科学家使用机器学习来优化油井的水力压裂设计

水力压裂实质上是在高压下将流体泵入储层的过程，这会产生裂缝，并帮助将碳氢化合物带到井中，并最终带到地表，这是增产油气的最广泛使用的技术之一。在过去的几十年中，HF的技术复杂性日益增长，以至于现在需要进行广泛的设计和使用复杂的多模块模拟器进行预先建模。

“与此同时，将这些模拟器的预测与现实联系起来仍然是校准，验证和验证真实数据模型的主要问题。此外，要闭合压裂模拟器和生产数据之间的循环，需要将压裂设计建模耦合在一起使用储层模拟器，这会进一步增加复杂性和不确定性。作为替代方案，我们决定正确看待压裂设计和生产的现场数据，这是成功的衡量标准。”多相系统实验室负责人Andrei Osiptsov教授解释说该研究的合著者是Skoltech碳氢化合物回收中心的成员。

M-阶段实验室的研究人员以及ADASE小组负责人Evgeny Burnaev教授领导的CDISE同事决定，看看基于机器学习的数据驱动的HF设计方法是否可以帮助应对这一挑战。

他们项目的关键部分始于2018年，是一个数字数据库，其数据涉及JSC Gazprom Neft周边俄罗斯西伯利亚西部约20个油田的约6000口井的压裂工作和石油生产。每个数据点包含油藏，井和压裂设计参数以及16个采油参数上的92个变量。

“我们设法收集并清理了一个很大的水力压裂完工数据库。通过将机器学习方法应用于该数据库，我们已经可以根据工艺参数准确预测水力压裂结果。我们仍然需要解决根据这一预测，为选择水力压裂工艺的参数而建立最佳建议的任务艰巨。”该研究的合著者本那夫教授说。

M-Phase Lab高级工程师兼项目经理，该研究的合著者Albert Vainshtein指出，由于真实数据的歧义性，高度不确定性和异质性，该项目“从一开始就非常具有挑战性”。

“我认为数字数据库的开发将使我们能够检验各种假设，进而可以清除压裂过程的多种隐藏模式。例如，重要的是确定在哪个注入的支撑剂吨位上我们的累积油量。生产停止增长。根据条件，通常的方法是在每个压裂阶段注入60吨。使用机器学习模型和统计数据，我们可以证实或拒绝这种假设。” Skoltech博士Anton Morozov说道。M阶段实验室的学生和研究实习生。

科学家们已经根据他们的机器学习方法提出了试井压裂设计建议，并已提交给业界合作伙伴。他们希望即将进行的现场测试活动将展示其技术在石油生产中的潜力。不过，伯纳夫重申，“在描述水力压裂系统设计的输入数据中仍然存在大量不确定性”。在项目的下一阶段，他们旨在开发新的方法来估计这种不确定性。

“处理实地数据需要勇气和谨慎，因为它非常敏