出版: |
2024
|
| 主题: | |
| 在线阅读: | https://earchive.tpu.ru/handle/11683/82089 https://doi.org/10.18799/24131830/2024/5/4553 |
| 格式: | 电子 本书章节 |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=673016 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 673016 | ||
| 005 | 20250115171137.0 | ||
| 090 | |a 673016 | ||
| 100 | |a 20240610d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Прогнозирование дебита горизонтальных скважин с применением модели машинного обучения |d Horizontal well flow rate prediction applying machine-learning model |z eng |f Пискунов Сергей Александрович, Давуди Шадфар | |
| 320 | |a Список литературы: с. 127-128 (37 назв.) | ||
| 330 | |a Актуальность исследования связана с необходимостью точно и быстро прогнозировать дебиты горизонтальных скважин. Это позволит оптимизировать составление графиков бурения, программ увеличения нефтеотдачи, стратегии разработки месторождения, а также сделать экономическую модель более точной и предсказуемой. В настоящее время для прогнозирования дебитов скважин используются аналитические расчеты и численные методы моделирования. Данные методы имеют ограничения как по точности, так и по времени. Для решений данной задачи предлагается использовать машинное обучение, которое за счет своей точности, адаптивности и скорости позволяет исключить недостатки ранее перечисленных методов. Цель: создание модели машинного обучения для количественной оценки дебита газовых скважин на основе геологических свойств на различных временных шагах. Объект: фонд горизонтальных скважин газоконденсатного месторождения Западной Сибири. Методы: математическое моделирование, машинное обучение и статистические методы. Результаты. Проведено 300 итераций гидродинамического моделирования в симуляторе. Собран исходный набор данных со следующими параметрами: временной шаг, пористость, проницаемость, исходная водонасыщенность, толщина пласта, давление в зоне забоя на различных расстояниях от ствола скважины, дебит газа. Созданы модели машинного обучения на основе алгоритмов случайного леса и градиентного бустинга с различными соотношениями тестовой выборки к тренировочной. Модели машинного обучения позволяли точно прогнозировать дебит газа горизонтальной скважины. Градиентный бустинг показал лучшие результаты прогнозирования по сравнению со случайным лесом: квадрат средней квадратичной ошибки равен 8440 ст. м3/сут., средняя абсолютная процентная ошибка равна 3,95 %, коэффициент детерминации (R2)=0,991 | ||
| 330 | |a Relevance. The need to accurately and quickly predict flow rates of horizontal wells. This allows optimizing drilling schedules, enhanced oil recovery programs, and field development strategy, as well as making the economic model more accurate and predictable. Currently, analytical calculations and numerical modeling methods are used to predict well production rates. These methods have limitations in both accuracy and time. To solve this problem, it is proposed to use machine learning, which due to its accuracy, adaptability, and speed, allows excluding the disadvantages of the above-mentioned methods. Aim. To create a machine-learning model to quantify gas well flow rates based on geological properties at different time steps. Object. Stock of horizontal wells in a gas condensate field in Western Siberia. Methods. Mathematical modelling, machine learning and statistical methods. Results. The authors have carried out 300 iterations of hydrodynamic modeling in a simulator. They collected an initial data set with the following parameters: time step, porosity, permeability, initial water saturation, reservoir thickness, bottom hole pressure at different distances from the wellbore, and gas flow rate. Machine learning models based on random forest and gradient boosting algorithms were created with different ratios of testing/training samples. The machine learning models were able to accurately predict the gas flow rate of a horizontal well. Gradient boosting showed better prediction results compared to random forest: root mean square error is equal to 8440 std. m3/day, mean absolute percentage error is equal to 3.95%, and coefficient of determination (R2)=0.991 | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |o сетевое издание |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 672944 |9 672944 |t Т. 335, № 5 |d 2024 |v С. 118-130 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a градиентный бустинг | |
| 610 | 1 | |a случайный лес | |
| 610 | 1 | |a прогнозирования дебита горизонтальной скважины | |
| 610 | 1 | |a закон Дарси | |
| 610 | 1 | |a гидродинамическое моделирование пласта | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a gradient boosting | |
| 610 | 1 | |a random forest | |
| 610 | 1 | |a horizontal well flow rate prediction | |
| 610 | 1 | |a Darcy's law | |
| 610 | 1 | |a reservoir simulation | |
| 700 | 1 | |a Пискунов |b С. А. |c инженер лаборатории нефтегазового дела |g Сергей Александрович |9 88575 | |
| 701 | 1 | |a Давуди |b Ш. |c специалист в области нефтегазового дела |c инженер-исследователь Томского политехнического университета |f 1990- |g Шадфар |9 22199 | |
| 801 | 0 | |a RU |b 63413507 |c 20240611 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/82089 |z https://earchive.tpu.ru/handle/11683/82089 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2024/5/4553 |z https://doi.org/10.18799/24131830/2024/5/4553 | |
| 942 | |c CF | ||