TY - JOUR

T1 - Гибридное моделирование поглощения жидкостей глушения в условиях трещиновато-пористых коллекторов на основе физико-математического моделирования и машинного обучения

AU - Gumerov, R. R.

AU - Kalinin, S. A.

AU - Roshchektaev, A. P.

AU - Karmushin, S. R.

AU - Neverov, V. V.

AU - Kozhukhov, A. S.

AU - Katser, Yu D.

AU - Ippolitov, M. S.

AU - Kuchendaeva, E. M.

AU - Novikov, E. V.

AU - Besov, A. S.

AU - Mullyadzhanov, R. I.

AU - Golovin, S. V.

N1 - Гибридное моделирование поглощения жидкостей глушения в условиях трещиновато-пористых коллекторов на основе физико-математического моделирования и машинного обучения / Р. Р. Гумеров, С. А. Калинин, А. П. Рощектаев [и др.] // Нефтяное хозяйство. – 2024. – № 12. – С. 46-52. – DOI 10.24887/0028-2448-2024-12-46-52.

PY - 2024/12

Y1 - 2024/12

N2 - Целью работы является повышение эффективности глушения скважин на месторождениях с карбонатными трещиновато-пористыми коллекторами, высоким газовым фактором, наличием сероводорода и зон аномально низких пластовых давлений. Для проведения операций глушения скважин в таких условиях применяются различные мероприятия, в том числе закачка в определенной последовательности различных объемов неньютоновских вязкоупругих и эмульсионных блокирующих составов, а также солевых растворов с целью предотвращения газонефтеводопроявлекний. Результат достигается за счет недопущения поглощения технологических составов призабойной зоной пласта и обеспечения противодавления на пласт столбом жидкости в стволе скважины. Ключевой проблемой при этом является выбор оптимального состава и объемов жидкости глушения, обеспечивающих минимальное число неуспешных случаев проведения работ. В качестве способа решения поставленной задачи было выбрано гибридное моделирование, объединяющее методы машинного обучения с классическими методами математического (физического) моделирования. Гибридный подход позволяет, с одной стороны, улавливать сложные и неочевидные зависимости в данных, с другой - опираться на физические принципы, лежащие в основе математических моделей фильтрации жидкости в трещиновато-пористых средах. Разработанные модели дают возможность прогнозировать необходимые для успешного глушения объемы технологических составов с точностью от 2 до 50 м3 в зависимости от вида состава и скважины, при этом коэффициент детерминации R2 достигает 0,7, что указывает на высокую предсказательную способность регрессионных моделей.

AB - Целью работы является повышение эффективности глушения скважин на месторождениях с карбонатными трещиновато-пористыми коллекторами, высоким газовым фактором, наличием сероводорода и зон аномально низких пластовых давлений. Для проведения операций глушения скважин в таких условиях применяются различные мероприятия, в том числе закачка в определенной последовательности различных объемов неньютоновских вязкоупругих и эмульсионных блокирующих составов, а также солевых растворов с целью предотвращения газонефтеводопроявлекний. Результат достигается за счет недопущения поглощения технологических составов призабойной зоной пласта и обеспечения противодавления на пласт столбом жидкости в стволе скважины. Ключевой проблемой при этом является выбор оптимального состава и объемов жидкости глушения, обеспечивающих минимальное число неуспешных случаев проведения работ. В качестве способа решения поставленной задачи было выбрано гибридное моделирование, объединяющее методы машинного обучения с классическими методами математического (физического) моделирования. Гибридный подход позволяет, с одной стороны, улавливать сложные и неочевидные зависимости в данных, с другой - опираться на физические принципы, лежащие в основе математических моделей фильтрации жидкости в трещиновато-пористых средах. Разработанные модели дают возможность прогнозировать необходимые для успешного глушения объемы технологических составов с точностью от 2 до 50 м3 в зависимости от вида состава и скважины, при этом коэффициент детерминации R2 достигает 0,7, что указывает на высокую предсказательную способность регрессионных моделей.

KW - classification

KW - fractured-porous reservoir

KW - gradient boosting

KW - machine learning

KW - mathematical modeling

KW - non-Newtonian fluid

KW - regression

KW - rheological tests

KW - well killing

KW - well killing fluid

KW - Глушение скважин

KW - Жидкости глушения

KW - Неньютоновская жидкость

KW - Трещиновато-пористый коллектор

KW - МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

KW - МАШИННОЕ ОБУЧЕНИЕ

KW - Классификация

KW - Регрессия

KW - Градиентный бустинг

KW - Реологические тесты

UR - https://www.mendeley.com/catalogue/2a807b78-d9fa-30d7-98a1-12f9e15ff048/

UR - https://elibrary.ru/item.asp?id=77263983

U2 - 10.24887/0028-2448-2024-12-46-52

DO - 10.24887/0028-2448-2024-12-46-52

M3 - статья

VL - 2024

SP - 46

EP - 52

JO - Neftyanoe khozyaystvo - Oil Industry

JF - Neftyanoe khozyaystvo - Oil Industry

SN - 0028-2448

IS - 12

ER -