РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДБОРА СКВАЖИН-КАНДИДАТОВ ДЛЯ ГИДРАВЛИЧЕСКОГО РАЗРЫВА ПЛАСТА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Большинство нефтяных месторождений России находятся на поздней стадии разработки, для которой характерны рост обводнённости продукции, снижение пластового давления и вовлечение в добычу трудноизвлекаемых запасов. Поддержание добычи в таких условиях обеспечивается прежде всего за счёт геолого-технических мероприятий, ведущее место среди которых занимает гидравлический разрыв пласта (ГРП). Метод отличается массовостью применения и устойчивым приростом дебита и позволяет существенно повысить продуктивность скважин в коллекторах различного типа [1, с. 5; 3, с. 25].

Технологический и экономический результат ГРП во многом определяется тем, насколько обоснованно выбраны скважины для его проведения. Ошибочный отбор приводит к расходованию средств на бесперспективные обработки и к недополучению добычи, поэтому задача подбора скважин-кандидатов сохраняет высокую практическую значимость [2, с. 47]. Сложившиеся подходы к подбору обладают известными ограничениями. Экспертно-критериальные и эмпирические методы упрощают задачу и вносят субъективность, гидродинамическое моделирование трудоёмко и плохо масштабируется на большой фонд скважин, а статистические методы чувствительны к качеству исходных данных и слабо учитывают нелинейный характер связей между параметрами [4, с. 23]. Между тем эффективность обработки зависит от совместного влияния множества геологических, технологических и эксплуатационных факторов, связи между которыми сложны и заранее неизвестны.

Перспективным направлением становится применение методов машинного обучения и искусственных нейронных сетей, способных выявлять скрытые нелинейные закономерности в массивах промысловых данных и формировать прогноз с учётом множества факторов [5, с. 40; 6, с. 28]. Цель настоящей работы состоит в разработке интеллектуальной системы подбора скважин-кандидатов для ГРП на основе нейронной сети, повышающей обоснованность отбора и эффективность мероприятия.

Подбор скважины-кандидата формализуется как задача бинарной классификации. По вектору входных параметров операцию требуется отнести к классу успешных либо неуспешных и оценить вероятность принадлежности к классу успешных. Мерой успешности служит относительный прирост дебита нефти после обработки. Если обозначить дебит до обработки через Q₀, а после неё через Q₁, то коэффициент кратности прироста определяется выражением (1):

K = Q₁ / Q₀ (1)

Операция признаётся успешной, если относительный прирост дебита превышает заданный пороговый уровень, в противном случае она относится к неуспешным. Такой количественный критерий снимает субъективность и позволяет однозначно разметить выборку.

Обучение выполнено на выборке из ста проведённых операций, в которой 75 отнесены к успешным и 25 к неуспешным, что отражает типичное для промысла соотношение исходов. Перед обучением данные проходят очистку и обработку пропусков, аномальные значения выявляются по правилу межквартильного размаха, после чего признаки масштабируются к единому диапазону. Параметры масштабирования рассчитываются только по обучающей части выборки, что исключает утечку информации в контрольную и тестовую части.

При ограниченном объёме данных число параметров не должно приближаться к числу наблюдений, иначе резко возрастает риск переобучения. Поэтому выполнен отбор признаков тремя взаимодополняющими методами. Корреляционный анализ по коэффициенту Пирсона выявляет линейные связи и избыточные параметры, оценка взаимной информации чувствительна к нелинейным зависимостям, а важность по ансамблю случайного леса учитывает взаимодействие признаков. В итоговый набор включены параметры, признанные значимыми не менее чем по двум критериям. Согласованный отбор сократил число входных параметров с восемнадцати до восьми (таблица 1).

Таблица 1.

Входные параметры модели и их значимость для прогноза успешности ГРП

Состав отобранных параметров имеет ясный физический смысл. Проницаемость и скин-фактор определяют потенциал прироста продуктивности при создании трещины, нефтенасыщенная толщина и остаточные запасы характеризуют ресурсную базу в зоне дренирования, а масса проппанта и объём жидкости разрыва отражают энергетику самой обработки.

Полученный компактный набор подаётся на вход нейронной сети. Из множества архитектур для табличных данных выбран многослойный персептрон, представляющий собой полносвязную сеть прямого распространения. Архитектура намеренно компактна и для выборки из ста операций ограничена двумя скрытыми слоями из шестнадцати и восьми нейронов с функцией активации ReLU и единственным выходным нейроном. Выходной нейрон с логистической функцией активации возвращает оценку вероятности успеха

p(x) = 1 / (1 + e⁻ᶻ), (2)

где z – взвешенная сумма сигналов на входе нейрона. Обучение ведётся методом обратного распространения ошибки с адаптивным оптимизатором Adam, в качестве функции потерь принята бинарная перекрёстная энтропия. Защита от переобучения обеспечивается совместным действием регуляризации по норме L2, прореживания и ранней остановки, а итоговая оценка качества выполняется по стратифицированной перекрёстной проверке с сохранением пропорций классов.

Ранняя остановка прекратила обучение на 96-й эпохе, зафиксировав веса с наилучшим значением функции потерь на контрольной выборке. Разрыв между долей верных ответов на обучающей и контрольной выборках не превысил нескольких процентов, что говорит об отсутствии выраженного переобучения. Качество разработанной сети сопоставлено с базовыми моделями, обученными на той же выборке (таблица 2).

Таблица 2.

Сравнение моделей по метрикам качества (стратифицированная перекрёстная проверка)

Линейная логистическая регрессия закономерно уступает остальным моделям, что подтверждает нелинейный характер зависимости исхода обработки от исходных параметров. Нейронная сеть обеспечивает наибольшую полноту по классу успешных операций и наибольшую площадь под характеристической кривой при общей точности, сопоставимой с градиентным бустингом. Высокая полнота особенно важна для практической задачи, поскольку пропуск перспективной скважины оборачивается упущенной выгодой. По матрице ошибок, построенной по результатам перекрёстной проверки, сеть верно распознала 66 из 75 успешных операций и 21 из 25 неуспешных, что соответствует доле верных ответов 0,88 и 0,84. Полученные оценки следует трактовать с учётом ограниченного объёма выборки, их уточнение произойдёт по мере накопления фактических промысловых данных.

Обученная модель применяется в составе алгоритма подбора, преобразующего набор скважин-претендентов в упорядоченный перечень рекомендаций. Для каждой скважины формируется вектор из тех же восьми признаков, который после масштабирования подаётся на вход сети. Полученная вероятность сопоставляется с порогом принятия решения

d(x) = 1 при p(x) ≥ τ; d(x) = 0 при p(x) < τ, (3)

где d(x) – решение по скважине, причём единица отвечает рекомендации к проведению операции, τ – порог принятия решения. Порог не фиксируется на уровне половины, а настраивается по характеристической кривой исходя из экономических приоритетов и допустимого уровня риска. Скважины, прошедшие отбор, упорядочиваются по убыванию ожидаемого эффекта, что позволяет рационально распределять ограниченные ресурсы между перспективными кандидатами.

Разработана интеллектуальная система подбора скважин-кандидатов для гидравлического разрыва пласта, переводящая отбор из области экспертного суждения в формализованный и воспроизводимый расчёт. Задача подбора сведена к бинарной классификации с количественным критерием успешности по приросту дебита.

Согласованный отбор признаков тремя методами сократил число входных параметров с восемнадцати до восьми наиболее значимых, среди которых ведущую роль играют проницаемость и скин-фактор. Обученный компактный многослойный персептрон обеспечил наибольшую полноту по классу успешных операций и площадь под характеристической кривой 0,89, превзойдя линейную модель и не уступив ансамблевым методам, при доле верных ответов 0,88 и 0,84 по классам.