Прогнозирование индекса продуктивности для горизонтальных нефтяных скважин с использованием различных методов искусственного интеллекта

В аспекте добычи в нефтяной инженерии индекс продуктивности (PI) считается ключевым параметром для построения зависимостей входной производительности (IPR). Он оценивает и прогнозирует продуктивность скважины и эффективность производства. Текущая практика определения PI заключается в проведении скоростного или эксплуатационного испытания в добывающей скважине, после чего вычисляют PI. Разработано множество корреляций для прогнозирования PI горизонтальных нефтяных скважин на основе свойств пласта и скважины до бурения в целях планирования и эффективного проектирования и оценки производственной системы скважины. Техники искусственного интеллекта (AI) применяются в отрасли для повышения способности инженеров прогнозировать различные неопределенные результаты в нефтяных операциях. Методы AI доказали свою точность во многих случаях и используются как успешные инструменты многими нефтегазовыми компаниями. Прогнозирование с помощью AI является общепринятой практикой и важным требованием для более эффективной и продуктивной отрасли. В данной статье показана способность трех методов искусственного интеллекта — нейронных сетей, нечеткой логики и функциональных сетей — прогнозировать индекс продуктивности горизонтальных нефтяных скважин с очень хорошей точностью по сравнению с несколькими хорошо известными отраслевыми корреляциями (Borisov; Giger–Reiss–Jourdan; Renard–Dupuy; Joshi and Economides; Butler; Furui). Впервые в нефтяной отрасли представлено применение методов Functional Networks для прогнозирования PI горизонтальных скважин. Модели построены на основе многочисленных реальных полевых испытаний дебита, собранных более чем для 100 различных горизонтальных нефтяных скважин с месторождения на Ближнем Востоке. Модели также преодолевают ограничения существующих корреляций для горизонтавльных скважин, обеспечивая высокую достоверность прогнозов за счет использования реальных полевых данных, а не предположительных или смоделированных данных.