Прогнозирование обводнения газовых скважин при помощи моделей машинного обучения (ML-моделей)
Юшков А.Ю., Лычагин Н.П., Шумейко Р.Ю., Огуречников Н.М., Шумалкин В.С.
DOI: https://doi.org/10.25689/NP.2025.4.266-283
Аннотация
В статье рассматривается проблема адресного прогнозирования обводнения газовых скважин, ее актуальность, существующие решения. В качестве альтернативного метода прогнозирования авторы предлагают использовать инструменты машинного обучения (ML-модель). Для апробации подхода была сформирована обучающая выборка из синтетических данных, полученных по результатам гидродинамического моделирования разработки газовых залежей различной конфигурации, имеющих малую газонасыщенную толщину. В качестве входных параметров ML-модели приняты 13 заранее известных геологических и технологических факторов, характеризующих каждую скважину, выходными (прогнозными) параметрами модели являются: год начала обводнения скважины и динамика роста водогазового фактора. Проведён анализ эффективности различных алгоритмов машинного обучения, подробнее рассмотрена реализация алгоритма XGboost. По результатам тестирования модели на контрольной выборке получена хорошая точность прогноза времени начала обводнения скважин в схожих геологических условиях. Сделан вывод о том, что ML-модели способны решать частные задачи управления разработкой, обеспечивая быстрый прогноз выборочных целевых параметров.
Список литературы
2. Усачев В.Д. Разработка методов прогноза обводнения газовых залежей и скважин на базе композиционных гидродинамических моделей. – Москва: дис. канд. техн. наук, 2018. – 116 с.
3. Усачев В.Д., Перемышцев Ю.А. Прогнозирование обводнения газовых залежей водоплавающего типа на примере месторождений Западной Сибири. // Нефтепромысловое дело. 2018. №1. С. 12-17.
4. Гасумов Э.Р. Прогнозирование времени обводнения и самозадавливания газовых скважин (на примере сеноманской залежи) // Евразийский Союз Ученых (ЕСУ). 2020. №8(77). С. 19-22.
5. Милованова В.В., Ибрагимова Д.Р., Захаров Р.В., Красноборов С.В. Прогнозирование обводнения газовых скважин: новый подход с использованием промысловых данных // Инженер-нефтяник. 2021. №1. С. 5-10.
6. Кислицын А.А., Кузнецов С.В., Поднебесных А.В., Грановский А.М. Использование искусственных нейронных сетей для прогнозирования динамики обводнения горизонтальных скважин // Вестник ТюмГУ. Физико-математическое моделирование. Нефть, газ, энергетика. 2019. Том 5. №4(20). С. 160-180.
7. Ибраев А.Е., Камариденова Г.С., Балуанов Б.А., Елемесов А.С. Прогноз обводнённости новых скважин с помощью машинного обучения // Вестник нефтегазовой отрасли Казахстана. Том 5, №3 (2023). С. 20-34.
8. Ibrahim N.M., Alharbi A.A., Alzahrani T.A., Abdulkarim A.M., Alessa I.A., Hameed A.M., Albabtain A.S., Alqahtani D.A., Alsawwaf M.K., Almuqhim A.A. Well Performance Classification and Prediction: Deep Learning and Machine Learning Long Term Regression Experiments on Oil, Gas, and Water Production // Sensors. 2022.
Сведения об авторах
Россия, 625002, Тюмень, ул. Осипенко, 79/1
E-mail: ayyushkov@tnnc.rosneft.ru
Лычагин Николай Петрович, студент специалитета, ФГБОУ ВО «Тюменский индустриальный университет»
Россия, 625000, Тюмень, ул. Володарского, 38
E-mail: kolia_lichagin2003@mail.ru
Шумейко Руслан Юрьевич, студент специалитета, ФГБОУ ВО «Тюменский индустриальный университет»
Россия, 625000, Тюмень, ул. Володарского, 38
E-mail: russhum@bk.ru
Огуречников Никита Максимович, студент бакалавриата, ФГБОУ ВО «Тюменский индустриальный университет»
Россия, 625000, Тюмень, ул. Володарского, 38
E-mail: nikitka.ogurechnikov@mail.ru
Шумалкин Владислав Сергеевич, студент бакалавриата, ФГБОУ ВО «Тюменский индустриальный университет»
Россия, 625000, Тюмень, ул. Володарского, 38
E-mail: shymalkin3000@gmail.com
Для цитирования:
Юшков А.Ю., Лычагин Н.П., Шумейко Р.Ю., Огуречников Н.М., Шумалкин В.С. Прогнозирование обводнения газовых скважин при помощи моделей машинного обучения (ML-моделей) // Нефтяная провинция.-2025.-№4(44).-С. 266-283. - DOI https://doi.org/10.25689/NP.2025.4.266-283. - EDN TGVEVL