Толық мәтін

Введение

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

Стационарные системы внутрискважинного мониторинга (Permanent Downhole Gauge или 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 учета мониторинга давления и МО на нефтегазовых месторождениях.

Системы учета и мониторинга давления в скважинах

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

Рис. 1. Схема погружной телеметрии: а) дискретная; б) непрерывная

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].

Рис. 2. Погружной датчик давления и температуры

Применение внутрискважинных датчиков дает 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 объемы данных, которые могут достигать нескольких миллионов замеров температуры и давления для одной скважины в течение года. В статье [3] сообщается, что на месторождение Керн Ривер в США ежедневно регистрируется более 1 миллиона параметров с 9 тысяч эксплуатационных скважин. В связи с этим важное значение имеют системы хранения, обработки и анализа данных.

Архитектуры обработки и хранения больших данных

Архитектура больших данных — это широко определенная структура для управления, хранения, обработки и анализа больших и сложных наборов данных [4]. В практическом смысле архитектуру данных можно рассматривать как модель их сбора, хранения и обработки. Современные платформы направлены на решение важнейших задач для обработки больших данных:

• 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 определенный промежуток времени либо в определенном объеме. 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. Были разработаны для работы с неструктурированными данными (изображения, аудио, видео). Отличаются масштабируемостью, гибкостью и высокой производительностью при работе с большими данными.
• Распределенные файловые системы. Позволяют хранить и обрабатывать данные в больших объемах на нескольких узлах. За счет 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 поставленных задач разрабатываются на основе бизнес-процессов, логических и математических алгоритмов строятся потоки данных с применением программных продуктов либо скриптов на основе языков 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 подается к потребителям. Отсутствие пакетной части не дает 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 лямбда-архитектуре и отличается тем, что пакетная и потоковая части объединены. При этом хранение организовано в виде озер 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, которые использует потоковые данные для постоянного обновления обучающей части.

Рис. 3. Схемы архитектур больших данных

Применение машинного обучения в системах мониторинга забойного давления

Ключевой особенностью МО является обучение через применение решений многих подобных задач для 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 для идентификации пород в режиме реального времени. Другие варианты использования МО включают определение оптимального количества скважин, мест или последовательности бурения. Машинное обучение может помочь выявить геологические зоны и определить прибыльность каждой зоны.

Рис. 4. Примеры применения машинного обучения в нефтегазовой отрасли

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

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

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 [8]. Пример такого исследования подробно описан в работе Джень и Ли. 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 расчетных 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.

Рис. 6. Сравнительные результаты фактических замеров и данных, рассчитанных нейронной сетью (Джень и Ли, 2007 г.)

Тиан и Роланд в своем исследовании предоставили аналогичный пример использования рекуррентных нейронных сетей (Recurrent Neural Network или RNN) и нелинейных авторегрессионных экзогенных моделей (Nonlinear Autoregressive Exogenous Model или NARX) для выявления трендов в замерах давления, получаемых со скважинных датчиков [9]. Исходными данными послужили 4660 замеров, полученных в течение 850 часов. 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).

Рис. 7. Исходные данные и результаты, полученные на нейронных сетях (Тиан и Роланд, 2019 г.)

В 2019 г. Пан Ювей и другие исследователи 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 [10]. 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, Силва в своей работе от 2019 г. разработал математические алгоритмы для оценки взаимовлияния нагнетательных и добывающих скважин на основе больших данных [11]. Используя трансформации уравнения материального баланса, автором были получена математическая модель для определения степени связанности скважин wi:

Коэффициенты αi и βi определялись путем решения оптимизационной задачи по минимизации функции ошибки:

В данном уравнении Pj – данные, полученные с систем мониторинга давления. Оценка математического аппарата выполнялась на синтетических геолого-гидродинамических моделях и на реальных промысловых данных. Был рассмотрен участок c 16 действующими скважинами на одном из месторождений компании Petrobras. В результате расчетов 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.

Рис. 8. Результаты расчетов взаимовлияния скважин, полученных в исследовании Силвы, 2019 г. [11]

В контексте использования МО для определения гидродинамической связи между скважинами одним из наиболее примечательных исследований является работа Жетруова Ж.Т. и коллег. Целью исследования [12] является разработка 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 (далее – CRM). Данная модель была предложена в 2003 г. учеными Альбертони и Лейк [13]. Межскважинное взаимодействие оценивается на основе многомерной линейной регрессии. Отличительной особенностью CRM-моделей является то, что для расчетов показателей скважин используются только исторические данные по добыче, закачке и забойным давлениям. При этом учет геологических свойств пласта реализуется через ввод параметров сжимаемости и проницаемости в качестве входных данных для модели. Каждая пара скважин характеризуется 2 параметрами:

• Коэффициент взаимовлияния f_ij
• Временная константа τ, зависящая от степени накопления жидкости между скважинами

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

где q – дебит жидкости, J – коэффициент продуктивности добывающей скважины, pwf – забойное давление, τ – временная константа, которая выражается следующей формулой:

где c_t – общая сжимаемость, V_p – поровый объем

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. 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 обводненностью 76%. На объекте работает 64 добывающих скважины и 12 нагнетательных скважин. Используя реальные геолого-физические свойства пластов месторождения, было построено 18 различных секторных геолого-гидродинамических моделей, на которых была проведена оценка применимости алгоритмов CRM. Для расчета прогнозных показателей предложена физическая прокси-модель CRMP + BFGS (метод численной оптимизации Бройдена-Флетчера-Гольдфарба-Шанно) + WOR (Water-Oil-Ratio) + 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 1 нагнетательной и 9 добывающими скважинами. Задача МО заключалась в подборе оптимальных значений параметров ct, Vp, fij. 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 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 расчетов 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 путем точного прогнозирования требуемых технологических режимов добывающих и нагнетательных скважин. За время применения данного продукта получены реальные объемы дополнительной добычи нефти и финансовые выгоды.

Заключение

Системы внутрискважинного мониторинга доказали свою эффективность и становятся одним из обязательных конструкционных решений при эксплуатации скважин. Применение систем учета и мониторинга давления в скважинах позволяют получить доступ к огромному массиву данных об энергетическом состоянии пластов в режиме реального времени. Эта информация дает возможность для оперативного контроля за разработкой месторождения с целью повышения качества и точности принимаемых решений исследователями были предложены варианты применения ИИ. 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 учета давления и алгоритмов ИИ.

Авторлар туралы

Dinmukhammed Zhenis

КМГ Инжиниринг

Хат алмасуға жауапты Автор.
Email: dimashzhenis.pe@gmail.com
Қазақстан

Akzhan Kasenov

Email: a.kasenov@kbtu.kz

А. Е. Ибраев

ҚМГ Инжиниринг

Email: ak.ibrayev@kmge.kz
Қазақстан, Астана қаласы

K. Shayakhmet

KMG Engineering LLP

Email: k.shayakhmet@kmge.kz

ведущий инженер службы по аналитике

Қазақстан, Nur-Sultan

Әдебиет тізімі

Қосымша файлдар