В нефтегазовой отрасли для построения стратегии разработки месторождений очень важным фактором является прогнозирование пластовых данных и свойств нефти. Одним из важных факторов является снижение давления и дебита в процессе эксплуатации нефтяного месторождения. Данные факторы влияют на рентабельность и экономическую целесообразность разработки месторождения. Необходимо точно оценивать пластовые свойства нефти на разных этапах разведки и добычи нефти. Эти параметры имеют решающее значение для оценки течения поровой жидкости, эффективности скважины, моделирования скважин, испытания скважин и течения в трубах для производства и проектирования трубопроводов, транспортного оборудования и проектирования эксплуатации и разработки месторождений.
Точность измерений в разработке месторождений (например, расчеты материального баланса, подсчет запасов, предиктивный анализ данных) зависит от достоверности пластовых данных. В литературе влияние неопределенности пластовых данных на процесс разработки месторождения углеводородов рассматривалось в уравнениях материального баланса, оценках запасов углеводородов и выхода более летучих флюидов. В последние десятилетия было разработано большое количество эмпирических и полуэмпирических зависимостей, в основном из соответствующего уравнения состояния для прогнозирования пластовых свойств нефти. Большинство представленных корреляций установлены для одного региона, поэтому при их использовании для других районов будут получены ошибочные результаты [1–3]. Некоторые авторы связывают пластовые свойства сырой нефти с обычно трудноизмеримыми свойствами, такими как молярная масса, критическая температура и ацентрический фактор [4, 5].
Возникает необходимость в разработке методов, позволяющих оценить вязкость нефти в более широком диапазоне температурных интервалов, когда отсутствует физический образец для проведения лабораторных измерений или существуют ограничения по времени и требуются быстрые результаты, даже при наличии образцов флюида. Это проложило путь для модификации и принятия уже существующих эмпирических корреляций в течение определенного периода времени. В последние десятилетия для оценки пластовых свойств нефти использовались различные модели машинного обучения [6–16]. Среди них искусственная нейронная сеть привлекла значительное внимание с конца 1990-х годов. При использовании алгоритмов машинного обучения следует иметь в виду, что теоретически, поскольку пластовые свойства нефти каждого типа будут различаться, необходимо тестировать различные модели машинного обучения, и одного алгоритма будет недостаточно.
Использование специального программного обеспечения для создания прогнозируемых моделей может занимать продолжительное время и потребовать значительной вычислительной мощности. Трудоемкие для расчетов эмпирические формулы не являются универсальным инструментом для определения и прогнозирования пластовых параметров для всех месторождений углеводородов. В данной работе представлена методика прогнозирования дебита нефти и расчета кривых падения пластового давления посредством использования алгоритмов машинного обучения.
Для оценки и точного моделирования была выполнена перекрестная проверка наборов входных данных, а также представлено сравнение эффективности разных методов машинного обучения. Для оценки эффективности машинного обучения для каждого набора данных использовались диаграммы измеренных и прогнозируемых значений. Надежность и точность моделей в этом исследовании оценивались с использованием различных статистических показателей качества, включая коэффициент детерминации, среднюю квадратичную ошибку. Большинство методов корреляции основаны на данных разного происхождения, поэтому некоторые эмпирические зависимости не могут дать достаточной для эффективного прогнозирования точности.

Основная цель данного исследования заключается в разработке передовых методов машинного обучения для прогнозирования пластовых свойств нефти. Для разработки данной методики прогнозирования использовалась база данных с нефтяного месторождения Вольве в Северном море. Перед анализом данные были подготовлены, в них были удалены пропуски и аномальные значения. Подготовленная база пластовых данных составила 5 300 значений. Основными рассматриваемыми характеристиками стали потери давления на долоте, потери давления на бурильной колонне, давление в обсадной колонне, давление на штуцере, а также пластовые свойства нефти, такие как температура на устье и среднее давление.
Для анализа пластовых данных была использована кроссвалидация, данные были разделены на 5 частей (20/80, где 20 % — это тестовая выборка, а 80 % — обучающая). Из использованных алгоритмов наиболее хорошо себя проявили: random forest (случайный лес), KNN (метод ближайших соседей), метод градиентного бустинга. Метод случайного леса — алгоритм машинного обучения, заключающийся в использовании ансамбля деревьев решений. Дерево решений в свою очередь является отдельным алгоритмом, в ходе которого происходит классификация данных и разбитие их на классы по бинарной логике. В случае использования метода ближайших соседей для классификации объект присваивается тому классу, который является наиболее распространенным среди k соседей данного элемента, классы которых уже известны. В случае разработки методики в данной работе объекту присваивается среднее значение по k ближайшим к нему объектам, значения которых уже известны. Градиентный бустинг позволяет построить достоверную модель в виде ансамбля моделей прогнозирования, которые обычно представляют собой деревья решений.
Достоверность разработанной модели оценивалась с использованием следующих показателей: R² (коэффициент детерминации), MSE и RMSE (средняя квадратичная ошибка), MAE (средняя абсолютная ошибка). Чем меньше значение ошибок и чем ближе R² к единице, тем выше достоверность разработанной модели. Показатели представлены в таблице 1.

Результаты показывают, что каждая разработанная модель машинного обучения достигла приемлемой точности при применении к набору данных. В то же время из трех моделей можно выделить модель, построенную с использованием градиентного бустинга. Как показали результаты, модель эта превзошла другие модели во всех метриках. Можно выделить близкий к 1 коэффициент детерминации R2 = 0,99. Средняя квадратичная ошибка составила 36,67 на тестовом наборе данных. На рисунке 1 приведен сравнительный график рассчитанных и исходных значений для падений давления.