Модель краткосрочного прогнозирования добычи при разработке пластов нижнемелового возраста на основе инструментов анализа временных рядов
В работе рассмотрены различные методы прогнозирования добычи нефти на короткие временные промежутки – до одного года. Особое внимание уделяется статистическому подходу к прогнозированию, основанному на исторических данных по добыче нефти и забойному давлению. Прогнозирование осуществляется как для всего месторождения, так и для отдельных групп скважин. Используется статистическая модель авторегрессии-скользящего среднего и алгоритм машинного обучения – “Random Forest”. Также, приводится сравнение традиционного аналитического метода прогнозирования и статического.
Введение ………………………………………………………………………………………………….. 17
1. Постановка задачи и инструменты прогнозирования …………………………….. 20
2. Краткая характеристика месторождения Х ……………………………………………. 24
3. Анализ данных по добыче месторождения Х ………………………………………… 27
4. Прогнозирование, основанное на инструментах анализа временных рядов с
использованием статистической модели …………………………………………………… 30
4.1 Теоретические основы моделей типа ARIMA …………………………… 30
4.2 Применение модели ARIMA для прогнозирования месячной
добычи месторождения Х ………………………………………………………………………… 35
5 Прогнозирование, основанное на анализе временных рядов с
использованием структурной модели ……………………………………………………….. 43
5.1 Теоретическая часть алгоритма «Случайный лес» ……………………. 43
5.2 Неопределенности в машинном обучении ………………………………… 46
5.3 Применение метода «Случайный лес» для прогноза добычи ……. 48
6. Теоретические основы метода кривых падения дебита …………………………. 60
6.1 Применение метода падения кривых дебита для прогнозирования
добычи нефти…………………………………………………………………………………………… 62
7.Сравнение методов прогнозирования …………………………………………………….. 69
8. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение .. 71
9. Социальная ответственность ………………………………………………………………… 74
Заключение ……………………………………………………………………………………………… 87
Список использованных источников ………………………………………………………… 89
Приложение А …………………………………………………………………………………………. 98
Прогнозирование является важной частью процесса принятия
решений. Данная работа посвящена прогнозированию добычи в
нефтегазовой промышленности, в ней рассматривается прогнозирование, как
для всего месторождения, так и для отдельных скважин. Благодаря
прогнозированию осуществляется планирование разработки месторождения,
контроль текущей добычи, устанавливаются графики проведения ремонтных
работ на скважинах, выполняется оценка остаточных запасов. Поскольку все
описанные выше процессы являются одними из ключевых в разработке
месторождений, вопрос верного прогнозирования является актуальным на
сегодняшний день. Более того, актуализация данной темы связана и с
развитием машинного обучения, которое активно внедряется на
производство.
В работе рассматривается построение модели, которая будет
производить прогнозирование добычи на короткие сроки (1 месяц, 3 месяца,
6 месяцев) с использованием инструментов анализа временных рядов.
Временным рядом называется последовательность измерений какого-либо
параметра, выполненных обычно через равные промежутки времени. В
обыденной жизни человек часто встречается с информацией, представленной
в виде временных рядов – ежедневный прогноз погоды; количество человек,
посетивших веб страницу; ежемесячные продажи какого-либо товара. В
нефтегазовой промышленности информация также часто представлена в виде
временных рядов – например, ежедневная добыча нефти и жидкости, закачка
жидкости, забойное давление. Традиционно, для нефтегазовой сферы
используются долгосрочные прогнозы, которые производятся на весь период
«жизни» месторождения с помощью построения сложных
гидродинамических моделей пласта и применения кривых падения давления
для поздних стадий разработки. Краткосрочные же прогнозы в основном
основаны на статистическом подходе к данным и построение моделей для
прогнозов такого рода заключается в нахождении зависимостей между
вводимыми параметрами, например, такими как параметры добычи, пласта и
различными технологическими параметрами. В своей работе [40] автор
Шахаб Мохаге, профессор в области разработки нефтяных и газовых
месторождений, рассматривает новый тип моделей прогнозирования для
нефтегазовой отрасли, основанных на определении зависимостей в данных.
Некоторые из них были успешно интегрированы в численные модели с
целью улучшить качество их работы и повысить производительность,
некоторые же использовались самостоятельно, только на основе актуальной
информации по добыче с месторождения. Оба типа моделей показали свою
надежность во многих реализациях и продолжают внедряться в производство
и дополняться. Автор и его коллеги считают, что статистический подход
имеет большой потенциал и в скором времени станет важным инструментом
в добыче нефти и газа. Большое количество работ написано на тему
использования нейронных сетей для задач прогнозирования добычи [36],
[25], [48].В работе [48] сравниваются результаты прогнозирования
рекурсивных нейронных сетей и кривых падения давления для нескольких
скважин месторождения Eagle Ford (западный Техас). Авторами была
создана модель прогнозирования, использующая нейронную сеть долгой
краткосрочной памяти (LSTM), в которой в качестве входных данных
использовались ежедневная добыча нефти, газа и воды, а также давление на
устье скважин в качестве операционной константы за последние два года
добычи. Результаты прогнозов показали очень хорошую сходимость с
действительными значениями и более того, превзошли по качеству прогнозы,
сделанные с помощью анализа кривых падения добычи. Помимо
использования нейронных сетей, для задач прогнозирования часто
используются статистические модели авторегрессии (модели Бокса —
Дженкинса [3]). Например, в работе [41] решается задача прогнозирования
накопленной добычи с помощью интегрированной модели авторегрессии —
скользящего среднего (ARIMA). Авторами подчеркивается, что данные
модели могут использоваться только со стационарными временными рядами
и приводят пример преобразования нестационарного ряда к стационарному.
Сначала, вся информация по добыче переводится в формат временных рядов,
затем производится их дифференцирование с целью сделать стационарными,
после чего ряды используются в качестве входных данных для модели
ARIMA. В работе результаты прогнозирования сравнивались с результатами,
полученными с помощью численных методов и кривых падения. Прогноз,
выполненный с использованием статистической модели, показал
наименьшую относительную ошибку, равную 4, 24 %.
Проблема исследования заключается в необходимости создания
моделей, способных производить качественное прогнозирование добычи на
короткие сроки, затрачивая на это меньше времени и мощности ЭВМ, в
сравнении с существующими методами. Например, численные модели
требуют большого количества времени на их создание, а также на
произведение расчетов, а традиционные методы анализа кривых падения
давления имеют ограничения в использовании и являются не достаточно
точными. Таким образом, объектом исследования в рамках данной работы
является прогнозирование добычи нефти и газа, а предметом –
использование статистических моделей на основе инструментов анализа
временных рядов. Целью работы является разработка моделей для
краткосрочного прогнозирования добычи нефти и газа на основе
инструментов анализа временных рядов. Для ее достижения необходимо
будет решить следующие задачи: проанализировать существующие модели,
основанные на использовании временных рядов; подготовить информацию,
выданную с месторождения и сформировать из нее датасет; выбрать тип
статистических моделей, подходящих для решения проблемы; произвести
краткосрочные прогнозы на месяц, три месяца и шесть месяцев; сравнить
полученные значения с действительными данными и прогнозом кривых
падения добычи.
1. Постановка задачи и инструменты прогнозирования
В ходе выполненной выпускной квалификационной работы были
реализованы методики прогнозирования добычи нефтяных и газовых
месторождений на короткие сроки – на временной период до одного года.
Сегодня на месторождениях существует потребность в данных методиках,
поскольку имеющиеся численные модели требуют большого количества
времени для предсказания значений дебитов.
В работе был произведен прогноз добычи всего месторождения Х с
помощью статистической интегрированной модели авторегрессии-
скользящего среднего (ARIMA) на три и шесть месяцев. Результаты
прогнозирования были оценены путем расчета средней абсолютной ошибки в
процентах (MAPE), которая составила 7% и 11% для трех и шести месяцев
соответственно. Однако, важно отметить, что статистические модели
требуют значительной подготовки данных, что включает в себя
статистический анализ и трудоемкий процесс подбора главных параметров
моделей p, d, q. Также, нужно обратить внимание на процесс валидации
моделей, в данной работе тип валидации «с расширяющимся окном» показал
хорошие результаты. Подводя итог, можно сказать, что статистические
модели являются мощным инструментом для задач прогнозирования,
основанных на анализе временных рядов. Также, одним из преимуществ
данных моделей является возможность использования нескольких
временных рядов в качестве входных параметров.
Во второй части работы были произведены прогнозы для отдельных
групп скважин с использованием алгоритма машинного обучения
«Случайный лес». Алгоритм показал надежные результаты, средняя
абсолютная ошибка в каждой группе не превысила значения 10 м3 для обоих
временных периодов (три и шесть месяцев). В данном методе производилась
трансформация временных рядов в признаки сдвига (lag features), что
позволило осуществлять валидацию типа «скользящее окно» автоматически.
Таким образом, в сравнении со статистической моделью ARIMA, времени на
подготовку данных потребовалось значительно меньше. Прогнозы для
различных групп скважин показали, что скважины группы b) являются
наиболее сложными для прогнозирования. Это может быть связано с
наличием трех трендов в их профилях добычи. Анализ скважин группы d)
показал, что период работы скважин, отсутствие колебаний в профиле
добычи и резкое падение добычи до нулевых значений способствуют
возникновению значительных ошибок при прогнозировании. Данные
параметры должны быть учтены, при анализе прогнозов.
Также, в работе были произведены прогнозы добычи месторождения
Х с помощью традиционного метода – анализа кривых падения добычи.
Важно учитывать, что данный метод имеет очень большой недостаток –
способность прогнозирования только последних стадий разработки
месторождений. При сравнении прогнозов данного метода с прогнозами,
сделанными с помощью статистической модели, было определено, что
прогноз статистической модели значительно ближе к действительным
данным. Можно сделать вывод, что аналитические модели могут быть
полезны на поздних стадиях разработки месторождений, в качестве
дополнительного метода прогнозирования к основным.
В планы по развитию и расширению данной темы входит исследовать
влияние на качество прогнозирования данных по нагнетательным скважинам,
учет в моделях некоторых геологических параметров и использование
нейросетевых алгоритмов.
1. Азбуханов А. Ф. и др. Среднесрочное прогнозирование добычи нефти по
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (18 отзывов)
4.8 (1033 отзыва)
5 (154 отзыва)
4.9 (35 отзывов)
4.4 (59 отзывов)
5 (428 отзывов)
4.8 (105 отзывов)
5 (158 отзывов)
4.9 (826 отзывов)
