Машинное обучение для прогнозирования обводнения газовых добывающих скважин

Ключевые слова: добыча газа, газовые скважины, газовое месторождение, прогнозирование обводнения, водогазовый фактор, машинное обучение.

Значительное количество газовых месторождений России разрабатывается в условиях водонапорного режима, при котором по мере выработки запасов происходит внедрение пластовой воды в газонасыщенную часть залежи [1]. Подъем уровня газоводяного контакта сопровождается образованием конусов воды и ее появлением в добываемой продукции. Это, в свою очередь, увеличивает потери давления в стволах скважин, снижает дебиты газа и в конечном итоге ведет к преждевременной остановке добычи обводнившихся скважин. Проблема быстрого снижения эффективности работы скважин вследствие прихода воды возникает в первую очередь на месторождениях с незначительной газонасыщенной толщей или невыдержанными глинистыми перемычками, отделяющими продуктивный пласт от областей с подстилающей водой. Скорость подъема воды в пласте зависит от фильтрационно-емкостных свойств пласта, его толщины, конструкции и расположения скважин, режимов их работы. Основным фактором, влияющим на скорость подъема воды, выступает депрессия. Поэтому ее контроль в сочетании с прогнозированием времени прихода воды позволил бы добиться продления безводной работы скважин и тем самым повысить эффективность разработки.

Традиционно прогнозирование обводнения скважин выполняется с помощью гидродинамического моделирования, позволяющего определить состояние залежи в динамике и оценить скорость продвижения воды в пласте. Точность подобных расчетов существенно зависит от качества гидродинамических моделей. В случае газовых месторождений в силу большой разницы в подвижности фаз требования к качеству адаптации моделей и размерам ячеек возрастают. Отсутствие необходимых исторических данных по динамике добычи воды в еще сухих скважинах и имеющиеся неопределенности при описании строения пласта и свойствах аквифера часто не позволяют корректно провести настройку свойств пластовой системы, что существенно снижает точность прогнозирования моментов прихода воды и дальнейшей динамики обводненности продукции. В таком случае используют альтернативные приближенные методы прогнозирования динамики добычи воды. В качестве наиболее известных выступают аналитические, вероятностно-статистические или комбинированные методы, сочетающие множественное гидродинамическое моделирование и статистический анализ промысловых данных. В работе [6] предлагается способ долгосрочного прогнозирования подъема уровня ГВК и степени обводнения фонда с применением приближенной методики гидродинамических расчетов на основе вероятностно-детерминированного подхода к учету неоднородности продуктивных пластов и использования простых схем фильтрационных потоков. В работе [9] исследуются различные случаи неоднородности пласта при учете вертикального и горизонтального внедрения воды в залежь. Предложены аналитические методики прогнозирования долгосрочного обводнения газодобывающего фонда, работающих на залежах массивно-пластового типа в условиях упруговодонапорного режима.

В работах [7, 8] рассматриваются упрощенные методы оценки продвижения подошвенных вод в массивных газовых залежах. Авторы анализируют специфику обводнения залежей Западной Сибири и предлагают использовать укрупненные двухмерные газодинамические модели для прогноза прихода воды. В основе методики расчета лежит система «газовых колодцев». Расчет каждого элемента ведется методом укрупненной скважины. Схожий подход описан в работе [2], где на основе упрощенных аналитических моделей материального баланса рассматривается зависимость уровня газоводяного контакта от пластового давления и объема отобранного газа. В рамках предложенной модели проведено прогнозирование времени начала обводнения газовых скважин на примере сеноманских скважин и приведена регрессионная зависимость уровня ГВК от пластового давления и объема отобранного газа. Предложено уравнение для расчета значения накопленных отборов газа, соответствующих началу обводнения скважины. В работе [5] предложена вероятностная методика прогнозирования периода обводнения газовых скважин маломощной газовой залежи на примере месторождения востока ЯНАО. Авторы предлагают учитывать ряд параметров, оказывающих непосредственное влияние на период оставшейся безводной добычи газа. Вероятность выбытия скважины в течение ближайших трех лет вследствие обводнения рассчитывается с использованием экспертно задаваемых весовых коэффициентов. В большинстве отмеченных выше источников используются допущения, применимые для мощных газовых залежей. В случае маломощных залежей с невыдержанными перемычками динамика подъема уровня ГВК усложняется, что требует применения методов прогнозирования, способных воспроизводить сложные нелинейные зависимости, в том числе с учетом взаимного влияния скважин.

В последнее время широкое распространение получили методы искусственного интеллекта для выявления сложных нелинейных зависимостей между параметрами, характеризующими поведение системы. Пластовая система представляет пример подобной системы, в которой добыча газа и жидкости сложным образом зависит от ее фильтрационно-емкостных свойств, строения пласта и параметров технологического режима работы скважин. В статье [4] проведено исследование динамики и причин обводнения 125 нефтяных скважин Восточно-Мессояхского месторождения и предложен алгоритм полного регрессионного анализа при адаптации гидродинамических моделей, включающего в себя методику построения куба песчанистости на основе нейросетевого моделирования (в отличие от стандартного стохастического подхода). В работе [10] проведено исследование влияния ряда геологических параметров газовой залежи и темпов отбора газа на время прихода воды в добывающие скважины. В качестве исходных данных брались результаты гидродинамического моделирования, полученные на синтетических моделях с различным (произвольным) геологическим строением и распределением фильтрационно-емкостных свойств. В работе [3] с использованием алгоритмов машинного обучения прогнозируется вероятность и степень обводнения новых нефтяных скважин на основе обширного набора геологических и промысловых данных. По характеру исходных данных, используемых при обучении моделей искусственного интеллекта все подходы можно разделить на две категории: а) с использованием реальных промысловых данных и б) с использованием синтетических данных, полученных методами физико-математического моделирования. При первом подходе машинное обучение или нейросетевое моделирование выполняет роль инструмента анализа большого массива статистических данных с целью определения сложных нелинейных регрессионных зависимостей [12]. Во втором случае нейронная сеть выступает в качестве инструмента аппроксимации решения задачи, задаваемой физико-математической моделью процесса добычи. Такой подход получил название «суррогатного» моделирования [13].

В данной статье в рамках первого подхода исследуется возможность прогнозирования моментов начала обводнения добывающих газовых скважин на основе обработки статистической промысловой информации о поведении множества скважин-аналогов с применением методов машинного обучения. Объектом исследования является газовая залежь одного из месторождений ЯНАО, относящаяся к маломощным сеноманским залежам с подстилающей водой. Продуктивный пласт (ПК1) характеризуется небольшими газонасыщенными толщинами, высокими фильтрационно-емкостными свойствами и неравномерностью распространения глинистых перемычек, отделяющих водоносный пласт от продуктивного. Все это способствует неравномерному подъему газоводяного контакта и высокой скорости обводнения добывающих скважин.

Все рассмотренные в исследовании скважины имели единые геомеханические ограничения по предельной депрессии в 5 Бар. Это обеспечивает снижение вариативности режимов работы скважин и упрощает задачу выделения закономерностей прихода пластовой воды к забоям. Среди отобранных были представлены скважины наклонно направленного и горизонтального типов.

Основной задачей работы являлось нахождение связи между параметрами, характеризующими текущее состояние, свойства пластовой системы, режимы работы скважин и временем оставшейся безводной работы скважин. Набор параметров выбирался максимально широким, чтобы учесть весь спектр возможного влияния. Часть параметров способна прямо или косвенно влиять на скорость приближения воды к скважине, другая может просто указывать на это, выступая своеобразным индикатором. Первоначальный набор состоял из 15 параметров трех типов.

Геологические параметры.

Характеризуют свойства пласта вокруг скважины и могут влиять на скорость продвижения воды в пласте.

• Пористость: при более высокой пористости наблюдается высокая проницаемость, что позволяет воде быстрее перемещаться к скважине. Проницаемость определялась по корреляционной зависимости от пористости, поэтому отдельно не задавалась.

• Песчанистость: значение в районе скважины указывает на наличие/отсутствие глинистых прослоек выше ГВК, препятствующих конусообразованию и внедрению пластовой воды.

• Эффективная мощность TVDSS – толщина коллектора в газонасыщенной части, измеренная относительно уровня моря: характеризует начальное расстояние до газоводяного контакта (ГВК). Низкое значение эффективной мощности приводит к сокращению времени, необходимого для прихода воды и обводнения скважин.

• Дренируемые запасы: величина запасов газа может косвенно влиять на скорость прихода воды.

Гидродинамические параметры.

• Давления (пластовое, забойное, устьевое): низкие давления свидетельствуют о высокой выработке и повышенной вероятности внедрения воды.

• Депрессия: при высоких депрессиях увеличивается скорость подъема конуса воды.

• Темпы падения пластового и забойного давлений: резкий рост скорости падения давлений может указывать на интенсивное внедрение воды.

• Степень снижения пластового давления от начального: также свидетельствует о степени выработанности запасов и вероятности подтягивания воды.

• Температура на устье: может служить косвенным показателем постепенного внедрения воды, однако подвержена сезонной изменчивости.

Параметры добычи скважин.

• Дебит газа: снижение дебита может быть признаком подхода воды и истощения пласта.

• Годовая добыча газа: высокие темпы добычи могут ускорить истощение пласта и увеличить риски обводнения.

• Накопленная добыча газа: учитывает историю добычи, что важно при прогнозировании долгосрочных тенденций.

• Водогазовый фактор: его небольшой рост свидетельствует о постепенном внедрении воды и высокой вероятности близкого по времени значительного обводнения скважины.

В качестве скважин для обучения модели были выбраны обводившиеся скважины с известной историей прихода воды. Всего было отобрано 15 скважин с различными периодами безводной работы: от 212 дней (менее 1 года) до 3165 дней (более 8 лет) (таблица 1). Зависимый параметр «время до обводнения» Т_обв определялся по историческим графикам изменения во времени водогазового фактора (ВГФ) и минерализации (содержание ионов хлора) (см. рис. 1). Приход воды соответствовал моменту достижения пороговых значений: 1 мг/дм³ для ВГФ и 2000 мг/дм³ для минерализации по ионам хлора. Как следует из рисунка 1, наблюдается различие между моментами прихода воды, определенными по разным показателям. Задержка начала роста ВГФ по сравнению с началом роста минерализации обычно составляет 6–9 месяцев. На практике можно отдать предпочтение одному из методов, по которому имеется достаточное количество значений с высокой достоверностью.

Входная выборка данных содержала порядка 1200 строк. В первую очередь при анализе полученного набора данных были выявлены зависимости между влияющими параметрами и построены матрицы корреляций Пирсона и Спирмена. На рисунке 2 представлена матрица Пирсона (тепловая карта корреляций). Анализ корреляционных матриц показал прямую зависимость между пластовым, забойным и устьевым давлениями (Р_пл, Р_заб, Р_уст) по всему массиву данных. Это говорит о единообразии режимов работы и динамики давлений по всему фонду скважин. Также каждое из давлений практически одинаково коррелирует с оставшимся временем работы скважин до обводнения (Т_ост). Это позволяет упростить модель, отбросив часть из коррелирующих между собой параметров. Поэтому в дальнейшем было оставлено только пластовое давление.

ТАБЛИЦА 1. Начальные параметры пласта, скважины и время до обводнения скважин № 1 – 15

РИСУНОК 1. Зависимость ВГФ и содержания ионов хлора (минерализация) от времени для определения моментов прихода воды в скважину (отмечены красным цветом)

Следующим шагом после фильтрации входных параметров было выявление регрессионной связи между временем до обводнения и всеми оставшимися параметрами. Для этого были применены регрессионные модели машинного обучения с использованием библиотеки Scikit-learn. Обучающая выборка состояла из множества строк, соответствующих помесячным значениям параметров работы отдельных скважин из набора. Геологические параметры определялись в пределах областей дренирования и оставались неизменными во времени.

РИСУНОК 2. Матрица корреляций Пирсона до корректировки набора данных

Для обучения модели использовались следующие алгоритмы машинного обучения: дерево решений, случайный лес и градиентный бустинг. Все три алгоритма используют построение деревьев для решения поставленной задачи [11]. Из выбранных алгоритмов дерево решений является самым простым, не требует тщательной настройки параметров и нормализации данных, но обладает существенным недостатком – склонностью к переобучению. Случайный лес является одним из способов решения этой проблемы. Вместо одного дерева случайный лес состоит из набора деревьев решений, усреднение по которым позволяет уменьшить эффекты переобучения, при этом сохраняя прогнозные качества. Последний алгоритм, градиентный бустинг, может показывать лучшие результаты в сравнении с двумя предыдущими, однако требует более тщательной настройки параметров, а для обучения может потребоваться больше времени.

В ходе обучения вся выборка данных делилась на обучающую и тестовую в соотношении 70 на 30. Далее были определены оптимальные значения параметров для выбранных алгоритмов: min_samples_ split (количество признаков, рассматриваемых при разделении узла) – 4, min_samples_leaf (минимальное количество объектов, необходимое для существования листового узла) – 2, max_depth (максимальная глубина дерева) – 7, 5, 4 для дерева решений, случайного леса и градиентного бустинга соответственно, n_estimators (количество деревьев решений, которые будут построены) – 100, 150 для случайного леса и градиентного бустинга соответственно.

Результаты обучения

Оптимизация моделей проводилась по средней абсолютной ошибке МАЕ (Mean Absolute Error) (1)

(1)

где – фактические значения, – прогнозные значения в точках

В таблице 2 представлены результаты обучения и тестирования моделей по метрике: MAE (1) и коэффициент детерминации R² (2):

где – фактические значения, – прогнозные значения в точках , – среднее фактических значений. На рисунке 3 представлены кроссплоты прогнозных и фактических значений времени до обводнения на обученных моделях для обучающей и тестовой выборок. Как следует из рис. 3 и таблицы 2, как на обучающей, так и на тестовой выборках достигается высокая точность прогнозирования, достаточная для практического применения метода на практике. По дереву решений и случайному лесу наблюдаются незначительные отклонения по отдельным значениям. Наилучший результат показал градиентный бустинг со средней абсолютной ошибкой МАЕ 48 дней, что при прогнозировании момента обводнения в долгосрочной перспективе выглядит как несущественная погрешность. Коэффициент детерминации во всех случаях близок к единице. Полученные результаты указывают на наличие существенной связи оставшегося времени до прихода воды к скважинам с текущими значениями примененных параметров, характеризующих свойства и состояния пласта, а также с режимами работы скважин.

ТАБЛИЦА 2. Результаты обучения

РИСУНОК 3. Результаты обучения (слева) и теста (справа) для дерева решений, случайного леса и градиентного бустинга

На рисунке 4 приведены распределения признаков по степени «значимости» при обучении для всех трех алгоритмов. Степень значимости, определяемая по величине коэффициента Джини [11], – это оценка вклада признака в снижение неопределенности прогноза. Наибольшее влияние при использовании случайного леса и градиентного бустинга имеют пластовое давление (P_пл), скорость его падения (V–P_пл), эффективная мощность TVDSS газовой части, КИГ, дренируемые запасы, пористость, NTG. Можно заметить, что динамически изменяющаяся часть этих параметров (P_пл, КИГ) монотонно изменяется при приближении момента прихода воды к скважине. Поэтому их высокая связь с изменением оставшегося времени выглядит предсказуемой. При этом часть из них вполне может выступать в качестве индикаторов, указывающих на момент начала обводнения, а не причин, влияющих на скорость прихода воды. Статистические методы, как известно, устанавливают только математическую связь между изменчивостью признаков. Из геологических параметров, как следует из рисунка 4, наибольшую значимость имеет эффективная мощность газовой части, учитывающая начальное расстояние до ГВК.

РИСУНОК 4. Важность параметров

Для оценки применимости полученных моделей на практике и проверке их прогностической способности было проведено тестирование на скважинах, не участвующих в обучении. Для этого из исходного массива данных исключались по очереди данные по отдельным скважинам. После чего на оставшемся множестве проводилось обучение и строился прогноз для исключенной скважины. В результате было отмечено, что для части исключаемых из обучения скважин прогноз времени до обводнения по-прежнему точен. Часть скважин прогнозировалась с большой ошибкой. На рисунке 5 приведены примеры «хорошего» (слева) и «плохого» (справа) прогноза.

РИСУНОК 5. Прогнозирование на исключенных из обучения скважинах

Анализ результатов проведенного тестирования показал, что низкая точность прогнозирования характерна для «новых» скважин с коротким временем прихода воды или скважин после проведенного забуривания бокового ствола. Характеристики этих скважин, пробуренных на последнем этапе разработки в зоны с незначительными газонасыщенными толщинами, отличаются от характеристик скважин, пробуренных на первых этапах разработки. Не имея в обучающей выборке подобных объектов, алгоритмы машинного обучения относили их к одному из известных типов и тем самым допускали ошибку в прогнозе. Вместе с тем включение этих скважин с аномальным поведением в обучающую выборку сразу повышает точность прогнозирования для всего множества скважин. Этот результат показывает, что исходная выборка из 15 скважин данных оказалась недостаточно большой и представительной для получения точных прогнозов на всем множестве «новых» скважин с разнообразным поведением. С другой стороны, наличие значительного и представительного множества объектов-скважин, доступного для обучения моделей, позволяет ожидать достоверного прогнозирования времени прихода воды для всего множества скважин действующего фонда.

Выводы

В статье был рассмотрен способ прогнозирования времени, оставшегося до прихода воды в газовые добывающие скважин на основании анализа исторических данных о параметрах работы добывающего фонда и свойствах пласта в области дренирования скважин. В основе метода лежит нахождение регрессионных зависимостей методами машинного обучения. Рассмотрено применение трех алгоритмов машинного обучения, основанных на построении деревьев решений. Наибольшую точность при прогнозировании показал градиентный бустинг, имеющий наилучшие результаты сходимости фактических и прогнозных показателей.

Анализ промысловых данных о работе добывающего фонда на историческом периоде позволил определить ряд параметров, оказывающих наибольшее влияние на продолжительность безводного периода добычи для рассматриваемого актива. Показано, что пластовое давление, темпы его падения и начальная эффективная мощность газонасыщенной части (эффективное начальное расстояние до ГВК) наиболее информативны в оценке оставшегося времени.

Зона, в которую пробурена скважина, может существенно повлиять на динамику промысловых параметров работы скважин и сделать прогноз неточным. Наибольшая точность прогнозирования была достигнута для скважин, расположенных в геологических условиях, схожих с обучающими скважинами. Для повышения точности прогнозирования требуется максимальный охват данными для обучения фонда имеющихся скважин.

Полученные результаты будут полезны при решении практических задач предупреждения раннего прихода воды, а также прогнозирования параметров технологического режима.

Литература

1. Алиев 3.С., Мараков Д.А. Разработка месторождений природных газов: Учебное пособие для вузов. – М.: МАКС Пресс, 2011 – 340 с.

2. Гасумов Э.Р. Прогнозирование времени обводнения и самозадавливания газовых скважин (на примере сеноманской залежи) // Евразийский союз ученых. – 2020. – № 8 (77). – С. 19–22.

3. Ибраев А.Е. Прогноз обводненности новых скважин с помощью машинного обучения / А.Е. Ибраев, Г.С. Камариденова, Б.А. Балуанов, А.С. Елемесов // Вестник нефтегазовой отрасли Казахстана. – 2023. – № 3. – С. 20–34.

4. Кислицын А.А. Использование искусственных нейронных сетей для прогнозирования динамики обводнения горизонтальных скважин / А.А. Кислицын, С.В. Кузнецов, А.В. Поднебесных, А.М. Грановский // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. – 2019. – Том 5. № 4 (20). – С. 160–180.

5. Милованова В.В. Повышение точности прогнозирования обводнения газовых скважин на примере месторождения востока ЯНАО / В.В. Милованова, Д.Р. Ибрагимова, Р.В. Захаров, С.В. Красноборов // Научный журнал российского газового общества. – 2021. – №1 (29). – С. 5–10.

6. Пономарев А.И. О возможности оценки масштабов обводнения фонда добывающих скважин на газовых месторождениях в слоисто-неоднородных пластах / А.И. Пономарев, А.И. Шаяхметова // Электронный научный журнал «Нефтегазовое дело». – 2012. – № 6 – С. 218–225.

7. Усачев В.Д. Прогнозирование обводнения газовых залежей водоплавающего типа на примере месторождений Западной Сибири / В.Д. Усачев, Ю.А. Перемышцев // Нефтепромысловое дело. – 2018. – № 1. – С. 12–17.

8. Усачев В.Д. Разработка методов прогноза обводнения газовых залежей и скважин на базе композиционных гидродинамических моделей: автореф. дис. … канд. тех. наук: 25.00.17 / Усачев Владислав Дмитриевич; науч. рук. Ю.А. Перемышцев; ОО «Газпром ВНИИГАЗ». – Москва, 2018. – 25 с.

9. Шаяхметов А.И. Прогнозирование обводнения фонда добывающих скважин на крупных газовых месторождениях: дис. … канд. тех. наук: 25.00.17 / Айрат Ильфатович Шаяхметов; науч. рук. А.И. Пономерев; Уфимский государственный нефтяной технический университет. – Уфа, 2014. – 145 с.

10. Юшков, А.Ю. Повышение эффективности разработки газовых месторождений за счет перераспределения отборов между скважинами с использованием машинного обучения // А.Ю. Юшков, В.А. Огай, Р.Н. Хакимов и др. // Нефтяная провинция. – 2025. № 4 (44). – 221–234. – https://vkro-raen.com/44-266-283 (дата обращения: 24.03.2026). doi: 10.25689/NP.2025.4.221-234.

11. An Introduction to Machine Learning with Python (O’Reilly) by Andreas C. Mueller and Sarah Guido. Copyright 2017 Sarah Guido and Andreas Mueller. ISNB 978-1-449-36941-5.

12. Ibrahim N.M. Well Performance Classification and Prediction: Deep Learning and Machine Learning Long Term Regression Experiments on Oil, Gas, and Water Production / N.M. Ibrahim, A.A. Alharbi, T.A. Alzahrani, A.M. Abdulkarim, I.A. Alessa, A.M. Hameed, A.S. Albabtain, D.A. Alqahtani, M.K. Alsawwaf, A.A. Almuqhim // SENSORS. – 2022. – Vol. 22, № 14.

13. Maarouf, Alaa, Tahir, Sofiane, Su, Shi, Ramatullayev, Samat, Rat, Coriolan, Kada Kloucha, Chakib, and Hussein Mustapha. «Deep-Learning-Based Surrogate Reservoir Model for History-Matching Optimization». Paper presented at the ADIPEC, Abu Dhabi, UAE, October 2022. doi: https://doi.org/10.2118/211061-MS.