Нефтедобывающим предприятиям нужно уметь прогнозировать темпы добычи нефти. Полученные данные они используют для того, чтобы распределить финансовые потоки, выстроить экономически успешные отношения с потребителями, запланировать новые контракты и инвестиции. Чтобы оценить будущие объёмы добытых полезных ископаемых, специалисты ежедневно отслеживают и записывают данные о добыче углеводородов. Но неоднородность продуктового пласта и другие факторы затрудняют такое прогнозирование.
Учёные Пермского национального исследовательского политехнического университета в соавторстве с коллегами из-за рубежа смогли решить эту задачу. Они разработали новую модель машинного обучения, которая помогает прогнозировать объёмы добычи нефти. Подход состоит в анализе поведения потока углеводородов при прохождении через дроссели. Исследование опубликовано в журнале Petroleum.
Поверхностные дроссели – это оборудование, которое устанавливают на устье скважины, чтобы регулировать подачу нефти. С помощью таких приспособлений специалисты минимизируют стандартные проблемы, возникающие в процессе нефтедобычи: избыточную добычу песка, конусообразование, заклинивание поверхностного оборудования. Новая модель машинного обучения для прогнозирования объёмов нефтедобычи основывается на информации о том, как ведёт себя поток углеводородов в момент прохождения сквозь дроссели, регулирующие давление подачи нефти из пласта. Кроме этого, в процессе обучения модели разработчики учитывали данные нефтяного месторождения за предыдущие года и применяли другие методы машинного обучения. Тестирование и обучение новой модели проводилось на нефтяных скважинах норвежского континентального шельфа.
По словам одного из разработчиков перед загрузкой данных в модель нужно устранить шум, некондиционные и отсутствующие значения с нефтегазового месторождения. После этого нужно нормализовать данные. Это уменьшит влияние больших значений переменных-предсказателей на меньшие значения. Таким образом, точность прогнозирования алгоритмов при анализе повышается. Новая модель машинного обучения помогает специалистам получить информацию об остатках углеводородов в продуктовом пласте и оптимизировать бизнес-процессы.