Kazakhstan journal for oil & gas industryKazakhstan journal for oil & gas industry2707-42262957-806XKMG Engineering10802110.54859/kjogi108021Обзорная статьяПрименение прокси-моделей при прогнозировании параметров разработки нефтяных залежейЖетруовЖасулан Талгатбекович<p>руководитель службы по аналитике</p>zh.zhetruov@niikmg.kzhttps://orcid.org/0000-0002-0562-8265ШаяхметҚайыргелді Нұрланұлы<p>ведущий инженер службы по аналитике</p>k.shayakhmet@niikmg.kzКарсыбаевКуат Куанышевич<p>эксперт службы по аналитике</p>k.karsybayev@niikmg.kzБұлақбайАзамат Мұратбекұлы<p>ведущий инженер службы по аналитике</p>a.bulakbay@niikmg.kzҚұлжановаСара Болатқызы<p>старший инженер службы по аналитике</p>s.kulzhanova@niikmg.kzТОО «КМГ Инжиниринг»200720224247561805202212072022Copyright © 2022, Жетруов Ж.Т., Шаяхмет Қ.Н., Карсыбаев К.К., Бұлақбай А.М., Құлжанова С. .2022<p><em>Развитие цифровых технологий и вычислительных мощностей способствует ускоренной эволюции методов прогнозирования параметров разработки нефтяных и газовых залежей. Особенно важной вехой для нефтяной индустрии можно считать создание идеи и первые опыты применения искусственных нейронных сетей для разного рода прикладных задач: классификации геолого-технических мероприятий, автоматической интерпретации результатов геофизических исследований скважин и керна. На текущий момент актуальной и не до конца решенной задачей является применение машинного обучения для прогнозирования параметров разработки нефтяных залежей. Возникающие споры при попытках индустриального внедрения технологии связаны с так называемым «черным ящиком» – ситуацией, когда построенная модель не может объяснить физические законы, и в процессе расчета нелинейных зависимостей почти невозможно отследить промежуточные результаты. С учетом вышеописанных проблем на текущий момент лучшей практикой является совмещение моделей машинного обучения и физически содержательных аналитических моделей, описание которых приведено в данной работе.</em></p>machine learningartificial neural networksprediction of development parametersмашиналық оқытужасанды нейрондық желілеригеру параметрлерін болжаумашинное обучениеискусственные нейронные сетипрогноз параметров разработки1.Bruce, W.A. An Electrical Device for Analyzing Oil-reservoir Behavior. – Pet. Technol., 1943, 151, р. 112–124. DOI: 10.2118/943112-G.2.Wahl W.; Mullins L.; Barham R.; Bartlett W. Matching the Performance of Saudi Arabian Oil Fields with an Electrical Model. – J. Pet. Technol. 1962, 14, р.1275–1282. DOI: 10.2118/414-PA3.Albertoni A.; Lake L.W. Inferring interwell connectivity only from well-rate fluctuations in waterfloods. – SPE Reserv. Eval. Eng., 2003, 6, р. 6–16. DOI: 10.2118/83381-PA.4.Yousef A.A.; Gentil P.H.; Jensen J.L.; Lake L.W. A Capacitance Model to Infer Interwell Connectivity from Production and Injection Rate Fluctuations. – SPE Reserv. Eval. Eng., 2006, 9, р. 630–646. DOI: 10.2118/95322-PA.5.Sayarpour M., Zuluaga E., Kabir C.S., Lake L.W. The use of capacitance-resistance models for rapid estimation of waterflood performance and optimization. – J. Pet. Sci. Eng., 2009, 69, р. 227–238. DOI: 10.1016/j.petrol.2009.09.006.6.Kaviani D.; Jensen J.L.; Lake L.W. Estimation of interwell connectivity in the case of unmeasured fluctuating bottomhole pressures. – J. Pet. Sci. Eng., 2012, р. 90–91, 79–95. DOI:10.1016/j.petrol.2012.04.008.7.Soroush, M.; Kaviani, D.; Jensen, J.L. Interwell connectivity evaluation in cases of changing skin and frequent production interruptions. – J. Pet. Sci. Eng., 2014, 122, р. 616–630. DOI:10.1016/j.petrol.2014.09.001.8.Zhao H.; Kang, Z.; Zhang X.; Sun H.; Cao L.; Albert C. R. INSIM: A Data-Driven Model for History Matching and Prediction for Waterflooding Monitoring and Management with a Field Application – SPE Reserv. Simul. Symp., February 2015. Doi: https://doi.org/SPE-173213-MS9.Voronoi, G.F. Nouvelles applications des paramètres continus à la théorie de formes quadratiques. – Journal für die reine und angewandte Mathematik, 1908, 134. p. 198—287. DOI: https://doi.org/10.2118/205488-PA