Введение
Разработка интеллектуальных скважинных систем с применением современных методов прогнозирования режимных параметров представляет собой одно из приоритетных направлений цифровизации нефтегазовой отрасли. Это направление основано на объединении классического инжиниринга с передовыми технологиями машинного обучения и искусственного интеллекта, что способствует значительному улучшению оптимизации ресурсов, надежности и производительности операций по добыче углеводородов [1; 2].
Современный этап развития скважинных технологий характеризуется активным внедрением методов искусственного интеллекта для прогнозирования режимных параметров добычи [3; 4]. Перспективные результаты были получены при применении рекуррентных нейронных сетей на основе LSTM-алгоритма для прогнозирования таких режимных параметров, как дебит и забойное давление [5; 7]. Подобные модели успешно реализуются в схемах управления скважинными системами [8].
Вышеприведенные исследования указывают на особую актуальность развития концепции интеллектуальных скважин (ИС), способных к адаптивному поведению на основе прогнозирования изменяющихся условий эксплуатации. Существующие подходы часто ограничены использованием либо строго детерминированных моделей, не учитывающих стохастическую природу процессов, либо исключительно ориентированных на методы искусственного интеллекта, которые могут демонстрировать недостаточную адекватность при дефиците или низком качестве обучающих данных. В связи с этим формируется объективная потребность в разработке гибридных решений, интегрирующих проверенные физико-математические модели с современными алгоритмами машинного обучения для создания более надежных и точных систем поддержки принятия решений [9; 10].
Специфика нефтепромысловых объектов заключается в том, что множество значимых величин плохо поддаются формализации, и для их анализа и управления целесообразно применять гибридные алгоритмы. Высокая эффективность гибридных архитектур для прогнозирования режимов была экспериментально доказана и подтверждена рядом исследований [5; 11; 12]. Особенность гибридных алгоритмов состоит в применении принципиально разных моделей и методов, объединенных в единую систему. В этом аспекте развитие концепции цифровых двойников скважин является естественным продолжением процесса интеграции физических моделей с методами искусственного интеллекта [13; 14].
В представленной работе предлагается концептуальная модель интеллектуальной скважины, центральным элементом которой является цифровой двойник, реализующий гибридные алгоритмы прогнозирования. Основное внимание уделено созданию архитектуры, сочетающей классические методы расчета на основе характеристик вытеснения и модель, построенную на искусственных нейронных сетях (ИНС), для прогнозирования давления на приеме насоса. Такой комбинированный подход позволяет нивелировать недостатки отдельных методов и использовать их сильные стороны – физическую обоснованность классических моделей и способность нейронных сетей выявлять сложные нелинейные зависимости из исторических данных. Практическая значимость исследования заключается в создании методологической и алгоритмической основы для построения адаптивных систем управления, способных повышать технологическую и экономическую эффективность разработки нефтяных месторождений.
Цель работы – разработка концептуальной модели интеллектуальной скважины, осуществляющей прогнозирование ее режимных параметров на основе гибридных алгоритмов, интегрирующих классические математические методы и инструменты искусственного интеллекта для адаптивного управления процессом добычи нефти в непрерывно изменяющихся геологических и технологических условиях.
Материалы и методы исследования
В ходе исследования использованы модели прогнозирования добычи нефти по характеристикам вытеснения. Коэффициенты математических моделей определены методом наименьших квадратов, расчет реализован в виде программы для ЭВМ на языке программирования Delphi.
Для прогнозирования давления на приеме насоса добывающей скважины разработана модель с использованием ИНС на базе алгоритма Байесовской регуляризации, обучение которой проведено на основе статистических данных эксплуатации месторождения (Западная Сибирь).
Результаты исследования и их обсуждение
Система управления скважиной должна задать такой режим работы привода, когда давление на приеме погружного насоса Рпр обеспечивает проектную продуктивность скважины, которая в свою очередь, согласно классическому уравнению притока Дюпюи, определяется забойным давлением Рзаб, дебитом жидкости, характеристиками скважины, пласта и флюида. Последние (характеристики скважины, пласта и флюида) сложно формализуются для расчета классическими методами [8; 15], поэтому для эффективного определения режимных параметров целесообразно применять инновационные алгоритмы, позволяющие реализовать концепцию интеллектуальной скважины, обеспечивающей активное управление параметрами в режиме реального времени.
Разработка концептуальной модели интеллектуальной скважины
Интеллектуальная скважина является сложным технико-информационным комплексом, включающим в себя (помимо технологического оборудования и средств контроля параметров) системы сбора, хранения и обработки данных, в ядре которых заложены математические модели протекающих процессов. При этом модели могут быть нечеткими или четкими (описываемыми классическими математическими методами), детерминированными или стохастическими и должны обеспечить вывод скважины на оптимальный режим работы в непрерывно изменяющихся условиях эксплуатации.
При этом методы нечеткого вывода или методы искусственного интеллекта (ИИ) целесообразно применять лишь в тех случаях, когда решаемые задачи не могут быть описаны классическими математическими методами, так как данные алгоритмы не всегда могут предлагать адекватное решение, например при недостаточном объеме или качестве обучающих данных. В связи с этим алгоритмы управления, лежащие в основе работы интеллектуальной скважины, должны быть гибридными, то есть содержать модули расчетов на базе классических методов, неклассической логики, искусственных нейронных сетей, деревьев решений и др.
Отличительной особенностью интеллектуальной скважины является наличие цифрового двойника. «Цифровой двойник скважины» – это информационно-алгоритмическая подсистема объекта, в которой осуществляется анализ, хранение и обработка данных гибридными алгоритмами. На рис. 1 представлена концептуальная структурная схема ИС в аспекте поставленной задачи, а именно прогнозирования величины давления на приеме насоса Рпр.
Рис. 1. Концептуальная структурная схема интеллектуальной скважины Источник: составлено авторами
Рассмотрим контур работы интеллектуальной скважины для расчета и управления целевым параметром (Рпр).
1. Данные датчиков скважины (добыча нефти и жидкости) обрабатываются в «Цифровом двойнике», где в соответствующем модуле строится прогноз добычи на основе характеристик вытеснения. Алгоритм расчета – классический (метод наименьших квадратов).
2. Прогноз добычи на интервале ΔТ (средний дебит) и требуемое (проектное) давление на забое Рзаб обрабатываются в «Модуле расчета параметров режима» с применением обученной ИНС. Результат – расчет прогнозного давления Рпр для интервала времени ΔТ.
3. В случае отклонения текущего значения Рпр от прогнозного «Система логического управления» формирует управляющие сигналы по алгоритму перехода скважины к новому режиму к началу интервала времени ΔТ.
4. Управляющие сигналы передаются на станцию управления скважинным оборудованием, которая регулирует режимный параметр с применением частотно-управляемого привода погружного насоса.
Модуль прогнозирования добычи на основе характеристик вытеснения
Прогнозирование добычи является одним из составляющих процесса проектирования, контроля и регулирования разработки месторождений нефти. Наиболее часто применяемым инструментом для анализа и прогноза добычи являются характеристики вытеснения нефти водой, они интегрально учитывают геолого-физическую характеристику пласта и насыщающих его флюидов, а также особенности эксплуатации скважин, систему и плотность их размещения и т.д. Характеристики мало чем отличаются друг от друга, так как в их основу построения заложена основная зависимость добытой нефти QH от добычи жидкости QЖ: QH = f(QЖ).
В рамках исследования разработана программа расчета прогнозной модели. Интерфейс программы (рис. 2) позволяет выбирать скважину, для которой строится прогноз; имеет табличный редактор с данными (добыча нефти QH и жидкости QЖ) и область построения графиков. Результатом работы программы являются графики прогнозов добычи с исходными данными и математические модели с рассчитанными коэффициентами. Программа рассчитывает три модели Г.С. Камбарова, А.М. Пирвердяна и Б.Ф. Сазонова с использованием метода наименьших квадратов. Модель, обеспечивающая наибольшую точность, используется для дальнейшего расчета режима работы нефтяной скважины.
Рис. 2. Интерфейс программы прогнозирования добычи нефти Источник: составлено авторами
Рис. 3. Результаты обучения и тестирования ИНС Источник: составлено авторами
Модуль расчета режима добывающей скважины
Для расчета режима добывающих скважин предлагается использовать ИНС, что позволяет значительно повысить скорость и точность расчета целевого параметра. Входными данными модели являются средний дебит (прогнозная добыча нефти и жидкости на интервале времени) и заданное значение забойного давления Рзаб. Выходной параметр – давление на приеме насоса Рпр.
Для обучения ИНС использовались данные режимов 40 нефтяных скважин, эксплуатирующих пласт, характеризующийся значительной неоднородностью. Построена рекуррентная нейронная сеть, обученная с использованием алгоритма Байесовской регуляризации, имеющая 24 нейрона в скрытом слое и 1 нейрон на выходе.
При обучении ИНС гистограмма ошибок имела вид близкий к нормальному распределению. Коэффициент корреляции целевых данных и данных полученной ИНС представлен на рис. 3. Низкий коэффициент корреляции для тестовой выборки R = 0,73389 объясняется большим значением дисперсии данных (стандартное отклонение 32,17 атм.), что связано со спецификой исследуемого объекта (значительная неоднородность пласта, различные условия работы погружного оборудования и др.). В связи с указанными особенностями коэффициент корреляции для всех данных (целевых и тестовых) R = 0,91234 следует считать приемлемым.
При оценке точности модели с использованием независимой выборки (24 скважины) со стандартным отклонением по давлению на приеме насоса 12,79 атм. среднеквадратическая ошибка составила 11,4, что в контексте исследования является хорошим результатом. Обученная нейронная сеть может выдавать результат при небольшом объеме входных данных, и, следовательно, результат можно получать для скважин на начальной стадии эксплуатации или для небольшого периода работы.
Заключение
Проведенное исследование подтвердило перспективность внедрения разработанной концептуальной модели интеллектуальной скважины, основанной на применении гибридных алгоритмов для прогнозирования режимных параметров. Установлено, что комбинация классических методов расчета и нейросетевых моделей позволяет эффективно решать задачу прогнозирования давления на приеме погружного насоса в условиях значительной неоднородности пластовых характеристик и изменяющихся условий эксплуатации. Результат позволяет обеспечить заблаговременную корректировку режима работы оборудования.
Перспективы дальнейших исследований видятся в совершенствовании архитектуры гибридных алгоритмов за счет включения дополнительных параметров, характеризующих состояние пласта и оборудования, а также развития методов онлайн-обучения моделей для адаптации к долгосрочным изменениям условий эксплуатации. Предложенная концепция открывает возможности для создания целостных систем управления разработкой месторождений на основе сети интеллектуальных скважин, способных к скоординированной оптимизации нефтедобычи.
Конфликт интересов
Библиографическая ссылка
Масленников Д.А., Гладких Т.Д., Казаринов Ю.И. КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ИНТЕЛЛЕКТУАЛЬНОЙ СКВАЖИНЫ С ГИБРИДНЫМИ АЛГОРИТМАМИ ПРОГНОЗИРОВАНИЯ РЕЖИМНЫХ ПАРАМЕТРОВ // Современные наукоемкие технологии. 2025. № 12. С. 122-127;URL: https://top-technologies.ru/ru/article/view?id=40612 (дата обращения: 21.01.2026).
DOI: https://doi.org/10.17513/snt.40612