Машинное обучение позволило увеличить нефтеотдачу

Сотрудники Сколковского института науки и технологий вместе с коллегами из российской нефтедобывающей компании создали алгоритм машинного обучения, который позволяет прогнозировать теплопроводность породы. Быстрый и правильный расчет этого показателя позволит увеличить нефтеотдачу. Исследование опубликовано в журнале Geophysical Journal International.

Теплопроводность породы — важный параметр, на который специалисты опираются при моделирования нефтегазоносного бассейна и при разработке методов увеличения нефтеотдачи. Такие методы позволяют увеличить продуктивность нефтяных скважин. Чаще всего для этого применяют тепловые методы, при которых нефть в пласте нагревается различными способами. Такие методы требуют точной информации о процессах теплопередачи в резервуаре.

Чтобы получить ее, специалистам нужно напрямую измерять теплопроводность породы в скважине. Однако сегодня сделать это оказалось почти невозможно. Действенных решений этой проблемы исследователи пока не нашли. Сегодня для получения таких данных ученые используют косвенные методы, в которых теплопроводность породы вычисляется на основе данных геофизических исследований скважин (ГИС). Эти измерения дают достаточно хорошее представление о том, как меняются свойств породы вдоль скважины.

«Прямое измерение теплопроводности вне интервалов отбора керна сегодня невозможно по трем главным причинам. Во-первых, для этого требуется большое количество времени. Специалисты не могут «заморозить» скважину на такой долгий срок, это экономически невыгодно. Во-вторых, результаты измерений сильно зависят от конвекции в буровом растворе. Третья проблема заключается в том, что форма скважин нестабильна, а это оказывает влияние на некоторые технические аспекты измерений», — рассказывает первый автор статьи, аспирант Сколтеха Юрий Мешалкин.

Имеющиеся сегодня методы на основе данных ГИС связаны с использованием уравнений регрессии или теоретических моделей. У обоих групп есть свои недостатки, которые связаны с доступностью данных и нелинейностью параметров породы. Российские исследователи провели своего рода состязание между семью разными алгоритмами машинного обучения, которые они создали ранее. Так исследователи пытались выяснить, какая из программ сможет максимально точно реконструировать теплопроводность породы. В качестве показателя сравнения ученые использовали модель Лихтенеккера-Асаада.

В качестве исходных данных все алгоритмы использовали настоящие данные ГИС с месторождения тяжелой нефти в Тимано-Печорском бассейне на севере России. Выяснилось, что из семи алгоритмов машинного обучения и обычной множественной линейной регрессии ближе всего к реальному результату оказался алгоритм «случайный лес» (Random Forest), который обошел по точности даже теоретическую модель.

«Принимая во внимание потребности отрасли и имеющиеся на сегодняшний день решения проблемы, мы с уверенностью можем сказать, что наш алгоритм может заменить используемые на данный момент методы измерения. Пока что мы не можем дать ему качественную оценку, так как точность его предсказаний может меняться от месторождения к месторождению. Однако мы считаем, что нефтедобывающие компании могут пользоваться такими косвенными методами для прогнозирования теплопроводности породы и последующей разработки мероприятий по увеличению нефтеотдачи», — подводит итог Юрий Мешалкин.