Details

Выпускная квалификационная работа посвящена разработке гибридного подхода к прогнозированию добычи горизонтальных скважин после проведения повторного гидроразрыва пласта. Целью исследования является повышение точности прогнозирования технологической эффективности повторного ГРП за счет совместного использования физического моделирования и методов машинного обучения. Объектом исследования являются горизонтальные нефтяные скважины после проведения повторного гидроразрыва пласта. В работе использованы методы математического моделирования процессов фильтрации в пористой среде, методы анализа данных и алгоритмы машинного обучения. Разработана физическая модель расчета дебита горизонтальной скважины с многостадийным гидроразрывом пласта, выполнены её верификация и валидация путем сопоставления с эталонными решениями специализированного программного комплекса. Для прогнозирования добычи разработана модель машинного обучения с использованием алгоритмов машинного обучения. Проведена предварительная обработка данных, настройка гиперпараметров и сравнительный анализ метрик качества моделей. В результате исследования сформирован гибридный подход, позволяющий повысить точность прогнозирования добычи скважин-кандидатов после повторного ГРП. Полученные результаты показали снижение средней относительной ошибки прогнозирования до 13,8 % по сравнению с существующими подходами. Практическая значимость работы заключается в возможности применения разработанного алгоритма при оценке ожидаемого технологического эффекта повторного гидроразрыва пласта и снижении неопределенности при выборе скважин-кандидатов.

Qualification work focuses on the development of a hybrid approach for predicting horizontal well production after refracturing. The objective of this study is to improve the accuracy of predicting the technological efficiency of refracturing through the combined use of physical modeling and machine learning methods. The object of this study is horizontal oil wells after refracturing. This study utilizes mathematical modeling of filtration processes in porous media, data analysis methods, and machine learning algorithms. A physical model for calculating the flow rate of a horizontal well with multistage hydraulic fracturing was developed and verified and validated by comparing it with benchmark solutions from a specialized software package. A machine learning model was developed to forecast production using machine learning algorithms. Data preprocessing, hyperparameter tuning, and a comparative analysis of model quality metrics were performed. The study resulted in the development of a hybrid approach that improves the accuracy of forecasting production for candidate wells after refracturing. The results demonstrated a reduction in the average relative forecast error to 13.8% compared to existing approaches. The practical significance of this work lies in the potential application of the developed algorithm to assess the expected technological effect of refracturing and reduce uncertainty in candidate well selection.