Воспроизведение пластового давления при разработке нефтяных месторождений: перспективы и проблемы использования методов машинного обучения

В настоящее время модели, основанные на применении методов искусственного интеллекта, активно разрабатываются и применяются при решении самых различных задач, в том числе в практике нефтяного инжиниринга. Оценка точности и достоверности разработанных моделей, сводится, как правило, к определению стандартных статистических критериев, при этом не всегда разработчиками используется отдельная валидационная выборка. В настоящей статье приводятся результаты исследования, которые сводятся к многовариантному тестированию модели, основанной на применении методов машинного обучения, ранее разработанной авторами с целью определения динамического пластового давления в зонах отбора нефтедобывающих скважин. Модель характеризуется рядом преимущественных характеристик, в том числе минимальными требованиями к количеству исходных данных, что обуславливает ее актуальность и практическую востребованность. Высокой сходимости расчетных и фактических значений прогнозируемого параметра удалось добиться за счет усложнения модели, что затрудняет ее интерпретацию и не позволяет обоснованно сформулировать условия и критерии практического применения. В качестве объекта исследования выбраны три залежи нефти одного месторождения, с различающимися геолого-физическими условиями. Наличие большого количества фактических определений пластового давления посредством гидродинамических исследований скважин на месторождении позволило провести тестирование модели по самым различным сценариям, для каждого из которых оценивалась и анализировалась ошибка прогноза. В результате подтверждены высокие статистические оценки прогностической способности модели при ретро- и перспективном воспроизведении пластового давления. Установлено, что ошибки прогнозирования стремятся к нулю при наличии большого количества фактических определений величины пластового давления. Однако для проведения вычисления для каждой скважины достаточным является наличие единичного замера за всю историю. Установлено, что резкое изменение дебита скважины также должно сопровождаться фактическим определением пластового давления с занесением полученной величины в модель. В случае отсутствия по отдельным скважинам даже единичного замера пластового давления модель достоверно воспроизводит его величину посредством используемой в алгоритмах процедуры кригинга при наличии замеров по соседним скважинам.

1. Ахметдинов А.М., Марченко А.В., Павлов Д.В., Хабаров А.В., Облеков Р.Г., Бакало Н.Ю. (2024). Совершенствование методов интерпретации гидродинамических исследований нефтяных скважин на основе анализа фазовой сегрегации после остановки скважин. Газовая промышленность, S2(866), с. 66–73.

2. Гадильшина В.Р., Морозов П.Е., Шамсиев М.Н., Хайруллин М.Х. (2023). Гидродинамические исследования нефтяных скважин после кратковременного возмущения пласта. Вестник Томского государственного университета. Математика и механика, 85, с. 90–100. https://doi.org/10.17223/19988621/85/7

3. Кузнецова Е.А., Никулин С.Е., Шилов А.В., Филатов М.А. (2023). Опыт применения аналитических методов определения пластового давления. Нефтепромысловое дело, 6(654), с. 12–16. https://doi.org/10.33285/0207-2351-2023-6(654)-12-16

4. Левитина Е.Е., Инякина Е.И., Паклинов Н.М. (2023). Оценка динамики пластового давления и дренируемых запасов газа по данным исследований скважин эксплуатационного фонда. Известия высших учебных заведений. Нефть и газ, 5(161), с. 67–76.

5. Мартюшев Д.А., Пономарева И.Н., Шадров Т.А., Хайтин Р.А. Сервис автоматизации процессов гидродинамического моделирования и контроля разработки нефтяных месторождений Data Stream Analytics (модуль «Оценка и прогноз энергетического состояния залежи»). Свидетельство о регистрации программы для ЭВМ RU 2023614383, 01.03.2023. Заявка № 2023613550 от 01.03.2023.

6. Нигаметьянова Г.А., Ишкин Д.З. (2024). Прогнозирование длительности КВД на основе параметров пласта и заканчивания скважин. Нефтяная провинция, 1(37), с. 89–97.

7. Савченко В.О., Горидько К.А., Картавцева И.А., Абдуллаев Р.А., Ходаков И.О., Симонов М.В. (2023). Подход к оценке пластового давления и вида кривой восстановления давления при кратковременных остановках нефтяных скважин, оборудованных установками электроцентробежных насосов. Нефтяное хозяйство, 12, с. 40–44. https://doi.org/10.24887/0028-2448-2023-12-40-44

8. Сергеев В.Л., Донг В.Х., Фам Д.А. (2019). Адаптивная интерпретация результатов гидродинамических исследований горизонтальных скважин на прогнозирующих моделях. Известия Томского политехнического университета. Инжиниринг георесурсов, 330(1), с. 165–172. https://doi.org/10.18799/24131830/2019/1/62

9. Ханкишиева Т.У. (2023). Способ определения забойного давления без остановки скважины, оборудованной скважинным штанговым насосом. Нефтяное хозяйство, 3, с. 54–57. https://doi.org/10.24887/0028-2448-2023-3-54-57

10. Campos D., Wayo D.D.K., De Santis R.B., Martyushev D.A., Yaseen Z.M., Duru U.I., Saporetti C.M., Goliatt L. (2024). Evolutionary automated radial basis function neural network for multiphase flowing bottom-hole pressure prediction. Fuel, 377, 132666. https://doi.org/10.1016/j.fuel.2024.132666

11. Cao, S., Wang, C., Niu, Q., et al. (2024). Enhancing pore pressure prediction accuracy: A knowledge-driven approach with temporal fusion transformer. Geoenergy Science and Engineering, 238, 212839. https://doi.org/10.1016/j.geoen.2024.212839

12. Deng, S., Pan, H.-Y., Wang, H.-G., et al. (2024). A hybrid machine learning optimization algorithm for multivariable pore pressure prediction. Petroleum Science, 21(1), 535-550. https://doi.org/10.1016/j.petsci.2023.09.001

13. Filippov Е.V., Zakharov L.A., Martyushev D.A., Ponomareva I.N. (2022). Reproduction of reservoir pressure by machine learning methods and study of its influence on the cracks formation process in hydraulic fracturing. Journal of Mining Institute, 258, 924-932. https://doi.org/10.31897/PMI.2022.103

14. Harp, D.R., O’Malley, D., Yan, B., Pawar, R. (2021). On the feasibility of using physics-informed machine learning for underground reservoir pressure management. Expert Systems with Applications, 178, 115006. https://doi.org/10.1016/j.eswa.2021.115006

15. Jia, L., Peng, S., Xu, J., Yan, F. (2021). Interlayer interference during coalbed methane coproduction in multilayer superimposed gas-bearing system by 3D monitoring of reservoir pressure: An experimental study. Fuel, 304, 121472. https://doi.org/10.1016/j.fuel.2021.121472

16. Kaleem W., Tewari S., Fogat M., Martyushev D.A. (2024). A Hybrid Machine Learning Approach Based Study of Production Forecasting and Factors Influencing the Multiphase Flow through Surface Chokes. Petroleum, 10(2), 354-371. https://doi.org/10.1016/j.petlm.2023.06.001

17. Kanin E., Garipova A., Boronin S., et al. (2024). Combined mechanistic and machine learning method for construction of oil reservoir permeability map consistent with well test measurements. Petroleum Research. https://doi.org/10.1016/j.ptlrs.2024.09.001

18. Li, Q., Etzel, T.M., Konstantinou, A.G., Mazumdar, P. (2024). Rock physics and basin modeling nexus for predicting pore pressure. Geoenergy Science and Engineering, 234, 212575. https://doi.org/10.1016/j.geoen.2023.212575

19. Martyushev, D.A., Ponomareva, I.N., Galkin, V.I. Conditions for effective application of the decline curve analysis method. Energies. 2021. 14(20). 6461. https://doi.org/10.3390/en14206461

20. Nie Y., Xian C., Luo J. et al. (2025). Bagging machine learning algorithms for rapid identification, classification, evaluation and upscaling in unconventional reservoir. Geoenergy Science and Engineering, 246, 213545. https://doi.org/10.1016/j.geoen.2024.213545

21. Peters B., Haber E., Lensink K. (2024). Fully invertible hyperbolic neural networks for segmenting large-scale surface and sub-surface data. Artificial Intelligence in Geosciences, 5, 100087. https://doi.org/10.1016/j.aiig.2024.100087

22. Ponomareva, I.N., Martyushev, D.A., Govindarajan, S.K. (2022). A new approach to predict the formation pressure using multiple regression analysis: Case study from Sukharev oil field reservoir – Russia. Journal of King University – Engineering Sciences. https://doi.org/10.1016/j.jksues.2022.03.005

23. Pwavodi, J., Kelechi, I.N., Angalabiri, P., et al. (2023). Pore pressure prediction in offshore Niger delta using data-driven approach: Implications on drilling and reservoir quality. Energy Geoscience, 4(3), 100194. https://doi.org/10.1016/j.engeos.2023.100194

24. Shao, R., Wang, H., Xiao, L. (2024). Reservoir evaluation using petrophysics informed machine learning: A case study. Artificial Intelligence in Geosciences, 5, 100070. https://doi.org/10.1016/j.aiig.2024.100070

25. Shi F., Liao H., Qu F., Liu J., Wu T. (2024). Collaborative-driven reservoir formation pressure prediction using GAN-ML models and well logging data. Geoenergy Science and Engineering, 242, 213271. https://doi.org/10.1016/j.geoen.2024.213271

26. Tang, H., Fu, P., Jo, H., Jiang, S., et al. (2022). Deep learning-accelerated 3D carbon storage reservoir pressure forecasting based on data assimilation using surface displacement from InSAR. International Journal of Greenhouse Gas Control, 120, 103765. https://doi.org/10.1016/j.ijggc.2022.103765

27. Xi H., Luo Z., Guo Y. (2025). Reservoir evaluation method based on explainable machine learning with small samples. Unconventional Resources, 5, 100128. https://doi.org/10.1016/j.uncres.2024.100128

28. Yu, H., Chen, G., Gu, H. (2020). A machine learning methodology for multivariate pore-pressure prediction. Computers & Geosciences, 143, 104548. https://doi.org/10.1016/j.cageo.2020.104548

29. Zakharov, L.А., Martyushev, D.А., Ponomareva, I.N. (2022). Predicting dynamic formation pressure using artificial intelligence methods. Journal of Mining Institute, 253, 23-32. https://doi.org/10.31897/PMI.2022.11

30. Zhang, G., Davoodi, S., Band, S.S., et al. (2022). A robust approach to pore pressure prediction applying petrophysical log data aided by machine learning techniques. Energy Reports, 8, 2233-2247. https://doi.org/10.1016/j.egyr.2022.01.012

31. Zhang, X., Lu, Y.-H., Jin, Y., Chen, M., Zhou, B. (2024). An adaptive physics-informed deep learning method for pore pressure prediction using seismic data. Petroleum Science, 21(2), 885-902. https://doi.org/10.1016/j.petsci.2023.11.006

32. Zong P., Xu H., Tang D., Zhao T. (2023). A dynamic prediction model of reservoir pressure considering stress sensitivity and variable production. Geoenergy Science and Engineering, 225, 211688. https://doi.org/10.1016/j.geoen.2023.211688

33. Zong, P., Xu, H., Tang, D., Zhao, T. (2023). A dynamic prediction model of reservoir pressure considering stress sensitivity and variable production. Geoenergy Science and Engineering, 2023, 211688. https://doi.org/10.1016/j.geoen.2023.211688