Сравнительный анализ методов фильтрации замеров данных скважин сложной конструкции

Об авторах:

Шенгелия Давид Юзаевич, аспирант кафедры программного обеспечения, Школа компьютерных наук, Тюменский государственный университет, Тюмень, Россия; d.y.shengeliya@utmn.ru, https://orcid.org/0009-0004-5222-9672

Коваленко Игорь Викторович, кандидат технических наук, руководитель программы развития продуктов, Газпромнефть НТЦ, Тюмень, Россия; kovalenko.iv@gazpromneft-ntc.ru

Захарова Ирина Гелиевна, кандидат физико-математических наук, профессор кафедры программного обеспечения, Школа компьютерных наук, Тюменский государственный университет, Тюмень, Россия; i.g.zakharova@utmn.ru, https://orcid.org/0000-0002-4211-7675

Аннотация:

Статья посвящена сравнительному анализу различных методов фильтрации синтетических замеров, имитирующих данные гидродинамических исследований скважин (ГДИС).
Основной целью работы является выявление наиболее эффективных методов фильтрации зашумленных данных ГДИС с позиции сохранения полезной информации и облегчения задачи последующей интерпретации результатов.
В качестве исходных данных использовался набор из 200 синтетических кривых снижения давления (КСД) и кривых восстановления давления (КВД) с различным уровнем искусственно внесенного шума. Для фильтрации данных рассматривались как классические методы (фильтр Калмана, фильтр Савицкого — Голея, одномерная фильтрация Гаусса), так и численные методы на основе нейронных сетей (автокодировщики) и методов машинного обучения (метод опорных векторов).
В результате сравнительного анализа было продемонстрировано, что результаты применения различных методов фильтрации зависят от типа обрабатываемой кривой (КСД или КВД) и характеристик скважины. Наилучшие показатели по критериям отношения «сигнал — шум» (signal-noise ratio, SNR) и корня среднеквадратической ошибки (RMSE) продемонстрировали современные методы на основе автокодировщиков.
Сделан вывод, что выбор оптимального метода фильтрации требует детального анализа специфики задачи и характеристик исходных данных. Предложено комбинирование различных методов фильтрации для повышения качества обработки и интерпретации данных скважин сложной конструкции.
Полученные результаты имеют практическую значимость, позволяя упростить решение задачи сегментации КСД и КВД, что необходимо для корректной идентификации различных периодов работы скважины в процессе ее исследования.

Список литературы:

Асалхузина Г. Ф., Давлетбаев А. Я., Хабибуллин И. Л., Ахметова Р. Р. 2020. К вопросу выбора длительности режимов при гидродинамических исследованиях скважин на установившихся режимах закачки в низкопроницаемых коллекторах // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 6. № 1 (21). С. 135–149. https://doi.org/10.21684/2411-7978-2020-6-1-135-149

Бриллиант Л. С., Дулкарнаев М. Р., Данько М. Ю., Елишева А. О., Набиев Д. Х., Хуторная А. И., Мальков И. Н. 2022. Управление добычей нефти на основе нейросетевой оптимизации режимов работы скважин на участке опытно-промышленных работ пласта ЮВ1 Ватьеганского месторождения ТПП «Повхнефтегаз» // Георесурсы. Том 24. № 1. С. 3–15. https://doi.org/10.18599/grs.2022.1.1

Бухмастова С. В., Фахреева Р. Р., Питюк Ю. А., Давлетбаев А. Я., Азарова Т. П., Фаргер Д. В., Якупов Р. Ф. 2020. Апробация методов MLR и CRMIP при исследовании взаимовлияния скважин // Нефтяное хозяйство. № 8. С. 58–62. https://doi.org/10.24887/0028-2448-2020-8-58-62

Есипов Д. В., Куранаков Д. С., Лапин В. Н., Чёрный С. Г. 2014. Математические модели гидроразрыва пласта // Вычислительные технологии. Том 19. № 2. С. 33–61.

Заикин А. А., Кареев И. А. 2020. Моделирование потоков жидкости в нефтеносных пластах с помощью фильтра Калмана // Итоги науки и техники. Серия «Современная математика и ее приложения. Тематические обзоры». Том 175. С. 27–35. https://doi.org/10.36535/0233-6723-2020-175-27-35

Коваленко И. В. 2023. Гидродинамическое моделирование горизонтальных скважин с многостадийным гидроразрывом пласта с учетом потерь давлений на конвергенцию линий тока // Нефтепромысловое дело. № 2 (650). С. 26–28. https://doi.org/10.33285/0207-2351-2023-2(650)-26-28

Сулейманов Б. А., Дышин О. А., Исаев Р. Ж. 2014. Интерпретация кривых восстановления давления на основе анализа детерминированных моментов забойного давления // Нефтепромысловое дело. № 1. С. 12–23.

Ansari H. R., Gholami A. 2015. An improved support vector regression model for estimation of saturation pressure of crude oils // Fluid Phase Equilibria. Vol. 402. Pp. 124–132. https://doi.org/10.1016/j.fluid.2015.05.037

Apio A., Dambros J. W., Farenzena M., Trierweiler J. O. 2019. Comparison of Kalman filter-based approaches for permanent downhole gauge pressure estimation in offshore oil production // Journal of Petroleum Science and Engineering. Vol. 182. Article 106254. https://doi.org/10.1016/j.petrol.2019.106254

Aung Z., Mikhaylov I. S., Thu Aung Y. 2020. Application of support vector system for solving problems of classification and forecasting of oil wells // 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). Pp. 568–572. https://doi.org/10.1109/EIConRus49466.2020.9039343

Awad M., Khanna R. 2015. Support vector regression // Efficient Learning Machines. Berkeley: Apress. Pp. 67–80. https://doi.org/10.1007/978-1-4302-5990-9_4

Jiang J., Ren H., Zhang M. 2022. A convolutional autoencoder method for simultaneous seismic data reconstruction and denoising // IEEE Geoscience and Remote Sensing Letters. Vol. 19. Article 7503405. https://doi.org/10.1109/LGRS.2021.3073560

Khoukhi A., Oloso M., Elshafei M., Abdulraheem A., Al-Majed A. 2011. Support vector regression and functional networks for viscosity and gas/oil ratio curves estimation // International Journal of Computational Intelligence and Applications. Vol. 10. No. 03. Pp. 269–293. https://doi.org/10.1142/S1469026811003100

Kuester J., Gross W., Middelmann W. 2021. 1D-convolutional autoencoder based hyperspectral data compression // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XLIII-B1-2021. Pp. 15–21. https://doi.org/10.5194/isprs-archives-XLIII-B1-2021-15-2021

Lei J., Fan Y., Li Y., Xu T. 2020. Data analysis of hydraulic fracturing pressure in unconventional oil and gas fields // IOP Conference Series: Earth and Environmental Science. Vol. 558. No. 2. Article 022057. https://doi.org/10.1088/1755-1315/558/2/022057

Nikoofard A., Aarsnes U. J. F., Johansen T. A., Kaasa G.-O. 2015. Estimation of states and parameters of a drift-flux model with unscented Kalman filter // IFAC-PapersOnLine. Vol. 48. No. 6. Pp. 165–170. https://doi.org/10.1016/j.ifacol.2015.08.026

Osman M. S., Stewart G. 1997. Pressure data filtering and horizontal well test analysis case study // Middle East Oil Show and Conference (15–18 March 1997, Bahrain). Paper SPE-37802-MS. https://doi.org/10.2118/37802-MS

Unneland T., Manin Y., Kuchuk F. 1998. Permanent gauge pressure and rate measurements for reservoir description and well monitoring: Field cases // SPE Reservoir Evaluation & Engineering. Vol. 1. No. 3. Pp. 168–176. https://doi.org/10.2118/38658-PA

Vaferi B., Eslamloueyan R., Ayatollahi Sh. 2011. Automatic recognition of oil reservoir models from well testing data by using multi-layer perceptron networks // Journal of Petroleum Science and Engineering. Vol. 77. No. 3–4. Pp. 254–262. https://doi.org/10.1016/j.petrol.2011.03.002