Представлен инновационный подход к моделированию виртуальных гидродинамических исследований добывающих скважин, эксплуатирующих терригенные коллекторы нефтяных месторождений Пермского края. Для решения поставленной задачи использовались современные технологии машинного обучения (CatBoost, Random Forest, XGBoost, MLP, Gradient Boosting и др.), что позволило достичь высокой точности прогнозов. Основной параметр для моделирования и исследования – забойное давление на различных этапах его восстановления в процессе проведения гидродинамических исследований скважин. Использование метода интерпретации модели SHAP впервые позволило оценить влияние геолого-технологических параметров на величину забойного давления и выделить среди них ключевые. Анализ чувствительности модели прогнозирования восстановления забойного давления к изменению исходных параметров позволил оценить степень их влияния на формирование кривых восстановления давления (КВД). Уникальность предложенного подхода заключается в изучении значимости параметров на различных временных этапах восстановления забойного давления в процессе гидродинамического исследования, позволяющего более детально понимать процессы, происходящие в пластовых условиях. Предложенные алгоритмы позволили создать синтетические КВД, максимально приближенные к фактическим данным, а также в режиме реального времени изучать динамику проницаемости удаленной зоны пласта. Подход открывает новые горизонты в моделировании виртуальных гидродинамических исследований и позволяет с высокой степенью детализации и оперативности оценивать фильтрационные свойства пласта по всему добывающему фонду скважин одновременно. Технологическое решение направлено на оперативность оценки фильтрационных параметров удаленных зон пласта и обеспечивает возможность мониторинга изменения проницаемости, что способствует своевременному выявлению зон ухудшения притока нефти и разработке мер по восстановлению продуктивности скважин. Данный подход существенно снижает экономические риски, связанные с проведением дорогостоящих полевых испытаний, обеспечивая надежность и достоверность прогнозируемых показателей при минимальных затратах ресурсов и времени.

We present an innovative approach to simulating flow tests of production wells operating in clastic reservoirs of oil fields in the Perm Region. To solve this issue, modern machine learning solutions (CatBoost, Random Forest, XGBoost, MLP, Gradient Boosting, etc.) were used, which allowed achieving high prediction accuracy. The main parameter for simulating and research is bottomhole pressure at various stages of its recovery during well flow testing. The use of the SHAP model interpretation method for the first time made it possible to assess the impact of geotechnical parameters on bottomhole pressure and identify key ones among them. Analysis of the bottomhole pressure recovery prediction model sensitivity to changes in initial parameters made it possible to evaluate the degree of their influence on the pressure recovery curves (PRC). The uniqueness of the proposed approach lies in studying the significance of parameters at various time stages of bottomhole pressure recovery during flow testing, which allows for a more detailed understanding of the processes occurring under formation conditions. The proposed algorithms made it possible to simulate PRC that are as close as possible to actual data, as well as to study the dynamics of permeability of the remote formation zone in real time. This approach opens up new horizons in simulating flow tests and allows for highly detailed and timely assessment of formation filtration properties across the entire production well stock simultaneously. The process engineering solution is aimed at promptly assessing filtration parameters of remote formation zones and provides the ability to monitor permeability changes, which helps to timely identify areas of reduced oil inflow and develop measures to restore well productivity. This approach significantly reduces economic risks associated with conducting expensive field tests while ensuring reliability and validity of predicted indicators with minimal resource and time costs.