Қазақстанның мұнай-газ саласының хабаршысыҚазақстанның мұнай-газ саласының хабаршысы2707-42262957-806XKMG Engineering10802110.54859/kjogi108021Шолу мақаласыМұнай кен орындарының игеру параметрлерін болжауда прокси модельдерді қолдануЖетруовЖасулан 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.kz«ҚМГ Инжиниринг» ЖШС200720224247561805202212072022Copyright © 2022, Zhetruov Z., Shayakhmet K., Karsybayev K., Bulakbay A., Kulzhanova S.2022<p><em>Мұнай және газ кен орындарын игеру параметрлерін болжау әдістерінің эволюциясы цифрлық технологиялар мен есептеу қуатының дамуына байланысты жаңа мүмкіндіктерге ие болды. Мұнай өнеркәсібі үшін ерекше маңызды кезең ретінде әр түрлі қолданбалы тапсырмалар үшін жасанды нейрондық желілерді қолданудың идеясының пайда болуы мен алғашқы тәжірибелерді жасауды санауға болады: геологиялық-техникалық шараларды классификациялау, ұңғымаларды каротаждау және кернді зерттеу нәтижелерін автоматты түрде интерпретациялау. Қазіргі уақытта өзекті және толық шешілмеген мәселенің бірі болып мұнай кен орындарын игеру параметрлерін болжау үшін машиналық оқытуды пайдалану болып саналады. Технологияны өнеркәсіптік енгізу кезінде туындайтын даулар «қара жәшік» деп аталатын мәселеге байланысты орын алады – құрастырылған модель физикалық заңдарды түсіндіре алмайды, ал сызықтық емес тәуелділіктерді есептеу процесінде аралық нәтижелерді қадағалау мүмкіншілігі болмайды. Жоғарыда сипатталған мәселелерді ескере отырып, қазіргі уақытта ең жақсы тәжірибе осы мақалада сипатталған машиналық оқыту үлгілері мен физикалық аналитикалық модельдерді біріктіру болып табылады.</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