Моделирование добычи жидкости и динамики обводненности при совместном использовании фильтрационной модели и нейронных сетей

Abstract

В нефтяной отрасли заметна тенденция к использованию прокси-моделей разного уровня сложности для выполнения оперативных прогнозных расчетов, в частности методов машинного обучения, которые активно развиваются в контексте цифровизации и интеллектуализации производственных процессов. В настоящей работе на примере синтетической модели элемента разработки нефтяного пласта представлен подход к совместному использованию физически содержательной модели фильтрации и методов машинного обучения для решения задач адаптации и прогнозирования. Особенностью рассматриваемой синтетической модели является наличие выраженной зональной неоднородности поля проницаемости. В рамках предлагаемого подхода использована упрощенная, по сравнению с исходной постановкой, однофазная модель фильтрации, адаптация которой на историю проведена путем восстановления поля фильтрационных параметров пласта с помощью сети радиально-базисных функций. На основе восстановленного поля рассчитаны коэффициенты связи между скважинами, которые качественно и количественно соответствуют истинным связям. Следующим шагом выполнено обучение рекуррентной нейронной сети с целью прогнозирования обводненности добываемой жидкости. Использование рекуррентной нейронной сети позволило воспроизвести характерное немонотонное поведение обводненности добываемой жидкости, вызванное нестационарными режимами работы нагнетательных и добывающих скважин. Связка представленных моделей позволяет прогнозировать объем добываемой жидкости и ее фазовый состав. Для оценки прогностических свойств моделей набор фактических данных был разбит на обучающий и тестовый интервалы.

In the oil industry, there is a noticeable tendency to use proxy modeling of various levels of complexity to perform operational predictive calculations, in particular machine learning methods that are actively developing in the context of digitalization and intellectualization of production processes. In this paper, using the example of a synthetic oil reservoir model development element, we present an approach to the joint use of a physically meaningful fluid flow model and machine learning methods for solving adaptation and prediction problems. A feature of the considered synthetic model is the presence of a pronounced zonal inhomogeneity of the permeability field. Within the framework of the proposed approach, a single-phase filtration model, simplified in comparison with the original formulation was used, the history matching of which was carried out by restoring the field of reservoir filtration parameters using a network of radial basis functions. Based on the reconstructed field, the connection coefficients between the wells were calculated, which qualitatively and quantitatively correspond to the true well connections. The next step was to train a recurrent neural network in order to predict the water cut of the produced fluid. The use of a recurrent neural network made it possible to reproduce the characteristic non-monotonic behavior of the water cut of the produced fluid, caused by non-stationary modes of operation of injection and production wells. A combination of the presented models makes it possible to predict the volume of the produced fluid and its phase composition. To assess the predictive properties of the models, the actual data set was divided into training and test intervals.