水力壓裂實質上是在高壓下將流體泵入儲層的過程，這會產(chǎn)生裂縫，并幫助將碳氫化合物帶到井中，并最終帶到地表，這是增產(chǎn)油氣的最廣泛使用的技術之一。在過去的幾十年中，HF的技術復雜性日益增長，以至于現(xiàn)在需要進行廣泛的設計和使用復雜的多模塊模擬器進行預先建模。

“與此同時，將這些模擬器的預測與現(xiàn)實聯(lián)系起來仍然是校準，驗證和驗證真實數(shù)據(jù)模型的主要問題。此外，要閉合壓裂模擬器和生產(chǎn)數(shù)據(jù)之間的循環(huán)，需要將壓裂設計建模耦合在一起使用儲層模擬器，這會進一步增加復雜性和不確定性。作為替代方案，我們決定正確看待壓裂設計和生產(chǎn)的現(xiàn)場數(shù)據(jù)，這是成功的衡量標準。”多相系統(tǒng)實驗室負責人Andrei Osiptsov教授解釋說該研究的合著者是Skoltech碳氫化合物回收中心的成員。

M-階段實驗室的研究人員以及ADASE小組負責人Evgeny Burnaev教授領導的CDISE同事決定，看看基于機器學習的數(shù)據(jù)驅動的HF設計方法是否可以幫助應對這一挑戰(zhàn)。

他們項目的關鍵部分始于2018年，是一個數(shù)字數(shù)據(jù)庫，其數(shù)據(jù)涉及JSC Gazprom Neft周邊俄羅斯西伯利亞西部約20個油田的約6000口井的壓裂工作和石油生產(chǎn)。每個數(shù)據(jù)點包含油藏，井和壓裂設計參數(shù)以及16個采油參數(shù)上的92個變量。

“我們設法收集并清理了一個很大的水力壓裂完工數(shù)據(jù)庫。通過將機器學習方法應用于該數(shù)據(jù)庫，我們已經(jīng)可以根據(jù)工藝參數(shù)準確預測水力壓裂結果。我們仍然需要解決根據(jù)這一預測，為選擇水力壓裂工藝的參數(shù)而建立最佳建議的任務艱巨。”該研究的合著者本那夫教授說。

M-Phase Lab高級工程師兼項目經(jīng)理，該研究的合著者Albert Vainshtein指出，由于真實數(shù)據(jù)的歧義性，高度不確定性和異質性，該項目“從一開始就非常具有挑戰(zhàn)性”。

“我認為數(shù)字數(shù)據(jù)庫的開發(fā)將使我們能夠檢驗各種假設，進而可以清除壓裂過程的多種隱藏模式。例如，重要的是確定在哪個注入的支撐劑噸位上我們的累積油量。生產(chǎn)停止增長。根據(jù)條件，通常的方法是在每個壓裂階段注入60噸。使用機器學習模型和統(tǒng)計數(shù)據(jù)，我們可以證實或拒絕這種假設。” Skoltech博士Anton Morozov說道。M階段實驗室的學生和研究實習生。

科學家們已經(jīng)根據(jù)他們的機器學習方法提出了試井壓裂設計建議，并已提交給業(yè)界合作伙伴。他們希望即將進行的現(xiàn)場測試活動將展示其技術在石油生產(chǎn)中的潛力。不過，伯納夫重申，“在描述水力壓裂系統(tǒng)設計的輸入數(shù)據(jù)中仍然存在大量不確定性”。在項目的下一階段，他們旨在開發(fā)新的方法來估計這種不確定性。

“處理實地數(shù)據(jù)需要勇氣和謹慎，因為它非常敏