科學家使用機器學習來優化油井的水力壓裂設計

水力壓裂實質上是在高壓下將流體泵入儲層的過程，這會產生裂縫，并幫助將碳氫化合物帶到井中，并最終帶到地表，這是增產油氣的最廣泛使用的技術之一。在過去的幾十年中，HF的技術復雜性日益增長，以至于現在需要進行廣泛的設計和使用復雜的多模塊模擬器進行預先建模。

“與此同時，將這些模擬器的預測與現實聯系起來仍然是校準，驗證和驗證真實數據模型的主要問題。此外，要閉合壓裂模擬器和生產數據之間的循環，需要將壓裂設計建模耦合在一起使用儲層模擬器，這會進一步增加復雜性和不確定性。作為替代方案，我們決定正確看待壓裂設計和生產的現場數據，這是成功的衡量標準。”多相系統實驗室負責人Andrei Osiptsov教授解釋說該研究的合著者是Skoltech碳氫化合物回收中心的成員。

M-階段實驗室的研究人員以及ADASE小組負責人Evgeny Burnaev教授領導的CDISE同事決定，看看基于機器學習的數據驅動的HF設計方法是否可以幫助應對這一挑戰。

他們項目的關鍵部分始于2018年，是一個數字數據庫，其數據涉及JSC Gazprom Neft周邊俄羅斯西伯利亞西部約20個油田的約6000口井的壓裂工作和石油生產。每個數據點包含油藏，井和壓裂設計參數以及16個采油參數上的92個變量。

“我們設法收集并清理了一個很大的水力壓裂完工數據庫。通過將機器學習方法應用于該數據庫，我們已經可以根據工藝參數準確預測水力壓裂結果。我們仍然需要解決根據這一預測，為選擇水力壓裂工藝的參數而建立最佳建議的任務艱巨。”該研究的合著者本那夫教授說。

M-Phase Lab高級工程師兼項目經理，該研究的合著者Albert Vainshtein指出，由于真實數據的歧義性，高度不確定性和異質性，該項目“從一開始就非常具有挑戰性”。

“我認為數字數據庫的開發將使我們能夠檢驗各種假設，進而可以清除壓裂過程的多種隱藏模式。例如，重要的是確定在哪個注入的支撐劑噸位上我們的累積油量。生產停止增長。根據條件，通常的方法是在每個壓裂階段注入60噸。使用機器學習模型和統計數據，我們可以證實或拒絕這種假設。” Skoltech博士Anton Morozov說道。M階段實驗室的學生和研究實習生。

科學家們已經根據他們的機器學習方法提出了試井壓裂設計建議，并已提交給業界合作伙伴。他們希望即將進行的現場測試活動將展示其技術在石油生產中的潛力。不過，伯納夫重申，“在描述水力壓裂系統設計的輸入數據中仍然存在大量不確定性”。在項目的下一階段，他們旨在開發新的方法來估計這種不確定性。

“處理實地數據需要勇氣和謹慎，因為它非常敏