Разработка AI-системы для нефтегазовой отрасли оптимизация добычи анализ скважин

Разработка AI-системы для нефтегазовой отрасли: оптимизация добычи и анализ скважин

Нефтегазовая отрасль — один из наиболее зрелых потребителей ML: датчики на каждой скважине, огромные объёмы геолого-геофизических данных, высокая стоимость принятых решений. AI оптимизирует добычу, прогнозирует дебит и предупреждает аварийные ситуации.

Прогноз дебита скважин

Decline Curve Analysis (DCA) + ML:

Классический DCA (Arps) описывает кривую падения дебита нефти/газа со временем. ML улучшает DCA за счёт учёта физических параметров пласта и технологических режимов:

import numpy as np
from scipy.optimize import curve_fit
from sklearn.ensemble import GradientBoostingRegressor
import pandas as pd

class WellProductionPredictor:
    """Комбинированная модель прогноза дебита: DCA + ML-поправки"""

    def arps_decline(self, t, qi, di, b):
        """Hyperbolic decline curve (Arps): q(t) = qi / (1 + b*di*t)^(1/b)"""
        return qi / (1 + b * di * t) ** (1 / b)

    def fit_dca(self, time_days, production_bbl_day):
        """Подбор параметров DCA для скважины"""
        try:
            popt, _ = curve_fit(
                self.arps_decline,
                time_days, production_bbl_day,
                p0=[production_bbl_day[0], 0.01, 0.5],
                bounds=([0, 1e-6, 0], [1e6, 2.0, 2.0]),
                maxfev=5000
            )
            return {'qi': popt[0], 'di': popt[1], 'b': popt[2]}
        except:
            return None

    def ml_correction_features(self, well_data):
        """Признаки для ML-коррекции DCA"""
        return {
            'reservoir_pressure': well_data['bhp_current_psi'],
            'water_cut': well_data['water_cut_pct'],
            'choke_size': well_data['choke_size_64th'],
            'esp_frequency': well_data.get('esp_hz', 50),
            'glr': well_data.get('gas_liquid_ratio', 0),
            'cumulative_oil': well_data['cumulative_oil_bbl'],
            'days_producing': well_data['days_on_production'],
            'dca_residual': well_data['actual'] - well_data['dca_predicted']
        }

Физическое моделирование (Physics-Informed ML):

Уравнения фильтрации (Дарси): для реальных скважин нужна геологическая модель пласта. PINN на уравнении пьезопроводности даёт физически обоснованный прогноз даже при малом объёме данных.

Оптимизация режимов эксплуатации

Оптимизация глубинных насосов (ESP Optimization):

Электроцентробежный насос (ЭЦН) — основной способ механизированной добычи:

• Задача: найти оптимальную частоту ЭЦН для максимизации добычи при минимальном энергопотреблении
• ML-суррогат кривой насоса: предсказывает дебит и КПД при данной частоте и давлении на приёме
• RL-агент: управляет частотой при изменении пластового давления и обводнённости

from stable_baselines3 import SAC
import gymnasium as gym

class ESPOptimizationEnv(gym.Env):
    """Среда для RL-оптимизации ЭЦН"""

    def __init__(self, well_simulator):
        self.simulator = well_simulator
        self.action_space = gym.spaces.Box(low=40, high=60, shape=(1,))  # частота ЭЦН (Гц)
        self.observation_space = gym.spaces.Box(
            low=0, high=np.inf,
            shape=(6,)  # давление на приёме, дебит, обводнённость, ток, t, cumulative
        )

    def step(self, action):
        freq = float(action[0])
        new_state, production_bbl_day, power_kw = self.simulator.step(freq)

        # Reward: добыча нефти - стоимость электроэнергии
        oil_rate = production_bbl_day * (1 - new_state[2]/100)  # с учётом обводнённости
        reward = oil_rate * 0.5 - power_kw * 0.01  # в условных единицах

        return new_state, reward, False, False, {}

Мониторинг целостности скважин

Аномальное поведение скважин:

LSTM-Autoencoder на многомерном временном ряду (давление, температура, дебит жидкости, дебит газа, токи ЭЦН):

• Реконструкционная ошибка → аномалия
• Типичные аномалии: начало воды (water breakthrough), засорение ЭЦН, разгерметизация пакера

Детекция пескопроявлений:

Акустические датчики на рождественской ёлке скважины → FFT → классификатор (CNN на спектрограммах):

• Песок создаёт характерный высокочастотный шум
• Раннее обнаружение → снизить депрессию до образования эрозии

Геофизика и бурение

MWD/LWD интерпретация:

Measurement/Logging While Drilling — данные с датчиков в буровой колонне в реальном времени. ML-интерпретация:

• Литологический прогноз по каротажным кривым (GR, SP, resistivity) → классификатор по фациям
• Geo-steering: куда направить ствол скважины для оптимального попадания в пласт
• Прогноз механической скорости проходки (ROP) → оптимизация режимов бурения

Сейсмика:

• Full Waveform Inversion (FWI) с ML-ускорением: реконструкция скоростной модели → структурная геология
• Automatic fault picking: U-Net сегментация сейсмических разрезов → выделение нарушений

Срок разработки: 6–10 месяцев для AI-платформы анализа скважин с прогнозом дебита, ESP-оптимизацией и мониторингом целостности.