Применение машинного обучения для оценки оптимальных условий заканчивания с МГРП с учетом геолого-технических и экономических аспектов разработки низкопроницаемых пластов месторождений ЯНАО

Бурение горизонтальных скважин начато довольно давно, когда
разработчики месторождений стремились увеличивать объемы добываемой
нефти. Такой тип скважин имеет большую, по сравнению с вертикальными
скважинами, площадь контакта с нефтегазовым пластом, а также большую
зону охвата дренированием. Однако, в низкопроницаемых пластах даже
такой способ разбуривания пласта может не дать желаемого результата.
Один из методов интенсифицировать приток нефти в скважину –
создание сети высокопроницаемых каналов (трещин), тем самым увеличить
площадь соприкосновения пласта и забоя скважины еще больше. Данный
метод особенно хорошо зарекомендовал себя именно в низкопроницаемых
коллекторах. Таким образом, на подобных месторождениях проведение
гидроразрыва пласта весьма распространено.
Создание одной единственной трещины гидроразрыва на стволе
горизонтальной скважины недостаточно, чтобы значительно увеличить
приток нефти в условиях низкопроницаемого коллектора, поэтому в таких
случаях проводят многостадийный гидравлический разрыв пласта (ГРП),
создавая сеть трещин через несколько портов в хвостовике обсадной
колонны. После создания трещины необходимо удержание её в разомкнутом
состоянии, чтобы через неё было возможно осуществление добычи нефти.
Для этого на каждой стадии многостадийного ГРП в трещину закачивают
проппант, призванных нести нагрузку со стороны стенок трещины, которая
стремится сомкнуть её.
Проведение многостадийного ГРП (МГРП) не всегда экономически
эффективно. При его дизайне необходимо учесть большое количество
факторов, которые связаны с довольно сложными расчетами, а сами
операции по проведению гидроразрыва зачастую весьма затратны.
Соответственно, подобрать оптимальные параметры заканчивания скважины
с МГРП сложно, учитывая то, что в процессе их подбора существует
необходимость интегрировать расчёты во множестве программных
продуктов.
Объектом исследования являются сложнопостроенные
низкопроницаемые пласты месторождений Ямало-Ненецкого автономного
округа (ЯНАО), где для интенсификации притока пластовой жидкости
используется гидравлический разрыв пласта.
В данной работе осуществляется попытка провести подбор
оптимальных параметров трещин в многостадийном ГРП с помощью
алгоритмов машинного обучения и оптимизации на базе языка
программирования Python. Как результат, для заданных параметров пласта и
скважины будут получены оптимальные параметры трещины,
производительность скважины и экономический эффект от проведения ГРП
по полученному дизайну.
Цели и задачи
Основная цель проекта: создать инструмент на основе алгоритма
машинного обучения, который позволял бы получить оптимальные
параметры заканчивания горизонтальной скважины с многостадийным
гидроразрывом пласта, опираясь при этом на экономические показатели от
внедрения такого дизайна.
Для достижения поставленной цели были выделены и поставлены
следующие задачи:
1) выяснение, какие параметры оказывают влияние на параметры
трещины при гидроразрыве пласта;
2) сбор необходимых данных для создания модели машинного
обучения, анализ структуры и подготовка информации для загрузки в
модель;
3) создание моделей машинного обучения для определения целевых
параметров, настройка и выбор модели с наилучшей производительностью;
4) внедрение экономического расчета и схемы оптимизации в модель
для получения оптимальных параметров трещин ГРП.
Актуальность исследования
В настоящий момент расчёт параметров ГРП в компаниях проводится
на довольно сложных симуляторах, которые основаны на аналитических
зависимостях ранее выведенных исследователями. Используемые сейчас
решения не всегда ведут к оптимальному выбору заканчивания скважины.
Кроме того, интеграция таких симуляторов с другими программными
продуктами несколько осложнена, особенно если они созданы разными
компаниями.
Предложенный метод поиска оптимальных параметров
многостадийного ГРП может помочь ускорить принятие решений
инженером, проектирующим заканчивание скважины, так как алгоритм
машинного обучения способен объединять входные параметры в сложные
зависимости без использования существующих на данный момент
аналитических способов решения. Такие зависимости в модели машинного
обучения дают возможность получать искомые параметры, «предсказывая»
их на основе входных параметров.