Исследование: Применение Machine Learning (ML) для прогнозирования добычи и свойств пласта (Обзор методов)

На основе научных публикаций (июнь 2021), включая работу Wang et al. (Geofluids) и обзор Sircar et al. (Petroleum Research), представлен гайд по выбору алгоритмов для задач Upstream.

• Задача: Прогнозирование падения добычи (Production Decline) в карбонатных коллекторах и предсказание свойств пласта (пористость, проницаемость) там, где физические симуляторы требуют слишком много времени или данных.

• Софт/Методы: Python/MATLAB (инструментарий ML), сравнение с физическими симуляторами (CMG, Eclipse).

• Методология (Выбор алгоритма):

  1. LSTM (Long Short-Term Memory): Рекомендуется для анализа временных рядов добычи. Исследование Wang et al. показало, что LSTM превосходит классические методы (кривые Арпса) в прогнозировании дебита, так как учитывает нелинейные зависимости и историю добычи ("память" модели) [cite: 7].

  2. Random Forest & XGBoost: Эффективны для задач классификации и регрессии, например, для предсказания насыщения нефтью или выявления аномалий в работе насосного оборудования (Predictive Maintenance) [cite: 6].

  3. Кластеризация (K-means): Используется для анализа каротажных данных и выделения скрытых паттернов в геологии пласта без учителя (Unsupervised learning).

• Валидация: Сравнение предсказаний ML-модели с историческими данными (History Matching) и результатами гидродинамического моделирования. В кейсе с карбонатными коллекторами LSTM показал значительное снижение ошибки прогноза по сравнению с традиционными методами.

• Итоговый результат: Создание суррогатных моделей (Proxy models), которые позволяют проводить сценарный анализ месторождения за секунды вместо часов.

Источник

Источник

Теги

• #MachineLearning
• #Upstream
• #LSTM
• #Python
• #ReservoirEngineering