Қазақстанның мұнай-газ саласының хабаршысыҚазақстанның мұнай-газ саласының хабаршысы2707-42262957-806XKMG Engineering10864210.54859/kjogi108642Научная статьяПрогноз обводнённости новых скважин с помощью машинного обученияИбраевАктан Ермековичa.ibrayev@niikmg.kzКамариденоваГаухар Сериковнаg.kamaridenova@niikmg.kzБалуановБакытжан Айтуаровичb.baluanov@niikmg.kzЕлемесовАзамат Сериковичayelemessov@niikmg.kzКМГ Инжиниринг151120235320342004202324082023Copyright © 2023, Ибраев А.Е., Камариденова Г.С., Балуанов Б.А., Елемесов А.С.2023<p><strong>Обоснование.</strong> Бурение новых скважин относится к одним из наиболее эффективных геолого-технических мероприятий. На зрелых месторождениях, характеризующихся высокой выработкой запасов и обводнённостью, подбор проектных точек для бурения является сложной задачей. Прогнозирование параметров новых скважин возможно с помощью применения геолого-гидродинамических моделей либо аналитических методов. В данной работе авторами предложено использование алгоритмов машинного обучения для прогноза пусковых параметров новых скважин на основе обширного набора геологических и промысловых данных.</p> <p><strong>Цель.</strong> В статье приведено описание процесса разработки алгоритмов машинного обучения и продемонстрированы показатели эффективности комплексной модели. В рамках данной работы выполнено апробирование алгоритмов машинного обучения для прогноза пусковой обводнённости потенциальных кандидатов.</p> <p><strong>Материалы и методы.</strong> В рамках данной работы были применены различные методы машинного обучения на геолого-технических промысловых данных.</p> <p><strong>Результаты.</strong> Разработанная комплексная модель показала приемлемые результаты сходимости на основе метрик классификации и регрессии, что говорит о её применимости для прогноза пусковой обводнённости проектных скважин.</p> <p><strong>Заключение.</strong> Данный метод прогнозирования показателей является альтернативным инструментом прогноза пусковой обводнённости новых скважин, позволяющим уточнить и дополнить прогнозные параметры, рассчитанные с помощью геолого-гидродинамической модели или эмпирических зависимостей пусковой обводнённости новых скважин от геологических параметров.</p>drilling of new wellswater cut forecastdistributiondatasetdata preprocessingmachine learningperformance evaluationжаңа ұңғымаларды бұрғылаусулануды болжаутаратудеректер жинағыдеректерді алдын ала өңдеумашиналық оқытутиімділікті бағалаубурение новых скважинпрогноз обводнённостираспределениедатасетпрепроцессинг данныхмашинное обучениеоценка эффективности1.Tadjer A, Hong A, Bratvold R. Bayesian Deep Decline Curve Analysis: A New Approach for Well Oil Production Modeling and Forecasting. SPE Res Eval & Eng. 2022;25:568–582. doi:10.2118/209616-PA.2.Gaskari R, Mohaghegh SD, Jalali J. An Integrated Technique for Production Data Analysis (PDA) With Application to Mature Fields. SPE Prod & Oper. 2007;22:403–416. doi:10.2118/100562-PA.3.Shevchuk TN, Kashnikov OY, Mezentseva MA, et al. Production Forecast for Bazhen Formation Reservoirs on the Basis of Statistical Analyses and Machine Learning Techniques. PRONEFT. Professional'no o nefti. 2020;4(18):63–68. doi:10.7868/S2587739920040096. (In Russ).4.Kolesov VV, Kurganov DV. Well Ranking for In-Fill Drilling Using Machine Learning with Production and Geological Data. Vestnik of Samara State Technical University (Technical Sciences Series). 2019;1(61). (In Russ).5.Martyushev DA, Ponomareva IN, Zakharov LA, Shadrov TA. Application of Machine Learning for Forecasting Formation Pressure in Oil Field Development. Bulletin of the Tomsk Polytechnic University. Geo Аssets Engineering. 2021;332(10):140–149. doi:10.18799/24131830/2021/10/3401. (In Russ).6.Gabitova SI, Davletbakova SA, Klimov VY, et al. A new method of decline curve forecasting for project wells on the base of machine learning algorithms. PROneft. Professionally about Oil. 2020;4:69–74. doi:10.7868/S2587739920040102. (In Russ.).7.Enikeev MR, Fazlytdinov MF, Enikeeva LV, Gubaidullin IM. The apply of machine learning methods for water cut prediction on the projected wells. V International Conference on Information Technology and Nanotechnology (ITNT-2019). 2019;4:434–444. (In Russ.).8.Ilyushin PY, Galkin SV. Forecast water cut production wells perm with the A-statistical methods. Vestnik of Perm National Research Polytechnic University. Geology, Oil and Gas Industry. 2011;10:1. P. 76–84. (In Russ).9.Chicco D, Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics. 2020. Vol. 6. doi:10.1186/s12864-019-6413-7.