Применение алгоритмов машинного обучения для совершенствования моделирования карбонатного рифового резервуара

Разработка и моделирование карбонатных резервуаров сложного строения является актуальной задачей. В условиях высокой неоднородности свойств коллектора, обусловленной особенностями формирования, частой сменой циклов осадконакопления и наличием диагенетических преобразований, возникает высокая степень неопределенности в процессе моделирования и, как следствие, прогноза показателей разработки. Недоучет влияния диагенетических процессов на изменение фильтрационно-емкостных свойств может оказать критическое влияние на организацию и управление системой заводнения. При изучении геологического строения месторождения Альфа выявлены интервалы высокопроницаемых коллекторов (до 18 Дарси). В рамках данного исследования предложен подход выделения подобных интервалов с целью уточнения динамической модели месторождения на основе методов машинного обучения. В работе проведено сравнение следующих алгоритмов: градиентный бустинг, случайный лес и метод опорных векторов. По результатам исследования выявлены оптимальные алгоритмы, позволяющие с высокой степенью точности прогнозировать интервалы высокой проницаемости. Для улучшения адаптации модели по истории разработки месторождения предлагается использовать модель, обученную по данным керна и геофизических исследований скважин. Для учета рисков, связанных с высокопроницаемыми интервалами, при бурении новых скважин рекомендуется использовать модель, обученную только по геофизическим исследованиям скважин. В работе выполнен анализ чувствительности при задании свойств для высокопроницаемых интервалов – абсолютная проницаемость и относительные фазовые проницаемости. Выполнено обновление куба проницаемости динамической модели, адаптация модели и расчеты по оптимизации системы заводнения. На основе прогнозного анализа на модели с высокопроницаемыми интервалами предложен ряд мер по оптимизации системы разработки для снижения рисков прорыва воды в высокопроницаемых интервалах. По результатам прогнозных расчетов эти меры позволят дополнительно получить 750 тыс. м3 нефти.

Application of Machine Learning Algorithms for Enhanced Modeling of a Carbonate Reef Reservoir

The development and modeling of carbonate reservoirs with complex structure is an actual task. In conditions of high heterogeneity of reservoir properties due to the peculiarities of formation, frequent change of sedimentation cycles and the presence of diagenetic transformations, there is a high degree of uncertainty in the modeling process and, as a consequence, in the forecast of development indicators. Underestimation of the influence of diagenetic processes on changes in filtration-capacitance properties can have a critical impact on the organization and management of the waterflood system. When studying the geological structure of the Alpha field, intervals of highly permeable reservoirs (up to 18 Darcies) were identified. This study proposes an approach to identify such intervals in order to refine the dynamic model of the field based on machine learning methods. The paper compares the following algorithms: gradient bousting, random forest and support vector method. Based on the results of the study, the optimal algorithms were identified that allow predicting high permeability intervals with a high degree of accuracy. To improve model adaptation to the field development history, it is suggested to use a model trained on core and geophysical well survey data. To take into account the risks associated with highly permeable intervals, when drilling new wells, it is recommended to use a model trained only on geophysical well tests. In this paper, sensitivity analysis was performed when specifying properties for highly permeable intervals - absolute permeability and relative phase permeabilities. The permeability cube of the dynamic model was updated, the model was adapted and calculations on waterflood system optimization were performed. Based on the predictive analysis on the model with highly permeable intervals, a number of measures were proposed to optimize the development system to reduce the risk of water breakthrough in highly permeable intervals. According to the results of the forecast calculations, these measures will provide additional 750 thousand m3 of oil.