За время эксплуатации российских месторождений с 1990-х годов у недропользователей сформировался колоссальный массив первичных данных самого разного формата и направленности – начиная от промысловых показателей со скважин, замеров давлений, характеристик оборудования, корреляционных диаграмм и заканчивая картами, схемами кустования и поверхностного обустройства скважин. Если раньше весь объем данных находился на бумаге в архивах, то с приходом цифровизации сформировались корпоративные базы данных, вследствие чего мониторинг и планирование разработки месторождений перешли в новый формат.

Широкое применение методов машинного обучения для нефтяной отрасли началось с 2010-х годов [1]. В практике таких компаний, как Shell, Schlumberger, «Газпром», «Лукойл», «Татнефть» и других, закрепилось использование нейронных сетей – моделей, благодаря которым машина способна обучаться, анализировать и запоминать данные для решения задач машинного обучения.

Благодаря нейронным сетям возможно:

◉ выявлять скрытые отношения и закономерности;

◉ создавать автономные самообучающиеся системы;

◉ изучать и моделировать крайне изменчивые данные.

Нейронная сеть имеет в своей структуре входные нейроны, которые, по сути, представляют собой векторы значений, последовательность чисел. Например, при обработке картинок входные нейроны – это последовательность пикселей или блоки изображения, при решении задач для нефтяной отрасли – замеры промысловых показателей. Для последующей обработки информация передается в скрытый слой, где каждый нейрон получает на вход сигналы, преобразовывает их и отправляет уже преобразованными к следующему нейрону. На выходном нейроне получаем итоговое значение, отражающее процесс работы нейронной сети.

При этом процесс обучения нейронной сети осуществляется посредством изменения весов (коэффициентов значимости тех или иных параметров). Изначально они распределены случайным образом – и результат работы нейронной сети может не соответствовать реалиям, ввиду чего используется метод обратного распространения ошибки. То есть производится расчет ошибки между фактическим и прогнозным выходными значениями, если не выполняются условия выхода, то алгоритм «двигается» в обратную сторону и определяет последующие изменения весов нейронов. При достижении некоторого критерия остановки нейронная сеть считается обученной. К таким критериям относятся минимизация ошибки между фактом и расчетом, минимизация функции потерь, достижение предельного числа итераций и так далее.

Между тем в этом процессе могут возникнуть проблемы недообучения и переобучения нейросети. В первом случае модель не может подобрать функцию, описывающую набор данных. Такая проблема возникает, когда сложность данных выше сложности модели. Частым решением является усложнение модели – например, за счет добавления большего количества нейронов, новых параметров либо изменения архитектуры нейронной сети. Во втором случае модель слишком «привязывается» к обучающей выборке и не подходит для прогнозирования на новых данных. Для решения проблемы переобучения увеличивают выборку, снижают количество параметров в модели либо используют регуляризацию, то есть накладывают дополнительные ограничения.

Рассмотрим пример нейронной сети для моделирования функции изменения добычи жидкости добывающих скважин на основе закачки воды в пласт нагнетательных скважин.

Исходя из динамики показателей скважин, а также совокупности пар добывающих и влияющих на них нагнетательных скважин, необходимо найти функцию, которая наиболее точно описывает добычу жидкости на основе закачки воды влияющих скважин.

Простыми словами, на вход подаются ежедневные замеры закачки воды, на выходе получается добыча жидкости.

Входной нейрон – это вектор исходных данных, на котором будет производиться процесс обучения сети. Например, для 7 дней по замерам закачки он может выглядеть как [33.7 40 42 44 39.3 37 41.4]. В процессе работы нейросети значения входных нейронов умножаются на соответствующие им веса, далее к ним прибавляются значения других весов и полученная сумма подставляется в функцию активации.

Затем расчетное значение сравнивается с фактическим и при существенном расхождении пересчитывается с новыми параметрами нейронной сети. Веса перебираются до тех пор, пока результат расчета не будет в допустимом коридоре. А в большую или меньшую сторону их варьировать – определяет математический алгоритм.

По итогу, модель нейронной сети позволяет рассчитывать параметры добывающих скважин на основе параметров влияющих на них нагнетательных скважин. При этом существуют решения по поиску пропущенных нефтенасыщенных интервалов в залежах, оптимизации поверхностного обустройства, прогнозированию геолого-технических мероприятий, аварийности, рисков и т.д.

Уверен, что потенциал применения инструментов машинного обучения в нефтегазовой сфере колоссальный, как и объем данных, и первые шаги к цифровизации промышленности уже сделаны.

---

[1] Тихопой Ю. М., Степаненко Д. А. Цифровая трансформация в нефтегазовой отрасли // Стратегии бизнеса. 2021. №2.