Локализация и разработка остаточных запасов нефти с использованием геохимических исследований на основе нейросетевых алгоритмов

На поздней стадии разработки месторождений остаточные запасы нефти претерпевают существенное изменение от подвижных до малоподвижных и неподвижных. Эти запасы в основном находятся в техногенно измененных, промытых в процессе эксплуатации, пластах и участках залежей.
Поиск, локализация и разработка таких источников углеводородов является эффективным методом увеличения конечного коэффициента извлечения нефти на зрелых месторождениях, ввиду наличия готовой развитой инфраструктуры добычи, транспортировки и переработки, а также концентрации высококвалифицированных кадров.
В статье рассмотрен подход, позволяющий на основе нейросетевых алгоритмов оценить объемы и локализовать остаточные запасы нефти на многопластовых месторождениях в комплексе с анализом геохимических исследований пластовых флюидов. Использование алгоритмов машинного обучения позволяет адресно подходить к разработке остаточных запасов путем автоматизированного подбора геолого-технических мероприятий. Такой подход значительно сокращает ручной труд специалистов на обработку данных и время принятия решений.

1. Багманова С.В. и др. (2019). Геология Волго-Уральской нефтегазоносной провинции. Оренбург: ОГУ, 127 с.

2. Гладков Е.А., Гладкова Е.Е. (2008). Неоднозначность геолого-технологической информации в процессе адаптации гидродинамической модели. Бурение и нефть, 10, с. 40–41.

3. Ермолина А.В., Соловьева А.В. (2017). Характеристика факторов, влияющих на нефтеотдачу пласта. Геология, география и глобальная энергия, 4, с. 43–48.

4. Зайцев М.В., Михайлов Н.Н., Туманова Е.С. (2021). Модели нелинейной фильтрации и влияние параметров нелинейности на дебит скважин в низкопроницаемых коллекторах. Георесурсы, 23(4), с. 44–50. https://doi.org/10.18599/grs.2021.4.5

5. Закревский K.E. (2009). Геологическое 3D моделирование. Москва: ООО ИПЦ Маска, 376 с.

6. Зиновьев А.М. и др. (2013). Исследование реологических свойств и особенностей фильтрации высоковязких нефтей месторождений Самарской области. Вестник Самарского государственного технического университета. Серия: Технические науки, 2, с. 197–205.

7. Игнатенко А.М., Макарова И.Л., Копырин А.С. (2019). Методы подготовки данных к анализу слабоструктурированных временных рядов. Программные системы и вычислительные методы, 4, с. 87–94. https://doi.org/10.7256/2454-0714.2019.4.31797

8. Кайгородов С.В. (2022). Типичные ошибки при создании гидродинамических моделей. Часть I. Ремасштабирование геологической модели. PROНЕФТЬ. Профессионально о нефти, 2, с. 52–58.

9. Костиков Д.В., Петров А.Н., Лялин В.Е. (2007). Подготовка исходных данных для задачи интерпретации геофизических исследований скважин с помощью многослойной нейронной сети. Труды Международного симпозиума «Надежность и качество», т. 1, с. 123–128.

10. Муслимов Р.Х. (2012). Нефтеотдача: прошлое, настоящее, будущее. Казань: Фэн, 663 с.

11. Рыжов А.Е. и др. (2013). Физическое и математическое моделирование многофазной фильтрации при проектировании разработки нефтяной оторочки Ен-Яхинского НГКМ. Вести газовой науки, 1(12), с. 126–137.

12. Семячков А.И. (2009). Фильтрационная неоднородность трещиноватых пород. Москва: Горная книга, 151 с.

13. Старовойтов В.В., Голуб Ю.И. (2021). Нормализация данных в машинном обучении. Информатика, 18(3), с. 83–96. https://doi.org/10.37661/1816-0301-2021-18-3-83-96

14. Степанов С.В., Соколов С.В., Ручкин А.А., Степанов А.В., Князев А.В., Корытов А.В. (2018). Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования. Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика, 4(3), с. 146-164. https://doi.org/10.21684/2411-7978-2018-4-3-146-164

15. Чарный И.А. (1963). Подземная гидрогазодинамика. Москва: Гостоптехиздат, 397 с.

16. Aanonsen, Sigurd I., Geir Nævdal, Dean S. Oliver, Albert C. Reynolds, and Brice Vallès (2009). The ensemble Kalman filter in reservoir engineering – a review. SPE J, 14(3), pp. 393–412. https://doi.org/10.2118/117274-PA

17. Al-AbdulJabbar A. et al. (2018). Predicting formation tops while drilling using artificial intelligence. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192345-MS

18. Barber D. (2012). Bayesian reasoning and machine learning. Cambridge University Press, p. 610. https://doi.org/10.1017/CBO9780511804779

19. Bebis G., Georgiopoulos M. (1994). Feed-forward neural networks. IEEE Potentials, 13(4), pp. 27–31. https://doi.org/10.1109/45.329294

20. Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of control, signals and systems, 2(4), pp. 303–314. https://doi.org/10.1007/BF02551274

21. Einicke G.A. (2012). Smoothing, Filtering and Prediction: Estimating the Past, Present and Future. Rijeka, Croatia: Intech, 286 p.

22. Evensen G. (1994). Sequential data assimilation with a non-linear quasigeostrophic model using Monte Carlo methods to forecast error statistics. J Geophys Res, 99(C5), pp. 10143–10162. https://doi.org/10.1029/94JC00572

23. Hamam H., Ertekin T.A. (2018). Generalized varying oil compositions and relative permeability screening tool for continuous carbon dioxide injection in naturally fractured reservoirs. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192194-MS

24. Kidner D.B. (2003). Higher-order interpolation of regular grid digital elevation models. International Journal of Remote Sensing, 24(14), pp. 2981–2987. https://doi.org/10.1080/0143116031000086835

25. Li S., Chen J., Xiang J. (2020). Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural computing and applications, 32(7), pp. 2037–2053.https://doi.org/10.1007/s00521-019-04341-3

26. Liu B., Li,Y., Li G., & Liu A. (2019). A spectral feature based convolutional neural network for classification of sea surface oil spill. ISPRS International Journal of Geo-Information, 8(4), p. 160. https://doi.org/10.3390/ijgi8040160

27. Lydia A., Francis S. (2019). Adagrad – an optimizer for stochastic gradient descent. Int. J. Inf. Comput. Sci., 6(5), pp. 566–568.

28. Minmin Cai, Núria Jiménez, Martin Krüger, Huan Guo, Yao Jun, Nontje Straaten, Hans H. Richnow (2015). Potential for aerobic and methanogenic oil biodegradation in a water flooded oil field (Dagang oil field), Fuel, 141, pp. 143–153. https://doi.org/10.1016/j.fuel.2014.10.035

29. Novikova S., Rizvanova Z., Ziniukov R., Usmanov S. (2020). Prospects of geochemical monitoring on the basis of borehole oil samples at bypassed oil reserves localization. Int. Multidis. Sci. GeoConf. SGEM, pp. 739–744. https://doi.org/10.5593/sgem2020/1.2/s06.094

30. Nurgaliev D., Ziniukov R., Sudakov V., Fakhriev, N., Averyanov A. (2021). Evaluation of the applicability of biodegradationMarkers for identification of the bypassed oil zones. 21st Int. Multidis. Sci. GeoConf. SGEM, pp. 935–941. https://doi.org/10.5593/sgem2021/1.1/s06.113

31. Nurgaliev et al. (2006). Variation of i-butane/n-butane ratio in oils of the Romashkino oil field for the period of 1982–2000: Probable influence of the global seismicity on the fluid migration. Journal of Geochemical Exploration, 89(1–3), pp. 293–296. https://doi.org/10.1016/j.gexplo.2005.12.022

32. O’Shea K., Nash R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.

33. Ribeiro M.I. (2004). Kalman and extended kalman filters: Concept, derivation and properties. Institute for Systems and Robotics, 46 p.

34. Rifai A.P., Aoyama H., Tho N.H., Dawal S.Z.M., Masruroh N.A. (2020). Evaluation of turned and milled surfaces roughness using convolutional neural network. Measurement, 161, 107860. https://doi.org/10.1016/j.measurement.2020.107860

35. Rukundo O. (2021). Evaluation of Rounding Functions in Nearest Neighbor Interpolation. International Journal of Computational Methods, 18(08), 2150024. https://doi.org/10.1142/S0219876221500249

36. Ta, J., Li S., Chen J., Liu C., Wang Y. (2021). Mineral prospectivity prediction via convolutional neural networks based on geological big data. Journal of Earth Science, 32(2), pp. 327–347. https://doi.org/10.1007/s12583-020-1365-z

37. Tan J., NourEldeen N., Mao K., Shi J., Li Z., Xu T., Yuan Z. (2019). Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China. Sensors, 19(13), 2987. https://doi.org/10.3390/s19132987

38. Toro-Vizcarrondo C., Wallace T.D. (1968). A test of the mean square error criterion for restrictions in linear regression. Journal of the American Statistical Association, 63(322), pp. 558–572. https://doi.org/10.1080/01621459.1968.11009275

39. Wen Xian-Huan, and Wen H. Chen (2006). Real-time reservoir model updating using ensemble Kalman filter with confirming option. SPE J., 11(04), pp. 431–442. https://doi.org/10.2118/92991-PA

40. Zaikin A., Salimov R. (2019). An application of Kalman filter model to reservoir pressure maintenance. Int. Multidis. Sci. GeoConf. SGEM, (1.2), pp. 627–634. https://doi.org/10.5593/sgem2019/1.2/S06.079

41. Zhou, Zhuang, Shengyang Li, and Yuyang Shao (2018). Crops classification from sentinel-2A multi-spectral remote sensing images based on convolutional neural networks. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. https://doi.org/10.1109/IGARSS.2018.8518860