Использование машинного обучения для восстановления поля проницаемости элемента разработки нефтяного пласта в двумерной постановке

Об авторах:

Косяков Виталий Петрович, кандидат физико-математических наук, старший научный сотрудник, Тюменский филиал Института теоретической и прикладной механики им. С.А. Христиановича СО РАН, доцент кафедры расходометрии нефти и газа, Тюменский государственный университет; eLibrary AuthorID, Web of Science ResearcherID, lik.24@yandex.ru; ORCID: 0000-0002-2297-408X

Легостаев Дмитрий Юрьевич, младший научный сотрудник Тюменского филиала Института теоретической и прикладной механики им. С. А. Христиановича CО РАН, старший преподаватель кафедры прикладной и технической физики, Тюменский государственный университет; eLibrary AuthorID, legostaevdy@yandex.ru; ORCID: 0000-0001-6371-7031

Аннотация:

В современном мире широкое распространение получили методы машинного обучения. В нефтяной отрасли также заметна тенденция привлечения данных методов в контексте цифровизации и интеллектуализации всего производственного процесса.

Настоящая работа посвящена разработке методики решения обратной задачи восстановления поля проницаемости нефтяного пласта при совместном использовании элементов машинного обучения и фильтрационной модели. Реализован вычислительный алгоритм, который подразумевает тесную взаимную интеграцию фильтрационной части и блока машинного обучения, результаты которого используются для параметризации физически содержательной модели. В качестве модели машинного обучения использована сеть радиально-базисных функций. Предлагаемая процедура поиска решения включает в себя численное решение прямой и сопряженной задачи для фильтрационной модели. Решение сопряженной задачи позволяет применять градиентные методы оптимизации, широко используемые в методах машинного обучения.

В работе представлены результаты численного эксперимента. На примере симметричного двумерного элемента разработки получено решение задачи восстановления поля проницаемости для набора зонально-неоднородных нефтяных пластов. Для восстановленных полей характерные размеры неоднородностей с достаточной точностью совпадают с исходными. Показана принципиальная возможность качественного восстановления фильтрационно-емкостных характеристик межскважинного пространства, что невозможно при использовании классических методов интерполяции без привлечения дополнительных данных. В работе выполнено исследование влияния выбора вида управляющего параметра на поведение целевой функции и ее производной, что влияет на процесс решения обратной задачи. В результате исследования предложено использование гидродинамического сопротивления в качестве адаптируемого параметра при решении обратной задачи.

Список литературы:

1. Закиров И. С. Развитие теории и практики разработки нефтяных месторождений / И. С. Закиров. М.; Ижевск: Институт компьютерных технологий, 2006, 356 с.

2. Косяков В. П. Задача совместного использования теории фильтрации и элементов машинного обучения для решения обратной задачи восстановления гидропроводности нефтяного месторождения / В. П. Косяков, Д. Ю. Легостаев, Э. Н. Мусакаев // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2021. Том 7. № 2 (26). С. 113-129. DOI: 10.21684/2411-7978-2021-7-2-113-129

3. Подземная гидромеханика / К. С. Басниев, Н. М. Дмитриев, Р. Д. Каневская, В. М. Максимов. М.; Ижевск: Институт компьютерных исследований, 2006. 488 с.

4. Illarionov E. End-to-end neural network approach to 3D reservoir simulation and adaptation / E. Illarionov, P. Temirchev, D. Voloskov, R. Kostoev, M. Simonov, D. Pissarenko, D. Orlov, D. Koroteev // Journal of Petroleum Science and Engineering. 2022. Vol. 208. Art. 109332. DOI: 10.1016/j.petrol.2021.109332

5. Innes M. Flux: Elegant machine learning with Julia / M. Innes // Journal of Open Source Software. 2018. Vol. 3. No. 25. Art. 602. DOI: 10.21105/joss.00602

6. Kosyakov V. P. Structural and parametric identification of an aquifer model for an oil reservoir / V. P. Kosyakov // Lobachevskii Journal of Mathematics. 2020. Vol. 41. No. 7. Pp. 1242-1247. DOI: 10.1134/S1995080220070239

7. Musakaev E. N. Parameter identification for sector filtration model of an oil reservoir with complex structure / E. N. Musakaev, S. P. Rodionov, D. Yu. Legostaev, V. P. Kosyakov // AIP Conference Proceedings. 2019. Vol. 2125. Art. 030113. DOI: 10.1063/1.5117495

8. Otchere D. A. Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties: Comparative analysis of ANN and SVM models / D. A. Otchere, T. O. Arbi Ganat, R. Gholami, S. Ridha // Journal of Petroleum Science and Engineering. 2021. Vol. 200. Art. 108182.

9. Tahmasebi P. Machine learning in geo- and environmental sciences: From small to large scale / P. Tahmasebi, S. Kamrava, T. Bai, M. Sahimi // Advances in Water Resources. 2020. Vol. 142. Art. 103619. DOI: 10.1016/j.advwatres.2020.103619

10. Yanji Wang. Machine learning assisted relative permeability upscaling for uncertainty quantification / Yanji Wang, Hangyu Li, Jianchun Xu, Shuyang Liu, Xiaopu Wang // Energy. 2022. Vol. 245. Art. 123284. DOI: 10.1016/j.energy.2022.123284