Результат интеллектуальной деятельности: Способ выбора оптимального дизайна гидроразрыва пласта на основе интеллектуального анализа полевых данных для увеличения добычи углеводородного сырья

Изобретение относится к области технологий проведения гидроразрыва пласта (ГРП), в частности, к оптимизации параметров для повышения добычи углеводородов (определение дизайна ГРП). Изобретение также относится к области техники компьютерного моделирования, способ может быть использован для оценки дебита скважин после ГРП, в т.ч. многостадийного. Способы интеллектуального анализа данных упрощают определение эффективности процессов ГРП, оптимизационные алгоритмы позволяют подобрать значения управляющих параметров ГРП для максимизации добычи углеводородов.

Из уровня техники известно изобретение по патенту № 2730576 «Способ прогнозирования гидроразрыва пласта, способ гидроразрыва пласта, способы прогнозирования рисков гидроразрыва пласта» (дата приоритета: 02.05.2017, дата публикации: 24.08.2020, МПК: E21B 43/267). Способ гидроразрыва пласта включает: ввод данных о расписании гидроразрыва; ввод данных для подмодели распространения трещины гидроразрыва в пласте; ввод данных для подмодели транспорта материалов гидроразрыва в трещине; моделирование гидроразрыва пласта с помощью подмодели распространения трещины гидроразрыва и подмодели транспорта материалов гидроразрыва, при этом сопряжение подмоделей проводят по гидродинамическому сопротивлению для ячеек моделирования; вывод данных моделирования на момент окончания расписания гидроразрыва и/или закрытия трещины. Общими признаками является ввод данных о расписании гидроразрыва пласта и вывод данных для моделирования гидроразрыва пласта. Недостатком известного способа и системы является недостаточная точность моделирования ГРП для обеспечение добычи максимального, т.к. база данных содержит недостаточный набор данных для точного моделирования. При решении только прямой задачи при моделировании ГРП не достигается необходимая точность моделирования ГРП с учетом добычи максимально возможного объема дебита флюида, не обеспечивается оптимизация значений параметров ГРП, полученных на основании обученной модели предсказания накопленной добычи флюида.

Известна публикация US20170328179 «Аппаратура, способы и системы для проведения гидравлического разрыва пласта» (дата публикации: 16.11.2017, МПК: E21B41/00). Способ включает: измерение по меньшей мере одного свойства, связанного с трещиной в геологической формации; измерение по меньшей мере одного свойства, связанного с трещиной в геологической формации, для обеспечения измеряемого свойства; обновление рабочего состояния прогнозируемой модели гидроразрыва, содержащей модель утечки жидкости, полученную на основе измеренного свойства; обновление рабочего состояния прогнозируемой модели гидроразрыва, содержащей модель утечки, на основе измеренного свойства; выполнение прогнозируемой модели гидроразрыва для работы устройства для управления количеством жидкости для гидроразрыва, закачиваемой в геологический пласт, и устройства для управления количеством проппанта, закачиваемого в геологический пласт. Общими признаками является получения входной информации для моделирования дизайна ГРП, в том числе с учетом количества необходимого проппанта. Однако решение только прямой задачи при моделировании обеспечивает низкий уровень добычи углеводородов при определении дизайна ГРП. Модель предсказания накопленной добычи флюида уточняется только за счет добавления новых уточненных данных, не осуществляется оптимизация значений параметров ГРП, полученных на основании обученной модели предсказания накопленной добычи флюида.

Из уровня техники известны способы оптимизации проведения гидроразрыва пласта по патенту US9262713 (дата приоритета: 05.09.2012, дата публикации: 16.02.2016). Способ включает: сбор данных относительно множества завершенных горизонтальных стволов скважин; сбор данных о незавершенном горизонтальном стволе скважины; применение первой части первого сбора данных к множеству искусственных нейронных сетей, хранящихся на энергонезависимом машиночитаемом носителе; применение одного или нескольких генетических алгоритмов, хранящихся на энергонезависимом машиночитаемом носителе, для обучения каждой из множества искусственных нейронных сетей с целью создания множества прогнозных моделей, каждая из которых обеспечивает оценку добычи в стволе скважины на основе первого сбора данных; определение наилучшей прогнозной модели из множества прогнозных моделей путем применения второй части первого сбора данных к множеству прогнозных моделей, при этом второй набор завершенных горизонтальных стволов скважин отличается от первого набора завершенных горизонтальных стволов скважин; применение второго сбора данных относительно незавершенного горизонтального ствола скважины и множества доступных параметров заканчивания ствола скважины к лучшей прогнозной модели для определения набора параметров заканчивания ствола скважины из множества доступных параметров заканчивания ствола скважины, что оптимизирует расчетную производительность ствола скважины на основе наилучшей прогнозируемой модели; вывод набора параметров для гидравлического разрыва незавершенного горизонтального ствола скважины на основе набора параметров заканчивания ствола скважины, определенных с использованием наилучшей прогнозной модели. Общими признаками является сбор данных относительно множества горизонтальных скважин, применение части данных для обучения прогнозной модели предсказания накопленной добычи флюида, проверка точности прогнозирования полученной модели. Однако применение наилучшей прогнозной модели, обученной только на прямой задаче, значительно снижает качество модели для целей добычи большего объема флюида.

Задачей заявленного изобретения является поиск (определение) оптимальных управляющих параметров дизайна ГРП (параметров ГРП) с помощью методов машинного обучения и интеллектуального анализа данных на основе фактически проведенных операций для обеспечения максимальной добычи флюида углеводородов.

Техническим результатом изобретения является получение наиболее оптимальных параметров для проведения ГРП и повышения дебита для скважин на месторождении, обеспечение проведения ГРП для увеличение добычи углеводородов (дебита флюида нефти).

Способ выбора (определения) оптимального дизайна гидроразрыва пласта (ГРП), при котором осуществляют:

- создание базы данных (БД) скважин с проведенными ГРП, включающую по меньшей мере:

параметры по скважинам, параметры (характеристики) пласта вдоль траектории скважин, параметры ГРП, параметры фактической добычи флюида по скважинам (полевых данных);

- создание модели предсказания накопленной добычи флюида с помощью алгоритмов машинного обучения по параметрам БД скважин с проведенными ГРП;

- сбор параметров по скважине, для которой необходимо определить параметры ГРП, являющейся целевой (параметры по целевой скважине), параметров (характеристик) пласта вдоль траектории целевой скважины;

- определение скважин-аналогов для целевой скважины с помощью БД и параметров по целевой скважине;

- определение диапазонов значений для параметров ГРП по параметрам скважин-аналогов;

- осуществление подбора параметров ГРП внутри диапазонов значений параметров ГРП с помощью алгоритма оптимизации (сужение диапазонов значений параметров ГРП);

- получение оптимальных параметров ГРП (параметров дизайна ГРП), которые соответствуют максимальному дебиту флюида для целевой скважины с помощью итерационной подачи в обученную модель предсказания накопленной добычи флюида параметров ГРП, полученных с помощью алгоритма оптимизации на предыдущем шаге.

Под дизайном гидроразрыва пласта понимается определение параметров, необходимых для проведения гидроразрыва пласта, при котором будет обеспечиваться максимально высокий уровень накопленной добычи флюида.

Также технический результат достигается за счет того, что способ проведения ГРП включает:

- создание базы данных (БД) скважин с проведенными ГРП, включающую по меньшей мере:

параметры по скважинам, параметры (характеристики) пласта вдоль траектории скважин, параметры ГРП, параметры фактической добычи флюида по скважинам;

- создание модели предсказания накопленной добычи флюида с помощью алгоритмов машинного обучения по параметрам БД скважин с проведенными ГРП;

- сбор параметров по скважине, для которой необходимо определить параметры ГРП, являющейся целевой (параметры по целевой скважине), параметров (характеристик) пласта вдоль траектории целевой скважины;

- определение скважин-аналогов для целевой скважины с помощью БД и параметров по целевой скважине;

- определение диапазонов значений для параметров ГРП по параметрам скважин-аналогов;

- осуществление подбора параметров ГРП внутри диапазонов значений параметров ГРП с помощью алгоритма оптимизации (сужение диапазонов значений параметров ГРП);

- получение оптимальных параметров ГРП (параметров дизайна ГРП), которые соответствуют максимальному дебиту флюида для целевой скважины с помощью итерационной подачи в обученную модель предсказания накопленной добычи флюида параметров ГРП, полученных с помощью алгоритма оптимизации на предыдущем шаге;

- проводят ГРП на целевой скважине согласно полученным оптимальным значениям параметров ГРП.

Технический результат достигается за счет того, что система выбора оптимального дизайна гидроразрыва пласта (ГРП) включает по крайней мере один процессор, оперативную память и машиночитаемые инструкции для выполнения способа выбора оптимального дизайна гидроразрыва пласта (ГРП) по любому из вариантов.

Технический результат достигается за счет того, что машиночитаемый носитель для выбора оптимального дизайна гидроразрыва пласта (ГРП), содержит машинные инструкции способа выбора оптимального дизайна гидроразрыва пласта (ГРП) по любому из вариантов, выполненный с возможностью чтения данных инструкций и исполнения их процессором.

Параметры по скважинам могут включать по меньшей мере параметры флюида, параметры компоновки скважины. Параметры компоновки скважины могут включать по меньшей мере интервалы перфорации. Параметры флюида могут включать по меньшей мере данные по вязкости флюида. Параметры по скважинам могут дополнительно включать данные о геологическом расположении скважин.

Параметры по скважинам могут включать по меньшей мере параметры флюида, параметры компоновки скважины.

Параметры компоновки скважины включают по меньшей мере интервалы перфорации.

Параметры флюида могут включать по меньшей мере данные по вязкости флюида.

Параметры по скважинам дополнительно могут включать данные о геологическом расположении скважин.

Параметры в БД скважин могут дополнительно очищать от недостоверных параметров с помощью кластеризации данных, исключая выбросовые параметры из БД.

Параметры БД скважин могут быть разделены на категориальные и вещественные параметры ГРП, при этом категориальными параметрами являются по меньшей мере часть параметров по скважинам, а вещественными параметрами являются по меньшей мере часть параметров ГРП.

Категориальными параметрами могут являться по меньшей мере сведения о названии пласта, номере куста, типе проппанта.

Вещественными параметрами могут являться по меньшей мере данные о количестве стадий ГРП по скважинам, массе проппанта, используемой для проведения ГРП по скважинам, доле подушки по скважинам, пористости пласта, проницаемости пласта.

Скважины-аналоги могут определять с помощью сопоставления параметров скважин, имеющихся в БД скважин, с имеющимися параметрами по целевой скважине, при этом в качестве скважин-аналогов выбирают скважины БД, параметры которых наиболее схожи с параметрами целевой скважины.

При реализации заявленного способа скважины-аналоги могут определять с помощью сопоставления параметров скважин, имеющихся в БД скважин, с имеющимися параметрами по целевой скважине, при этом в качестве скважин-аналогов выбирают скважины БД, параметры которых наиболее схожи с параметрами целевой скважины.

Скважины-аналоги могут определять с помощью сопоставления данных о геологическом расположении скважин БД с данными о геологическом расположении целевой скважины, при этом в качестве скважин-аналогов выбирают скважины БД, которые наиболее близко расположены к целевой скважине.

Диапазоны значений параметров ГРП могут определять по минимальным и максимальным значениям параметров ГРП для скважин-аналогов.

При реализации заявленных способов, системы и машиночитаемого носителя скважины-аналоги могут определять с помощью сопоставления данных о геологическом расположении скважин БД с данными о геологическом расположении целевой скважины, используя для этого по меньшей мере расчёт расстояния Минковского между целевой скважиной и другими скважинами БД, при этом в качестве скважин-аналогов выбирают скважины БД, которые наиболее близко расположены к целевой скважине.

При обучении модели предсказания накопленной добычи флюида дополнительно могут учитывать параметры по преждевременной остановке закачки рабочей жидкости ГРП, при этом параметры по преждевременной остановке закачки рабочей жидкости ГРП являются дополнительными граничными параметрами для построения модели предсказания накопленной добычи флюида.

В качестве алгоритмов машинного обучения для создания модели предсказания накопленной добычи флюида могут использовать алгоритмы ридж-регрессии и/или градиентного бустинга.

Принципы работы алгоритма ридж-регрессии известны из источника: https://shorturl.at/twHX7 https://shorturl.at/rsBEL GB:https://shorturl.at/zCDJO

В качестве алгоритмов машинного обучения для создания модели предсказания накопленной добычи флюида могут использовать алгоритмы ридж-регрессии и градиентного бустинга чередуя их при обучении модели.

В качестве алгоритма оптимизации могут использовать безградиентный алгоритм оптимизации.

В качестве безградиентного алгоритма оптимизации могут использовать алгоритм дифференциальной эволюции или имитации отжига или роя частиц или суррогатная оптимизация (SBO).

Принцип работы алгоритма дифференциальной эволюции известен из источника: https://habr.com/ru/post/171751/.

Принципы работы алгоритма имитации отжига известны из источников: https://algorithmica.org/ru/annealing.

Принципы работы алгоритма роя частиц известны из источников: https://jenyay.net/Programming/ParticleSwarm

Принципы работы алгоритма SBO известны из источников: https://www.datadvance.net/ru/blog/tech-tips/2015/sbo-algorithms-for-expensive-functions-optimization.html, «Сравнительный анализ процедур оптимизации на основе гауссовских

процессов», Евгений Бурнаев, Максим Панов, Даниил Кононенко, Иван Коноваленко.

В способе выбора оптимального дизайна гидроразрыва пласта (ГРП) дополнительно могут проводить ГРП на целевой скважине согласно полученным оптимальным значениям параметров ГРП.

Для обучения модели предсказания накопленной добычи флюида могут использовать параметры ГРП БД, которые выбирают в результате проведения рекурсивного удаления части параметров ГРП.

Перед рекурсивным удалением части параметров ГРП могут осуществлять фильтрацию параметров ГРП с помощью присвоения им индексов Соболя, при этом отфильтровываются параметры ГРП, которым соответствует индекс Соболя менее 0,001.

Выбор параметров ГРП для обучения модели предсказания накопленной добычи флюида с помощью фильтраций (по индексу Соболя и/или рекурсивного удаления параметров ГРП) обеспечивают получение более точной модели предсказания накопленной добычи флюида, более быстрого получения наиболее оптимальных параметров для проведения ГРП и повышения дебита для скважин на месторождении дополнительного увеличения добычи углеводородов (дебита флюида нефти).

Перед фильтрацией параметров ГРП с помощью присвоения им индексов Соболя удаляют параметры ГРП, которые соответствуют скважинам, на которых преждевременно останавливалась закачка рабочей жидкости ГРП.

Дополнительно могут осуществлять проверку качества обученной модели предсказания накопленной добычи флюида. Проверку качества обученной модели могут осуществлять с помощью коэффициента детерминации дебита флюида по целевой скважине, полученного с помощью модели, к реальному дебиту флюида скважины-аналога. Можно считать, что модель предсказания накопленной добычи флюида обучена с необходимой точностью предсказания, если коэффициент детерминации не менее 0,6.

Параметры по скважинам, параметры (характеристики) пласта вдоль траектории скважин, параметры ГРП, параметры фактической добычи флюида по скважинам и другие параметры для базы данных могут получать из внешних источников данных. В качестве внешних источников данных могут использовать как скважинные устройства, так и наземные устройства для исследования свойств пласта.

Таким образом технический результат достигается за счет наличия БД скважин, содержащей параметры фактически проведенных ГРП, за счет определения наиболее оптимальных параметров ГРП для целевой скважины на основе обученной модели предсказания накопленной добычи флюида и более точного и быстрого подбора параметров ГРП для загрузки в обученную модель и итерационного уточнения оптимальных параметров ГРП для целевой скважины. В результате реализации заявленного изобретения осуществляется интеллектуальный выбор оптимальных параметров ГРП для осуществления ГРП. В результате проведения ГРП на основании данных, полученных с помощью оптимизационного алгоритма, при котором строится уточненная зависимость параметров ГРП от уровня добычи дебита флюида и определяются параметры ГРП для загрузки в обученную модель предсказания накопленной добычи, обеспечивается увеличение добычи флюида углеводородов (нефти) по меньшей мере на 20%.

Для создания базы данных (БД) скважин в качестве архива данных при реализации изобретения использовались сведения по шести пластам Приобского месторождения. В общем случае источниками исходных данных для создания базы данных могут являться сразу несколько отчётных документов. Фрак-лист – документ с общим описанием процесса ГРП и всех стадий операции на скважине. МЭР (месячный эксплуатационный рапорт) – таблица с месячным отчётом о добыче каждой скважины месторождения. Файл (данные) Техрежим – ежемесячно собранные геологические и технические данные скважины – в частности, например: расстояние между перфорациями, диаметры насосно-компрессорных труб и обсадных колонн, производительность скважины. Файл (данные) Геомеханика – контраст напряжений в пласте (вертикальных и горизонтальных напряжений), коэффициент Пуассона, модуль плоской деформации. Файл (данные) PVT – общие физические характеристики пластовых флюидов (параметры флюида - плотность, вязкость, температура). Координаты пластопересечений скважин, данные РИГИС - результаты интерпретации геофизических исследований скважин (результаты интерпретации комплекса исследований для определения геофизических профилей и выявления продуктивных горизонтов по результатам петрофизических, сейсмических исследований, анализа керна). Фрак-лист может быть выбран в качестве основного источника данных для сбора параметров для БД скважин ввиду присутствия максимального объема ключевых данных для параметров ГРП (объемы закаченного проппанта, его концентрация, доля подушки и скорости закачки по стадиям ГРП и пр.). Некоторые характеристики пласта во фрак-листе могут быть представлены в виде усреднённых значений - по перфорированному интервалу. Также фрак-лист может содержать информацию о возникновении (наличии) «СТОПов» по скважинам (наличие преждевременной остановки закачки рабочей жидкости ГРП в скважину). Таким образом, в массив данных БД может быть включен особый класс параметров - параметры по преждевременной остановке закачки жидкости (рабочей жидкости) ГРП. Такие параметры свидетельствуют о наличии безуспешного ГРП. Следовательно, данные (параметры) БД скважин могут быть дополнительно разделены на два класса: был «СТОП» / не было «СТОПа». Информация о «СТОПах» может быть использована для дополнительной фильтрации параметров ГРП.

Параметры в БД скважин могут быть разделены на категориальные и вещественные параметры. В БД может быть представлено, например, 6 категориальных параметров: название месторождения, тип пласта, фация, тип скважины, наличие рефрака, номер куста. Вещественные параметры – это параметры, которые могут быть представлены числовыми значениями: масса проппанта, доля подушки, пористость, проницаемость и подобные числовые параметры ГРП. модель обучают на всех параметрах, для того, чтобы модель могла учитывать категориальные, ей надо об этом знать (что они не вещественные).

Категориальные параметры при подготовке модели к обучению могут предобрабатываться различными методами (https://newtechaudit.ru/kategorialnye-priznaki-v-mashinnom-obuchenii/). Например, могут быть использованы методы быстрого кодирования (One-Hot Encoding). Также БД скважин может быть дополнительно очищена от любых неточных значений с использованием экспертов. Также на основе анализа распределения значений могут быть статистически отфильтрованы недостоверные значения параметров в БД скважин. Также может быть использована кластеризация данных по параметрам БД с использованием алгоритма DBSCAN (алгоритм кластеризации данных), который также может идентифицировать выбросы среди значений параметров БД для их удаления из БД.

Создание модели предсказания накопленной добычи флюида осуществляется за счет обучения модели с помощью параметров, содержащихся в БД скважин (фиг. 1).

При обучении модели параметры БД делят на вещественные и категориальные. Причем к вещественным относят по меньшей мере массу проппанта, долю подушки, пористость, проницаемость, а к категориальным относят по меньшей мере название месторождения, тип пласта, фация, тип скважины, наличие рефрака, номер куста. Категориальные параметры могут кодироваться таким образом, чтобы каждому значению параметра соответствовал отдельный параметр в базе данных, например: тип скважины – вертикальный / тип скважины – горизонтальный.

Для получения обученной модели элементы БД делят на обучающую и тестовую выборки с соотношением, например, 75/25. Обучение модели и настройка её гиперпараметров ведётся на обучающей выборке с применением перекрестной проверки (кросс-валидации https://wiki.loginom.ru/articles/cross-validation.html). Проверка точности модели происходит на тестовой выборке. Точность модели проверяют, сравнивая предсказанные значения дебита флюида с его реальными значениями. Для использования модели производят её обучение на всей БД с гиперпараметрами, найденными в ходе обучения с применением кросс-валидации.

Модель предсказания накопленной добычи флюида может быть представлена в виде множества деревьев решений, включая конкретное дерево решений по определению оптимальных параметров ГРП для накопленной добычи флюида. Узлами дерева решений является определение значений параметров ГРП. При этом каждому узлу (параметру ГРП) дерева решений может присваиваться значение полезности – значения SHAP (Шапли), т.е. присваиваться вклад в повышение добычи дебиты флюида.

В результате обучения модели на данных БД осуществляется построение модели, которая может предсказывать накопленную добычу, например, за 3 месяца.

Предсказание добычи скважины (накопленной добычи) с ГРП осуществляется с помощью регрессии, где целевой признак (накопленная добыча) принимает действительные числа. Обучение модели предсказания накопленной добычи флюида наиболее подходящим алгоритмом являются алгоритмы ридж-регресии и градиентного бустинга. При этом алгоритм ридж регрессии вычисляет первое приближение значения целевой функции, а градиентный бустинг предсказывает разницу между предсказанием первого алгоритма и действительным значением целевой функции.

Способ предсказания накопленной добычи с помощью заявленных алгоритмов обучения может быть представлен суммированием предсказаний первого и второго алгоритма.

Функция потерь регрессии (ошибка прогнозирования) представляет собой гладкий и дифференцируемый квадратный корень среднеквадратичной ошибки (RMSE). При этом обучающая выборка может использоваться с 5-кратной процедурой перекрестной проверки. (https://codecamp.ru/blog/cross-validation-k-fold/).

После перекрестной проверки обученной модели может быть дополнительно осуществлено измерение точности прогнозирования. Для измерения точности прогнозирования может быть выбрано несколько метрик для проверки на тестовой выборке. Первая метрика – это сама RMSE, вычисляемая между предсказанными и действительными значениями, второй применяемый показатель – это средняя абсолютная ошибка (MAE), которая более интерпретируема и надежна в случае выбросов. MAE является абсолютной метрикой, в отличие от коэффициента детерминации R2. (Применяется метрика (https://en.wikipedia.org/wiki/WMAPE)

R² определяется как доля дисперсии, объясняемой моделью, в общей дисперсии ответов:

R² (a,Х) = 1 - ,

где R² (a,Х) – коэффициент детерминации для модели предсказания накопленной добычи флюида;

a(x_i) – алгоритм машинного обучения модели предсказания накопленной добычи флюида;

Х – параметры базы данных ;

Qi – спрогнозированный дебит для скважин;

- реальный дебит для этих скважин.

Таким образом, R², равный 0, означает, что модель работает так же, как если бы модель предсказывала просто постоянное среднее арифметическое значение, а R², равным 1, означает, что прогнозы модели идентичны истинным значениям. Достаточно необходимая, удовлетворительная точность предсказания достигается при R²≥0.6 или wMAPE < 30%. Результаты качества прогнозирования показаны на фиг. 2, на которой обозначены 1 – зависимость истинных значений от значений, предсказанных моделью, 2 – случай наилучшего соответствия реальных и предсказанных данных, 3 – линейный тренд полученной зависимости реальных значений от предсказанных.

При этом для обучения модели могут быть использованы не все параметры ГРП, содержащиеся в БД, а интеллектуально отобранный набор важных признаков (значимых параметров), которые оказывают наиболее существенное влияние на повышение (изменение) прогнозируемого дебита флюида и точность прогнозирования модели.

Для исключения признаков, которые оказывают негативное влияние на предсказание добычи флюидов может быть последовательно применена фильтрация параметров. На первом этапе могут быть исключены параметры, имеющие индекс Соболя меньше определённого значения, и затем может применяться рекурсивное удаление признаков (фиг. 1).

Выявление наиболее значимых технологических параметров ГРП, влияющих на успешность операций ГРП осуществляется следующим образом.

В ходе анализа чувствительности (важности/значимости) параметров ГРП возможно использовать метод Соболя. Благодаря этому подходу возможно ранжировать параметры, в зависимости от того, насколько сильно они влияют на целевую функцию (максимальный дебит флюида). В заявленном способе целевой функций является значение дебита флюида (Q), например, за 3 последовательных календарных месяца.

Индексы Соболя S_i принимают значения от нуля до единицы и представляют собой условные дисперсии каждой из величин, нормированные на общую дисперсию целевой функции . Общая дисперсия целевой функции в свою очередь рассчитывается, как сумма условных дисперсий всего набора параметров (p) БД:

– индекс Соболя для i-го параметра;

- условная дисперсия величины ;

– безусловная дисперсия целевой функции .

В результате выявляется список наиболее значимых параметров ГРП согласно индексам Соболя (фиг. 3), например:

- Количество стадий ГРП;

- Скорость закачки рабочей жидкости ГРП;

- Количество проппанта на пласт;

- Концентрация проппанта;

- Объем рабочей жидкости ГРП;

- Концентрация сшивателя;

- Количество брейкера;

- Глубина посадки пакера;

- Размер проппанта.

При этом могут быть исключены параметры, для которых индекс Соболя равен 0. Например, параметры: тип подушки и давление закрытия трещины.

На втором этапе определения (выявления) значимых параметров (фиг. 1) могут применяться значения аддитивных объяснений Шапли (SHAP – SHAPLEY Additive exPlanation).

Значения SHAP – это среднее значение предельных вкладов по всем перестановкам параметров. Эта концепция естественным образом вписывается в процедуру обучения дерева (модели предсказания накопленной добычи флюида), поскольку каждый базовый алгоритм дерева решений оценивает каждый параметр ГРП одинаково, чтобы установить переменную, которая вносит наибольший вклад на каждом этапе построения дерева решений (модели предсказания накопленной добычи флюида).

С помощью функции Шапли, применяемой для параметров ГРП, можно определить на сколько важен каждый параметр ГРП в процессе обучения модели. (https://papers.nips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf)

Например, максимальной силой для получения максимального дебита флюида может быть параметр «количество стадий ГРП», следовательно, при наиболее точном определении этого параметра будет наблюдаться максимальное увеличение предсказанного дебита флюида.

На фиг. 4 приведена торнадо диаграмма, показывающая важность и эффект признаков относительно целевой функции (дебита). Каждая точка на графике является числом Шапли для определенного параметра, и показывает по оси х численное влияние на целевую функцию. Цвет представляет значение функции от низкого до высокого. Например, большое число стадий прямо пропорционально дебиту флюида и, следовательно, обозначено красными точками. В дополнение, перекрывающиеся точки, колеблющуюся в направлении оси Y, дают представление о распределении значений Шапли для каждого объекта.

Другими словами, рассчитывается насколько влияние каждого параметра ГРП улучшает точность прогнозирования (определения дебита флюида/накопленной добычи), за которую отвечает узел дерева решений (например, узел, который относится к определению количества стадий ГРП). Затем каждое значение важности усредняется по всем деревьям решений бустинга.

Такая методика, основанная на важности признаков, позволяет применить рекурсивное удаление (исключение) признаков (RFE), например, с помощью графика Шапли. Т.е. в процессе обучения модели (фиг. 1) признаки могут последовательно удаляться для повышения точности предсказания и снижения влияния параметров ГРП, которые не оказывают положительного влияния на прогнозную точность дебита флюида.

Таким образом, при использовании обученной модели прогнозируется дебит скважины с ГРП с удовлетворительной точностью предсказания, но на следующем этапе осуществляется донастройка параметров ГРП, для максимизации предсказанной добычи при определенных условиях.

Для реализации заявленного способа определяют скважины-аналоги (фиг. 5) для целевой скважины с помощью БД скважин. Скважины-аналоги могут быть приняты как скважины, близкие к целевой скважине по геологии (пласта, в котором они расположены), так и скважины, близкие по скважинным данным. Также имеется возможность выбирать их по географии - в пределах определённого радиуса (обычно 5-10 км), по координатам пластопересечения. Метрикой «похожести» может быть как евклидово расстояние – квадратный корень из суммы квадратов разницы соответствующих параметров вектора-скважины, так и любая другая из метрик Минковского; а также косинусное расстояние между такими векторами.

В общем случае метрики Минковского выглядят так:

ρ (x, y) – расстояние Минковского;

x – i-ый параметр целевой скважины;

y – i-ый параметр скважины сравнения;

p – показатель степени (2 для случая евклидового расстояния).

Поиск скважин-аналогов может вестись как по определённому месторождению, пласту, географическим координатам, фации, их любой комбинации, так и по всей базе данных.

Еще одним вариантом поиска скважин-аналогов может быть способ, основанный на кластеризации и уменьшении размерности данных.

Алгоритм поиска скважин-аналогов может быть следующий:

- параметры среды (пласта/месторождения) объектов (скважин) БД и целевой скважины проецируются на плоскость методом t-SNE;

- проецируемые данные маркируются алгоритмами кластеризации, которые делят данные на группы. Целевая скважина на графике маркируется звездой для отчетливого опознавания;

- гиперпараметры алгоритма кластеризации настраиваются на плоскости таким образом, чтобы объекты в одной группе или кластере были визуально больше похожи друг на друга, чем объекты в другой группе (визуальный анализ t-SNE – только для визуализации. Кластеры определяются алгоритмом DBSCAN);

- после маркировки каждого объекта соответствующим номером кластера, присоединяются соответствующие объекту контролируемые параметры ГРП;

- осуществляют поиск пилотного кластера, где лежит целевая скважина;

- осуществляют определение скважин-аналогов, находящихся в одном кластере с целевой скважиной.

Далее с помощью скважин-аналогов определяют диапазоны значений для параметров ГРП по параметрам скважин-аналогов, т.е. определяют граничные значения для параметров, которые были определены в качестве значимых параметров после фильтрации. Граничными значениями параметров ГРП могут быть приняты минимальное и максимальное значение каждого параметра среди множества скважин-аналогов.

Далее с помощью алгоритма оптимизации осуществляют выбор параметров ГРП внутри ранее определенных диапазонов значений параметров ГРП. В качестве алгоритма оптимизации может быть использован безградиентный алгоритм суррогатной оптимизации – SBO (фиг. 6, 7). Средние значения параметров ГРП в каждом диапазоне являются начальным приближением для алгоритма оптимизации. Для оптимизации алгоритм SBO пробует различные значения каждого оптимизируемого параметра, пытаясь обнаружить, как изменение нескольких параметров одновременно будут влиять на целевую функцию оптимизации.

Оптимизация значений параметров осуществляется следующий образом.

На первом шаге алгоритм применяет граничные (минимальные, максимальные) и средние значения каждого из параметров ГРП одновременно в их различных сочетаниях в модели предсказания накопленной добычи флюида, при этом устанавливая предварительные зависимости целевой функции от этих параметров (проиллюстрировано на фиг. 9 на примере тестируемых значений конечной концентрации проппанта в ходе оптимизации). Пример диапазона значений параметров ГРП представлен на фиг. 8.

После первой подачи значений параметров ГРП в обученную модель также получают предварительные оптимальные значения ГРП, которые используются в алгоритме оптимизации, т.е. используются для уточнения зависимости параметров ГРП от дебита флюида (накопленной добычи флюида) для целевой скважины.

В результате для каждого параметра ГРП строят функциональную зависимость дебита флюида от каждого оставшегося после фильтраций параметра ГРП для целевой скважины. На основании функциональной зависимости определяют новое возможное оптимальное значение параметра ГРП, которое соответствует пику (максимальному значению) дебита флюида. Новое возможное оптимальное значение каждого параметра ГРП очередной раз подают в обученную модель и получают очередное значение дебита флюида. Значения параметров ГРП для более оптимального дебита флюида добавляют также к функциональной зависимости и уточняют аппроксимационную модель целевой скважины. При этом алгоритм SBO может продолжать тестировать значения параметров, не укладывающиеся в аппроксимационную модель целевой скважины (суррогатную модель) для более полного анализа многомерных зависимостей. Так, на фиг. 9 видно, что алгоритм настроен увеличивать конечную концентрацию пропанта в ходе оптимизации, однако продолжает тестировать и значения, которые меньше максимального. На основании итерационного выбора (определения) оптимальных значений ГРП, около 150-200 итераций, определяют оптимальные значения ГРП (выделены зеленым уровнем) для максимального дебита (фиг. 8). На фиг. 9 видно, что в результате итерационного уточнения аппроксимационной (суррогатной) модели целевой скважины наиболее точно определяется концентрация проппанта, необходимая для целевой скважины.

В результате осуществления способа получают оптимальные параметры проведения ГРП, например, для целевой скважины, расположенной на месторождении А с помощью модели предсказания накопленной добычи флюида и аппроксимационной модели целевой скважины, используемой для оптимизационного выбора параметров ГРП.

Таким образом, для Скважины 4, на месторождении А были найдены оптимальные значения параметров дизайна ГРП, которые соответствуют максимальному значению добычи флюида (накопленной добычи за 3 месяца - 3647 м³):

Месторождение А

Куст 123

Пласт АС

Скважина 4

Добыча жидкости (флюида) за 3 месяца 3647 м³

Количество стадий ГРП 1

Скорость закачки 5,43 м³/мин

Количество проппанта на пласт 50 т

Концентрация проппанта в рабочей жидкости ГРП 828.7 кг/м³

Объём рабочей жидкости ГРП 539 м³

Объём буфера/подушки 233.9 м³

используют для последующей закачки смеси ГРП.

Аппроксимационная модель целевой скважины может быть представлена в виде многопараметрической зависимости параметров ГРП от показателей целевой функции (накопленной добычи флюида) в условиях целевой скважины (параметры целевой скважины).

Заявленное изобретение было проверено на трех скважинах, расположенных на реальных месторождениях (таблица 1).

Таблица 1 – Данные применения способа на реальных скважинах

Из таблицы 1 наглядно видно, что с помощью применения заявленного изобретения удалось увеличить дебит флюида с начальной накопленной добычи: 7290  м³, 11189  м³и 7450  м³до 13706  м³, 14727 м³ и 8906  м³ соответственно по скважинам 1ГС, 2ГС и 3ГС.

На основании полученных оптимальных параметров ГРП при реализации способа проведения гидроразрыва пласта осуществляют проведение ГРП для добычи флюида.

Процесс реализации заявленной системы выбора оптимального дизайна гидроразрыва пласта (ГРП) и машиночитаемого носителя для выбора оптимального дизайна гидроразрыва пласта (ГРП) осуществляется аналогично способу, описанному выше.

Таким образом, обеспечивается получение наиболее оптимальных параметров для проведения ГРП и повышения дебита для скважин на месторождении, обеспечение проведения ГРП для увеличение добычи углеводородов (дебита флюида нефти).