Автоматизированная система подбора вида функций относительных фазовых проницаемостей в условиях недостатка керновых данных
УДК: 622.276.031.011.433
DOI: 10.33285/0207-2351-2022-9(645)-38-44
Авторы:
ИГНАТОВСКИЙ СЕРГЕЙ ИГОРЕВИЧ1,
РЯЗАНОВА ЕЛЕНА НИКОЛАЕВНА1,
АГУПОВ МИХАИЛ АНДРЕЕВИЧ2,
ВИШНЯКОВ АЛЕКСЕЙ ЮРЬЕВИЧ3
1 Филиал ООО "ЛУКОЙЛ-Инжиниринг" "ПермНИПИнефть" в г. Перми, Волгоград, Россия
2 ЛУКОЙЛ-Инжиниринг, Пермь, Россия
3 ЛУКОЙЛ Мид-Ист Лимитед, Басра, Ирак
Ключевые слова: инженерное программирование, относительные фазовые проницаемости, нефтяное месторождение, гидродинамическое моделирование, машинное обучение, математические модели, машинное обучение в нефтегазовой отрасли, керновые исследования
Аннотация:
В статье рассматривается применение машинного обучения для формирования вида относительных фазовых проницаемостей (ОФП) с целью использования в гидродинамических моделях. Этот подход позволяет получить вид функций ОФП на основе подготовленной базы данных керновых экспериментов. Описаны алгоритмы математических моделей, а также разработан программный модуль, с помощью которого появляется возможность автоматически получать вид кривых ОФП для объектов по имеющимся данным о месторождении (тип коллектора, коэффициент нефтенасыщенности, пористость, проницаемость, вязкости нефти и воды, глубина взятой пробы, давление и температура). Рассмотрены две математические модели ("Многомерная линейная регрессия" и "Случайный лес"), реализованные на языке программирования высокого уровня Python. На контрольной выборке представлены результаты сходимости методов с реальными лабораторными исследованиями. Проведена апробация метода с применением ретроспективного анализа на нескольких объектах и сделаны выводы о применимости подхода.
Список литературы:
1. Азиз Х. Математическое моделирование пластовых систем. – М.–Ижевск: Ин-т компьютерных исследований, 2004. – 416 с.
2. Геологическое и гидротермодинамическое моделирование месторождений нефти и газа / Р.М. Тер-Саркисов, В.М. Максимов, К.С. Басниев [и др.]. – М.–Ижевск: Ин-т компьютерных исследований, 2012. – 452 с.
3. Демиденко Е.З. Линейная и нелинейная регрессия. – М.: Финансы и статистика, 1981. – 302 с.
4. Балашов В.А. Цифровой керн. Моделирование микротечений в поровом пространстве пород-коллекторов // Neftegaz.RU. – 2019. – № 7. – С. 83–85.
5. Цифровой керн. Комплексирование данных петрографических исследований карбонатных пород с результатами изучения керна / С.А. Идрисова, М.А. Тугарова, Е.В. Стремичев, Б.В. Белозеров // PROНЕФТЬ. Профессионально о нефти. – 2018. – № 2(8). – С. 36–41.
6. Breiman L. Random Forests // Machine Learning J. – 2001. – Vol. 45, no. 1. – P. 5–32. – DOI:10.1023/A:1010933404324
Назад в номер