Рекомендательная система для нефтяных компаний на основе ИИ

23.10.2023
Napoleon IT разработала рекомендательную систему подбора скважин-кандидатов на проведение гидравлического разрыва пласта и прогнозирования количества добытой нефти на основе машинного обучения.
Новая система позволяет увеличить количество эффективных ГРП, что в дальнейшем приводит к росту добычи нефти и сокращению расходов на неэффективные скважины.

Подбор скважин-кандидатов на гидроразрыв пласта (ГРП) является достаточно сложным и трудоемким процессом. Обычно специалисты вручную производят отбор и просматривают участки с потенциальными скважинами, анализируя большой объем необработанных данных из разрозненных источников и проводя гидродинамическое моделирование. Только на моделирование у специалистов могут уходить недели, а при обработке данных высока вероятность человеческого фактора.

Одна из крупных российских нефтяных компаний обратилась для решения данных проблем к Napoleon IT. Главная цель — создать рекомендательную систему для подбора скважин-кандидатов, которая позволит специалистам осуществлять подбор более качественно и эффективно. Одновременно с этим, перед клиентом стояла проблема прогнозирования дебита жидкости и нефти на всех этапах мероприятия в условиях старого фонда скважин, сокращения рентабельности мероприятий и невозможности полноценно оценить потенциал скважин на краткосрочную и долгосрочную перспективу. Разница между прогнозируемым объемом и фактическим могла достигать 20%.

Совместно с заказчиком была создана система для подбора скважин-кандидатов для проведения мероприятий ГРП и прогнозирования дебита нефти и жидкости с инструментами визуализации результатов в формате дашбордов. Это делает представление информации понятной и доступной конечным пользователям. Система создана с использованием технологии машинного обучения и способна дообучаться на дополнительных данных и параметрах.

В результате получилась автономная система прогнозирования дебита жидкости после проведения ГРП, а также ранжирования скважин кандидатов по каждой площади на месторождении. Благодаря применению помощи ML-моделей удалось сократить время на подбор скважин-кандидатов и увеличить добычу нефти, а также повысить точность прогнозирования и тем самым добиться эффективного управления ресурсами.

Реализованная программа и модели машинного обучения позволяют проводить последующее масштабирование и развитие. В дальнейших планах нефтяной компании  —  масштабироваться и тестировать новые гипотезы.

Похожие статьи