Тематический рубрикатор статей

Георесурсы T.26.№1.2024
Стр.
Скачать статью

Прогнозирование гидродинамических параметров состояния призабойной зоны скважин с помощью методов машинного обучения

А.В. Соромотин, Д.А. Мартюшев, А.А. Мелехин

Оригинальная статья

DOI https://doi.org/10.18599/grs.2024.1.9

109-117
rus.

open access

Under a Creative Commons license

Актуальность разработки методики оперативной оценки призабойной зоны пласта (проницаемости призабойной зоны пласта и скин-фактора) обусловлена в первую очередь экономическими причинами, поскольку существующие подходы к ее определению, основанные на проведении гидродинамических исследований, ведут к недоборам нефти и повышению рисков необеспечения вывода скважины на режим. Современные методы работы с большими данными, например глубокое обучение искусственных нейронных сетей, позволяют осуществлять  контроль за состоянием призабойной зоны пласта (ПЗП) скважин без их остановки на гидродинамические исследования, что сократит убытки у предприятий, осуществляющих добычу нефти, с одной стороны, и позволит проводить оперативный анализ для эффективного и своевременного применения технологий интенсификации, повышения нефтеотдачи пласта, с другой. В работе проанализированы существующие методы по определению призабойных характеристик пласта и подходов машинного обучения. Предложена методика для оперативной оценки состояния призабойной зоны пласта: проницаемости ПЗП и скин-фактора – с помощью обучения искусственных нейронных сетей на геологических и эксплуатационных данных и результатах интерпретации гидродинамических исследований на примере терригенных объектов нефтяных месторождений. Представлены результаты тестирования различных архитектур нейронных сетей для прогнозирования проницаемости ПЗП: количества слоев и нейронов в них с выбором наилучшей. Использованы технические приемы для предотвращения переобучения моделей. Предложена авторская методика по оценке скин-фактора скважин с помощью комплексного анализа построенных статистических моделей и моделей обучения искусственных нейронных сетей для решения задачи регрессии.

 

терригенный коллектор, призабойная зона пласта, проницаемость, скин-фактор, машинное обучение, нейронная сеть

  • Abdulaziz A.M., Ali M.K., Hafad O.F. (2022). Influences of Well Test Techniques and Uncertainty in Petrophysics on Well Test Results. Energies, 15(19), 7414. https://doi.org/10.3390/en15197414
  • Abobaker E., Elsanoose A., Khan F., Rahman M.A., Aborig A., Noah K. (2021). A New Evaluation of Skin Factor in Inclined Wells with Anisotropic Permeability. Energies, 14(17), 5585. https://doi.org/10.3390/en14175585
  • Alghazal M., Alshakhs M., Bouaouaja M. (2020). Technology integration to assessend-point oil saturation of the relative permeability curves. International Petroleum Technology Conference. Dhahran, Kingdom of Saudi Arabia. https://doi.org/10.2523/iptc-19614-ms
  • Alobaidi D.A. (2016). Permeability prediction in one of iraqi carbonate reservoir using hydraulic flow units and neural networks. Iraqi Journal of Chemical and Petroleum Engineering, 17(1), pp. 1–11. https://doi.org/10.31699/IJCPE.2016.1.1
  • Al-Obaidi S.H. (2016). Improve The Efficiency Of The Study Of Complex Reservoirs And Hydrocarbon Deposits-East Baghdad Field. International Journal of Scientific & Technology Research, 5(8), pp. 129–131.
  • Al-Obaidi S.H., Khalaf F.H. (2018). The Effects Of Hydro Confining Pressure On The Flow Properties Of Sandstone And Carbonate Rocks. Journal of Geology & Geophysics, 7(2), 327. https://doi.org/10.4172/2381-8719.1000327
  • Aygun A., Maulik R., Karakus A. (2023). Physics-informed neural networks for mesh deformation with exact boundary enforcement. Engineering Applications of Artificial Intelligence, 125, 106660. https://doi.org/10.1016/j.engappai.2023.106660
  • Bahaloo S., Mehrizadeh M., Najafi-Marghmaleki A. (2023). Review of application of artificial intelligence techniques in petroleum operations. Petroleum Research, 8(2), pp. 167–182. https://doi.org/10.1016/j.ptlrs.2022.07.002
  • Bennis M., Torres-Verdín C. (2019). Estimation of Dynamic Petrophysical Properties from Multiple Well Logs Using Machine Learning and Unsupervised Rock Classification. SPWLA 60th Annual Logging Symposium. The Woodlands, Texas, USA, SPWLA-2019-KKKK. https://doi.org/10.30632/T60ALS-2019_KKKK
  • Bennis M., Torres-Verdín C. (2023). Automatic Multiwell Assessment of Flow-Related Petrophysical Properties of Tight Gas Sandstones Based on The Physics of Mud-Filtrate Invasion. SPE Reservoir Evaluation and Engineering, 26(3), pp. 543–564. https://doi.org/10.2118/214668-PA
  • Bist N., Nair A., Yadav K., Sircar A. (2023). Diverting agents in the oil and gas industry: A comprehensive analysis of their origins, types, and applications. Petroleum Research. https://doi.org/10.1016/j.ptlrs.2023.09.004
  • Dong S.-Q., Zhong Z.-H., Cui X.-H., Zeng L.-B., Yang X., Liu J.-J., Sun Y.-M., Hao J.-R. (2023). A deep kernel method for lithofacies identification using conventional well log. Petroleum Science, 20(3), pp. 1411–1428. https://doi.org/10.1016/j.petsci.2022.11.027
  • Dong W., Wang X., Wang J. (2018). A new skin factor model for partially penetrated directionally-drilled wells in anisotropic reservoirs. Journal of Petroleum Science and Engineering, 161, pp. 334–348. https://doi.org/10.1016/j.petrol.2017.11.062
  • Dvoynikov M.V., Minaev Ya.D., Minibaev V.V., Kambulov E.Yu., Lamosov M.E. (2024). Technology for killing gas wells at managed pressure. Bulletin of the Tomsk Polytechnic University.  Geo Assets Engineering, 335(1), pp. 7–18. https://doi.org/10.18799/24131830/2024/1/4315
  • Eriavbe F.E., Okene U.O. (2019). Machine Learning Application to Permeability Prediction Using Log & Core Measurements: A Realistic Workflow Application for Reservoir Characterization. SPE Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, SPE-198874-MS. https://doi.org/10.2118/198874-MS
  • Galkin V.I., Martyushev D.A., Ponomareva I.N., Chernykh I.A. (2021). Developing features of the near-bottomhole zones in productive formations at fields with high gas saturation of formation oil. Journal of Mining Institute, 249, pp. 386–392. https://doi.org/10.31897/PMI.2021.3.7
  • Gomaa S., Emara R., Mahmoud O., El-hoshoudy A.N. (2022). New correlations to calculate vertical sweep efficiency in oil reservoirs using nonlinear multiple regression and artificial neural network. Journal of King Saud University – Engineering Sciences, 34(7), 368–375. https://doi.org/10.1016/j.jksues.2021.07.010
  • Gouda A., Attia A.M. (2022). Development of a new approach using an artificial neural network for estimating oil formation volume factor at bubble point pressure of Egyptian crude oil. Journal of King Saud University – Engineering Sciences, 36(1), pp. 72–80. https://doi.org/10.1016/j.jksues.2022.08.001
  • Hameed M.R.A., Hamd-Allah S.M. (2023). Studying the Effect of Permeability Prediction on Reservoir History Matching by Using Artificial Intelligence and Flow Zone Indicator Methods. Iraqi Geological Journal, 56(1E), pp. 9–21. https://doi.org/10.46717/igj.56.1E.2ms-2023-5-12
  • He Y., Liu Y., Cai H. (2022). Fine characterisation of remaining oil using timevarying numerical simulation: Experimental study. Characterisation in Model, and Application in QHD Oilfield. Offshore Technology Conference Asia. Virtual and Kuala Lumpur, Malaysia, OTC-31410-MS. https://doi.org/10.4043/31410-ms
  • Kantaatmadja B.P., Jiang L., Ralphie B. (2019). Hydrocarbon identification and evaluation in a bioturbated reservoir with new-generation pulsed neutron technology. SPE/IATMI Asia Pacific Oil & Gas Conference and Exhibition. Bali, Indonesia, SPE-196364-MS. https://doi.org/10.2118/196364-ms
  • Khairullin M.K., Shamsiev, M.N., Gadilshina, B.R., Morozov, P. E., Abdullin, A. I., Badertdinova, E.R. (2016). Determination of the Parameters of the Hole Bottom Zone of a Vertical Well from the Results of Thermodynamic Investigations. Journal of Engineering Physics and Thermophysics, 89(6), pp. 1449–1453. https://doi.org/10.1007/s10891-016-1512-7
  • Kubota L., Gioria R.S. (2022). Data-driven technique estimates skin factor and average pressure during oil-flowing periods. Journal of Petroleum Science and Engineering, 219, 111061. https://doi.org/10.1016/j.petrol.2022.111061
  • Li D., Zhou X., Xu Y., Wan Y., Zha W. (2023). Deep learning-based analysis of the main controlling factors of different gas-fields recovery rate. Energy, 285, 128767. https://doi.org/10.1016/j.energy.2023.128767
  • Liu S., Fan M., Lu D. (2023). Uncertainty quantification of the convolutional neural networks on permeability estimation from micro-CT scanned sandstone and carbonate rock image. Geoenergy Science and Engineering, 230, 212160. https://doi.org/10.1016/j.geoen.2023.212160
  • Liu X., Li D., Yang J., Zha W., Zhou Z., Gao L., Han J. (2020). Automatic well test interpretation based on convolutional neural network for infinite reservoir. Journal of Petroleum Science and Engineering, 195, 107618. https://doi.org/10.1016/j.petrol.2020.107618
  • Mahmoudi M., Fattahpour V., Nouri A., Yao T., Baudet B.A., Leitch M., Fermaniuk B. (2016). New Criteria for Slotted Liner Design for Heavy Oil Thermal Production. SPE Thermal Well Integrity and Design Symposium, Banff, Alberta, Canada, SPE-182511-MS. https://doi.org/10.2118/182511-MS
  • Matinkia M., Hashami R., Mehrad M., Hajsaeedi M. R., Velayati A. (2023). Prediction of permeability from well logs using a new hybrid machine learning algorithm. Petroleum, 9(1), pp. 108–123. https://doi.org/10.1016/j.petlm.2022.03.003
  • Negara A., Jin G., Agrawal G. (2016). Enhancing Rock Property Prediction from Conventional Well Logs Using Machine Learning Technique-Case Studies of Conventional and Unconventional Reservoirs. The Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, SPE-183106-MS. https://doi.org/10.2118/183106-MS
  • Pei X., Liu Y., Lin Z., Fan P., Mi L., Xue L. (2024). Anisotropic dynamic permeability model for porous media. Petroleum Exploration and Development, 51(1), pp. 193-202. https://doi.org/10.1016/S1876-3804(24)60016-9
  • Ponomareva I.N., Martyushev D.A., Govindarajan S.K. (2022). A new approach to predict the formation pressure using multiple regression analysis: Case study from Sukharev oil field reservoir – Russia. Journal of King University – Engineering Sciences. https://doi.org/10.1016/j.jksues.2022.03.005
  • Rashid M., Luo M., Ashraf U., Hussain W., Ali N., Rahman N., Hussain S., Martyushev D.A., Vo Thanh H., Anees A. (2023). Reservoir Quality Prediction of Gas-Bearing Carbonate Sediments in the Qadirpur Field: Insights from Advanced Machine Learning Approaches of SOM and Cluster Analysis. Minerals, 13(1), 29. https://doi.org/10.3390/min13010029
  • Singh M., Makarychev G., Mustapha H., Voleti D., Akkurt R., Daghar Kh.A., Mawlod A.A., Marzouqi Kh.A., Shehab S., Maarouf A., Jundi O.E., Razouki A. (2020). Machine Learning Assisted Petrophysical Logs Quality Control, Editing and Reconstruction. The Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, SPE-202977-MS. https://doi.org/10.2118/202977-MS
  • Sivagnanam M., Wang J., Gates I.D. (2017). On the fluid mechanics of slotted liners in horizontal wells. Chemical Engineering Science, 164, pp. 23–33. https://doi.org/10.1016/j.ces.2017.01.070
  • Wang C.-C., Yang Y.-F., Han D.-L., Su M.-M., Hu R.-R. (2023). Influence of matrix physical properties on flow characteristics in dual network model. Petroleum Science, 20(4), pp. 2244–2252. https://doi.org/10.1016/j.petsci.2023.06.006
  • Wang S., Xiang J., Wang X., Feng Q., Yang Y., Cao X., Hou L. (2024). A deep learning based surrogate model for reservoir dynamic performance prediction. Geoenergy Science and Engineering, 233, 212516. https://doi.org/10.1016/j.geoen.2023.212516
  • Xie J. (2015). Slotted Liner Design Optimization for Sand Control in SAGD Wells. SPE Thermal Well Integrity and Design Symposium, Alberta, Canada, SPE-178457-MS. https://doi.org/10.2118/178457-MS
  • Yang Y., Horne R.N., Cai J., Yao J. (2023). Recent advances on fluid flow in porous media using digital core analysis technology. Advances in Geo-Energy Research, 9(2), pp. 71–75. https://doi.org/10.46690/ager.2023.08.01
  • Zakharov L.А., Martyushev D.А., Ponomareva I.N. (2022). Predicting dynamic formation pressure using artificial intelligence methods. Journal of Mining Institute, 253, pp. 23–32. https://doi.org/10.31897/PMI.2022.11
  • Zhou X., Wei J., Zhao J., Zhang X., Fu X., Sultanov Sh., Gayubov A., Chen Y., Wang J. (2024). Study on pore structure and permeability sensitivity of tight oil reservoir. Energy, 288, 129632. https://doi.org/10.1016/j.energy.2023.129632
  •  

Андрей Витальевич Соромотин – инженер 2-й категории отдела проектирования и мониторинга разработки Северной группы месторождений, филиал ООО «ЛУКОЙЛ-Инжиниринг» «ПермНИПИнефть» в г. Перми
Россия, 614015, Пермь, ул. Пермская, д. 3а
e-mail: s@soromotinav.ru

Дмитрий Александрович Мартюшев – доктор тех. наук, доцент, доцент кафедры Нефтегазовые технологии, Пермский национальный исследовательский политехнический университет
Россия, 614990, Пермь, пр-т Комсомольский, д. 29
e-mail: martyushevd@inbox.ru

Александр Александрович Мелехин – канд. тех. наук, доцент кафедры Нефтегазовые технологии, Пермский национальный исследовательский политехнический университет
Россия, 614990, Пермь, пр-т Комсомольский, д. 29
e-mail: melehin.sasha@mail.ru

 

Для цитирования:

Соромотин А.В., Мартюшев Д.А., Мелехин А.А. (2024). Прогнозирование гидродинамических параметров состояния призабойной зоны скважин с помощью методов машинного обучения. Георесурсы, 26(1), c. 109–117. https://doi.org/10.18599/grs.2024.1.9

For citation:

Soromotin A.V., Martyushev D.A., Melekhin A.A. (2024). Prediction of Hydrodynamic Parameters of the State of the Bottomhole Zone of Wells Using Machine Learning Methods. Georesursy = Georesources, 26(1), pp. 109–117. https://doi.org/10.18599/grs.2024.1.9

 

© 2024 Коллектив авторов