Система признаков и моделей для интеллектуального выбора геолого-технических мероприятий
Папаш А.Д., Зарипов А.Т., Папаш Д.М.
DOI: https://doi.org/10.25689/NP.2026.2.188-203
Аннотация
Рассматривается задача интеллектуальной поддержки выбора геолого-технических мероприятий (ГТМ), направленных на интенсификацию добычи и повышение нефтеотдачи пластов. Показано, что подбор ГТМ представляет собой многокритериальную задачу, в которой одновременно учитываются природно-геологические ограничения, текущее состояние системы разработки, конструктивно-технологические параметры вмешательства и экономические ограничения. Предложена рабочая схема интеграции традиционного инженерного скрининга и методов искусственного интеллекта, включающая классификацию кандидатов, прогноз технологического эффекта, ранжирование скважин и оптимизацию проектных параметров. Выполнено разграничение параметров на заданные природой, условно управляемые и непосредственно управляемые при проектировании ГТМ; показано, что именно в отношении двух последних групп применение алгоритмов машинного обучения и оптимизации способно обеспечить наибольший практический эффект. На основе современных публикаций по проблематике EOR/IOR и reservoir engineering обобщены наиболее употребимые признаки выбора методов воздействия на пласт и составлены таблицы, пригодные для использования в прикладных корпоративных системах поддержки решений. Сделан вывод о том, что наибольшую результативность демонстрирует не изолированное применение ИИ, а гибридный контур «геология – гидродинамика – машинное обучение – оптимизация – инженерная экспертиза – пилотирование».
Список литературы
2. Слюсарев Н.И. Технология и техника повышения нефтеотдачи пластов: учеб. пособие. СПб.: СПГГИ, 2003.
3. Рузин Л.М., Морозюк О.А. Методы повышения нефтеотдачи пластов (теория и практика): учеб. пособие. Ухта: УГТУ, 2014.
4. Taber J.J., Martin F.D., Seright R.S. EOR Screening Criteria Revisited - Part 1: Introduction to Screening Criteria and Enhanced Recovery Field Projects. SPE Reservoir Engineering. 1997;12(3):189-198. doi:10.2118/35385-PA.
5. Taber J.J., Martin F.D., Seright R.S. EOR Screening Criteria Revisited - Part 2: Applications and Impact of Oil Prices. SPE Reservoir Engineering. 1997;12(3):199-206. doi:10.2118/39234-PA.
6. Al Adasani A., Bai B. Analysis of EOR projects and updated screening criteria. Journal of Petroleum Science and Engineering. 2011;79(1-2):10-24. doi: 10.1016/j.petrol.2011.07.005.
7. Liu Z.-X., Liu H.-Q., Wu X.-D., et al. Status and progress of worldwide EOR field applications. Journal of Petroleum Science and Engineering. 2020;193:107449. doi: 10.1016/j.petrol.2020.107449.
8. Cheraghi Y., Kord S., Mashayekhizadeh V. Application of machine learning techniques for selecting the most suitable enhanced oil recovery method; challenges and opportunities. Journal of Petroleum Science and Engineering. 2021;205:108761. doi: 10.1016/j.petrol.2021.108761.
9. Kuang L., Wang B., Liu G., et al. Application and development trend of artificial intelligence in petroleum exploration and development. Petroleum Exploration and Development. 2021;48(1):1-14. doi: 10.1016/S1876-3804(21)60001-0.
10. Jia D., Liu X., Zhang L., et al. Data-driven optimization for fine water injection in a mature oil field. Petroleum Exploration and Development. 2020;47(3):674-682. doi: 10.1016/S1876-3804(20)60084-2.
11. Tadjer A., Bratvold R.B., Hong A., Hanea R. Application of machine learning to assess the value of information in polymer flooding. Petroleum Research. 2021;6(4):309-320. doi: 10.1016/j.ptlrs.2021.05.006.
12. Mahdaviara M., Sharifi M., Ahmadi M. Toward evaluation and screening of the enhanced oil recovery scenarios for low permeability reservoirs using statistical and machine learning techniques. Fuel. 2022;325:124795. doi: 10.1016/j.fuel.2022.124795.
13. Pandey R.K., Gandomkar A., Vaferi B., et al. Supervised deep learning-based paradigm to screen the enhanced oil recovery scenarios. Scientific Reports. 2023;13:4892. doi: 10.1038/s41598-023-32187-2.
14. Gao M., Li X., Sun Q., et al. Machine-Learning-Based Approach to Optimize CO2-WAG Flooding in Low Permeability Oil Reservoirs. Energies. 2023;16(17):6149. doi: 10.3390/en16176149.
15. Zhou W., Yang M., Su Y., et al. Machine Learning in Reservoir Engineering: A Review. Processes. 2024;12(6):1219. doi: 10.3390/pr12061219.
16. Arvis A., Chon B.H. Updated screening criteria for enhanced oil recovery methods and their application to the T oilfield in eastern Mongolia. Scientific Reports. 2025;15:34670. doi: 10.1038/s41598-025-21696-x.
17. Wei Z., Li D., Lake L.W., et al. Multi-criteria decision making approaches to select appropriate enhanced oil recovery techniques in petroleum industries. Energy Reports. 2021;7:2751-2758. doi: 10.1016/j.egyr.2021.05.002.
18. Kamari A., Mohammadi A.H., Bahadori A. Efficient screening of enhanced oil recovery methods and predictive economic analysis. Neural Computing and Applications. 2014;25:815-824. doi: 10.1007/s00521-014-1553-9.
Сведения об авторах
Россия, 426462, Альметьевск, ул. Тельмана, 88
E-mail: PapashAD@tatneft.tatar
Зарипов Азат Тимерьянович, доктор технических наук, первый заместитель директора, Институт «ТатНИПИнефть» ПАО «Татнефть» им. В.Д. Шашина
Россия, 426462, Альметьевск, ул. Советская, 186а
E-mail: zat@tatnipi.ru
Папаш Диана Маратовна, специалист, Центр технологического развития ПАО «Татнефть» им. В.Д. Шашина
Россия, 426462, Альметьевск, ул. Тельмана, 88
E-mail: PapashDM@tatneft.tatar
Для цитирования:
Папаш А.Д., Зарипов А.Т., Папаш Д.М. Система признаков и моделей для интеллектуального выбора геолого-технических мероприятий // Нефтяная провинция.-2026.-№2(46).-С. 188-203. - DOI https://doi.org/10.25689/NP.2026.2.188-203. - EDN MITMRM