The article discusses automatic interpretation of results of transient well tests of oil and gas wells. Pressure-transient test under build-up and production-transient test in the production wells and fall-off test in the injection wells are considered. Machine learning techniques are applied to solve the problem. Based on the log-log plots of the pressure change curve and its logarithmic derivative, the proposed algorithm allows determining the most suitable model of the well-reservoir system. This problem, in machine learning terms, is a multilabeled classification problem, since the same input data can be assigned to one or more classes. A one-dimensional convolutional neural network model was selected based on the results of cross-validation. After determining the model of the well-reservoir system, the analytical algorithm makes it possible to calculate the parameters of the reservoir, well completion parameters and distances to the boundaries of the reservoir and surrounding wells. Algorithms for automatic interpretation of pressure buil-up curve, pressure fall-off curve and pressure leveling curve are implemented as a separate functionality in the program complex RN-VEGA, which ensures the execution of a wide range of tasks related to the processing of source data, analysis and interpretation of various well testing technologies. The automatic interpretation functionality in the RN-VEGA expands the capabilities of an expert in well testing interpretation by generating a list of relevant models of the well-reservoir system and solving the problem of calculating the parameters for each of these models, which is impossible when processing dynamic well operation data manually. The functionality was tested on synthetic and field data from fields in Western Siberia and Volga-Ural region. The results of comparison with similar functionality in foreign software showed that the new algorithm allows obtaining the required reservoir and well completion parameters with more than 8 % greater accuracy.
В статье рассмотрена автоматическая интерпретация гидродинамических исследований нефтяных и газовых скважин (ГДИС) на неустановившихся режимах фильтрации методами регистрации кривой восстановления давления (КВД), кривой падения давления (КПД) и кривой стабилизации давления (КСД). Интерпретация выполняется при помощи алгоритма машинного обучения, который по билогарифмическому графику кривой изменения давления и его логарифмической производной позволяет определить наиболее подходящую модель системы скважина – пласт. Данная задача в терминах машинного обучения является проблемой многозначной классификации, поскольку одни и те же входные данные могут относиться сразу к нескольким классам. Проанализированы различные модели классификаторов, по результатам кросс-валидации выбрана модель одномерной сверточной нейронной сети. После определения модели системы скважина – пласт аналитический алгоритм рассчитывает гидродинамические свойства продуктивного пласта, параметры заканчивания скважин и расстояния до границ пласта и скважин окружения. Алгоритмы автоматической интерпретации КВД, КПД и КСД реализованы в виде отдельного функционала в программном комплексе (ПК) «РН-ВЕГА», который выполняет широкий спектр задач, связанных с обработкой исходных данных, анализом и интерпретацией различных технологий проведения ГДИС. Функционал автоматической интерпретации в ПК «РН-ВЕГА» расширяет возможности эксперта, формируя перечень релевантных моделей системы скважина – пласт и решая задачу расчета параметров для каждой из этих моделей, что невозможно при обработке динамических данных эксплуатации скважин вручную. Проведена апробация функционала на синтетических и промысловых данных с результатами исследований на неустановившихся режимах на примере месторождений Западной Сибири и Волго-Уральского региона. Результаты сравнения с аналогичным функционалом в зарубежном программном обеспечении показали, что новый алгоритм в рассмотренных примерах позволяет получить искомые параметры заканчивания скважины и пласта с точностью, большей на 8 %.
