Ученые Томского политехнического университета (ТПУ) представили комплексный подход, направленный на сокращение продолжительности, снижение затрат и повышение эффективности бурения неоднородных карбонатных коллекторов — горных пород, в которых, потенциально, сосредоточены значительные запасы углеводородов. Предложенный метод объединяет различные алгоритмы искусственного интеллекта и позволяет определить оптимальные рабочие условия.
Стоимость самого процесса бурения составляет от 30 до 60 % от общей стоимости строительства и эксплуатации скважин. Поэтому увеличение скорости проходки (сокращение времени бурения) ведет к значительной экономии, особенно при работе с морскими скважинами.
При этом скорость проходки зависит от ряда контролируемых параметров — литологии, прочности породы, порового давления и напряжения — и эта зависимость носит нелинейный характер. Особенно остро непредсказуемость проявляется при бурении неоднородных карбонатных коллекторов — горных пород, преимущественно, известняков и доломитов, в которых сосредоточена значительная доля мировых запасов углеводородов.
Чтобы улучшить прогнозирование и оптимизацию параметров бурения неоднородных карбонатных коллекторов, используют методы машинного обучения, однако большинству существующих моделей не хватает интерпретируемости. Кроме того, они редко учитывают временные зависимости.
«Возможным ответом на решение существующих проблем может стать разработка интегрированной структуры, объединяющей глубокое обучение (deep learning), объяснимый искусственный интеллект (Explainable Artificial Intelligence) и многоцелевую эволюционную оптимизацию (Multi-Objective Evolutionary Optimization)», — пояснил автор исследования, доцент отделения нефтегазового дела Инженерной школы природных ресурсов ТПУ Шадфар Давуди.
В ходе исследования были собраны и обработаны наборы данных из трех вертикальных нефтяных скважин, пробуренных в формации, состоящей преимущественно из известняка и доломита. Учитывались параметры бурения, информация о глубине и параметры механической модели грунта. На их основе были разработаны независимые системы прогнозирования с использованием MLPNN-, RF- и LSTM-моделей, интерпретированных затем с помощью SHAP-анализа и анализа частичной зависимости. Модель с наименьшей ошибкой прогнозирования была выбрана в качестве репрезентативной для последующего анализа и интегрирована с физически обоснованным алгоритмом NSGA-III.
«При оценке оптимизации бурения учитывались три противоречащих друг другу цели: максимизация скорости бурения, минимизация крутящего момента и минимизация удельной механической энергии. Был сгенерирован набор Парето-оптимальных решений (метод, позволяющий получить полную картину компромиссов между различными критериями и найти оптимальные, — прим.), что позволило определить рабочие условия, обеспечивающие наилучший компромисс между скоростью бурения, энергоэффективностью и механической нагрузкой», — рассказал Шадфар Давуди.
По словам разработчика, наивысшую точность прогнозирования и воспроизводимость обеспечила LSTM-модель (долгой краткосрочной памяти). Анализ с использованием объяснимого искусственного интеллекта показал, что частота вращения является доминирующим параметром, определяющим производительность бурения, а интеграция с физически обоснованным алгоритмом NSGA-III помогла успешно выявить стратегии бурения, зависящие от типа пласта и соответствующие принципам механики горных пород. Разработанные модели были успешно проверены на ранее не исследованной скважине.
«Полученные результаты продемонстрировали, что предложенная модель отражает фундаментальные взаимосвязи бурения, а не специфические для скважины особенности, и остается устойчивой в различных литологических и эксплуатационных условиях», — отметил ученый.
Разработчик подчеркивает, что предлагаемый подход представляет собой методологию и руководство по оптимизации бурения в неоднородных карбонатных коллекторах. Потенциально, она может быть использована для сокращения времени бурения, снижения затрат и повышения эффективности эксплуатации. Однако для применения на различных видах скважин и месторождений необходимо предоставить данные, представляющие собой полный спектр геомеханических и эксплуатационных условий.
Исследование поддержано грантом Минэкономразвития России.
