• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Нейронную сеть обучили предсказывать давление на дне скважины

Исследователи НИУ ВШЭ совместно с московским Научно-исследовательским центром компании «Шлюмберже» (Schlumberger) разработали модель, позволяющую прогнозировать процессы на забое (дне) нефтяной скважины по данным, получаемым на ее поверхности. Результаты исследования были представлены в статье Predictive model for bottomhole pressure based on machine learning.

Машинное обучение все чаще используется в промышленности. Специфика нефтяной индустрии заключается в существенной непредсказуемости процессов, поэтому у разработчиков были опасения, что машинное обучение может не сработать. Однако исследователям из ВШЭ и «Шлюмберже» удалось создать и обучить искусственную нейронную сеть, которая может предсказывать давление на забое скважины. Впервые нейронная сеть была успешно применена для анализа существенно нестационарных процессов, возникающих при формировании многофазных течений в стволе скважины.

Забойное давление (давление на дне скважины) может сильно меняться во времени, особенно на ранних стадиях ввода скважин в эксплуатацию. Это обусловлено многофазными течениями, при которых одновременно в изменяющихся пропорциях и с разными скоростями вода, нефть и газ текут вдоль ствола скважины. При определенных условиях в скважинах может формироваться снарядный режим течения, при котором жидкость и газ доставляются на поверхность поочередно в виде пробок, при этом вызывая сильные колебания давления во всей системе. «Знание меняющегося во времени давления и управление им на забое скважины важно для безопасного и оптимального ввода скважины в эксплуатацию. Например, для подбора эффективной стратегии очистки скважины от бурового раствора во время первичного ввода скважины в эксплуатацию», – поясняет Павел Спесивцев, руководитель проекта в Московском научно-исследовательском центре «Шлюмберже». Предсказание забойного давления также позволяет эффективно управлять режимом притока на забое для повышения нефтеотдачи.

Предложенный алгоритм машинного обучения позволяет сымитировать наличие опытного эксперта, способного предсказать поведение углеводородной (УВ) смеси на забое скважины, наблюдая за поведением добываемых УВ и воды на поверхности.

Расчеты проводились на искусственно созданной физической модели, которая полностью соответствует параметрам в добывающих скважинах на месторождении.

«Задача заключалась в том, чтобы по процессам, наблюдаемым на поверхности понять, что происходит на забое скважины, — поясняет Алексей Умнов, научный сотрудник факультета компьютерных наук ВШЭ. — Для этого мы смоделировали в лабораторных условиях около 3,5 тысяч сценариев поведения скважины».

В сценариях учитывалось поведение не одной отдельно взятой скважины, а большой объем данных, полученный при работе группы скважин с разными режимами и управляющими параметрами. Прогноз выдавался для определенной величины — забойного давления.

После обучения нейронная сеть позволяет предсказывать забойное давление с минимальными затратами вычислительных ресурсов. Это является преимуществом по сравнению с традиционными подходами, основанными на численном моделировании. Исследования показали, что забойное давление можно предсказать даже в случаях формирования существенного нестационарного пробкового режима течения жидкости и газа. Для большинства предсказаний средняя квадратичная ошибка оказалась меньше 5%, что является очень хорошим количественным результатом.

4 июля