Выделение продуктивных интервалов и прогноз промышленных характеристик в скважинах с применением алгоритмов машинного обучения на примере Шингинского нефтяного месторождения

Разработка методики выделения продуктивных интервалов в скважинах на основе каротажных данных с помощью алгоритмов кластеризации и их увязка с промышленными характеристиками скважин с целью прогноза последних на проектных скважинах.

ВВЕДЕНИЕ …………………………………………………………………………………………………………………….. 13

1 СВЕДЕНИЯ О МЕСТОРОЖДЕНИИ …………………………………………………………………………. 15

1.1 Общие сведения …………………………………………………………………………………………………. 15

1.2 Геолого-физическая изученность ………………………………………………………………………… 18

1.3 Тектоническое строение территории …………………………………………………………………… 19

1.4 Стратиграфия месторождения …………………………………………………………………………….. 21

1.5 Нефтегазоносность …………………………………………………………………………………………….. 26

2 ЛИТЕРАТУРНЫЙ ОБЗОР ………………………………………………………………………………………… 29

3 ОБЪЕКТ ИССЛЕДОВАНИЯ, ИСХОДНЫЕ ДАННЫЕ И СПОСОБ РЕАЛИЗАЦИИ …… 39

3.1 Объект исследования ………………………………………………………………………………………….. 39

3.2 Исходные данные……………………………………………………………………………………………….. 40

3.3 Способ реализации …………………………………………………………………………………………….. 40

4 РАЗРАБОТКА МЕТОДИКИ ……………………………………………………………………………………… 42

4.1 Выбор скважин для оценки алгоритмов кластеризации ……………………………………….. 42

4.2 Выбор алгоритмов кластеризации ………………………………………………………………………. 44

4.3 Подготовка данных …………………………………………………………………………………………….. 54

4.4 Разработка метрики оценка качества кластеризации ……………………………………………. 57

4.5 Машинное обучение с учителем для прогноза запускных дебитов ………………………. 70

4.6 Метод кривых темпов падения добычи ……………………………………………………………….. 78

4.7 Выбор скважин для уплотняющего бурения ……………………………………………………….. 81

4.8 Стандартный подход составления рейтинга бурения …………………………………………… 83

5 РЕЗУЛЬТАТЫ РАЗРАБОТКИ …………………………………………………………………………………… 85

6 ФИНАНСОВЫЙ МЕНЕДЖМЕНТ…………………………………………………………………………….. 86

6.1 Перспективность методики…………………………………………………………………………………. 86

6.2 Реализация технической задачи ………………………………………………………………………….. 87

6.3 Технико-экономическое обоснование применимости методики …………………………… 87

7 СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ …………………………………………………………………….. 95
7.1 Аварийные ситуации в процессе бурения и добычи …………………………………………….. 98

7.2 Охрана окружающей среды ………………………………………………………………………………… 99

7.3 Ликвидация скважин ……………………………………………………………………………………….. 100

7.4 Безопасность и здоровье персонала …………………………………………………………………… 101

ЗАКЛЮЧЕНИЕ……………………………………………………………………………………………………………… 102

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ ………………………………………………………………… 104

Приложение А ……………………………………………………………………………………………………………….. 106

Приложение Б ………………………………………………………………………………………………………………. 107

Приложение В ……………………………………………………………………………………………………………….. 108

В данной работе была разработана методика, позволяющая выделять
продуктивные интервалы с помощью алгоритмов машинного обучения без
учителя, а затем применять полученные при кластерном анализе результаты для
прогноза промышленных характеристик скважин с помощью регрессионного
анализа.
В работе были решены следующие задачи:
1. Проведен анализ геологического строения выбранного
месторождения, исходных данных в виде ГИС и РИГИС, а также данных о
добычи скважин;
2. Был разработан подход для обработки исходных необходимых для
работы данных, а также проведена ее автоматизация с помощью языка
программирования Python, составлена программа, автоматизирующая процесс;
3. Был разработан алгоритм для работы с машинным обучением без
учителя в области нефтяной индустрии, была разработана универсальная
метрика, позволяющая оценить качество кластеризации любого алгоритма,
особенно хорошо показавшая себя в геологической задаче, проведен процесс
кластеризации и обоснован выбор оптимального алгоритма для кластерного
анализа с помощью разработанной метрики;
4. Был составлен план обработки результатов кластеризации, в
результате которой формируются данные, используемые в дальнейшем
регрессионном анализе;
5. Описан процесс выбора регрессионной модели для конкретной
геологической задачи для прогноза запускных дебитов нефти и жидкости на
скважинах;
6. Обоснована возможность улучшения системы разработки путем
бурения уплотняющих скважин, спроектированы уплотняющие скважины на
месторождении, получены типы и мощности кластеров в проектных скважинах
с применением методов интерполяции;
7. Получены запускные дебиты на проектных скважинах с помощью
регрессионной модели;
8. Проведен анализ кривых темпов падения нефти и жидкости,
получены усредненные кривые падения добычи нефти и жидкости для
гиперболической модели Арпса;
9. Проведена оценка методики при составлении рейтинга бурения
проектных скважин путем сравнения ее со стандартным подходом;
10. Получена экономическая оценка методики;
11. Проведен анализ возможных негативных последствий на
окружающую среду, которые могут проявиться в процессе бурения
уплотняющих скважин, и описаны способы их минимизации, также были
спланированы мероприятия по обеспечению безопасности рабочих на
территории месторождения.

1.Федеральный закон от 10 января 2002 г. №7-ФЗ «Об охране
окружающей среды» // Собрание законодательства Российской Федерации – 14
января 2002 г. – №2 – Ст. 133.
2.Налоговый кодекс Российской Федерации. [Электронный ресурс]:
от 13.07.2015 № 214- ФЗ, №232-ФЗ (ред. от 10.10.2016) // Консультант Плюс. –
Режим доступа: http://www.consultant.ru/
3.Приказ от 12 марта 2013 года N101 «Об утверждении Федеральных
норм и правил в области промышленной безопасности “Правила безопасности в
нефтяной и газовой промышленности” (с изменениями на 12 января 2015 года)
(редакция, действующая с 1 января 2017 года)»// Федеральная служба по
экологическому, технологическому и атомному надзору
4.Приказ Министерства труда и социальной защиты РФ от 10 марта
2015 г. N 153н “Об утверждении профессионального стандарта “Бурильщик
капитального ремонта скважин” // Собрание законодательства Российской
Федерации – 2013, N 4, ст. 293; 2014, N 39, ст. 5266
5.Приказ от 9 декабря 2014 г. N 997н «Об утверждении типовых норм
бесплатной выдачи специальной одежды, специальной обуви и других средств
индивидуальной защиты работникам сквозных профессий и должностей всех
видов экономической деятельности, занятым на работах с вредными и (или)
опасными условиями труда, а также на работах, выполняемых в особых
температурных условиях или связанных с загрязнением» // Министерство труда
и социальной защиты российской федерации
6.Доусон, М. Программируем на python – Санкт-Петербург: Питер,
2018. – 416 с.
7.Кныш, С.К. Основы структурной, исторической и региональной
геологии / С.К. Кныш, Н.В. Гумеров, А.К. Полиенко. – Томск: Изд-во ТПУ,
2009. – 375 с.
8.Рашка, С. Python и машинное обучение / перевод с английского
А.В. Логунова. – Москва: ДМК Пресс, 2017. – 418 с.
9.Чернова, О.С. Нефтегазоносные провинции России и сопредельных
территорий / О.С. Чернова. – Томск: Изд-во ТПУ, 2008. – 256 с.
10. Hedong Sun Advanced Production Decline Analysis and Application /
Hedong Sun. – Houston: Gulf Professional Publishing, 2015. – 352 p.
11. Patrick Corbett MSc Petroleum Geoscience / Patrick Corbett, Gary
Couples, Andy Gardiner, Helen Lever. – Edinburgh: Heriot Watt University UK,
2017. – 640 p.
12. Sebastian Rashka Python machine learning / Sebastian Rashka –
Birmingham: Packt Publishing Ltd., 2015. – 454 p.
13. Zed A. Shaw Learn Python the hard way: a very simple introduction to
the terrifying beautiful world of computers and code – Third edition / Zed A. Shaw –
Crawfordsville: RR Donnelley, 2013. – 306 p.
14. Y. Zee Ma Unconventional Oil and Gas Resources Handbook / Y. Zee
Ma, Stephen A. Holditch. – Houston: Gulf Professional Publishing, 2015. – 550 p.
15.MSc Petroleum Geology – Aberdeen: University of Aberdeen UK,
Department of Geology and Petroleum Geology, 2000. – 376 p.
16. MSc Petroleum Economics– Edinburgh: Heriot Watt University UK,
Institute of Petroleum Engineering, 2016. – 556 p.
17. Joel Gevirtz Lithofacies Classification for Earth Modeling: Letting the
Data Speak For Itself / Joel Gevirtz, Adriana Ovalle. SPE-185049-MS, 2017
18. Свободная энциклопедия Petrowiki, «Production forecasting decline
curve analysis»
19. Электронный ресурс Habr, «Первичный анализ данных с Pandas»
20. ЭлектронныйресурсHabr,«Обучениебезучителя:PCA,
кластеризация»
21. Электронный ресурс Habr, «Линейные модели классификации и
регрессии»