421

Когнитивная система подбора внутрискважинных операций

Июль, 2020 год.

Автоматизированная система для прогнозирования эффективности обработок призабойной зоны скважин.

alt

Какую проблему решали

Одним из инструментов повышения продуктивности скважин является кислотная обработка призабойной зоны (ОПЗ). Ее цель — растворить частицы породы, которые забивают поры пласта и ухудшают его фильтрующую способность.
Компания тратит более 100 млн рублей в год на ОПЗ. Около 35% обработок не окупается или не приносит прибыли из-за неопределенности геологической информации и человеческого фактора.
Около 650 человеко-часов в год тратится на формирование программ ОПЗ и подбор скважин-кандидатов.
Решение проблемы
Команда «Газпром нефть» (при участии Высшей школой экономики Санкт-Петербурга на этапе НИОКР) разработала автоматизированную систему, которая предсказывает эффективность кислотных обработок.
Учитывая историю прошлых ОПЗ, система прогнозирует результат будущих, исключая влияние человека и используя максимально доступное количество геолого-промысловой информации за короткое время.
При формировании бизнес-плана по кислотным обработкам специалист загружает список скважин-кандидатов в систему и получает данные о прогнозе добычи на 120 дней после обработки и экономический расчет в виде Pi (индекс прибыльности).
Применяемые технологии

Использованы две стандартные метрики регрессии, по которым оценивалось качество модели: корень из среднеквадратичной ошибки RMSE и коэффициент детерминации Пирсона R2.

Для каждой скважины сопоставляется свой набор признаков. Количество признаков фиксировано и определяет зависимые переменные, через которые необходимо восстановить зависимость по отношению к целевой функции. Весь датасет разбивается на две части: признаки и таргет, то есть значения целевой функции.

Общее количество признаков, которые подавались для обучения моделей, — 53. Для общей сходимости моделей важными оказались порядка 30 признаков.

В качестве алгоритмов использованы Catboost, RandomForest и ElasticNet.

Во время обучения моделей процесс учитывает вычисление признаков для новых скважин, обучение модели на подмножестве из 10 наиболее важных признаков датасета, сохранение модели локально на жесткий диск, обогащение модели новой выборкой при новой загрузке сводки ОПЗ. Также из датасета исключаются 10% наиболее аномальных скважин для получения стабильной сходимости моделей.

Бизнес-процесс

До проекта:

  • «Ручной» подбор скважин-кандидатов на ОПЗ.
  • Человеческий фактор при выборе скважин для обработки.
  • Непредсказуемый эффект от ОПЗ.
  • Для 35% скважин обработка не дает эффекта.

После проекта:

  • Автоматизация системы планирования ОПЗ.
  • Объективная и прозрачная система подбора скважин.
  • Предсказуемая технологическая и экономическая эффективность.
  • 80% скважин продуктивнее после ОПЗ.

Результаты

Команда «Газпром нефть»

Денис Андрузов
Руководитель направления по сопровождению базовой добычи
Владислав Горбунов
Начальник отдела математического моделирования
Ярослав Кононов
Начальник отдела стратегических инициатив
Михаил Шавкунов
Аналитик данных

Команда ВШЭ СПб

Игорь Кураленок
Руководитель команды разработки

Похожие кейсы

AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.