The PDF file of this paper is in Russian.
One of the crucial components of any oil company successful development is high-quality processing and analysis of a large amount of available data. It is necessary for subsequent solution of forecasting and planning problems for oil, liquid and associated gas production. Among all of the actively developing digital technologies, one should specifically note the machine learning methods that have a great potential for solving time series forecasting problems on a whole variety of datasets of different nature. However, practice has shown that most of the oil engineering challenges cannot be solved effectively using only machine learning algorithms or only mathematical models of physical processes. Solving these problems using only one of these approaches is either more difficult / time-consuming and requires a lot of additional data and deep understanding of physics of the process (in the case of description of all the processes in the system by a complete mathematical model), or allows for a possibility of non-physical solutions and high error (in the case of using only machine learning approaches). In order to resolve these issues, the hybrid method of simplified physical model combined with machine learning model is presented in this paper. The proposed hybrid approach combines machine learning methods and the basic simplified pseudo-2D physico-mathematical model, and allows to minimize calculation errors arising from the impossibility of higher detalization of the basic model using implicit dependencies obtained by the machine learning model, which adjusts the main forecast. Also, the proposed hybrid approach allows, if necessary, to introduce new control parameters that are not taken into account by the physico-mathematical model, but can have a significant influence on the final result. The paper shows that the quality of adaptation to actual data and the quality of the production forecast satisfy the requirements for full-scale hydrodynamic 3D models.
Одной из важных составляющих успешного развития любой нефтяной компании являются качественная обработка и анализ большого объема данных для последующего решения задач прогнозирования и планирования объемов добычи нефти, жидкости, природного и нефтяного газа. Среди активно развиваемых цифровых технологий стоит отметить методы машинного обучения, имеющие большой потенциал для решения задач прогнозирования временных рядов различной природы данных. Однако практика показывает, что большинство инженерных задач нельзя эффективно решить, используя только алгоритмы машинного обучения либо только физико-математические и подобные модели. Решение задач с использованием только одного из подходов либо более трудозатратно и может требовать дополнительных данных и достаточно глубокого понимания физики процесса (для описания всех процессов рассматриваемой системы полной физико-математической моделью), либо допускает возможность наличия нефизичных решений и неконтролируемую погрешность получаемых результатов (только машинное обучение). Для разрешения указанных проблем в статье предложен метод объединения упрощенной физико-математической модели и модели машинного обучения создания так называемой гибридной модели. Предложенный гибридный подход, сочетая методы машинного обучения и базовую упрощенную псевдо-2D физико-математическую модель, позволяет минимизировать погрешности расчета, возникающие из-за невозможности глубокой детализации базовой модели, с использованием неявных зависимостей, получаемых с помощью модели машинного обучения, что позволяет корректировать основной прогноз. Также гибридный подход дает возможность при необходимости вносить новые управляющие параметры, которые не учитываются физико-математической моделью, но могут существенно влиять на итоговый результат. Показано, что качество адаптации к фактическим данным и качество прогноза добычи удовлетворяют требованиям, предъявляемым к полномасштабным гидродинамическим 3D моделям.
