Система признаков и моделей для интеллектуального выбора геолого-технических мероприятий

<jats:p>Рассматривается задача интеллектуальной поддержки выбора геолого-технических мероприятий (ГТМ), направленных на интенсификацию добычи и повышение нефтеотдачи пластов. Показано, что подбор ГТМ представляет собой многокритериальную задачу, в которой одновременно учитываются природно-геологические ограничения, текущее состояние системы разработки, конструктивно-технологические параметры вмешательства и экономические ограничения. Предложена рабочая схема интеграции традиционного инженерного скрининга и методов искусственного интеллекта, включающая классификацию кандидатов, прогноз технологического эффекта, ранжирование скважин и оптимизацию проектных параметров. Выполнено разграничение параметров на заданные природой, условно управляемые и непосредственно управляемые при проектировании ГТМ; показано, что именно в отношении двух последних групп применение алгоритмов машинного обучения и оптимизации способно обеспечить наибольший практический эффект. На основе современных публикаций по проблематике EOR/IOR и reservoir engineering обобщены наиболее употребимые признаки выбора методов воздействия на пласт и составлены таблицы, пригодные для использования в прикладных корпоративных системах поддержки решений. Сделан вывод о том, что наибольшую результативность демонстрирует не изолированное применение ИИ, а гибридный контур «геология – гидродинамика – машинное обучение – оптимизация – инженерная экспертиза – пилотирование».</jats:p> <jats:p>The paper discusses intelligent support for selection of production enhancement operations aimed to stimulate production and improve oil recovery. It is shown that selection of production enhancement operations is a multi-criteria task that simultaneously considers natural and geological constraints, current state of development system, design and engineering parameters of well interventions, and economic limitations. A workflow for integration of conventional engineering screening and artificial intelligence methods is proposed, including candidate well classification, prediction of operational benefits, well ranking, and design parameter optimization. Nature-based, conditionally controllable and directly controlled parameters in the design of production enhancement operations are distinguished; it is shown that machine learning and optimization algorithms have the potential to offer the highest practical benefit with the latter two groups of parameters. Based on recent EOR/IOR and reservoir engineering publications, the most common features of selection of formation stimulation methods are summarized and tables appropriate for applied corporate decision support systems are generated. It is concluded that the highest efficiency is provided with hybrid "geology – fluid dynamics - machine learning - optimization - engineering expertise – pilot testing" approach rather than application of AI alone.</jats:p>