Email this article Creation of a proxy model for the selection of optimal parameters of the development system using horizontal wells with multistage hydraulic fracturing
- Authors: Merega O.S.1, Eremin N.A.2
-
Affiliations:
- Northern (Arctic) Federal University named after M.V. Lomonosov
- Oil and Gas Research Institute of RAS
- Issue: No 4 (2024)
- Pages: 136-146
- Section: DRILLING OF WELLS AND FIELDS DEVELOPMENT
- URL: https://journal-vniispk.ru/0445-0108/article/view/357235
- DOI: https://doi.org/10.31660/0445-0108-2024-4-136-146
- ID: 357235
Cite item
Full Text
Abstract
The current state of oil production is characterized by a decline in the proportion of reserves located in conventional reservoirs. The development of complex and highly complex reservoirs is becoming increasingly important. A significant proportion of oil reserves are concentrated in low-permeability reservoirs that are no longer economically viable to develop using traditional field methods. The aim of the work is to create a predictive tool for the selection of optimal parameters of the development system using horizontal wells and multistage hydraulic fracturing of reservoirs. To solve this problem, a fully connected neural network model was trained that predicts the parameters of the production profile as a function of the initial geological and physical conditions and the parameters of the development system. The architecture of the resulting neural network includes 3 linear layers of 300 neurons each. The training sample for the model was the results of multivariate calculations on a synthetic hydrodynamic model simulating the operation of a development element using a horizontal well with multistage hydraulic fracturing in depletion mode. The developed model can be useful in solving the problem of designing a development system in new or undrilled areas of low-permeability oil fields.
About the authors
O. S. Merega
Northern (Arctic) Federal University named after M.V. Lomonosov
Email: oleg.merega@inbox.ru
ORCID iD: 0009-0008-9186-3659
N. A. Eremin
Oil and Gas Research Institute of RAS
ORCID iD: 0000-0002-2401-1586
References
Ключевые проблемы освоения ачимовских отложений на разных масштабах исследования / М. В. Букатов, Д. Н. Пескова, М. Г. Ненашева. – doi: 10.24887/2587-7399-2018-2-16-21. – Текст : непосредственный // PROНЕФТЬ. Профессионально о нефти. – 2018. – № 2. – С. 16–21. Белоногов, Е. В. Критерий выбора способа разработки низкопроницаемых коллекторов / Е. В. Белоногов, А. А. Пустовских, А. Н. Ситников. – doi: 10.24887/2587-7399-2018-1-49-51. – Текст : непосредственный // PROНЕФТЬ. Профессионально о нефти. – 2018. – № 1. – С. 49–51. Печерин, Т. Н. Анализ особенностей выработки запасов отложений ачимовского нефтегазоносного комплекса / Т. Н. Печерин, К. В. Коровин. – doi: 10.25689/NP.2019.1.62-70. – Текст : непосредственный // Нефтяная провинция. – 2019. – № 1 (17). – С. 62–70. Мерега, О. С. Обзор современных методов повышения эффективности разработки нефтяных залежей приуроченных к низкопроницаемым пластам / О. С. Мерега. – Текст : непосредственный // Международная научно-практическая конференция «Золотухинские чтения. Нефть, газ и энергетика в Арктическом регионе», г. Архангельск, 25–26 апреля 2024 г. Евсюткин, И. В. Глубокие искусственные нейронные сети для прогноза значений дебитов добывающих скважин / И. В. Евсюткин, Н. Г. Марков. – doi: 10.18799/24131830/2020/11/2888. – Текст : непосредственный // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2020. – Т. 331, № 11. – С. 88–95. Skansi, S. Feedforward neural networks / S. Skansi. – doi: 10.1007/978-3-319-73004-2_4. – Direct text // Introduction to Deep Learning : From Logical Calculus to Artificial Intelligence. – Cham : Springer International Publishing, 2018. – P. 79–105. Baptista, D. Performance comparison of ANN training algorithms for classification / D. Baptista, S. Rodrigues, F. Morgado-Dias. – doi: 10.1109/WISP.2013.6657493. – Direct text // 2013 IEEE 8th International Symposium on Intelligent Signal Processing, Funchal, Portugal, 2013. – P. 115–120.
Supplementary files
