Интеграция промысловых данных и применение методов машинного обучения для оценки состояния призабойной зоны карбонатных коллекторов
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 336, № 1.— 2025.— С. 50-60 |
|---|---|
| Glavni avtor: | |
| Drugi avtorji: | |
| Izvleček: | Актуальность разработки методики оперативной оценки фильтрационных свойств призабойной зоны пласта (проницаемость призабойной зоны пласта) обусловлена ростом доли трудноизвлекаемых запасов. Зачастую для эффективной разработки сложнопостроенных залежей применяют методы повышения нефтеотдачи и интенсификации добычи. В настоящее время целесообразность проведения геолого-технических мероприятий основывается на результатах интерпретации гидродинамических исследований скважин, позволяющих оценить состояние околоскважинной зоны. Недостатками данного метода исследований являются продолжительная остановка (как следствие, «недоборы» нефти) и повышенные риски необеспечения вывода скважин на режим. В связи с этим интеграция промысловых данных и применения машинного обучения для описания состояния призабойной зоны пласта могут оказать положительный эффект на своевременность проведения геолого-технических мероприятий и обеспечить максимизацию их эффективности в будущем. Цель: разработка методики прогнозирования проницаемости призабойной зоны пласта в условиях карбонатного коллектора с помощью подходов машинного обучения. Методы: статистические методы, решение задачи классификации с помощью методов машинного обучения. Результаты. Предложен подход для оперативной оценки проницаемости призабойной зоны пласта, основанный на статистическом анализе результатов интерпретации гидродинамических исследований (256 исследований) и эксплуатационных данных скважин нефтяного карбонатного объекта Пермского края. Для оценки проницаемости призабойной зоны пласта построена модель множественной линейной регрессии. С целью повышения статистических метрик регрессии проницаемости призабойной зоны пласта исследована зависимость данного параметра от удельного коэффициента продуктивности в условиях карбонатного коллектора и произведено деление на кластеры. Для определения параметров, оказывающих превалирующее влияние на прогнозируемую величину, использовалась библиотека SHAP. Для выполнения задачи классификации кластеров по исходным данным применена техника машинного обучения – метод опорных векторов. Дифференцированно построены модели регрессии для каждого кластера. Использование данного подхода позволило повысить коэффициент детерминации с 0,76 до 0,96 и уменьшить среднюю абсолютную ошибку прогнозирования проницаемости призабойной зоны пласта с 0,018 до 0,007 мкм2. Таким образом, авторами предложена методика прогнозирования проницаемости призабойной зоны пласта с помощью статистических методов на основе предварительной кластеризации исходных данных и их классификации подходами машинного обучения Relevance. Increase in the share of hard-to-recover reserves. Often, for the effective development of complex reservoirs, methods of enhanced oil recovery and production intensification are used. Currently, the feasibility of carrying out geological and technical measures is based on the results of interpretation of well tests, which allows assessing the condition of the near-wellbore zone. The disadvantages of this research method are a long shutdown (as a result, “shortfalls” of oil) and increased risks of failure to bring wells into operation. In this regard, the integration of field data and the use of machine learning to describe the state of the near-wellbore zone can have a positive effect on the timeliness of geological and technical activities and ensure maximization of their effectiveness in the future. Aim. To develop a methodology for increasing the accuracy of the near-wellbore zone permeability prediction of carbonate reservoirs based on the use of machine learning methods. Methods. Statistical methods, solving the classification problem using machine learning methods. Results. This paper proposes an approach for quickly assessing the permeability of the near-wellbore zone, based on a statistical analysis of the results of interpretation of hydrodynamic studies (256 studies) and operational data from wells of an oil carbonate reservoir in the Perm Krai. To assess near-wellbore zone permeability, a multiple linear regression model was built. In order to improve the statistical metrics of regression of the near-wellbore zone permeability, the dependence of this parameter on the specific productivity coefficient in the conditions of a carbonate reservoir was studied and divided into clusters. The SHAP library was used to identify significant parameters on the predicted value. To perform the task of classifying clusters based on source data, the authors have used a machine learning technique – support vector machine and constructed differentially the regression models for each cluster. Using of this approach made it possible to increase the coefficient of determination from 0.76 to 0.96 and reduce the average absolute error in predicting the near-wellbore zone permeability from 0.018 to 0.007 µm2. Thus, the authors proposed a methodology for predicting the near-wellbore zone permeability using statistical methods based on preliminary clustering of the initial data and their classification using machine learning approaches Текстовый файл |
| Jezik: | ruščina |
| Izdano: |
2025
|
| Teme: | |
| Online dostop: | https://earchive.tpu.ru/handle/11683/84340 https://doi.org/10.18799/24131830/2025/1/4581 |
| Format: | Elektronski Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=678545 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 678545 | ||
| 005 | 20250213122557.0 | ||
| 090 | |a 678545 | ||
| 100 | |a 20250210d2025 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Интеграция промысловых данных и применение методов машинного обучения для оценки состояния призабойной зоны карбонатных коллекторов |d Integration of field data and application of machine learning methods to assess the condition of the near-wellbore zone of carbonate reservoirs |z eng |f Андрей Витальевич Соромотин, Дмитрий Александрович Мартюшев | |
| 320 | |a Список литературы: с. 56-58 (32 назв.) | ||
| 330 | |a Актуальность разработки методики оперативной оценки фильтрационных свойств призабойной зоны пласта (проницаемость призабойной зоны пласта) обусловлена ростом доли трудноизвлекаемых запасов. Зачастую для эффективной разработки сложнопостроенных залежей применяют методы повышения нефтеотдачи и интенсификации добычи. В настоящее время целесообразность проведения геолого-технических мероприятий основывается на результатах интерпретации гидродинамических исследований скважин, позволяющих оценить состояние околоскважинной зоны. Недостатками данного метода исследований являются продолжительная остановка (как следствие, «недоборы» нефти) и повышенные риски необеспечения вывода скважин на режим. В связи с этим интеграция промысловых данных и применения машинного обучения для описания состояния призабойной зоны пласта могут оказать положительный эффект на своевременность проведения геолого-технических мероприятий и обеспечить максимизацию их эффективности в будущем. Цель: разработка методики прогнозирования проницаемости призабойной зоны пласта в условиях карбонатного коллектора с помощью подходов машинного обучения. Методы: статистические методы, решение задачи классификации с помощью методов машинного обучения. Результаты. Предложен подход для оперативной оценки проницаемости призабойной зоны пласта, основанный на статистическом анализе результатов интерпретации гидродинамических исследований (256 исследований) и эксплуатационных данных скважин нефтяного карбонатного объекта Пермского края. Для оценки проницаемости призабойной зоны пласта построена модель множественной линейной регрессии. С целью повышения статистических метрик регрессии проницаемости призабойной зоны пласта исследована зависимость данного параметра от удельного коэффициента продуктивности в условиях карбонатного коллектора и произведено деление на кластеры. Для определения параметров, оказывающих превалирующее влияние на прогнозируемую величину, использовалась библиотека SHAP. Для выполнения задачи классификации кластеров по исходным данным применена техника машинного обучения – метод опорных векторов. Дифференцированно построены модели регрессии для каждого кластера. Использование данного подхода позволило повысить коэффициент детерминации с 0,76 до 0,96 и уменьшить среднюю абсолютную ошибку прогнозирования проницаемости призабойной зоны пласта с 0,018 до 0,007 мкм2. Таким образом, авторами предложена методика прогнозирования проницаемости призабойной зоны пласта с помощью статистических методов на основе предварительной кластеризации исходных данных и их классификации подходами машинного обучения | ||
| 330 | |a Relevance. Increase in the share of hard-to-recover reserves. Often, for the effective development of complex reservoirs, methods of enhanced oil recovery and production intensification are used. Currently, the feasibility of carrying out geological and technical measures is based on the results of interpretation of well tests, which allows assessing the condition of the near-wellbore zone. The disadvantages of this research method are a long shutdown (as a result, “shortfalls” of oil) and increased risks of failure to bring wells into operation. In this regard, the integration of field data and the use of machine learning to describe the state of the near-wellbore zone can have a positive effect on the timeliness of geological and technical activities and ensure maximization of their effectiveness in the future. Aim. To develop a methodology for increasing the accuracy of the near-wellbore zone permeability prediction of carbonate reservoirs based on the use of machine learning methods. Methods. Statistical methods, solving the classification problem using machine learning methods. Results. This paper proposes an approach for quickly assessing the permeability of the near-wellbore zone, based on a statistical analysis of the results of interpretation of hydrodynamic studies (256 studies) and operational data from wells of an oil carbonate reservoir in the Perm Krai. To assess near-wellbore zone permeability, a multiple linear regression model was built. In order to improve the statistical metrics of regression of the near-wellbore zone permeability, the dependence of this parameter on the specific productivity coefficient in the conditions of a carbonate reservoir was studied and divided into clusters. The SHAP library was used to identify significant parameters on the predicted value. To perform the task of classifying clusters based on source data, the authors have used a machine learning technique – support vector machine and constructed differentially the regression models for each cluster. Using of this approach made it possible to increase the coefficient of determination from 0.76 to 0.96 and reduce the average absolute error in predicting the near-wellbore zone permeability from 0.018 to 0.007 µm2. Thus, the authors proposed a methodology for predicting the near-wellbore zone permeability using statistical methods based on preliminary clustering of the initial data and their classification using machine learning approaches | ||
| 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 |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 678525 |9 678525 |t Т. 336, № 1 |d 2025 |v С. 50-60 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a карбонатный коллектор | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a метод опорных векторов | |
| 610 | 1 | |a проницаемость | |
| 610 | 1 | |a призабойная зона | |
| 610 | 1 | |a carbonate reservoir | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a support vector machine | |
| 610 | 1 | |a permeability | |
| 610 | 1 | |a near-wellbore zone | |
| 700 | 1 | |a Соромотин |b А. В. |g Андрей Витальевич | |
| 701 | 1 | |a Мартюшев |b Д. А. |g Дмитрий Александрович | |
| 801 | 0 | |a RU |b 63413507 |c 20250210 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/84340 |z https://earchive.tpu.ru/handle/11683/84340 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2025/1/4581 |z https://doi.org/10.18799/24131830/2025/1/4581 | |
| 942 | |c CF | ||