Искусственный интеллект для поддержки принятия решений при гидроразрыве пласта: критический обзор, ориентированный на рабочий процесс
Artificial Intelligence for Hydraulic-Fracturing Decision Support: A Workflow-Oriented Critical Review
2026-08-07
SCID: 54.1/fvevs2he
Discuss with AI
искусственный интеллектпрогнозирование обратного притокаоптимизация параметров гидроразрываподдержка решений при гидроразрыве пластаидентификация продуктивных зон
Figures from the paper
Abstract (AI)
Гидравлический разрыв пласта является критически важной технологией разработки нетрадиционных нефтяных и газовых месторождений, однако его эффективность существенно зависит от геологической неоднородности, сложного распространения трещин, операционной неопределённости и нелинейного взаимодействия инженерных параметров. Искусственный интеллект (ИИ) предоставляет инструменты для выявления взаимосвязей в геологических, геофизических, операционных и промысловых данных. В данном структурированном нарративном обзоре обобщены применения ИИ на четырёх последовательных этапах рабочего процесса гидроразрыва пласта: идентификация перспективных зон, оптимизация параметров гидроразрыва, оперативная диагностика и предупреждение рисков, а также прогнозирование и управление обратным притоком после гидроразрыва. В репрезентативных исследованиях сообщалось о точности классификации перспективных зон 97,5% и значении R2 = 0,97 при прогнозировании производственных показателей; в одном исследовании по оптимизации с использованием симулятора было зафиксировано экономическое улучшение на 13%, а в моделях на основе промысловых данных использовались выборки численностью до 295 скважин. В операционных исследованиях точность распознавания точечных событий превышала 97%, давление прогнозировалось на 30 с вперёд, а риск оценивался для трёх последовательных интервалов по 60 с. Модель постгидроразрывного анализа, обученная на данных 286 скважин, прогнозировала отклик на горизонтах 30, 90, 180 и 360 суток. Эти значения специфичны для отдельных исследований и не подлежат прямому сравнению, поскольку наборы данных, целевые показатели, разбиение выборок и метрики различаются. В совокупности имеющиеся данные свидетельствуют о заметном, но неравномерном прогрессе; готовность к применению в промысловых условиях по-прежнему ограничивается качеством данных, согласованием мультимодальных данных, физической непротиворечивостью, количественной оценкой неопределённости, внешней валидацией и слабой связью между результатами моделей и операционными решениями. Обзор предлагает воспроизводимую рабоче-процессную схему кодирования и определяет приоритеты валидации и внедрения для создания надёжных, интерпретируемых и пригодных к практическому исполнению систем поддержки решений при гидроразрыве пласта на основе ИИ.
Key Findings
1
Промышленное внедрение остаётся ограниченным из-за качества данных, согласования мультимодальных данных, физической согласованности, количественной оценки неопределённости, внешней валидации и слабой интеграции прогнозов в операционные решения.
2
Операционные модели ИИ обеспечивали распознавание точечных событий с точностью свыше 97%, прогнозировали давление на 30 секунд вперёд и оценивали риски в течение трёх последовательных интервалов по 60 секунд.
3
В рассмотренных исследованиях точность классификации перспективных зон достигала 97,5%, а прогнозирование производительности — R² = 0,97, однако результаты зависят от конкретных исследований и напрямую несопоставимы.
4
Оптимизация, связанная с симулятором, обеспечила сообщённое экономическое улучшение на 13%, тогда как модели на промысловых данных использовали выборки численностью до 295 скважин.
5
Обзор систематизирует применения ИИ по четырём этапам рабочего процесса гидроразрыва: выявление перспективных зон, оптимизация параметров, операционная диагностика и предупреждение рисков, а также прогнозирование притока после обработки.
Research Object
Рабочий процесс гидроразрыва пласта с поддержкой ИИ при разработке нетрадиционных нефтегазовых ресурсов
Research Subject
Эффективность, надёжность, валидация и практическое внедрение приложений ИИ для выявления перспективных зон, оптимизации параметров гидроразрыва, оперативной диагностики и предупреждения рисков, а также прогнозирования и управления обратным притоком после гидроразрыва
Publication Details
Publication Date
2026-08-07
Journal
Publisher
ISSN
Cited by
1
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Научное машинное обучение с использованием физически информированных нейронных сетей: современное состояние и дальнейшие перспективы2022
Аналитика больших данных в нефтегазовой отрасли: новый тренд2018
Систематический обзор применения науки о данных и машинного обучения в нефтегазовой отрасли2021
Искусственный интеллект в сланцевом газе и нефти: комплексный обзор применений и проблем2025