Прогнозирование дебита в карбонатных нефтяных коллекторах посредством интеграции методов глубокого обучения и геологических параметров

Глубокое обучение стало прорывной моделью-заместителем для прогнозирования дебита скважин и обладает большим потенциалом для ускорения развития и управления нефтегазовой отраслью. Однако в предыдущих исследованиях по прогнозированию скоростей добычи часто отсутствует учёт геологических моделей и полных производственных данных, что ограничивает переносимость моделей. В данном исследовании представлено применение сверточных нейронных сетей (CNN) и сетей с долгой краткосрочной памятью (LSTM) для прогнозирования дебита новых скважин. За счёт интеграции различных данных по добыче скважин, включая время, размер дросселя, давление, температуру, объём воды и объём ввода демульгатора, а также геологических параметров, таких как проницаемость и пористость, предложенные модели демонстрируют способность точно предсказывать дебит скважин. Кроме того, включение one-hot кодирования и сверточных слоёв улучшает результаты прогнозирования, обеспечивая значительное увеличение коэффициента детерминации R2 на 0.2. Подтверждена возможность использования данных смежных многоскважинных участков для прогнозирования дебита новых скважин: при использовании закодированных данных моделирования все модели достигли R2 выше 0.96. В частности, интеграция CNN-слоя в архитектуру LSTM по реальным полевым данным показала заметное улучшение R2 на 0.2. Эти результаты свидетельствуют о том, что дополнительное повышение качества прогнозов может быть достигнуто с помощью методов кодирования данных и интеграции сверточных слоёв в архитектуру модели.