Прогнозирование Обводненности Скважин Методами Машинного Обучения

Привет Хабр! По основной профессии я инженер по разработке месторождений нефти и газа.

Я только погружаюсь в науку о данных, и это мой первый пост, в котором я хотел бы поделиться своим опытом использования машинного обучения в нефтяном секторе.

Прогнозирование добычи нефти и газа является одной из важнейших задач нефтегазовой отрасли.

Без обоснованного прогноза добычи невозможно принимать решения о рентабельности проектов, капитальных вложениях, бурении новых скважин и оперативном планировании эксплуатации существующих скважин.

В этой статье я хочу поделиться своим опытом создания модели машинного обучения применительно к нефтегазовому сектору.

Целью построения модели было прогнозирование одного из параметров работы скважин и проверка способности модели прогнозировать обводненность существующих скважин и скважин, которые планируется к бурению (кандидатов на бурение).

Данные о добыче фактически представляют собой временной ряд, который требует построения более сложной модели.

В целях упрощения и ускорения было решено построить модель под конкретно выбранную дату.

Обзор: как прогнозируется добыча нефти и газа

Геологическая модель строится на основе скважинных данных (обычно с использованием сейсмических данных).

Сначала строится трехмерная сетка (каркас) продуктивных пластов.

Далее каждой ячейке сетки присваиваются такие свойства породы, как пористость, проницаемость, водонефтегазонасыщенность, давление и другие.

После этого на основе статической модели рассчитывается динамическая модель, которая отличается от геологической тем, что рассчитывает, как изменяются указанные выше параметры ячейки во времени в зависимости от объема добычи скважин и наоборот. Динамическая модель помогает ответить на вопрос, где бурить новые скважины и сколько нефти можно добыть.

Гидродинамическая модель в 3D представлена на самой первой картинке (вверху).

Недостатком подхода к построению полноценной гидродинамической модели является то, что построение модели занимает много времени (от нескольких месяцев до года и даже больше).

Это зависит от количества скважин и имеющихся полевых данных.

При этом построенная гидродинамическая модель представляет собой сложную систему с высокой чувствительностью к входным данным.

Поэтому любая неточность в данных может привести к неверным результатам.

Неудивительно.

Протяженность залежей достигает десятков километров.

А типичный диаметр колодцев находится в пределах 10 – 15 см.

Скважины, в свою очередь, бурятся на глубину около 3 километров и на расстоянии 250 – 1000 метров друг от друга.

Таким образом, модель построена на крайне ограниченных данных, которые можно охарактеризовать как «точечные инъекции».

Колодец обычно представляют собой яму в земле.

Это не совсем правда.

Классическое определение колодца звучит так.

Колодец представляет собой цилиндрическое шахтное отверстие, во много раз длиннее его диаметра.

.

Обычно это 3-километровая скважина (иногда, конечно, больше, иногда меньше) скважина, в которую опускаются несколько колонн обсадных труб, вложенных друг в друга (для предотвращения обрушений).

Пространство между обсадными колоннами и породой цементируется для герметичности.

На поверхности устанавливается елочная сборка, которая изолирует колодец от окружающей среды.

Скважины бурят не только для добычи нефти и газа.

Подавляющее большинство данных о недрах добывается из скважин.

Данные скважины включать:

• данные, полученные при спуске приборов в скважину (например, давление, температура, глубина залегания нефте/газонасыщенного пласта, кажущееся сопротивление горных пород, радиоактивность и т.д.),
• измеренные на поверхности - количество добытой нефти, газа и попутной воды, их состав.

В этой статье речь пойдет о нефтяных скважинах.

Это означает, что на поверхность мы получаем нефть с растворенным в ней газом и попутной водой.

Как правило, в начале эксплуатации скважины добывается чистая нефть, но в дальнейшем скважина обводняется и доля воды увеличивается.

Когда доля воды увеличивается, а доля нефти снижается до определенного предела, скважина перестает быть рентабельной и закрывается.

Обводненность выражается в процентах и рассчитывается как отношение количества попутной воды к добытой жидкости, т.е.

Qoil/(Qoil + Qwater)*100% Типичный профиль добычи нефти с течением времени (в данном случае по годам) выглядит следующим образом:

Построение модели

• Кумовая нефть: совокупная добыча нефти
• Дни: количество дней работы скважины (до момента полива (и ее остановки по причине нерентабельности) или до текущего момента, если скважина находится в эксплуатации).

• В проде: скважина в работе/остановлена из-за полива
• Q Oil: текущий расход масла.

• wct: текущая обводненность
• Top perf: глубина верха интервала перфорации - глубина верха и низа
• Bottom perf: глубина дна интервала перфорации.

• СТ: 0 - основной ствол скважины, 1 - боковой ствол скважины
• x, y: координаты скважины

   

 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 %matplotlib inline
 %config InlineBackend.figure_format = 'svg'
 import pylab
 from pylab import rcParams
 import plotly.express as px
 import plotly.graph_objects as go
 
 from sklearn.model_selection import train_test_split
 from sklearn.ensemble import RandomForestRegressor
 from sklearn.metrics import r2_score as r2, mean_absolute_error as mae, mean_squared_error as mse, accuracy_score
 from sklearn.metrics.pairwise import euclidean_distances

   

data_path = 'art_df.xlsx' df = pd.read_excel(data_path, sheet_name='artificial') df





Проверяем расположение скважин - строим карту расположения скважин.

В данном случае это карта забоев (нижних точек заканчивания скважин).

ax = df.plot(kind='scatter', x='x', y='y') df[['x','y','Well']].

apply(lambda row: ax.text(*row),axis=1); rcParams['figure.figsize'] = [11, 8]





В процессе построения модели было обнаружено, что загрузка координат скважины в модель «как есть» работает хорошо.

Но значительное улучшение качества модели происходит, если координаты преобразовать в матрицу расстояний между скважинами.

Таким образом, мы даем возможность алгоритму сразу распознать, что близлежащие скважины имеют больший вес, чем удаленные.

Особенности проектирования

distance = pd.DataFrame(euclidean_distances(df[['x', 'y']])) distance





Получение списка названий скважин.

Мы присваиваем названия скважин столбцам матрицы расстояний.

well_names = df['Well'] distance.columns = well_names

Мы объединяем набор данных параметров работы скважин с матрицей расстояний между скважинами.

Таким образом, мы добавляем в набор данных новый признак — расстояние, которое представляет собой вес скважин друг над другом.

df_distance = pd.concat([df.drop(['x', 'y'], axis=1), distance], axis=1) df_distance

Проверка модели

Создаем обучающий набор данных, удаляя из него выбранные для тестирования и прогнозирования скважины.

df_train_1 = df_distance.drop([12, 13, 14, 15], axis=0) df_train_1





Создание тестового набора данных

df_test_1 = df_distance.loc[[12, 13]] df_test_1





Мы создаем обучающий DataFrame для функций X_1. Мы удаляем категориальный атрибут (имя скважины) и прогнозируемое значение wct.

x_1 = df_train_1.drop(['Well', 'wct'], axis=1) x_1





Создайте обучающий вектор целевых значений y_1

y_1 = df_train_1['wct']

Создайте тестовый вектор целевых значений y_ тест_ 1

y_test_1 = df_test_1['wct']

В качестве алгоритма был выбран обычный Random Forest Regressor, как наиболее универсальный алгоритм, подходящий для большинства типов данных.

x_test_1 = df_test_1.drop(['Well', 'wct'], axis=1) model = RandomForestRegressor(random_state=42, max_depth=14) model.fit(x_1, y_1) y_pred_train_1 = model.predict(x_1) y_pred_1 = model.predict(x_test_1) print('Predicted values from train data:') r2_train = r2(y_1, y_pred_train_1) mae_train = mae(y_1, y_pred_train_1) mse_train = mse(y_1, y_pred_train_1) print(f'R2 train: {r2_train.round(4)}') print(f'MAE train: {mae_train.round(4)}') print(f'MSE train: {mse_train.round(4)}') print('Predicted values from test data:') r2_test = r2(y_test_1, y_pred_1) mae_test = mae(y_test_1, y_pred_1) mse_test = mse(y_test_1, y_pred_1) print(f'R2 test: {r2_test.round(4)}') print(f'MAE test: {mae_test.round(4)}') print(f'MSE test: {mse_test.round(4)}') model



Predicted values from train data: R2 train: 0.8832 MAE train: 8.2855 MSE train: 131.1208 Predicted values from test data: R2 test: 0.8758 MAE test: 3.164 MSE test: 11.4485 RandomForestRegressor(max_depth=14, random_state=42)

Метрика R2 в метрике обучения превышает R2 в метрике теста на 1%.

Это значит, что модель прошла обучение отлично.

Сравним прогнозируемую обводненность с фактической на тестовой выборке, которая не использовалась при обучении модели (слепой тест).

df_y_test = pd.DataFrame({'Well': df_test_1['Well'], 'wct predicted, %': y_pred_1.round(1), 'wct actual, %': y_test_1.round(1), 'difference': (y_pred_1 - y_test_1).

round(1)}) df_y_test





Сравним прогнозируемую обводненность с фактической на обучающей выборке.

df_y_train = pd.DataFrame({'Well': df_train_1['Well'], 'wct predicted, %': y_pred_train_1.round(1), 'wct actual, %': y_1.round(1), 'difference': (y_pred_train_1 - y_1).

round(1)}) df_y_train





Рассчитаем среднее отклонение обводненности:

round(sum(abs(y_pred_train_1 - y_1)) / len(y_1), 1)

8.3 Мы видим, что среднее отклонение по обводненности составляет 8%, что является приемлемым результатом.

Создание модели на всех доступных данных

df_train_2 = df_distance.drop([14, 15], axis=0)

Мы создаем набор прогнозных данных из скважин, удаленных на предыдущем шаге.

Прогнозируемый параметр WCT (обводненность) теперь равен NaN.

df_fc = df_distance.loc[[14, 15]]

Создайте обучающий DataFrame с функциями x_2. Мы удаляем категориальный атрибут (имя скважины) и прогнозируемое значение wct.

x_2 = df_train_2.drop(['Well', 'wct'], axis=1)

Создаем обучающий вектор целевых значений y_2 и обучаем модель.

y_2 = df_train_2['wct'] x_fc = df_fc.drop(['Well', 'wct'], axis=1) model = RandomForestRegressor(random_state=42, max_depth=14) model.fit(x_2, y_2) y_pred_train_2 = model.predict(x_2) y_fc = model.predict(x_fc) print('Predicted values from train data:') r2_train = r2(y_2, y_pred_train_2) mae_train = mae(y_2, y_pred_train_2) mse_train = mse(y_2, y_pred_train_2) print(f'R2 train: {r2_train.round(4)}') print(f'MAE train: {mae_train.round(4)}') print(f'MSE train: {mse_train.round(4)}') print('Forecasted values could be compared with real data!') model



Predicted values from train data: R2 train: 0.9095 MAE train: 6.5196 MSE train: 89.9625 RandomForestRegressor(max_depth=14, random_state=42)

R2 увеличился.

Либо модель была перетренирована, либо больше данных помогло более точно настроить модель.

Сравним прогнозируемую обводненность с фактической на обучающей выборке.

df_y_train = pd.DataFrame({'Well': df_train_2['Well'], 'wct predicted, %': y_pred_train_2.round(1), 'wct actual, %': y_2.round(1), 'difference': (y_pred_train_2 - y_2).

round(1)}) df_y_train







round(sum(abs(y_pred_train_2 - y_2)) / len(y_2), 1)

6,5 Средняя ошибка обводненности снизилась до 6,5. Большой! Прогнозируем обводненность по боковым стволам:

df_y_test = pd.DataFrame({'Well': df_test_1['Well'], 'wct predicted, %': y_pred_1.round(1), 'wct actual, %': y_test_1.round(1), 'difference': (y_pred_1 - y_test_1).

round(1)}) df_y_test





Выводим список признаков в порядке убывания их важности и строим диаграмму важности признаков.

model.feature_importances_ feature_importances = pd.DataFrame() feature_importances['feature_name'] = x_2.columns.tolist() feature_importances['importance'] = model.feature_importances_ feature_importances = feature_importances.sort_values(by='importance', ascending=False) feature_importances



fig = px.bar(feature_importances, x=feature_importances['importance'], y=feature_importances['feature_name'], title="Важность функций") fig.update_layout(yaxis={'categoryorder':'total ascending'}) fig.show()





Мы видим, что самая важная особенность – это расстояние до 2-й скважины.

Возможно, стоит проанализировать признаки дальше и исключить некоторые из них из обучения.

Сравнительный график фактических и прогнозируемых значений.

Чем дальше скважина находится от красной линии, тем хуже она прогнозируется.

fig = px.scatter(x=y_pred_train_2, y=y_2, title="Истинные и прогнозируемые значения", text=df_train_2['Well'], width=850, height=800) fig.add_trace(go.Scatter(x=[0,100], y=[0,100], mode='lines', name='True=Predicted', line = dict(color='red', width=1, dash='dash'))) fig.update_xaxes(title_text='Predicted') fig.update_yaxes(title_text='True') fig.show()

Заключение

Некоторые из них очень сложны и трудоемки (геолого-гидродинамические модели), другие просты и быстры (матбаланс, кривые падения добычи).

Данный пример построения модели и сравнения прогноза с реальными данными позволяет сделать вывод, что даже очень простая модель «без наворотов» хорошо предсказывает рабочие параметры скважины.

Это означает, что в набор инженера-разработчика нефтяных и газовых месторождений добавляется еще один метод выполнения рабочих задач, который также позволяет решить задачу в очень сжатые сроки.

Примечания

• Эта модель имеет важное ограничение.

  Любое месторождение имеет нефтеносный контур – участок, за которым пробуренная скважина будет «сухой» – нефти там нет.

Модель «не знает», что за пределами определенной зоны нефти нет. Для решения этой проблемы можно найти и скачать данные о «сухих» скважинах, пробуренных в окрестностях и не обнаруживших нефти.

Также возможно создание искусственных данных по нефтеносному контуру при нулевых дебитах нефти.

В этом примере я не использовал ни один из методов, чтобы не усложнять модель.

• Целью исследования было оценить применимость методов машинного обучения в этой области.

  Задача выбора лучшего алгоритма не ставилась, поэтому сравнения разных алгоритмов не проводились.

• Данные скважины не являются общедоступными данными, а являются собственностью компании, владеющей лицензией на разработку месторождения.

  Поэтому для иллюстрации проделанной работы мы сгенерировали данные искусственной скважины которые доступны для этой работы.

• Источник вместе с текстом статьи доступен здесь: https://github.com/alex-kalinichenko/re/tree/master/wct_fc

• Вопросы Cisco Ccna, Ccnp И Ccent: Sdm, Сети Lily Pad И Многое Другое!

  19 Oct, 24

• Зачем Мне Нужно Несколько Доменных Имен На Выделенном Сервере?

  19 Oct, 24

• Перемещение Great Plains Accounting На Новый Сервер Или Компьютер

  19 Oct, 24

• Инопланетные Злоумышленники!

  19 Oct, 24

• Безопасность Microsoft 365, О Которой Вы (Вероятно) Не Слышали

  19 Oct, 24

• Дорожная Карта Разработчиков Android В 2019 Году

  19 Oct, 24

• Опыт Использования Lorawan В Системе Аскуэ В Реальных Городских Условиях

  19 Oct, 24

• Как Позволить Программам-Вымогателям Потопить Вашу Компанию

  19 Oct, 24

• Как Работает Aadhaar — Крупнейшая Биометрическая Система В Мире

  19 Oct, 24

• Интересный Баг Google Earth

  19 Oct, 24