Applicazione dell'apprendimento automatico nella previsione del calo del tasso di petrolio per i pozzi petroliferi di scisto di Bakken

Rapporti scientifici volume 12, numero articolo: 16154 (2022) Citare questo articolo

1599 accessi

3 citazioni

3 Altmetrico

Dettagli sulle metriche

Per risolvere le equazioni discretizzate del bilancio di massa sono necessari simulatori di giacimento commerciali. Quando il giacimento diventa eterogeneo e complesso, è possibile utilizzare più blocchi della griglia, il che richiede informazioni dettagliate e accurate sul giacimento, ad esempio porosità, permeabilità e altri parametri che non sono sempre disponibili sul campo. La previsione dell’EUR (Estimated Ultimate Recovery) e il calo del tasso per un singolo pozzo possono quindi richiedere ore o giorni, il che li rende computazionalmente costosi e dispendiosi in termini di tempo. Al contrario, i modelli della curva di declino sono un’opzione più semplice e rapida perché richiedono solo poche variabili nell’equazione che possono essere facilmente ricavate dai dati attuali dei pozzi. I dati dei pozzi per questo studio sono stati raccolti dai database accessibili al pubblico del Montana Board of Oil and Gas Conservation. Le variabili dell'equazione della curva di declino SEDM (Stretched Exponential Decline Model) appositamente progettate per le variabili dei giacimenti non convenzionali sono state correlate ai parametri predittivi in ​​un set di dati di pozzi petroliferi casuali. Lo studio ha esaminato le influenze relative di diversi parametri del pozzo. La novità dello studio deriva dallo sviluppo di un modello innovativo basato sull'apprendimento automatico (ML) (foresta casuale (RF)) per il rapido declino del tasso e la previsione dell'EUR nei pozzi petroliferi di Bakken Shale. Il successo dell’applicazione di questo studio dipende in larga misura dalla disponibilità di una buona qualità e quantità del set di dati.

L’obiettivo principale di questo studio è sviluppare un modello basato su ML che possa essere impiegato per la previsione del calo del tasso di produzione per un gran numero di pozzi Bakken Shale in un periodo molto più breve. Questo metodo sarà molto più veloce dei simulatori di giacimento commerciali poiché non richiede la risoluzione di un gran numero di equazioni alle differenze finite. La produzione di petrolio e gas di scisto non convenzionale è stata avviata molti anni fa negli Stati Uniti. Da allora, numerose società di esplorazione hanno raccolto i dati di un numero significativo di pozzi di petrolio e gas perforati e prodotti da questi giacimenti, ottenendo una grande quantità di dati sui pozzi orizzontali. Queste informazioni sono disponibili in diversi database di siti web accessibili al pubblico1. Vari metodi di analisi dei dati possono essere utilizzati per valutare i dati disponibili al pubblico per scoprire modelli sottostanti e punti deboli in questi serbatoi che potrebbero essere utili per il futuro sviluppo di pozzi orizzontali2,3,4. Il metodo più ampiamente utilizzato per prevedere la produzione futura dei pozzi di shale oil è la proiezione delle curve di declino della produzione5. I modelli della curva di declino sono equazioni matematiche utilizzate per modellare i dati di produzione dei pozzi esistenti e prevedere un futuro declino del pozzo1. Sviluppare un modello empirico del calo del tasso di produzione a partire dalle prestazioni iniziali del pozzo ed estrapolare questo modello nel futuro può prevedere il potenziale di produzione futuro e l'EUR. Il modello di curva di declino della produzione più comunemente utilizzato è il modello iperbolico di Arps. Tuttavia, l’adattamento del modello iperbolico di Arps ai dati di produzione dei pozzi di shale oil ha spesso prodotto valori fisicamente irrealistici del coefficiente di declino iperbolico1. Il SEDM è stato utilizzato per prevedere la produzione da pozzi non convenzionali e risolvere questa sfida5. Il SEDM è più adatto per i pozzi petroliferi di scisto rispetto al modello iperbolico di Arps, perché si trovano in un regime di flusso transitorio durante la maggior parte della loro vita. Per \({q}_{i}\) positivo, n e SEDM, SEDM restituisce un valore EUR finito1. Di conseguenza, nello studio è stato utilizzato il SEDM per prevedere il calo del tasso di produzione e l’EUR per i pozzi di prova.

In uno studio simile è stato presentato un approccio alternativo per la deconvoluzione velocità/pressione. I parametri e gli algoritmi addestrati basati sulla fisica svolgono un ruolo chiave nell'implementazione efficace della strategia raccomandata preservando la fisica del flusso transitorio di sovrapposizione6. Lo svantaggio principale di questo studio è che questo metodo non riesce a fornire risultati soddisfacenti quando sono disponibili dati molto variabili e limitati. Lo svantaggio principale di questo studio è che dipende fortemente dalla disponibilità di una quantità sufficiente di dati. Un altro studio ha proposto un modello per prevedere la permeabilità di una roccia carbonatica tecnicamente impegnativa (estremamente eterogenea) basato sulla regressione della Random Forest, che può acquisire in modo efficace dai parametri fisici dipendenti e fornire una previsione sicura della permeabilità rispetto ai modelli empirici convenzionali7. Lo svantaggio principale di questo studio è che dipende fortemente dalla disponibilità di dati di buona qualità privi di rumore. In uno studio simile, gli autori hanno utilizzato modelli basati sui dati per prevedere il calo del tasso dei pozzi petroliferi Eagle Ford Shale8. Un altro studio ha proposto un modello basato su ANN per prevedere il calo del tasso dei pozzi petroliferi di Eagle Ford Shale9. Lo svantaggio principale di questi studi era che la loro applicabilità era limitata solo a Eagle per i pozzi petroliferi di scisto.