Прогнозирование проницаемости нефтяных пластов на основе моделирования синтетических гидродинамических исследований скважин с помощью машинного обучения

А. В. Соромотин; Д. А. Мартюшев

Том 275

Страницы:

81-93

Скачать том:

RUS ENG

Научная статья

Геотехнология и инженерная геология

Прогнозирование проницаемости нефтяных пластов на основе моделирования синтетических гидродинамических исследований скважин с помощью машинного обучения

Авторы:

А. В. Соромотин¹

Д. А. Мартюшев²

Об авторах

1 — аспирант Пермский национальный исследовательский политехнический университет ▪ Orcid ▪ Elibrary ▪ Scopus
2 — д-р техн. наук профессор Пермский национальный исследовательский политехнический университет ▪ Orcid ▪ Elibrary ▪ Scopus ▪ ResearcherID

Дата отправки:

2024-12-24

Дата принятия:

2025-09-18

Дата публикации онлайн:

2025-10-13

Дата публикации:

2025-10-31

Аннотация

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.

Область исследования:

Геотехнология и инженерная геология

Ключевые слова:

машинное обучение проницаемость гидродинамические исследования скважин кривая восстановления давления пластовое давление забойное давление призабойная зона пласта фильтрационные параметры пласта

Финансирование

Исследования выполнены при поддержке Министерства науки и высшего образования Российской Федерации (проект № FSNM-2024-0005).

Литература

Язьков А.В., Колбиков С.В., Шадчнев Н.А. и др. Геолого-технологические вызовы и опыт разработки трудноизвлекаемых запасов // Георесурсы. 2024. T. 26. № 3. C. 7-12. DOI: 10.18599/grs.2024.3.1
Индрупский И.М., Ибрагимов И.И., Цаган-Манджиев Т.Н. и др. Лабораторная, численная и промысловая оценка эффективности циклического геомеханического воздействия на карбонатном коллекторе турнейского яруса // Записки Горного института. 2023. Т. 262. С. 581-593. DOI: 10.31897/PMI.2023.5
Kanin E., Garipova A., Boronin S. et al. Combined mechanistic and machine learning method for construction of oil reservoir permeability map consistent with well test measurements // Petroleum Research. 2025. Vol. 10. Iss. 2. P. 247-265. DOI: 10.1016/j.ptlrs.2024.09.001
Byrne M.T., McPhee C.A. The Extinction of Skin // SPE International Symposium and Exhibition on Formation Damage Control, 15-17 February 2012, Lafayette, LA, USA. OnePetro, 2012. № SPE-151807-MS. DOI: 10.2118/151807-MS
Al-Obaidi S.H., Khalaf F.H., Alwan H.H. Performance Analysis of Hydrocarbon Wells Based on the Skin Zone // Technium. 2021. Vol. 3. Iss. 4. P. 50-56.
Belhouchet H.E., Benzagouta M.S., Dobbi A. et al. A new empirical model for enhancing well log permeability prediction, using nonlinear regression method: Case study from Hassi-Berkine oil field reservoir – Algeria // Journal of King Saud University – Engineering Sciences. 2021. Vol. 33. Iss. 2. P. 136-145. DOI: 10.1016/j.jksues.2020.04.008
Xidong Wang, Shaochun Yang, Ya Wang et al. Improved permeability prediction based on the feature engineering of petrophysics and fuzzy logic analysis in low porosity–permeability reservoir // Journal of Petroleum Exploration and Production Tech-nology. 2019. Vol. 9. Iss. 2. P. 869-887. DOI: 10.1007/s13202-018-0556-y
Mirzaei-Paiaman A., Asadolahpour S.R., Saboorian-Jooybari H. et al. A new framework for selection of representative samples for special core analysis // Petroleum Research. 2020. Vol. 5. Iss. 3. P. 210-226. DOI: 10.1016/j.ptlrs.2020.06.003
Mirzaei-Paiaman A., Saboorian-Jooybari H., Pourafshary P. Improved Method to Identify Hydraulic Flow Units for Res-ervoir Characterization // Energy Technology. 2015. Vol. 3. Iss. 7. P. 726-733. DOI: 10.1002/ente.201500010
Кочегуров А.И., Денисов В.И., Задорожных Е.А. Анализ применения методов машинного обучения в задачах клас-сификации пород на образцах керна // Известия Томского политехнического университета. Инжиниринг георесурсов. 2024. Т. 335. № 9. С. 148-159. DOI: 10.18799/24131830/2024/9/4792
Soromotin A.V., Martyushev D.A., Pereira J.L.J. On the application of machine learning algorithms in predicting the permea-bility of oil reservoirs // Artificial Intelligence in Geosciences. 2025. Vol. 6. Iss. 2. № 100126. DOI: 10.1016/j.aiig.2025.100126
Bennis M., Torres-Verdín C. Automatic Multiwell Assessment of Flow-Related Petrophysical Properties of Tight-Gas Sandstones Based on the Physics of Mud-Filtrate Invasion // SPE Reservoir Evaluation & Engineering. 2023. Vol. 26. Iss. 3. P. 543-564. DOI: 10.2118/214668-PA
Ishola O., Vilcáez J. Machine learning modeling of permeability in 3D heterogeneous porous media using a novel stochastic pore-scale simulation approach // Fuel. 2022. Vol. 321. № 124044. DOI: 10.1016/j.fuel.2022.124044
Singh M., Makarychev G., Mustapha H. et al. Machine Learning Assisted Petrophysical Logs Quality Control, Editing and Reconstruction // Abu Dhabi International Petroleum Exhibition & Conference, 9-12 November 2020, Abu Dhabi, UAE. OnePetro, 2020. № SPE-202977-MS. DOI: 10.2118/202977-MS
Qing Kang, Kai-Qi Li, Jin-Long Fu, Yong Liu. Hybrid LBM and machine learning algorithms for permeability prediction of porous media: A comparative study // Computers and Geotechnics. 2024. Vol. 168. № 106163. DOI: 10.1016/j.compgeo.2024.106163
Jirjees A.Y., Abdulaziz A.M. Influences of uncertainty in well log petrophysics and fluid properties on well test interpretation: An application in West Al Qurna Oil Field, South Iraq // Egyptian Journal of Petroleum. 2019. Vol. 28. Iss. 4. P. 383-392. DOI: 10.1016/j.ejpe.2019.08.005
Мартюшев Д.А., Слушкина А.Ю. Оценка информативности определения фильтрационных параметров пласта на основе интерпретации кривых стабилизации давления // Известия Томского политехнического университета. Инжиниринг георесурсов. 2019. Т. 330. № 10. С. 26-32. DOI: 10.18799/24131830/2019/10/2295
Kaleem W., Tewari S., Fogat M., Martyushev D.A. A hybrid machine learning approach based study of production forecasting and factors influencing the multiphase flow through surface chokes // Petroleum. 2024. Vol. 10. Iss. 2. P. 354-371. DOI: 10.1016/j.petlm.2023.06.001
Юдин В.А., Вольпин С.Г., Ефимова Н.П., Афанаскин И.В. Особенности кривой стабилизации давления в скважине, расположенной в зоне динамического влияния разлома // Нефтепромысловое дело. 2020. № 12 (624). С. 15-22. DOI: 10.30713/0207-2351-2020-12(624)-15-22
Zhiping Chen, Jia Zhang, Daren Zhang et al. Enhanced permeability prediction in porous media using particle swarm optimization with multi-source integration // Artificial Intelligence in Geosciences. 2024. Vol. 5. № 100090. DOI: 10.1016/j.aiig.2024.100090
Zhuoheng Chen, Hannigan P. A shale gas resource potential assessment of Devonian Horn River strata using a well-performance method // Canadian Journal of Earth Sciences. 2016. Vol. 53. № 2. P. 156-167. DOI: 10.1139/cjes-2015-0094
Муслимов Р.Х. Становление и перспективы дальнейшего развития гидродинамических методов разработки нефтяных месторождений России // Нефтяное хозяйство. 2020. № 12. С. 96-100. DOI: 10.24887/0028-2448-2020-12-96-100
Пискунов С.А., Давуди Ш. Прогнозирование дебита горизонтальных скважин с применением модели машинного обучения // Известия Томского политехнического университета. Инжиниринг георесурсов. 2024. Т. 335. № 5. С. 118-130. DOI: 10.18799/24131830/2024/5/4553
Ben-Awuah J., Padmanabhan E. An enhanced approach to predict permeability in reservoir sandstones using artificial neural networks (ANN) // Arabian Journal of Geosciences. 2017. Vol. 10. Iss. 7. № 173. DOI: 10.1007/s12517-017-2955-7
Elkatatny S., Mahmoud M., Tariq Z., Abdulraheem A. New insights into the prediction of heterogeneous carbonate reservoir permeability from well logs using artificial intelligence network // Neural Computing and Applications. 2018. Vol. 30. Iss. 9. P. 2673-2683. DOI: 10.1007/s00521-017-2850-x
Irani R., Nasimi R. Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir // Expert Systems with Applications. 2011. Vol. 38. Iss. 8. P. 9862-9866. DOI: 10.1016/j.eswa.2011.02.046
Bagheripour P. Committee neural network model for rock permeability prediction // Journal of Applied Geophysics. 2014. Vol. 104. P. 142-148. DOI: 10.1016/j.jappgeo.2014.03.001
Matinkia M., Hashami R., Mehrad M. et al. Prediction of permeability from well logs using a new hybrid machine learning algorithm // Petroleum. 2023. Vol. 9. Iss. 1. P. 108-123. DOI: 10.1016/j.petlm.2022.03.003
Xiaobo Zhao, Xiaojun Chen, Qiao Huang et al. Logging-data-driven permeability prediction in low-permeable sandstones based on machine learning with pattern visualization: A case study in Wenchang A Sag, Pearl River Mouth Basin // Journal of Petro-leum Science and Engineering. 2022. Vol. 214. № 110517. DOI: 10.1016/j.petrol.2022.110517
Jing-Jing Liu, Jian-Chao Liu. Permeability Predictions for Tight Sandstone Reservoir Using Explainable Machine Learning and Particle Swarm Optimization // Geofluids. 2022. Vol. 2022. № 2263329. DOI: 10.1155/2022/2263329
Tahmasebi P., Hezarkhani A. A fast and independent architecture of artificial neural network for permeability prediction // Journal of Petroleum Science and Engineering. 2012. Vol. 86-87. P. 118-126. DOI: 10.1016/j.petrol.2012.03.019
Kumar A., Lin Liang, Ojha K. Simultaneous inversion of permeability, skin and boundary from pressure transient test data in three-dimensional single well reservoir model // Petroleum Research. 2024. Vol. 9. Iss. 2. P. 265-272. DOI: 10.1016/j.ptlrs.2024.01.004
Aïfa T., Baouche R., Baddari K. Neuro-fuzzy system to predict permeability and porosity from well log data: A case study of Hassi R׳Mel gas field, Algeria // Journal of Petroleum Science and Engineering. 2014. Vol. 123. P. 217-229. DOI: 10.1016/j.petrol.2014.09.019
Chaves G.S., Ferreira Filho V.J.M. Enhancing production monitoring: A back allocation methodology to estimate well flow rates and assist well test scheduling // Petroleum Research. 2024. Vol. 9. Iss. 3. P. 369-379. DOI: 10.1016/j.ptlrs.2024.03.008
El-Sebakhy E.A., Asparouhov O., Abdulraheem A.A. et al. Functional networks as a new data mining predictive paradigm to predict permeability in a carbonate reservoir // Expert Systems with Applications. 2012. Vol. 39. Iss. 12. P. 10359-10375. DOI: 10.1016/j.eswa.2012.01.157
Gholami R., Moradzadeh A., Maleki S. et al. Applications of artificial intelligence methods in prediction of permeability in hydrocarbon reservoirs // Journal of Petroleum Science and Engineering. 2014. Vol. 122. P. 643-656. DOI: 10.1016/j.petrol.2014.09.007
Yanji Wang, Hangyu Li, Jianchun Xu et al. Machine learning assisted relative permeability upscaling for uncertainty quan-tification // Energy. 2022. Vol. 245. № 123284. DOI: 10.1016/j.energy.2022.123284
Guoyin Zhang, Zhizhang Wang, Huaji Li et al. Permeability prediction of isolated channel sands using machine learning // Journal of Applied Geophysics. 2018. Vol. 159. P. 605-615. DOI: 10.1016/j.jappgeo.2018.09.011
Sheykhinasab A., Mohseni A.A., Bahari A.B. et al. Prediction of permeability of highly heterogeneous hydrocarbon reservoir from conventional petrophysical logs using optimized data-driven algorithms // Journal of Petroleum Exploration and Production Technology. 2023. Vol. 13. Iss. 2. P. 661-689. DOI: 10.1007/s13202-022-01593-z
Campos D., Wayo D.D.K., De Santis R.B. et al. Evolutionary automated radial basis function neural network for multiphase flowing bottom-hole pressure prediction // Fuel. 2024. Vol. 377. № 132666. DOI: 10.1016/j.fuel.2024.132666
Anifowose F., Labadin J., Abdulraheem A. Improving the prediction of petroleum reservoir characterization with a stacked generalization ensemble model of support vector machines // Applied Soft Computing. 2015. Vol. 26. P. 483-496. DOI: 10.1016/j.asoc.2014.10.017
Anifowose F.A., Labadin J., Abdulraheem A. Ensemble model of non-linear feature selection-based Extreme Learning Ma-chine for improved natural gas reservoir characterization // Journal of Natural Gas Science and Engineering. 2015. Vol. 26. P. 1561-1572. DOI: 10.1016/j.jngse.2015.02.012
Otchere D.A., Ganat T.O.A., Gholami R., Lawal M. A novel custom ensemble learning model for an improved reservoir permeability and water saturation prediction // Journal of Natural Gas Science and Engineering. 2021. Vol. 91. № 103962. DOI: 10.1016/j.jngse.2021.103962
Mkono C.N., Chuanbo Shen, Mulashani A.K., Nyangi P. An improved permeability estimation model using integrated ap-proach of hybrid machine learning technique and Shapley additive explanation // Journal of Rock Mechanics and Geotechnical Engi-neering. 2025. Vol. 17. Iss. 5. P. 2928-2942. DOI: 10.1016/j.jrmge.2024.09.013
Shijia Ma, Jiangfeng Liu, Yuanjian Lin et al. Prediction of permeability of various geotechnical materials under different temperatures based on physical characteristics and machine learning // Fuel. 2025. Vol. 379. № 133109. DOI: 10.1016/j.fuel.2024.133109
Riyadi Z.A., Olutoki J.O., Hermana M. et al. Machine learning prediction of permeability distribution in the X field Malay Basin using elastic properties // Results in Engineering. 2024. Vol. 24. № 103421. DOI: 10.1016/j.rineng.2024.103421
Masroor M., Niri M.E., Sharifinasab M.H. A multiple-input deep residual convolutional neural network for reservoir permea-bility prediction // Geoenergy Science and Engineering. 2023. Vol. 222. № 211420. DOI: 10.1016/j.geoen.2023.211420
Lawal A., Yingjie Yang, Hongmei He, Baisa N.L. Machine Learning in Oil and Gas Exploration: A Review // IEEE Access. 2024. Vol. 12. P. 19035-19058. DOI: 10.1109/ACCESS.2023.3349216
Захаров Л.А., Мартюшев Д.А., Пономарева И.Н. Прогнозирование динамического пластового давления методами искусственного интеллекта // Записки Горного института. 2022. Т. 253. С. 23-32. DOI: 10.31897/PMI.2022.11

Прогнозирование проницаемости нефтяных пластов на основе моделирования синтетических гидродинамических исследований скважин с помощью машинного обучения

Аннотация

Финансирование

Литература

Похожие статьи