Сравнительный анализ методов фильтрации замеров данных скважин сложной конструкции

Abstract

Статья посвящена сравнительному анализу различных методов фильтрации синтетических замеров, имитирующих данные гидродинамических исследований скважин (ГДИС). Основной целью работы является выявление наиболее эффективных методов фильтрации зашумленных данных ГДИС с позиции сохранения полезной информации и облегчения задачи последующей интерпретации результатов. В качестве исходных данных использовался набор из 200 синтетических кривых снижения давления (КСД) и кривых восстановления давления (КВД) с различным уровнем искусственно внесенного шума. Для фильтрации данных рассматривались как классические методы (фильтр Калмана, фильтр Савицкого-Голея, одномерная фильтрация Гаусса), так и численные методы на основе нейронных сетей (автокодировщики) и методов машинного обучения (метод опорных векторов). В результате сравнительного анализа было продемонстрировано, что результаты применения различных методов фильтрации зависят от типа обрабатываемой кривой (КСД или КВД) и характеристик скважины. Наилучшие показатели по критериям отношения «сигнал – шум» (signal-noise ratio, SNR) и корня среднеквадратической ошибки (RMSE) продемонстрировали современные методы на основе автокодировщиков. Сделан вывод, что выбор оптимального метода фильтрации требует детального анализа специфики задачи и характеристик исходных данных. Предложено комбинирование различных методов фильтрации для повышения качества обработки и интерпретации данных скважин сложной конструкции. Полученные результаты имеют практическую значимость, позволяя упростить решение задачи сегментации КСД и КВД, что необходимо для корректной идентификации различных периодов работы скважины в процессе ее исследования.

This article presents a comparative analysis of various filtering methods for synthetic measurements that simulate data from well test analysis (WTA). The main objective of this work is to identify the most effective filtering methods for noisy WTA data, with the aim of preserving useful information and facilitating the subsequent interpretation of the results. The initial dataset consisted of 200 synthetic pressure drawdown (PDD) and pressure buildup (PBU) curves with varying levels of artificially introduced noise. Both classical filtering methods (Kalman filter, Savitzky-Golay filter, one-dimensional Gaussian filtering) and numerical methods based on neural networks (autoencoders) and machine learning (support vector machines) were considered for data filtering. The comparative analysis demonstrated that the performance of different filtering methods depends on the type of curve (PDD or PBU) and the well characteristics. The best results in terms of signal-to-noise ratio (SNR) and root mean square error (RMSE) were achieved using modern autoencoder-based methods. The conclusion is that the choice of an optimal filtering method requires a detailed analysis of the specific problem and the characteristics of the input data. A combination of different filtering methods is proposed to improve the quality of processing and interpretation of WTA data for complex well designs. The obtained results have practical significance, as they can simplify the segmentation of PDD and PBU curves, which is necessary for the correct identification of various operating periods of the well during the investigation process.