Том 337 № 4 (2026)
DOI https://doi.org/10.18799/24131830/2026/4/5689
Создание алгоритма вероятностного прогноза показателей разработки пласта БВ8 нефтегазоконденсатного месторождения с применением машинного обучения на основе исторических данных о работе добывающих скважин
Актуальность. Рассмотрена актуальная тема, связанная с прогнозированием показателей разработки нефтяных месторождений на основе исторических данных. Одним из эффективных технологических решений в данной области является модификация моделей характеристик вытеснения за счёт применения алгоритмов машинного обучения на базе теории вероятности Байеса в комбинации со стохастическим моделированием методом Монте-Карло. Применение цифровых технологий в сфере добычи в последнее время резко возросло, что будет способствовать снижению себестоимости добычи и позволит эффективно осваивать ранее признанные нерентабельными участки недр. Цель. Разработка алгоритма на основе машинного обучения, способного прогнозировать основные показатели разработки нефтяных месторождений на основе исторических данных с точностью, превышающей эти значения в применяемых на данный момент методах. Объект. Набор исторических данных о работе добывающих скважин крупного нефтегазоконденсатного месторождения, включающий в себя суточный дебит жидкости, изменение обводнённости и средневзвешенного пластового давления в рассматриваемой зоне. Методы. Общенаучные методы (анализ, обобщение, синтез, классификация) и конкретно-научные (математическое моделирование, программное моделирование). Совокупность и сочетание данных методов адекватны цели и задачам, объекту и предмету исследования данной работы. Результаты. Рассмотрен алгоритм построения расчётов по интегральным характеристикам вытеснения на примере скважин № 1133, 1165, 1221 и 1328 с различной обводнённостью. Наилучшим методом для всех скважин любой степени обводнённости является группа методов Г.С. Камбарова и А.М. Пирвердяна, т. к. их относительная погрешность имеет наименьший диапазон – от 1,2 до 5,6 %. Далее сформированы теоретические основы и механизм работы будущей программы на основе байесовских сетей с цепями Маркова. Созданная программа на языке программирования Python с использованием библиотеки BAMT позволила снизить относительную ошибку прогноза до 0,63 %. Научная новизна работы заключается в разработке уникального алгоритма прогноза добычи нефти на скважине, который включает в себя применение развивающегося на данный момент машинного обучения. Использование предложенного алгоритма позволит сократить время на оценку накопленных показателей и минимизировать погрешность расчёта.
Для цитирования: Арутюнян А.С. Создание алгоритма вероятностного прогноза показателей разработки пласта БВ8 нефтегазоконденсатного месторождения с применением машинного обучения на основе исторических данных о работе добывающих скважин. Известия Томского политехнического университета. Инжиниринг георесурсов, 2026, Т. 337, № 4, С. 152-167.
Ключевые слова:
прогноз показателей разработки нефтяных месторождений на основе исторических данных, анализ кривой падения добычи по уравнению Арпса, интегральные модели характеристик вытеснения, алгоритм прогноза с использованием моделей характеристик вытеснения, относительные погрешности интегральных характеристик вытеснения, моделирование Монте-Карло с построением цепей Маркова, алгоритм прогноза показателей разработки
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ
1. Бовконюк П.А., Савенок О.В. Разработка алгоритма программы для автоматизированного подбора месторождений-аналогов нефти и газа. Инженер-нефтяник, 2023, № 3, С. 20–24.
2. Проблема поиска месторождений-аналогов и методика её решения. А.Т. Кошелев, В.Н. Соловьёва, И.О. Орлова, Е.Н. Даценко. Строительство нефтяных и газовых скважин на суше и на море, 2014, № 7, С. 10–12.
3. Нигматуллин Ф.Н., Пономарёв А.И. О проектировании разработки новых газонефтяных и нефтегазовых залежей в условиях недостаточности данных. Нефтяное хозяйство, 2024, № 6, С. 73–77. DOI: 10.24887/0028-2448-2024-6-73-77
4. Шумко В.С., Мамчистова Е.И., Кузовлев С.С. Оценка извлекаемых запасов нефти с применением интегральных характеристик вытеснения на основе вероятностной методики. Известия высших учебных заведений. Нефть и газ, 2021, № 2, С. 78–88. DOI: 10.31660/0445-0108-2021-2-78-88
5. Decline curve analysis: a comparative study of proposed models using improved residual functions. M. Paryani, M. Ahmadi, O. Awoleke, C. Hanks. Journal of petroleum & environmental biotechnology, 2018, Vol. 9, Iss. 1, Р. 1–8. DОI: 10.4172/2157-7463. 1000362
6. Integral type curves for advanced decline curve analysis. J.P. Spivey, J.M. Gatens, M.E. Semmelbeck, W.J. Lee. SPE Mid-Continent Gas Symposium. Amarillo, Texas, 13–14 April, 1992. Р. 91. DOI: 10.2118/24301-MS
7. Ma X., Liu Zh. Predicting the oil production using the novel multivariate nonlinear model based on Arps decline model and kernel method. Neural Computing and Applications, 2016, Vol. 29, Iss. 2, P. 579–591. DOI: 10.1007/s00521-016-2721-x
8. Maurenza F., Yasutra A., Tungkup I.L. Production forecasting using Arps decline curve model with the effect of artificial lift installation. Scientific Contributions Oil and Gas, 2023, Vol. 46, Iss. 1, P. 9–18. DOI: 10.29017/scog.46.1.1310
9. Петухов А.В., Рощин П.В. Дополнение к закону Арпса для оценки извлекаемых запасов нефти в традиционных и нетрадиционных коллекторах. Вестник евразийской науки, 2023, Т. 15, № 4, Порядковый номер: 28.
10. Arps J.J. Analysis of decline curves. Transactions of the AIME, 1945, Vol. 160 (01), P. 228–247. DOI: 10.2118/945228-g
11. Назаров С.Н., Сипачёв Н.В. Методика прогнозирования технологических показателей на поздней стадии разработки нефтяных залежей. Известия высших учебных заведений. Нефть и газ, 1972, № 10, С. 41–45.
12. Сипачёв Н.В., Посевич А.Г. О характеристиках вытеснения нефти водой. Известия высших учебных заведений. Нефть и газ, 1980, № 12, С. 26–32.
13. Гайсин Д.К., Тимашев Э.М. Оценка извлекаемых запасов в условиях вытеснения нефти водой в поздней стадии разработки. Труды БашНИПИнефть, 1985, Вып. 73.
14. Максимов М.И. Метод подсчёта извлекаемых запасов нефти в конечной стадии эксплуатации нефтяных пластов в условиях вытеснения нефти водой. Геология нефти и газа, 1959, № 3, С. 42–47.
15. Абызбаев И.И. Особенности разработки залежей нефти на поздней стадии. Нефтяное хозяйство, 1978, № 9, С. 27–30.
16. Сазонов Б.Ф. Методика прогноза нефтеотдачи при проектировании разработки нефтяных месторождений. Труды Гипровостокнефть, 1969, Вып. 12, С. 104–109.
17. К вопросу о прогнозе добычи нефти и попутной воды при разработке слоисто-неоднородных коллекторов. А.М. Пирвердян, П.И. Никитин, Л.Б. Листенгартен, М.Г. Данелян. Азербайджанское нефтяное хозяйство, 1970, № 11, С. 19–22.
18. Камбаров Г.С., Алмамедов Д.Г., Махмудова Т.Ю. К определению начального извлекаемого запаса нефтяного месторождения. Азербайджанское нефтяное хозяйство, 1974, № 3, С. 22–24.
19. Казаков А.А. Прогнозирование показателей разработки месторождений по характеристикам вытеснения нефти водой. Нефтепромысловое дело, 1976, № 8, С. 5–7.
20. Zhang R., Jia H. Production performance forecasting method based on multivariate time series and vector autoregressive machine learning model for waterflooding reservoirs. Petroleum Exploration and Development, 2021, Vol. 48, Iss. 1, P. 201–211. DOI: 10.1016/s1876-3804(21)60016-2
21. Khamehchi E., Bemani A. Prediction of pressure in different two-phase flow conditions: Machine learning applications. Measurement: Journal of the International Measurement Confederation, 2021, Vol. 173, P. 108665. DOI: 10.1016/j.measurement.2020.108665
22. Pal M. On application of machine learning method for history matching and forecasting of times series data from hydrocarbon recovery process using water flooding. Petroleum Science and Technology, 2021, Vol. 39, P. 519–549. DOI: 10.1080/10916466.2021.1918712
23. Application of proxy-based MCMC and EDFM to history match a Vaca Muerta shale oil well. S. Dachanuwattana, J. Jin, P. Zuloaga-Molero, X. Li, Y. Xu, K. Sepehrnoori, J. Miao. Fuel, 2018, Vol. 220, P. 490–502. DOI: 10.1016/j.fuel.2018.02.018
24. Mayet A.M. Extraction of time-domain characteristics and selection of effective features using correlation analysis to increase the accuracy of petroleum fluid monitoring systems. A.M. Mayet, S.M. Alizadeh, K.S. Nurgalieva, R. Hanus, E. Nazemi, I.M. Narozhnyy. Energies, 2022, Vol. 15, Iss. 6, Serial number: 1986. DOI: 10.3390/en15061986
25. Fursov I., Christie M., Lord G. Applying kriging proxies for Markov chain Monte Carlo in reservoir simulation. Computational Geosciences, 2020, Vol. 24, Iss. 4, P. 1725–1746. DOI: 10.1007/s10596-020-09968-z
26. Бабешко Л.О. Методические аспекты обобщённых методов диагностики в моделях векторной авторегрессии: тесты Харке–Бера. Современная математика и концепции инновационного математического образования, 2020, Т. 7, № 1, С. 320–328.
27. Upendra S. Residual analysis in simple linear regression: a practical application with the Jarque–Bera test. International Scientific Journal of Engineering and Management, 2023, P. 1–12. DOI: 10.55041/ijsrem26596
REFERENCES
1. Bovkonyuk P.A., Savenok O.V. Development of a program algorithm for the automated selection of oil and gas analogue fields. Oil Engineer, 2023, no. 3, pp. 20–24. (In Russ.)
2. Koshelev A.T., Solovyova V.N., Orlova I.O., Datsenko E.N. The problem of prospecting for fields-analogues and the method applied for its salvation. Construction of oil and gas wells on land and at sea, 2014, no. 7, pp. 10–12. (In Russ.)
3. Nigmatullin F.N., Ponomarev A.I. On solving problematic issues when designing the development of new gas-oil and oil-gas deposits in conditions of insufficient data. Oil industry, 2024, no. 6, pp. 73–77. (In Russ.) DOI: 10.24887/0028-2448-2024-6-73-77
4. Shumko V.S., Mamchistova E.I., Kuzovlev S.S. Estimating recoverable oil reserves using integral displacement characteristics based on probabilistic methodology. News of higher educational institutions. Oil and gas, 2021, no. 2, pp. 78–88. (In Russ.) DOI: 10.31660/0445-0108-2021-2-78-88
5. Paryani M., Ahmadi M., Awoleke O., Hanks C. Decline curve analysis: a comparative study of proposed models using improved residual functions. Journal of petroleum & environmental biotechnology, 2018, vol. 9, Iss. 1, pp. 1–8. DОI: 10.4172/2157-7463. 1000362
6. Spivey J.P., Gatens J.M., Semmelbeck M.E., Lee W.J. Integral type curves for advanced decline curve analysis. SPE Mid-Continent Gas Symposium. Amarillo, Texas, 13–14 April, 1992. pp. 91. DOI: 10.2118/24301-MS
7. Ma X., Liu Zh. Predicting the oil production using the novel multivariate nonlinear model based on Arps decline model and kernel method. Neural Computing and Applications, 2016, vol. 29, Iss. 2, pp. 579–591. DOI: 10.1007/s00521-016-2721-x
8. Maurenza F., Yasutra A., Tungkup I.L. Production forecasting using Arps decline curve model with the effect of artificial lift installation. Scientific Contributions Oil and Gas, 2023, vol. 46, Iss. 1, pp. 9–18. DOI: 10.29017/scog.46.1.1310
9. Petuhov A.V., Roshchin P.V. Addendum to Arps law for estimating recoverable oil reserves in conventional and unconventional reservoirs. Bulletin of Eurasian Science, 2023, vol. 15, no. 4, serial number: 28. (In Russ.)
10. Arps J.J. Analysis of decline curves. Transactions of the AIME, 1945, vol. 160 (01), pp. 228–247. DOI: 10.2118/945228-g
11. Nazarov S.N., Sipachev N.V. Methodology for forecasting technological indicators at a late stage of oil deposit development. News of higher educational institutions. Oil and gas, 1972, no. 10, pp. 41–45. (In Russ.)
12. Sipachev N.V., Posevich A.G. On the characteristics of oil displacement by water. News of higher educational institutions. Oil and gas, 1980, no. 12, pp. 26–32. (In Russ.)
13. Gaisin D.K., Timashev E.M. Evaluation of recoverable reserves under conditions of oil displacement by water at a late stage of development. Proceedings of BashNIPIneft, 1985, iss. 73. (In Russ.)
14. Maksimov M.I. Method for calculating recoverable oil reserves at the final stage of exploitation of oil formations under conditions of oil displacement by water. Geology of oil and gas, 1959, no. 3, pp. 42–47. (In Russ.)
15. Abyzbaev I.I. Features of development of oil deposits at a late stage. Oil industry, 1978, no. 9, pp. 27–30. (In Russ.)
16. Sazonov B.F. Methodology for forecasting oil recovery in designing the development of oil fields. Proceedings of Giprovostokneft, 1969, Iss. 12, pp. 104–109. (In Russ.)
17. Pirverdyan A.M., Nikitin P.I., Listengarten L.B., Danelyan M.G. On the forecast of oil and associated water production during the development of layered heterogeneous reservoirs. Azerbaijan Oil Industry, 1970, no. 11, pp. 19–22. (In Russ.)
18. Kambarov G.S., Almamedov D.G., Makhmudova T.Yu. On the determination of the initial recoverable reserve of an oil field. Azerbaijan Oil Industry, 1974, no. 3, pp. 22–24. (In Russ.)
19. Kazakov A.A. Forecasting field development indicators based on the characteristics of oil displacement by water. Oil Field Business, 1976, no. 8, pp. 5–7. (In Russ.)
20. Zhang R., Jia H. Production performance forecasting method based on multivariate time series and vector autoregressive machine learning model for waterflooding reservoirs. Petroleum Exploration and Development, 2021, vol. 48, Iss. 1, pp. 201–211. DOI: 10.1016/s1876-3804(21)60016-2
21. Khamehchi E., Bemani A. Prediction of pressure in different two-phase flow conditions: Machine learning applications. Measurement: Journal of the International Measurement Confederation, 2021, vol. 173, pp. 108665. DOI: 10.1016/j.measurement.2020.108665
22. Pal M. On application of machine learning method for history matching and forecasting of times series data from hydrocarbon recovery process using water flooding. Petroleum Science and Technology, 2021, vol. 39, pp. 519–549. DOI: 10.1080/10916466.2021.1918712
23. Dachanuwattana S., Jin J., Zuloaga-Molero P., Li X., Xu Y., Sepehrnoori K., Miao J. Application of proxy-based MCMC and EDFM to history match a Vaca Muerta shale oil well. Fuel, 2018, vol. 220, pp. 490–502. DOI: 10.1016/j.fuel.2018.02.018
24. Mayet A.M., Alizadeh S.M., Nurgalieva K.S., Hanus R., Nazemi E., Narozhnyy I.M. Extraction of time-domain characteristics and selection of effective features using correlation analysis to increase the accuracy of petroleum fluid monitoring systems. Energies, 2022, vol. 15, Iss. 6, serial number: 1986. DOI: 10.3390/en15061986
25. Fursov I., Christie M., Lord G. Applying kriging proxies for Markov chain Monte Carlo in reservoir simulation. Computational Geosciences, 2020, vol. 24, Iss. 4, pp. 1725–1746. DOI: 10.1007/s10596-020-09968-z
26. Babeshko L.O. Methodical aspects of generalized diagnostics methods in vector autoregressive models: Jarque–Bera tests. Modern Mathematics and Concepts of Innovative Mathematical Education, 2020, vol. 7, Iss. 1, pp. 320–328. (In Russ.)
27. Upendra S. Residual analysis in simple linear regression: a practical application with the Jarque–Bera test. International Scientific Journal of Engineering and Management, 2023, pp. 1–12. DOI: 10.55041/ijsrem26596
