Тема выпускной квалификационной работы: "Ускорение расчетов интегрированных моделей месторождения методами машинного обучения". Моделирование скважин, в частности прогнозирование забойного давления, является важной задачей, типичной при интегрированном моделировании активов (ИМА). Скважина, как элемент, связывающий пласт с наземной сетью сбора должна описывать движение двухфазного флюида через неё. Для выбора режима работы скважины необходимо описать зависимость забойного давления от промысловых параметров. Классическим подходом является прямой расчет по эмпирическим корреляциям – физическим уравнениям, построенных по экспериментальным данным, либо по механистическим моделям, основанных на физических законах. Они требует больших вычислительных мощностей, экспертизы специалиста при построении и адаптации модели и, как следствие, больших временных ресурсов. Целью работы является сокращение использования зарубежных дорогостоящих программных пакетов и ускорение создания ИМА. В статье предлагается новый подход моделирования скважины в рамках ИМА. При помощи машинного обучения описывать скважину как зависимость забойного давления от дебита жидкости, обводненности, газового фактора и устьевого давления. Скважина симулируется при помощи модели машинного обучения типа «Случайный лес», состоящей из ассамблеи «Деревьев решений» с применением техники градиентного бустинга. В качестве признаков используются численные значения дебита жидкости, обводненности, газового фактора и устьевого давления, а в качестве целевой переменной забойное давление. Программная часть реализована средствами языка python при помощи библиотеки. Разработанная модель была протестирована на синтетических и реальных данных различных месторождений. Предлагаемый подход превосходит текущие решения в скорости расчета и предсказательной способности, а также позволяет использовать меньшее количество дорогостоящих лицензий и в случае использования реальных данных позволяет не создавать модели скважин в симуляторах.Благодаря высокой предсказательной способности предлагаемый алгоритм будет внедрен в производственные процессы в качестве модели скважины при создании интегрированной модели месторождения.

The subject of the graduate qualification work is "Acceleration of calculations of integrated field models using machine learning methods". Bottom hole pressure prediction is crucial issue in integrated field modeling. The well is connection element between surface network and reservoir. It must describe the movement of a two-phase fluid in the wellbore. To control the well production, it is necessary to describe the dependence of the bottom hole pressure on the fluid and well parameters. The classical approach is direct calculation by empirical correlation - physical equation constructed from experimental data. It requires large computing power, expert opinion and as a result large time resources. This article proposes a new approach to well modeling. Using machine learning describe the well as the dependence of bottomhole pressure on fluid flow rate, water cut, GOR and wellhead pressure. Materials and methods. The well model was implemented using the «Random Forest» assembly of «Decision Trees» using the gradient boosting technique. The model was tested on synthetic and real data from various fields. The developed model was tested on synthetic and real field data. The proposed approach outperforms current solutions in terms of speed and prediction score. It also allows to reduce usage of expensive licenses. In case of enough data the need to create models in simulator is lost. Due to its high predictive ability, the proposed algorithm will be introduced into production processes as a well model for the needs of integrated asset modeling.