МЕТОДИКА ОПРЕДЕЛЕНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СКВАЖИНЫ МЕТОДОМ МАШИННОГО ОБУЧЕНИЯ

WELL INTEGRITY EVALUATION USING MACHINE LEARNING TECHNOLOGY

Ishkulov Ildar Minikhatovich

Category 1 Engineer, TatNIPIneft Institute PJSC Tatneft after V.D. Shashin, Russia, Almetyevsk

Vafin Ramil Rinatovich

Leading engineer, TatNIPIneft Institute PJSC Tatneft after V.D. Shashin, Russia, Almetyevsk

Takhauov Dinar Damirovich

Leading engineer, TatNIPIneft Institute PJSC Tatneft after V.D. Shashin, Russia, Almetyevsk

Safarov Albert Khamitovich

Dr.Sc. (Eng.), Leading Science Researcher, TatNIPIneft Institute PJSC Tatneft after V.D. Shashin, Russia, Almetyevsk

Fattakhov Irik Galikhanovich

Dr.Sc. (Eng.), Director for EOR, Wave Stimulation and Biotechnologies, TatNIPIneft Institute of PJSC TATNEFT named after V.D. Shashin, Russia, Almetyevsk

В настоящее время вопрос корректной и своевременной оценки технического состояния скважин является достаточно актуальным ввиду разработки месторождений на поздней стадии, высокой обводненности продукции скважин, а также стареющего фонда скважин. Традиционно для определения технического состояния эксплуатационной колонны применяют геофизические исследования, которые позволяют определить наличие нарушения, а также его интервал. Однако ввиду большой загруженности специалистов-технологов на промысле не всегда удается своевременно отправить геофизическую партию для проверки технического состояния колонны скважины. Данный факт влечет за собой недоборы по нефти, повышение процента обводненности, негативное влияние на экологию, увеличение непроизводительной закачки, а также снижение целевых экономических показателей. Также стоит отметить высокий риск «холостого» проезда, когда не удается обнаружить наличие нарушений в эксплуатационной колонне.

В качестве решения данных проблем авторами предложена новая методика для оценки технического состояния колонны на основе модели машинного обучения. Основными признаками, по которым прогнозируется негерметичность скважины, являются химический анализ воды, возраст скважины, количество проведенных ремонтов на скважине, динамика работы скважины, а также ее строение. Полученные признаки обрабатываются, загружаются в модель машинного обучения, и далее специалисту в режиме реального времени выдается заключение о наличии негерметичности скважины. Данный подход позволяет значительно сократить время принятия решений, повысить эффективность обнаружения негерметичности по скважинам, а также повысить целевые экономические показатели.

Научная новизна данного исследования заключается в создании методики анализа данных и алгоритмов, которые позволяют предсказать появление негерметичности колонны на скважинах. Для этого сначала необходимо выделить три основных группы причин возникновения негерметичности эксплуатационной колонны, после чего определить критерии выявления негерметичности. При определении негерметичности был сформирован пул необходимых промысловых данных, которые затем обрабатывались и закладывались в модель для обучения. В процессе обучения были опробованы несколько алгоритмов машинного обучения.

В настоящее время большинство месторождений находится на поздней стадии разработки, при этом фонд скважин осложнен высоким процентом добываемой воды и техническими нарушениями [1, с. 36]. В связи с этим достаточно остро стоит проблема оперативного определения скважин, работающих с нарушениями, и путей их ликвидации. Наиболее популярным на сегодняшний день методом по определению технического состояния колонны скважин является геофизическое исследование [2–6, с. 109, 290, 189, 71, 155].

В результате проведенного анализа геофизических исследований по оценке технического состояния скважин терригенного девона Ромашкинского месторождения авторами определено, что за условный период с первого по шестой год процент исследований с подтверждением негерметичности эксплуатационной колонны без подхода бригад ремонта в среднем не превышает 10 % (рисунки 1–2). Это говорит о том, что специалисты-технологи на промысле нуждаются в инструменте, который бы позволил повысить процент потенциальных скважин с наличием негерметичности.

Рисунок 1. Выявление нарушений колонны по результатам исследований в разрезе эксплуатационных участков

Рисунок 2. Количество исследований без подхода бригад ремонта с разбивкой по годам

Наиболее простым и эффективным способом выявления нарушения в эксплуатационной колонне на сегодняшний день является химический анализ состава воды, отобранной со скважины. Тем не менее не всегда удается оперативно выявить отклонения в составе пробы. Зачастую оперативность решения достигает 70 сут и более (рисунок 3).

Рисунок 3. Показатели работы скважины

Таким образом, основным недостатком исследований по определению негерметичности колонны скважин является то, что мы работаем уже со случившейся проблемой. В данной работе предложен новый подход к этой проблеме и создан модуль на основе модели машинного обучения для прогнозирования технического состояния колонны. За счет аналитики данных и алгоритмов он предсказывает появление негерметичности колонны на скважинах.

Для полноценного проведения работ с целью поэтапного решения задач первоначально проведен анализ причин возникновения негерметичности. Авторами выделены три основные группы причин: качество цементирования, износ металла и коррозия металла. Основными последствиями негерметичности являются увеличение процента обводненности, загрязнение окружающей среды, непроизводительная закачка, а также снижение целевых экономических показателей [7–13, с. 11, 87, 258, 7, 49, 128, 549].

В качестве критериев выявления негерметичности, зависимости по которым легли в основу модели, выделены химический состав воды, особенности конструкции скважины, динамика работы, возраст скважины на момент исследования, а также количество циклов спуско-подъемных операций и опрессовок.

Традиционно в промышленности сложились основные подходы по определению признаков, указывающих на наличие отклонений по составу воды. Например, анализ отношения концентрации Cl/Ca (рисунки 4–5).

По анализу более 4 тыс. случаев, среди которых 930 с негерметичностью эксплуатационной колонны и 3086 – с герметичностью колонны, можно отметить, что при возникновении негерметичности отношение Cl/Ca в среднем равно 6, при этом данное отношение в герметичных скважинах в среднем равняется 4,6 (рисунок 5).

Однако данный анализ достаточно трудозатратный и требует просмотра каждой потенциально негерметичной скважины специалистом на промысле. Но при большом количестве скважин значительно снижается оперативность принятия решений. Также это только пример того, как можно определить негерметичность по скважине. Таких подходов может быть достаточно много, и, чтобы изучить отношения концентраций веществ компонентного состава, требуется много времени и средств.

Впервые разработана система, которая по оценке более 20 входящих параметров предсказывает наличие негерметичности скважины. Для решения данной задачи сформирован пул необходимых промысловых данных, которые затем были обработаны и заложены в модель для обучения. В процессе обучения опробованы несколько алгоритмов машинного обучения, такие как дерево решений, случайный лес, CatBoost и др. По итогам обучения и тестирования наилучшие результаты по параметру F1-меры показал градиентный бустинг CatBoostClassifier, величина которого составила 0,761 (рисунок 6).

Рисунок 4. Отношение Cl/Ca

Рисунок 5. Распределение значений Cl/Ca среди герметичных и негерметичных скважин

Рисунок 6. Метрики качества модели с балансом классов

Также по результатам обучения изучено влияние каждого параметра на возникновение негерметичности по скважине. По приведенному графику (рисунок 7) можно заметить, что наибольшее влияние на состояние колонны оказывают следующие признаки:

– возраст скважины;

– содержание сульфатов;

– удельный вес воды;

– первичные соли.

Чем выше возраст скважины, тем больше вероятность, что она будет с негерметичностью, то же можно сказать и про содержание сульфатов, удельный вес воды и первичные соли.

Принципиальная схема получения предсказания показана на рисунке 8. Пользователь выбирает объект, на скважинах которого необходимо получить предсказание негерметичности либо может отдельно загрузить список интересующих скважин. Далее данные в режиме реального времени выгружаются из корпоративной базы данных, затем происходит их валидация и генерация новых признаков. Обработанные данные поступают в модель машинного обучения для получения предсказания, и затем результат в формате Excel-файла возвращается пользователю.

Рисунок 7. Оценка влияния признаков на возникновение негерметичности эксплуатационной колонны

Рисунок 8. Принципиальная схема получения прогноза технического состояния колонны скважины

По результатам проделанной работы можно сделать следующие выводы:

– предложена методика определения негерметичности эксплуатационной колонны;

– внедренная методика позволяет сократить сроки принятия решений в 7 раз;

– определена степень качества обнаружения негерметичности;

– за счет предложенных решений достигнуто снижение затрат на 66 % в среднем на одно геофизическое исследование, а также сокращены затраты по удельному потреблению электроэнергии скважинами на 110,5 КВт·ч/м³/сут.