Tashkent Section

Презентация профессора была посвящена анализу данных и технологии машинного обучения в анализе пластов. Профессор привел несколько примеров применения Big Data (Больших данных) в нашей повседневной жизни, а именно: персонализированный маркетинг, мониторинг дорожного движения, применение беспилотных автомобилей, распознавание текста и речи, перевод, а также при разработке месторождений.

Одним из источников больших массивов данных являются стационарные скважинные датчики (ССД). В мире установлено более 20 000 единиц, однако данные, получаемые с их помощью, обычно используются для мониторинга скважинного оборудования, а не для анализа пласта по причине их зашумленности, переменного характера работы скважины и значительного объема данных. Однако шум порой скрывает реальное поведение пласта и необходимо разрабатывать подходы для анализа данных ССД, а именно исследовать временные закономерности между забойным давлением и дебитом скважины.

При традиционной интерпретации ГДИС используется только часть данных, получаемых ССД (данные стабильной работы скважины и периода последующего восстановления давления). Однако ССД регистрируются данные значительно большей продолжительности, интерпретировав которые можно получить значения проницаемости, скин-фактора, коэффициента влияния ствола скважины и т.д. Был приведен пример записи ССД дебита скважины и забойного давления продолжительностью до 10 тыс. часов. Для традиционной интерпретации ГДИС пригодны только 100 часов записи сравнительно стабилизировавшегося периода добычи нефти и КВД. Однако с помощью модели машинного обучения можно использовать все 10 тыс. часов путем последовательного обучения на отрезке в 100 часов, получения зависимости забойного давления от дебита и времени, и использования полученных данных для уточнения параметров скважины и пласта. Кроме того, в дополнение к вышеуказанным, в основном, техническим сложностям, при традиционном подходе к интерпретации ГДИС имеется зависимость от выбора физической модели. Т.е. до начала интерпретации исследований инженеру необходимо заранее определить физическую модель, что увеличивает риск некорректного предположения модели, особенно учитывая, что данная модель должна описывать месяцы или годы работы скважины. При использовании данных ССД с помощью предлагаемого метода модель пласта определяется в процессе интерпретации, что устраняет данный риск.

Также профессор привел пример использования подхода ядра свертки для прогнозирования забойного давления на основе данных дебита во времени. Для этого была выполнена следующая последовательность действий:
1. обучение – добавление искусственного шума к данным дебита и давления, и использование шумных исторических данных дебита и давления для обучения алгоритма;

2. деконволюция – задание для алгоритма истории с постоянным дебитом и прогноз давления для проверки того, сможет ли алгоритм провести деконволюцию сигнала давления. Цель данной проверки заключается в имитации поддержания режима постоянного дебита на скважине при традиционном подходе к ГДИС. График производной может использоваться для определения модели;

3. проверка – задание истории с переменным дебитом для алгоритма и прогноз давления для проверки работоспособности алгоритма на новой истории дебита. Была продемонстрирована пригодность линейной регрессии в решении вышеуказанной задачи. Также был приведен пример кросс-валидации подхода, который заключался в том, что из истории скрывался отрезок с имеющимися данными по забойному давлению и на основе предшествовавшего ему периоду проводилось обучение, а затем прогноз давления. Достаточная сходимость расчетной и фактической кривых давления показывают применимость подхода.

Также был продемонстрирован сценарий, когда вместо данных по дебиту скважины, имеются данные по забойной температуре. Модель машинного обучения показала работоспособность и в данном случае, продемонстрировав достаточную сходимость между фактическими и прогнозными данными забойного давления.
Отдельное внимание в ходе лекции было уделено задаче восстановления недостающих полевых данных по дебиту на основе имеющихся данных по забойному давлению. Задача была успешно решена с применением технологии машинного обучения (подробнее можно ознакомиться в статье лектора SPE175059 – Machine Learning Applied to Multiwell Test Analysis and Flow Rate Reconstruction).
Еще одним направлением, где технология машинного обучения показала результат, было моделирование ствола скважины, а именно определение забойного давления на основе данных устьевого давления и дебита скважины. Данный подход так же был испытан на практике в задаче определения продуктивности скважины в следующей последовательности: обучение по данным забойного давления и дебита, моделирование виртуального закрытия скважины, прогнозирование забойного давления, расчет коэффициента продуктивности. Этот подход имеет особенную ценность, поскольку позволяет избежать остановки скважины для ГДИ.