Интерпретируемое машинное обучение для определения негерметичности скважин

И. М. Ишкулов; И. Г. Фаттахов

Том 275

Страницы:

94-109

Скачать том:

RUS ENG

Научная статья

Геотехнология и инженерная геология

Интерпретируемое машинное обучение для определения негерметичности скважин

Авторы:

И. М. Ишкулов¹

И. Г. Фаттахов²

Об авторах

1 — инженер 1 категории Институт «ТатНИПИнефть» ПАО «Татнефть» имени В.Д.Шашина ▪ Orcid ▪ Elibrary
2 — д-р техн. наук директор по повышению нефтеотдачи пластов, волновым и биотехнологиям Институт «ТатНИПИнефть» ПАО «Татнефть» имени В.Д.Шашина ▪ Orcid

Дата отправки:

2025-04-08

Дата принятия:

2025-09-18

Дата публикации онлайн:

2025-10-17

Дата публикации:

2025-10-31

Аннотация

Вопрос своевременной и точной оценки технического состояния скважин становится все более актуальным в условиях разработки месторождений на поздней стадии, высокой обводненности продукции и увеличения доли стареющего фонда скважин. Для диагностики эксплуатационной колонны традиционно применяются геофизические методы, позволяющие выявить наличие повреждений и определить их интервал, но значительная загрузка специалистов на месторождениях препятствует оперативной отправке геофизических партий для проверки состояния скважин. Это приводит к потере добычи нефти, росту обводненности, негативному воздействию на окружающую среду, увеличению объемов непродуктивной закачки и снижению ключевых экономических показателей. Для решения этих проблем предложен новый подход к оценке технического состояния колонн, основанный на применении моделей машинного обучения. Представлены методика применения интерпретируемого машинного обучения для диагностики негерметичности эксплуатационных колонн скважины и сравнение данного подхода с методом статистического анализа ROC-AUC. Разработанный подход объединяет алгоритм машинного обучения LightGBM и методы SHAP-анализа, что позволяет оценивать вклад ключевых факторов в прогнозирование состояния скважины и определять их граничные значения. Для обучения модели использованы данные 14318 скважинных исследований, проведенных с 2000 по 2022 гг. Результаты показывают, что наиболее значимыми признаками являются содержание сульфатов, коэффициент перенасыщения раствора и обводненность продукции. Исследование подтверждает эффективность методов интерпретируемого машинного обучения в задачах диагностики сложных технических объектов. Полученные результаты демонстрируют потенциал внедрения таких моделей в практику мониторинга состояния скважин и планирования ремонтных работ. Предложенный подход также может быть адаптирован для других задач нефтегазовой отрасли, включая прогнозирование осложнений и оптимизацию работы скважин.

Область исследования:

Геотехнология и инженерная геология

Ключевые слова:

машинное обучение негерметичность колонны анализ данных интерпретация исследования добыча нефти разработка нефтяных месторождений

Литература

Черненко А.В., Лышко Г.Н. Предотвращение заколонных перетоков пластовых флюидов на основе математического моделирования процессов в скважине // Нефть. Газ. Новации. 2018. № 3 (208). С. 30-33.
Набиуллин А.Ш., Синицына Т.И., Воронцов С.Ю. Изучение причин возникновения нарушений герметичности эксплуатационных колонн добывающих скважин. Разработка превентивных методов по защите обсадной колонны // Экспозиция Нефть Газ. 2023. № 8 (101). С. 88-93. DOI: 10.24412/2076-6785-2023-8-88-93
Аникеев Д.П., Закиров С.Н., Аникеева Э.С., Лысенко А.Д. Негерметичность скважин − глобальная проблема, а не локальная // Актуальные проблемы нефти и газа. 2019. Вып. 4 (27). 14 с. DOI: 10.29222/ipng.2078-5712.2019-27.art15
Трунов Э.И., Оздоева А.Х., Блоцкая А.И. и др. Новые подходы к применению акустического метода для непрерывного мониторинга герметичности крепления скважины // Нефтяное хозяйство. 2024. № 2. С. 38-42. DOI: 10.24887/0028-2448-2024-2-38-42
Шарипов А.Ф., Волков А.Н. Система контроля и оценки качества газоконденсатных исследований скважин // Вести газовой науки. 2016. № 4 (28). С. 173-180.
Валиуллин Р.А., Шарафутдинов Р.Ф., Федотов В.Я. и др. Изучение тепловой конвекции на модели скважины с индукционным нагревателем при заколонном перетоке «сверху» // Вестник Башкирского университета. 2017. Т. 22. № 2. С. 325-329.
Patidar A.K., Joshi D., Dristant U., Choudhury Y. et al. A review of tracer testing techniques in porous media specially attributed to the oil and gas industry // Journal of Petroleum Exploration and Production Technology. 2022. Vol. 12. Iss. 12. P. 3339-3356. DOI: 10.1007/s13202-022-01526-w
Batista G. dos S., Takimi A.S., da Costa E.M. Chemical Changes in the Composition of Oil Well Cement with Core/Shell Nanoparticle Addition under CO2 Geological Storage Conditions // Energy & Fuels. 2024. Vol. 38. Iss. 23. P. 22947-22958. DOI: 10.1021/acs.energyfuels.4c03686
Азаматов М.А., Шорохов А.Н. Метод определения негерметичности эксплуатационной колонны // Недропользование XXI век. 2015. № 6 (56). С. 43-47.
Щербакова К.О. Анализ проблемы высокой обводненности добываемой продукции горизонтальных скважин // Известия высших учебных заведений. Геология и разведка. 2022. Т. 64. № 6. С. 29-38. DOI: 10.32454/0016-7762-2022-64-6-29-38
Джабаров К.А. Математическое моделирование процессов формирования заколонных перетоков в скважине в период ожидания затвердевания цемента // Нефтяное хозяйство. 2019. № 5. С. 67-71. DOI: 10.24887/0028-2448-2019-5-67-71
Буркова А.А. Применение новой технологии проведения ремонтно-изоляционных работ // Строительство нефтяных и газовых скважин на суше и на море. 2022. № 8 (356). С. 39-44. DOI: 10.33285/0130-3872-2022-8(356)-39-44
Фрейман О.А., Еремин Н.А. Разработка методики прогнозирования пластовых свойств нефти при помощи машинного обучения // Экспозиция Нефть Газ. 2023. № 7. С. 118-120. DOI: 10.24412/2076-6785-2023-7-118-120
Tadjer A., Hong A., Bratvold R.B. Machine learning based decline curve analysis for short-term oil production forecast // Energy Exploration & Exploitation. 2021. Vol. 39. Iss. 5. P. 1747-1769. DOI: 10.1177/01445987211011784
Пашали А.А., Азбуханов А.Ф., Сухарев К.В., Топольников А.С. Восстановление значений давления на приеме насоса нефтедобывающих скважин с использованием методов искусственного интеллекта // Нефтегазовое дело. 2022. Т. 20. № 6. С. 165-172. DOI: 10.17122/ngdelo-2022-6-165-172
Liang Xue, Yuetian Liu, Yifei Xiong et al. A data-driven shale gas production forecasting method based on the multi-objective random forest regression // Journal of Petroleum Science and Engineering. 2021. Vol. 196. № 107801. DOI: 10.1016/j.petrol.2020.107801
Евсеенков А.С., Гузь В.С., Шпетный Д.Н., Юдин Е.В. Краткосрочное прогнозирование дебита скважин на основе ансамблевого подхода // Нефтяное хозяйство. 2023. № 2. С. 78-82. DOI: 10.24887/0028-2448-2023-2-78-82
Arief I.H., Tao Yang. A Machine-Learning Approach to Predict Gas-Oil Ratio Based on Advanced Mud Gas Data // Petrophysics. 2024. Vol. 65. Iss. 4. P. 433-454.
Negash B.M., Yaw A.D. Artificial neural network based production forecasting for a hydrocarbon reservoir under water injection // Petroleum Exploration and Development. 2020. Vol. 47. Iss. 2. P. 383-392. DOI: 10.1016/S1876-3804(20)60055-6
Габитова С.И., Давлетбакова Л.А., Климов В.Ю. и др. Методика прогнозирования темпов падения нефти проектных скважин на основе алгоритма машинного обучения // PROНЕФТЬ. Профессионально о нефти. 2020. № 4 (18). С. 69-74. DOI: 10.7868/S2587739920040102
Werneck R. de O., Prates R., Moura R. et al. Data-driven deep-learning forecasting for oil production and pressure // Journal of Petroleum Science and Engineering. 2022. Vol. 210. № 109937. DOI: 10.1016/j.petrol.2021.109937
Xuanyi Song, Yuetian Liu, Liang Xue et al. Time-series well performance prediction based on Long Short-Term Memory (LSTM) neural network model // Journal of Petroleum Science and Engineering. 2020. Vol. 186. № 106682. DOI: 10.1016/j.petrol.2019.106682
Ahmadi M.A., Soleimani R., Lee M. et al. Determination of oil well production performance using artificial neural network (ANN) linked to the particle swarm optimization (PSO) tool // Petroleum. 2015. Vol. 1. Iss. 2. P. 118-132. DOI: 10.1016/j.petlm.2015.06.004
Печко К.А., Сенькин И.С., Белоногов Е.В. Моделирование скважин методами машинного обучения для задач интегрированного моделирования // PROНЕФТЬ. Профессионально о нефти. 2022. Т. 7. № 2 (23). С. 114-120. DOI: 10.51890/2587-7399-2022-7-2-114-120
Vikara D., Khanna V. Application of a Deep Learning Network for Joint Prediction of Associated Fluid Production in Unconventional Hydrocarbon Development // Processes. 2022. Vol 10. Iss. 4. № 740. DOI: 10.3390/pr10040740
Ng C.S.W., Ghahfarokhi A.J., Amar M.N. Application of nature-inspired algorithms and artificial neural network in waterflooding well control optimization // Journal of Petroleum Exploration and Production Technology. 2021. Vol. 11. Iss. 7. P. 3103-3127. DOI: 10.1007/s13202-021-01199-x
Мартюшев Д.А., Пономарева И.Н., Захаров Л.А., Шадров Т.А. Применение машинного обучения для прогнозирования пластового давления при разработке нефтяных месторождений // Известия Томского политехнического университета. Инжиниринг георесурсов. 2021. Т. 332. № 10. С. 140-149. DOI: 10.18799/24131830/2021/10/3401
Пономарев Р.Ю., Мигманов Р.Р., Зиазев Р.Р. Оценка возможностей применения гибридного моделирования для оптимизации добычного потенциала нефтегазового месторождения // Экспозиция Нефть Газ. 2023. № 5. С. 64-68. DOI: 10.24412/2076-6785-2023-5-64-68
Мехоношин Р.О., Вильданов Т.Ф., Кордик К.Е. и др. Прогнозирование возникновения инцидентов на нагнетательных скважинах с использованием алгоритмов машинного обучения // Нефтепромысловое дело. 2023. № 9 (657). С. 16-21. DOI: 10.33285/0207-2351-2023-9(657)-16-21
Черников А.Д., Еремин Н.А., Столяров В.Е. и др. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения // Георесурсы. 2020. Т. 22 № 3. С. 87-96. DOI: 10.18599/grs.2020.3.87-96
Шибаев А.А., Шраго И.Л., Васинкин И.А., Чернышов А.С. Применение методов машинного обучения в задаче анализа аномального поведения технологических параметров, при классификации технологических операций, цикла строительства скважины // Бурение и нефть. 2023. № 7-8. С. 28-31.
Dexin Ma, Hongbo Yang, Zhi Yang et al. An Intelligent Method for Real-Time Surface Monitoring of Rock Drillability at the Well Bottom Based on Logging and Drilling Data Fusion // Processes. 2025. Vol. 13. Iss. 3. № 668. DOI: 10.3390/pr13030668
Шаляпин Д.В., Бакиров Д.Л., Фаттахов М.М. и др. Применение методов машинного обучения для повышения качества крепления скважин // Известия высших учебных заведений. Нефть и газ. 2020. № 5 (143). С. 81-93. DOI: 10.31660/0445-0108-2020-5-81-93
Шлыков С.В. Применение методов машинного обучения для автоматизации процессов в нефтегазовой отрасли // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2023. № 2. С. 46-53. DOI: 10.24412/0131-4270-2023-2-46-53
Майоров К.Н. Применение алгоритмов машинного обучения для решения задач нефтегазовой сферы // Интеллектуальные системы в производстве. 2021. Т. 19. № 3. С. 55-64. DOI: 10.22213/2410-9304-2021-3-55-64
Сахнюк В.И., Новиков Е.В., Шарифуллин А.М и др. Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты // Георесурсы. 2022. Т. 24. № 2. С. 230-238. DOI: 10.18599/grs.2022.2.21
Rammay M.H., Abdulraheem A. PVT correlations for Pakistani crude oils using artificial neural network // Journal of Petroleum Exploration and Production Technology. 2017. Vol. 7. Iss. 1. P. 217-233. DOI: 10.1007/s13202-016-0232-z
Salem A.М., Yakoot M.S., Mahmoud O. A novel machine learning model for autonomous analysis and diagnosis of well integrity failures in artificial-lift production systems // Advances in Geo-Energy Research. 2022. Vol. 6. № 2. P. 123-142. DOI: 10.46690/ager.2022.02.05
Sadiki N., Jang D.-W. Estimation of Hydraulic and Water Quality Parameters Using Long Short-Term Memory in Water Distribution Systems // Water. 2024. Vol. 16. Iss. 21. № 3028. DOI: 10.3390/w16213028
Xiaohui Yan, Tianqi Zhang, Wenying Du et al. A Comprehensive Review of Machine Learning for Water Quality Prediction over the Past Five Years // Journal of Marine Science and Engineering. 2024. Vol. 12. Iss. 1. № 159. DOI: 10.3390/jmse12010159
Ишкулов И.М., Вафин Р.Р., Тахауов Д.Д. и др. О методах определения негерметичности эксплуатационной колонны скважины // Нефтяное хозяйство. 2024. № 7. С. 56-60. DOI: 10.24887/0028-2448-2024-7-56-60
Ишкулов И.М., Тахауов Д.Д., Вафин Р.Р. и др. Определение негерметичности колонны скважин с использованием моделей машинного обучения // Нефтегазовое дело. 2024. Т. 22. № 4. С. 260-267. DOI: 10.17122/ngdelo-2024-4-260-267
Xianlin Ma, Mengyao Hou, Jie Zhan, Zhenzhi Liu. Interpretable Predictive Modeling of Tight Gas Well Productivity with SHAP and LIME Techniques // Energies. 2023. Vol. 16. Iss. 9. № 3653. DOI: 10.3390/en16093653
Smiti A. A critical overview of outlier detection methods // Computer Science Review. 2020. Vol. 38. № 100306. DOI: 10.1016/j.cosrev.2020.100306
Kiani R., Wei Jin, Sheng V.S. Survey on extreme learning machines for outlier detection // Machine Learning. 2024. Vol. 113. Iss. 8. P. 5495-5531. DOI: 10.1007/s10994-023-06375-0
Dash C.S.K., Behera A.K., Dehuri S., Ghosh A. An outliers detection and elimination framework in classification task of data mining // Decision Analytics Journal. 2023. Vol. 6. № 100164. DOI: 10.1016/j.dajour.2023.100164
Morais É.T., Barberes G.A., Souza I.V.A.F. et al. Pearson Correlation Coefficient Applied to Petroleum System Characterization: The Case Study of Potiguar and Reconcavo Basins, Brazil // Geosciences. 2023. Vol. 13. Iss. 9. № 282. DOI: 10.3390/geosciences13090282
Thippa Reddy G., Swarna Priya R.M., Parimala M. et al. A deep neural networks based model for uninterrupted marine environment monitoring // Computer Communications. 2020. Vol. 157. P. 64-75. DOI: 10.1016/j.comcom.2020.04.004
Ишкулов И.М., Сафаров А.Х., Фаттахов И.Г., Дьяконов А.А. Применение метода переноса знаний для предсказания негерметичности скважин // Нефтепромысловое дело. 2025. № 5 (677). С. 24-28.
Chicco D., Jurman G. The Matthews correlation coefficient (MCC) should replace the ROC AUC as the standard metric for assessing binary classification // BioData Mining. 2023. Vol. 16. № 4. DOI: 10.1186/s13040-023-00322-4
Старовойтов В.В., Голуб Ю.И. Сравнительный анализ оценок качества бинарной классификации // Информатика. 2020. Т. 17. № 1. С. 87-101. DOI: 10.37661/1816-0301-2020-17-1-87-101
Ishkulov I., Vafin R., Takhauov D. еt al. Innovative approach to diagnostics of well integrity using machine learning // Norwegian Journal of Development of the International Science. 2024. № 144. P. 29-34. DOI: 10.5281/zenodo.14169109
Guolin Ke, Qi Meng, Finley T. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems 30: 31st Annual Conference on Neural Information Processing Systems (NIPS 2017), 4-9 December 2017, Long Beach, CA, USA. Curran Associates Inc., 2018. P. 3147-3155. DOI: 10.5555/3294996.3295074
Hosmer D.W., Lemeshow S. Applied Logistic Regression. Wiley, 2000. 392 p. DOI: 10.1002/0471722146

Интерпретируемое машинное обучение для определения негерметичности скважин

Аннотация

Литература

Похожие статьи