A review of machine learning techniques for bottomhole pressure monitoring in production wells

Full Text

Введение

Одно из перспективных направлений развития нефтегазового сектора – применение алгоритмов искусственного интеллекта (далее – ИИ) и машинного обучения (далее – МО) в сочетании с системами учёта и мониторинга показателей работы скважин. Такие системы получили широкое распространение в последнее время.

Стационарные системы внутрискважинного мониторинга (Permanent Downhole Gauge, далее – PDG) – это манометр и/или датчик температуры, стационарно установленный в нефтяной или газовой скважине. Обычно они устанавливаются в колонне насосно-компрессорных труб (далее – НКТ) и могут измерять давление в трубном и затрубном пространстве. Также доступны системы, устанавливаемые в обсадной колонне для непосредственного измерения пластового давления, подвесные системы и системы, встроенные в гибкие трубы. Данные, которые предоставляют такие датчики, полезны инженерам-разработчикам при определении наилучших и эффективных режимов работы скважин.

В системах скважинного мониторинга и контроля алгоритмы ИИ могут применяться для выработки рекомендаций, которые могут быть использованы при оперативном и проактивном контроле за разработкой месторождений. В данной статье приведены принципы построения архитектуры и примеры комплексного применения систем учёта мониторинга давления и МО на нефтегазовых месторождениях.

Системы учёта и мониторинга давления в скважинах

Системы внутрискважинного мониторинга используются в нефтяных и газовых скважинах для контроля и оптимизации процессов [1]. Для решения задач по учёту и мониторингу давления в скважинах применяются погружные телеметрические системы (рис. 1).

 

Рисунок 1. Схема погружной телеметрии

Figure 1. Downhole telemetry system diagram

а) дискретная / discrete; б) непрерывная / continuous

ПЭД / ESP motor – погружной электродвигатель / electric submersible pump motor

 

Важнейшей функцией приборов, установленных в скважине, является измерение давления в одной или нескольких контрольных точках. На втором месте по степени контроля – температура. Современные датчики для скважин продолжают развиваться и дополняться новыми функциями для измерения различных параметров:

• распределение температур по стволу скважины;
• вибрации;
• напряжение;
• расход и состав жидкости.

На рис. 2 представлена конструкция погружного датчика давления и температуры с кварцевым сенсором. Такие типы датчиков используют пьезоэлектрические свойства кварца для регистрации давления на забое скважины [2].

Применение внутрискважинных датчиков даёт возможность для формирования стабильного информационного потока, по которому показатели работы скважин поступают непосредственно на диспетчерские пункты и в центры обработки данных в режиме реального времени. Системы внутрискважинного мониторинга генерируют огромные объёмы данных, которые могут достигать нескольких миллионов замеров температуры и давления для одной скважины в течение года. В статье [3] сообщается, что на месторождении Керн Ривер в США ежедневно регистрируется более 1 млн параметров с 9000 эксплуатационных скважин. В связи с этим важное значение имеют системы хранения, обработки и анализа данных.

Архитектуры обработки и хранения больших данных

Архитектура больших данных представляет собой концептуальную модель, предназначенную для управления, хранения, обработки и анализа больших и сложных наборов данных [4]. В практическом смысле архитектуру данных можно рассматривать как совокупность решений по сбору, хранению и трансформации информации. Современные платформы ориентированы на решение ключевых задач при работе с большими данными, включая:

• распределенные вычисления: разные узлы системы могут параллельно выполнять операции по обработке данных для повышения производительности;
• распределенное хранение: большие пакеты данных реплицируются на различные устройства для независимого хранения;
• разделение задач по извлечению и хранению: аналитические инструменты оптимизируются для вычислений, но плохо подходят для хранения данных. Хранилища данных ответственны за сохранность информации, но замедляют процессы обработки из-за большого количества метаданных. В связи этим два этих процесса разделены и выполняются обособленно друг от друга.

Входной точкой в систему является сбор исходных данных. В зависимости от источника и типа данных различают потоковую передачу и пакетные данные. Под потоковой передачей понимают данные, непрерывно генерируемые датчиками. К пакетным данным относятся данные, собранные за определённый промежуток времени либо в определённом объёме. Исходные данные далее поступают в хранилища данных.

Выбор правильного решения для хранения имеет решающее значение для эффективного управления собранными данными и доступа к ним. В настоящее время применяются следующие решения:

• реляционные базы данных. Такие традиционные системы применяются для структурированных табулированных данных с заданными схемами;
• базы данных NoSQL (англ. not only SQL¹ – «не только SQL»). Были разработаны для работы с неструктурированными данными (изображения, аудио, видео). Отличаются масштабируемостью, гибкостью и высокой производительностью при работе с большими данными;

 

Рисунок 2. Погружной датчик давления и температуры [2]

Figure 2. Downhole Pressure and Temperature Gauge [2]

 

• распределённые файловые системы. Позволяют хранить и обрабатывать данные в больших объёмах на нескольких узлах. За счёт распределения данных отличаются отказоустойчивостью и повышенной производительностью.

Из хранилищ данные извлекаются для обработки, анализа и визуализации. При подготовке данных выполняются такие задачи, как удаление дубликатов, обработка пропущенных значений, очистка данных от шума, нормализация данных, кодирование категориальных признаков. В зависимости от целей анализа на основе бизнес-процессов, логических и математических алгоритмов формируются потоки обработки данных с использованием программных продуктов или скриптов на языках программирования. На этом этапе возможно применение алгоритмов машинного обучения для решения широкого спектра задач.

В зависимости от состава и порядка компонентов можно выделить следующие виды архитектур [5] (рис. 3):

• традиционная архитектура. Этот тип архитектуры построен на процессах, обеспечивающих попадание данных в реляционное хранилище. Такая модель отличается относительной простотой реализации и используется для пакетной обработки данных;
• архитектура потоковой передачи данных. Данная модель применяется для потоковой обработки и не содержит в себе часть по хранению пакетов данных. Информация напрямую подаётся к потребителям. Отсутствие пакетной части не даёт проводить анализ исторических данных, в связи с этим такая архитектура применяется только для определенных бизнес-процессов;
• лямбда-архитектура. Включает в себя потоковую передачу данных и пакетный блок для хранения исторических данных. В модели имеется доступ к обеим частям, которые, в свою очередь, выполняют разные функции;
• каппа-архитектура. Основана на лямбдаархитектуре и отличается тем, что пакетная и потоковая части объединены, при этом хранение организовано в виде озёр данных. Для анализа исторических данных пакеты выгружаются в виде последовательных сообщений;
• unified-архитектура. Предназначена для применения машинного обучения. Модель также основана на лямбда-архитектуре. К системе добавляется слой машинного обучения, который использует потоковые данные для постоянного обновления обучающей части.

 

Рисунок 3. Погружной датчик давления и температуры

Figure 3. Downhole Pressure and Temperature Gauge

а) традиционная архитектура / traditional architecture; б) архитектура потоковой передачи / streaming architecture; в) лямбда-архитектура / lambda architecture ; г) каппа-архитектура / kappa architecture; д) unified-архитектура / unified architecture

 

Применение машинного обучения в системах мониторинга забойного давления

Ключевой особенностью МО является способность обучаться на множестве схожих задач для последующего решения конкретной проблемы. [6]. Принципы МО базируются на инструментах математической статистики, теории вероятностей и алгоритмов работы с данными в цифровом виде.

МО и ИИ нашли широкое применение в нефтегазовой отрасли [7]. МО может ускорить каротаж скважин или интерпретацию сейсмических данных (рис. 4). ИИ активно применяется при проведении каротажа во время бурения LWD (англ. Log While Drilling – «регистрация во время бурения») для идентификации пород в режиме реального времени. Другие варианты использования МО включают определение оптимального количества скважин, мест или последовательности бурения.

 

Рисунок 4. Примеры применения машинного обучения в нефтегазовой отрасли

Figure 4. Examples of Machine Learning Applications in the Oil and Gas Industry

 

Машинное обучение может помочь выявить геологические зоны и определить прибыльность каждой зоны.

Общая схема применения МО с использованием систем мониторинга давления представлена на рис. 5. Интеграция датчиков давления с ИИ позволяет решать такие важные инженерные задачи, как гидродинамические исследования (далее – ГДИС) на неустановившихся режимах и оценка взаимовлияния добывающих и нагнетательных скважин.

 

Рисунок 5. Схема применения машинного обучения с использованием систем мониторинга давления

Figure 5. Diagram of Machine Learning Applications in Pressure Monitoring Systems

 

Традиционно, проведение ГДИС на неустановившихся режимах приводит к необходимости остановки скважин, что, в свою очередь, может привести к потерям добычи нефти. Альтернативным источником информации о геолого-физических параметрах пласта могут послужить данные, непрерывно получаемые с датчиков давления. Пример такого исследования подробно описан в работе Zheng Sh., Li X.G. [8]. Авторами предложен алгоритм применения нейронных сетей для определения гидродинамических свойств пластов, которые были использованы для уточнения геологической модели. Тестирование алгоритма проводилось на синтетических геологических моделях и реальных данных, полученных со скважин. В качестве параметров для обучения ИИ были поданы замеры давления и дебитов. На основе трендов, выявленных нейронной сетью, были определены параметры пластов. Далее с помощью этих параметров был выполнен прогноз забойных давлений и проведено сравнение с историческими данными. Полученные на синтетических моделях алгоритмы были протестированы на реальных данных. В качестве объектов исследования послужили газоконденсатные скважины в акватории Северного моря. Авторы отмечают высокую сходимость расчётных и фактических данных (рис. 6). Это свидетельствует о том, что применение нейронных сетей позволило с высокой точностью определить гидродинамические характеристики пластов и использовать их для прогнозирования изменения давления во времени.

 

Рисунок 6. Сравнительные результаты фактических замеров и данных, рассчитанных нейронной сетью [8]

Figure 6. Comparison of Measured Data and Neural Network Prediction [8]

 

Tian C., Roland N. в своем исследовании [9] предоставили аналогичный пример использования рекуррентных нейронных сетей (RNN, англ. Recurrent Neural Network) и нелинейных авторегрессионных экзогенных моделей (NARX, англ. Nonlinear Autoregressive Exogenous Model) для выявления трендов в замерах давления, получаемых со скважинных датчиков [9]. Исходными данными послужили 4660 замеров, полученных в течение 850 ч. На основе обучающей выборки была проведена настройка двух типов алгоритмов RNN и NARX. В результате авторами были получены практические модели на основе ИИ, которые также показали высокую сходимость с реальными данными (рис. 7).

 

Рисунок 7. Исходные данные и результаты, полученные на нейронных сетях [9]

Figure 7. Input Data and Results Obtained Using Neural Networks [9]

а) реальные данные по расходу и давлению, использованные для обучения / actual flow rate and pressure data used for training; б) точность воспроизведения линейной регрессией профиля давления по обучающим данным без добавления искусственного шума / accuracy of linear regression in reproducing the pressure profile based on training data without added artificial noise

 

В 2019 г. Pan Y., et al [10] предложили интересный вариант применения систем замеров давления и МО. Они использовали исторические данные с датчиков для обучения нейронной сети, которая позволяла заполнять отсутствующие замеры на коротких промежутках времени. Сглаженные с помощью алгоритма Савицки-Голэя кривые по историческим данным дебитов и давлений были использования для самообучения ИИ. Далее ИИ восполнял недостающую информацию и показатели скважин отправлялись для детального анализа.

Одним из наиболее перспективных направлений для МО являются задачи определения взаимосвязи скважин в реальном времени. Большое количество исследований в последнее время посвящено этой теме. К примеру, Silva V.C.D. в своей работе от 2019 г. [11] разработал математические алгоритмы для оценки взаимовлияния нагнетательных и добывающих скважин на основе больших данных. Используя трансформации уравнения материального баланса, автором были получена математическая модель для определения степени связанности скважин (1):

$w_i=a_i{\overline{q}}_l-{\beta }_i\sum _i\left|\frac{\partial }{\partial t}{q}_i\right|$ (1)

где wᵢ – коэффициент гидравлической связи между нагнетающей/добывающей скважиной i и наблюдаемой скважиной (обобщённая мера влияния);

α_i – вес низкочастотной компоненты, отражающий влияние среднего дебита i-й скважины на давление в наблюдаемой;

$\overline{qᵢ}$ – средний дебит (или закачка) скважины i за интервал наблюдения;

βᵢ – вес высокочастотной компоненты, отражающий чувствительность наблюдаемой скважины к изменениям дебита скважины i;

$\sum _i\left|\frac{\delta }{\delta t}\right|$ – суммарная вариативность потоков всех взаимодействующих скважин, абсолютное значение отражает общий эффект изменения на систему.

Коэффициенты α_i и βᵢ определялись путём решения оптимизационной задачи по минимизации функции ошибки (2):

$re{s}_j=\sqrt{\sum _i{\left[\frac{\partial }{\partial t}{P}_j-\left(\sum _i{a}_{ij}{q}_i-\sum _i{\beta }_{ij}\frac{\partial }{\partial t}{q}_i\right)\right]}^2}$ (2)

где Pⱼ – данные, полученные с систем мониторинга давления;

resⱼ – остаточная функция (residual) для наблюдаемой скважины j, минимизируемая в процессе оптимизации;

∂Pⱼ/∂t – производная давления по времени в наблюдаемой скважине j, рассчитанная на основе фактических данных;

$\sum _i{a}_{ij}{q}_i$ – низкочастотный вклад от дебита скважин i, отражающий общее влияние плавных изменений дебита.

$\sum _i{\beta }_{ij}\frac{\delta }{\delta t}{q}_i$– высокочастотный вклад, учитывающий эффект быстрых изменений дебита скважин i.

Оценка математического аппарата выполнялась на синтетических геолого-гидродинамических моделях (далее – ГДМ) и на реальных промысловых данных. Был рассмотрен участок c 16 действующими скважинами на одном из месторождений компании Petrobras. В результате расчётов для каждой скважины получены графики степени влияния соседних скважин на поведение давления (рис. 8). Автор отмечает, что его исследование может найти практическое применение при планировании мероприятий по поддержанию пластового давления.

В контексте использования МО для определения гидродинамической связи между скважинами одним из наиболее примечательных исследований является работа Жетруова Ж.Т., и др. [12]. Целью исследования является создание решения для прогнозирования показателей разработки на основе имеющихся исторических данных по добыче, закачке и забойному давлению, получаемых с систем телеметрии. В данном труде описаны подходы по комплексному использованию прокси-моделирования и МО. Как известно, МО основано на методах математического и статистического анализа и не учитывают физических явлений, обуславливающих физику пласта. По этой причине прокси-моделирование служит для физического обоснования и ограничения результатов МО. В качестве упрощенных физических моделей использовались модели Capacitance-Resistance Model (ёмкостно-резистивные модели, далее – CRM). Данная модель была предложена в 2003 г. учеными Albertoni A., Lake L.W [13].

 

Рисунок 8. Результаты расчётов взаимовлияния скважин, полученных в исследовании Silva V.C.D., 2019 г. [11]

Figure 8. Results of well interaction calculations obtained in the study by Silva V.C.D., 2019 [11]

а) скважина P1 / Well P1; б) скважина P2 / Well P2; в) скважина P3 / Well P3; г) скважина P4 / Well P4

 

Межскважинное взаимодействие оценивается на основе многомерной линейной регрессии. Отличительной особенностью CRM-моделей является то, что для расчётов показателей скважин используются только исторические данные по добыче, закачке и забойным давлениям. При этом учёт геологических свойств пласта реализуется через ввод параметров сжимаемости и проницаемости в качестве входных данных для модели. Каждая пара скважин характеризуется двумя параметрами:

• коэффициент взаимовлияния f_ij;
• временная константа , зависящая от степени накопления жидкости между скважинами.

Математическим базисом модели является совместное применение уравнения Дюпюи и материального баланса (3):

$\tau \frac{dq}{dt}+q\left(t\right)=w\left(t\right)-\tau J\frac{d{p}_{wf}}{dt}$ (3)

где q – дебит жидкости; J – коэффициент продуктивности добывающей скважины; p_wf – забойное давление; t – временная константа, которая выражается следующей формулой (4):

$\tau =\frac{c_t{V}_p}{J}$ (4)

где c_t – общая сжимаемость; V_p– поровый объём.

В ходе своих работ авторы разработали следующую методологию:

• построение синтетических геологических моделей;
• адаптация CRM-модели на синтетических моделях;
• обучение нейронной сети для определения коэффициентов взаимовлияния;
• разработка программных пакетов и архитектуры обработки данных;
• создание программного продукта для оценки работы скважин в режиме реального времени.

В качестве объекта исследования было использовано нефтяное месторождение, расположенное в Кызылординской области Республики Казахстан. Начальные геологические запасы – 19,8 млн т, начальные извлекаемые запасы – 7,5 млн т. На начало 2022 г. остаточные извлекаемые запасы составляли 3,5 млн т с накопленной компенсацией 32٪ и обводнённостью 76٪. На объекте работает 64 добывающие скважины и 12 нагнетательных скважин. Используя реальные геолого-физические свойства пластов месторождения, было построено 18 различных секторных ГДМ, на которых была проведена оценка применимости алгоритмов CRM. Для расчёта прогнозных показателей предложена физическая прокси-модель CRMP (англ. Capacitance-Resistance Model Producer based – Модель ёмкостного сопротивления, основанная на добыче) + BFGS (англ. Broyden – Fletcher – Goldfarb – Shanno algorithm – метод численной оптимизации Бройдена – Флетчера – Гольдфарба – Шанно) + WOR (англ. Water-Oil-Ratio – водонефтяной фактор) + Ensemble (ансамбль моделей МО). На синтетических моделях получены расхождения по дебиту жидкости на уровне 9٪, что считается удовлетворительным результатом. Далее алгоритмы были перенесены на реальные данные. Для этого I объект месторождения был разделен на 12 ячеек разработки с одной нагнетательной и девятью добывающими скважинами. Задача МО заключалась в подборе оптимальных значений параметров. Авторы отмечают, что на реальных данных расхождения по дебитам жидкости составили от 7٪ до 32٪. Высокие значения по некоторым скважинам обусловлены погрешностями приборов.

Критически важными данными для имплементации предложенного подхода являются данные с датчиков давления, которые установлены в компоновках глубинно-насосного оборудования добывающих скважин. При разработке модели использовалась традиционная архитектура данных. Замеры с датчиков автоматически регистрировались в хранилище, откуда с помощью программных скриптов на языке Python извлекались данные для датасетов. На основе open-source (открытых) решений был разработан пакет с ансамблем алгоритмов МО для решения оптимизационных задач. Переобучение МО проводится ежемесячно. Для пользователей было создано веб-приложение, позволяющее производить настройки расчётов и визуализировать результаты МО. На данный момент данная модель активно применяется на производстве в виде специализированного программного продукта и используется для повышения уровней добычи нефти путём точного прогнозирования требуемых технологических режимов добывающих и нагнетательных скважин. За время применения данного продукта получены реальные объёмы дополнительной добычи нефти и финансовые выгоды.

Заключение

В статье рассмотрены реальные примеры использования комплекса внутрискважинных датчиков, формирования архитектуры данных и прикладных решений на основе МО в Казахстане и за рубежом. Результаты работ, описанные в мировой научной литературе, позволяют оценить, насколько вариативными могут быть такие решения, и какой широкий спектр задач может быть охвачен при совместном использовании больших данных с систем учёта давления и алгоритмов ИИ. Системы внутрискважинного мониторинга доказали свою эффективность и становятся одним из обязательных конструкционных решений при эксплуатации скважин. Применение систем учёта и мониторинга давления в скважинах позволяет получить доступ к огромному массиву данных об энергетическом состоянии пластов в режиме реального времени. Эта информация даёт возможность оперативного контроля над разработкой месторождения с целью повышения качества и точности принимаемых решений.

Дополнительно

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Вклад авторов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией). Наибольший вклад распределён следующим образом: Женис Д.К. – формулирование научной концепции, анализ архитектур обработки данных, подготовка текста статьи, координация работы соавторов; Касенов А.К. – технический обзор систем внутрискважинного мониторинга, структурирование раздела по архитектурам хранения данных, редактирование статьи; Ибраев А.Е. – сбор и анализ данных по применению машинного обучения, описание практических кейсов и алгоритмов МО, участие в написании раздела по CRMP-моделированию; Шаяхмет К.Н. – анализ казахстанского производственного опыта, адаптация результатов под отраслевые условия, участие в формировании выводов и заключения.

Additional information

Funding source. This study was not supported by any external sources of funding.

Competing interests. The authors declares that they have no competing interests.

Authors’ contribution. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work. The largest contribution is distributed as follows: Dinmukhammed K. Zhenis – development of the scientific concept, analysis of data processing architectures, drafting of the manuscript, coordination of co-author contributions; Akzhan K. Kassenov – technical review of downhole monitoring systems, structuring of the data storage architecture section, manuscript editing; Aktan Ye. Ibrayev – data collection and analysis on machine learning applications, description of practical case studies and ML algorithms, contribution to the CRMP modeling section; Kaiyrgeldi N. Shayakhmet – analysis of Kazakhstan’s operational experience, adaptation of results to industry-specific conditions, participation in the formulation of conclusions and recommendations.

 

¹ SQL (англ. Structured Query Language – язык структурированных запросов) – декларативный язык программирования, применяемый для создания, модификации и управления данными в реляционной базе данных, управляемой соответствующей системой управления базами данных.

About the authors

D. K. Zhenis

Kazakh-British Technical University

Author for correspondence.
Email: dimashzhenis.pe@gmail.com
ORCID iD: 0009-0003-4934-7347
Kazakhstan, Almaty

A. K. Kasenov

Kazakh-British Technical University

Email: a.kasenov@kbtu.kz
ORCID iD: 0000-0002-1007-1481

PhD, Associate Professor

Kazakhstan, Almaty

A. Ye. Ibrayev

KMG Engineering

Email: ak.ibrayev@kmge.kz
ORCID iD: 0009-0005-1731-7092
Kazakhstan, Astana

K. N. Shayakhmet

ByteAll Energy

Email: kairgeldi.shayakhmet@byteallenergy.com
ORCID iD: 0000-0001-9269-4545
Kazakhstan, Astana

References

Supplementary files