Применение машинного обучения в задачах выбора объектов воздействия и проектирования кислотной обработки

Для карбонатных отложений кислотная обработка является одним из наиболее востребованных решений для интенсификации добычи нефти, которое активно применяется на практике. Анализ успешности соответствующих работ показывает высокую дифференцированность промысловых результатов. Современные подходы к решению задачи проектирования дизайна кислотной обработки основываются на применении программных продуктов, позволяющих учесть многие факторы, влияющие на процесс обработки. Применение машинного обучения может быть эффективным дополнением к подходам в части выбора объектов воздействия и обоснования исходных данных для проектирования дизайна в реализованных и эффективно функционирующих программных продуктах. В работе приводятся решения по использованию машинного обучения для выбора объектов воздействия на основе данных ранее выполненных работ по влиянию начальных режимных скважинных условий, технологических условий выполнения работ, кратности обработки, объемов, типов кислотных систем, предобработки, применения отклонителей кислотных систем, а также времени выдерживания кислоты на результативность обработки. Проектирование кислотной обработки предусматривает выполнение сложных лабораторных исследований для изучения кинетики процесса взаимодействия кислотных систем с породой, ключевыми параметрами которого являются минералогический состав горной породы и характеристики применяемых кислотных составов, в частности концентрации компонентов кислотной композиции. В работе рассмотрена задача прогнозирования кинетики реакции кислотных систем методами машинного обучения на основе обработки массива данных лабораторных исследований. В качестве базовых решений прогнозирования использованы методы линейной регрессии и случайного леса. Привлечение машинного обучения позволяет создать алгоритмы принятия решений для оптимизации кислотной обработки с учетом многофакторного влияния условий ее выполнения. Разработанные алгоритмы значительно упрощают задачи проектирования кислотной обработки.

1. Akbar M., Vissapragada B., Alghamdi A.H., Allen D., Herron M., Carnegie A., Dutta D., Olesen J.R., Chourasiya R.D., Logan D., Stief D., Netherwood R., Russell S.D., Saxena, K. A snapshot of carbonate reservoir evaluation // Oilfield Rev. 2000. V. 12, No 4. Р. 20–41.

2. Burchette T.P. Carbonate rocks and petroleum reservoirs: A geological perspective from the industry // Garland J., Neilson J.E., Laubach S.E., Whidden K.J. (Eds.) Advances in Carbonate Exploration and Reservoir Analysis. Ser.: GSL Special Publications. V. 370. Geol. Soc. London, 2012. P. 17–37. https://doi.org/10.1144/SP370.14.

3. Janjuhah H.T., Alansari A. Offshore carbonate facies characterization and reservoir quality of Miocene rocks in the southern margin of South China Sea // Acta Geol. Sin. 2020. V. 94, No 5. P. 1547–1561. https://doi.org/10.1111/1755-6724.13880.

4. Hall‑Thompson B., Ernesto A.R., Abdulrahman N., Alsuhaimi A. Acid stimulation-best practices for design, selection and testing of acid recipes in low permeability carbonate reservoirs // Proc. Int. Pet. Technol. Conf. (January 13–15, 2020). Dhahran, 2020. Art. IPTC-19690-MS. https://doi.org/10.2523/IPTC-19690-MS.

5. Насибулин И.М. Обоснование технологии кислотной стимуляции карбонатных коллекторов на основе многофункциональных композиций с регулируемой реакционной способностью: автореф. дис. ... канд. техн. наук. СПб., 2013. 20 с.

6. Копытов А.Г., Левкович С.В., Левитина Е.Е., Ковалев И.А. Эффективность кислотной обработки призабойной зоны скважины для отложений с трудноизвлекаемыми запасами // Наука. Инновации. Технологии. 2021. № 4. С. 27–40. https://doi.org/10.37493/2308-4758.2021.4.2.

7. Sengul M., Remisio L.H.A. Applied carbonate stimulation – an engineering approach // Proc. Abu Dhabi Int. Pet. Exhib. Conf. (October 13–16, 2002). Abu Dhabi, UAE, 2002. Art. SPE-78560-MS. https://doi.org/10.2118/78560-MS.

8. Бурнашев В.Ф., Хужаеров Б.Х. Моделирование кислотной обработки доломитового коллектора призабойной зоны нефтяного пласта с учетом кольматации породы // Изв. РАН. МЖГ. 2015. № 1. С. 78–85.

9. Economides M.J., Nolte K.G. (Eds.) Reservoir Stimulation. New York, NY: Prentice Hall, 1989. 440 p.

10. Liu X., Ormond A., Bartko K., Li Y., Ortoleva P. A geochemical reaction-transport simulator for matrix acidizing analysis and design // J. Pet. Sci. Eng. 1997. V. 17, Nos 1–2. P. 181–196. https://doi.org/10.1016/S0920-4105(96)00064-2.

11. Новиков В.А. Методика прогнозирования эффективности матричных кислотных обработок карбонатов // Недропользование. 2021. Т. 21, № 3. С. 137–143. https://doi.org/10.15593/2712-8008/2021.3.6.

12. Галкин В.И., Хижняк Г.П., Амиров А.М., Гладких Е.А. Оценка эффективности воздействия кислотных составов на керны с использованием регрессионного анализа // Вестник ПНИПУ. Геология. Нефтегазовое и горное дело. 2014. № 13. C. 38–48. https://doi.org/10.15593/2224-9923/2014.13.4.

13. Fredd C.N. Dynamic model of wormhole formation demonstrates conditions for effective skin reduction during carbonate matrix acidizing // Proc. SPE Permian Basin Oil Gas Recovery Conf. (March 21–23, 2000). Midland, TX, 2000. Art. SPE-59537-MS. https://doi.org/10.2118/59537-MS.

14. Safari A., Dowlatabad M.M., Hassani A., Rashidi F. Numerical simulation and X-ray imaging validation of wormhole propagation during acid core-flood experiments in a carbonate gas reservoir // J. Nat. Gas Sci. Eng. 2016. V. 30. P. 539–547. https://doi.org/10.1016/j.jngse.2016.02.036.

15. Курганов Д.В. Оценка эффективности обработок призабойных зон нефтяных скважин c применением методов машинного обучения // Автоматизация процессов управления. 2020. № 1 (59). C. 47–57. https://doi.org/10.35752/1991-2927-2020-1-5-47-54.

16. Zangl G., Hannerer J. Data Mining: Applications in the Petroleum Industry. East Nynehead: Round Oak Publ., 2003. 222 p.

17. Хадавимогаддам Ф., Мищенко И.Т., Мостаджеран М. Применение методов искусственного интеллекта в прогнозировании основных свойств нефти // Газовая промышленность. 2019. № 12 (794). С. 28–32.

18. Scikit-Learn User Guide. URL: https://scikit-learn.org/stable/_downloads/scikit-learn-docs.pdf.

19. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine learning in Python // J. Mach. Learn. Res. 2011. V. 12. P. 2825−2830.