Ученые Сколтеха показали, как машинное обучение поможет увеличить нефтеотдачу

Исследователи Сколтеха совместно с партнерами из нефтедобывающей отрасли нашли способ применить алгоритмы машинного обучения для прогнозирования теплопроводности породы, ключевого показателя, необходимого для того, чтобы использовать современные методы увеличения нефтеотдачи. Работа, поддержанная ООО «ЛУКОЙЛ-Инжиниринг», была опубликована в журнале Geophysical Journal International.

Теплопроводность породы — ключевой показатель как для моделирования нефтегазоносного бассейна, так и для разработки методов увеличения нефтеотдачи, повышающих продуктивность нефтяных скважин. В отрасли часто используют тепловые методы, когда нефть в пласте нагревается различными способами, например, паром, и такие методы требуют детальной информации о процессах теплопередачи в резервуаре.

Для этого необходимо было бы напрямую измерять теплопроводность породы в скважине, но это оказалось сложной проблемой, для которой пока не найдено удовлетворительных практических решений. Поэтому ученые и специалисты-практики применяют косвенные методы, когда теплопроводность породы вычисляется на основе данных геофизических исследований скважин (ГИС), которые дают достаточно хорошее представление об изменении свойств породы вдоль скважины.

«На сегодняшний день три фундаментальные проблемы полностью исключают возможность прямого измерения теплопроводности вне интервалов отбора керна. Во-первых, это время, требующееся на измерения: инженеры-нефтяники не могут позволить вам так надолго «заморозить» скважину, потому что это экономически невыгодно. Во-вторых, конвекция от бурового раствора сильно влияет на результаты измерений. И, наконец, форма скважин нестабильна, что влияет на некоторые технические аспекты измерений», — говорит аспирант Сколтеха и первый автор научной статьи Юрий Мешалкин.

Существующие методы на основе данных ГИС используют уравнения регрессии или теоретические модели; и у тех, и у других есть недостатки, связанные с доступностью данных и нелинейностью параметров породы. Мешалкин и его коллеги устроили своеобразное «соревнование» семи алгоритмов машинного обучения, чтобы выяснить, какой из них позволит максимально точно реконструировать теплопроводность. Для сравнения они также использовали теоретическую модель Лихтенеккера-Асаада.

Используя настоящие данные ГИС с месторождения тяжелой нефти в Тимано-Печорском бассейне на севере России, исследователи выяснили, что среди семи алгоритмов машинного обучения и обычной множественной линейной регрессии лучший результат показал алгоритм «случайный лес» (Random Forest), который обошел по точности даже теоретическую модель.

«Если исходить из сегодняшних потребностей и имеющихся решений, я бы сказал, что точность нашего лучшего результата, полученного с помощью машинного обучения, весьма высока. Трудно дать качественную оценку, потому что ситуация может меняться от месторождения к месторождению, но я считаю, что нефтедобывающие компании могут использовать такие косвенные методы прогнозирования теплопроводности породы, чтобы разрабатывать мероприятия по увеличению нефтеотдачи», — говорит Мешалкин.

Ученые считают, что алгоритмы машинного обучения имеют большой потенциал для быстрого и эффективного прогнозирования теплопроводности породы. Они более прямолинейны, устойчивы и не требуют никаких данных, кроме стандартных данных ГИС. Поэтому они могут «радикальным образом улучшить результаты геотермальных исследований, моделирования нефтегазоносных бассейнов и оптимизации термальных методов увеличения нефтеотдачи», заключают авторы статьи.