Исследователи из Сколтеха и компании «Газпромнефть НТЦ» запатентовали метод на базе машинного обучения, позволяющий оптимизировать технологию гидроразрыва пласта, которую нефтегазовые компании используют для интенсификации добычи скважин. На основании анализа кропотливо собранных данных по тысячам скважин ИИ делает индивидуальный прогноз оптимальных параметров гидроразрыва для конкретной скважины.

Первоначально представленная в январском выпуске Journal of Petroleum Science and Engineering и другой статье в том же журнале разработка недавно зарегистрирована Роспатентом.

Гидроразрыв пласта — закачка в нефте- или газоносную породу под высоким давлением смеси воды, химдобавок и твердых гранул «расклинивающего» материала с целью создания и закрепления трещин в пласте, за счёт которых увеличивается приток углеводородов в скважину. Эта операция сейчас проводится практически на любой новой скважине, но выполнить ее можно по-разному. В числе основных параметров — состав и объем закачиваемой жидкости, скорость закачки, характеристики гранул и другие технические тонкости. Обычно значения всех этих параметров задают по итогам сложного и долгого моделирования.

Научный руководитель проекта, профессор Сколтеха Андрей Осипцов, объясняет: «Берется физическая модель процесса гидроразрыва, и ей на вход подают подкреплённые некими гипотезами и рассуждениями значения параметров — модель предсказывает, как при таких параметрах изменится производительность скважины. Этот процесс многократно повторяют, чтобы выбрать наиболее успешный набор значений параметров, но на столь ресурсоемкое моделирование уходят дни или даже недели, причем речь всего об одной скважине, а на одном месторождении скважин много».

«Вместо этого мы обучили искусственный интеллект предсказывать производительность скважины на основании уникальной базы полевых данных, которую мы собрали и тщательно выверили — она содержит по 92 характеристики скважины, окружающей породы и гидроразрыва на 6 тысяч скважин с 23 месторождений», — рассказывает аспирант Сколтеха Антон Морозов.

Поскольку производительность этих скважин после гидроразрыва уже доподлинно известна (и записана в той же базе в виде значений ещё 16 характеристик), обученный на этих данных ИИ может предсказывать производительность на основании тех или иных начальных условий.

«Умея предсказывать производительность скважины после гидроразрыва на основании параметров этой операции, мы можем решить так называемую обратную задачу. Дано: характеристики скважины и пласта. Найти: при каких параметрах гидроразрыва будет достигаться наибольшая добыча нефти или газа?» — поясняет руководитель проекта, старший инженер Сколтеха Альберт Вайнштейн и уточняет, что с использованием ИИ и алгоритмов оптимизации эта задача решается очень быстро.

Аспирант Сколтеха Дмитрий Попков добавляет: «Метод успешно прошел испытания на Приобском месторождении в Западной Сибири и применим к любой нефтяной скважине».

«В дальнейшем решение можно усовершенствовать и приспособить для более бережной и ответственной по отношению к окружающей среде добычи ископаемого топлива в духе принципов ESG», — комментирует результаты работы аспирант Сколтеха Виктор Дупляков и поясняет, что вместо стремления максимизировать суммарную добычу любой ценой искусственному интеллекту можно поставить задачу сбалансировать нефтеотдачу и значимые для окружающей среды метрики, такие как количество использованной пресной воды и химикатов или израсходованного для питания насосов дизельного топлива и выброшенных в атмосферу парниковых газов.

«Возможно, все эти метрики можно было бы даже свести в некий единый коэффициент экологичности или энергоэффективности отдельно взятой операции по гидроразрыву пласта», — поделился мыслями о возможных будущих исследованиях сотрудник «Газпромнефть НТЦ» Егор Шель.