Encuesta literaria
El objetivo principal de este estudio es desarrollar un modelo basado en ML que pueda emplearse para la predicción de la disminución de la tasa de producción para una gran cantidad de pozos de Bakken Shale en un período muy corto. Este método será mucho más rápido que los simuladores de yacimientos comerciales ya que no requiere resolver un gran número de ecuaciones en diferencias finitas. La producción de petróleo y gas de esquisto no convencional se inició hace muchos años en los EE. UU. Desde entonces, numerosas empresas de exploración han recopilado los datos de un número significativo de pozos de petróleo y gas perforados y producidos a partir de estos yacimientos, lo que ha dado como resultado una gran cantidad de datos de pozos horizontales. Esta información está disponible en varias bases de datos de sitios web de acceso público.1. Se pueden usar varios métodos de análisis de datos para evaluar los datos disponibles públicamente para descubrir patrones subyacentes y puntos óptimos en estos reservorios que podrían ser beneficiosos para el futuro desarrollo de pozos horizontales.2,3,4. El método más utilizado para proyectar la producción futura de los pozos de petróleo de esquisto es la proyección de las curvas de declinación de la producción.5. Los modelos de curvas de declive son ecuaciones matemáticas que se utilizan para modelar los datos de producción de pozos existentes y predecir una futura declinación de pozos.1. El desarrollo de un modelo empírico de la disminución de la tasa de producción a partir del rendimiento inicial del pozo y la extrapolación de este patrón al futuro puede predecir el potencial de producción futuro y el EUR. El modelo de curva de declinación de la producción más utilizado es el modelo hiperbólico de Arps. Sin embargo, ajustar el modelo hiperbólico de Arps a los datos de producción de los pozos de petróleo de esquisto ha resultado con frecuencia en valores físicamente poco realistas del coeficiente de declive hiperbólico.1. Se empleó SEDM para predecir la producción de pozos no convencionales para resolver este desafío5. SEDM es más adecuado para pozos de petróleo de esquisto que el modelo hiperbólico Arps, porque están en un régimen de flujo transitorio durante la mayor parte de su vida útil. para positivo ({q}_{i})n y SEDM, SEDM devuelve un valor EUR finito1. Como resultado, se utilizó SEDM en el estudio para predecir la disminución de la tasa de producción y EUR para los pozos de prueba.
En un estudio similar, se presentó un enfoque alternativo para la desconvolución de frecuencia/presión. Los parámetros y algoritmos entrenados basados en la física juegan un papel clave en la implementación efectiva de la estrategia recomendada al preservar la física del flujo transitorio de superposición.6. El principal inconveniente de este estudio es que este método no da resultados satisfactorios cuando se dispone de datos muy variables y limitados. El principal inconveniente de este estudio es que depende en gran medida de la disponibilidad de una cantidad suficiente de datos. Otro estudio propuso un modelo para predecir la permeabilidad de una roca carbonatada técnicamente desafiante (extremadamente heterogénea) basado en la regresión Random Forest, que puede adquirir de manera competente los parámetros físicos confiables y proporcionar una predicción de permeabilidad segura en comparación con los modelos empíricos convencionales.7. El principal inconveniente de este estudio es que depende en gran medida de la disponibilidad de datos libres de ruido de buena calidad. En un estudio similar, los autores emplearon modelos basados en datos para predecir la disminución de la tasa de los pozos de petróleo de Eagle Ford Shale.8. Otro estudio propuso un modelo basado en ANN para predecir la disminución de la tasa de los pozos de petróleo de Eagle ford Shale.9. El principal inconveniente de estos estudios fue que su aplicabilidad estaba restringida solo a Eagle para pozos de petróleo de esquisto.
En un estudio similar, se compilaron algoritmos de lógica difusa, ANN (red neuronal artificial) y competitivo imperialista para construir un modelo para la predicción de la tasa de flujo de petróleo.10. El principal inconveniente de este estudio es la determinación de la arquitectura ANN optimizada. Otro estudio compiló varios algoritmos de aprendizaje automático para predecir la porosidad y la permeabilidad mediante la inclusión de registros petrofísicos.11. El principal inconveniente de este estudio es la participación de complicados algoritmos de aprendizaje automático que requieren una cantidad excesiva de tiempo. En otro estudio, los autores presentaron un modelo de red de creencias profundas (DBN) para predecir la producción de pozos no convencionales de manera confiable y precisa. Los autores ejecutan 815 casos de simulación numérica para desarrollar una base de datos para el entrenamiento de modelos y optimizar los hiperparámetros empleando el algoritmo de optimización bayesiano. El marco de modelado propuesto pudo predecir la producción de pozos no convencionales de manera más confiable y precisa que en comparación con las técnicas tradicionales de aprendizaje automático. La principal limitación de este estudio es que el entrenamiento del modelo requiere que se realicen muchas ejecuciones de simulación.12.
Problema de investigación
Los simuladores de yacimientos comerciales pueden tardar horas o incluso días en pronosticar la disminución de la tasa de un solo pozo13,14,15,16. Los simuladores de yacimientos comerciales resuelven la forma discretizada de las ecuaciones de balance de masa. La cantidad de bloques de cuadrícula utilizados en un modelo de yacimiento puede ser de millones, lo que requiere resolver ecuaciones matriciales de millón por millón. A medida que el yacimiento se vuelve cada vez más heterogéneo y complicado, se debe utilizar un modelo de resolución más fina (con una mayor cantidad de bloques de cuadrícula). Además, los parámetros de yacimiento precisos y completos, incluida la porosidad, la permeabilidad, la saturación y otras variables, son esenciales para ejecutar una o incluso más simulaciones de yacimiento para los pozos considerados en el estudio, que no siempre están disponibles en el campo.
Objetivo y novedad
En este estudio se ha presentado un método alternativo basado en el aprendizaje automático que es muy rápido y preciso, ya que no necesita resolver ecuaciones basadas en matrices. Hace predicciones basadas en datos de campo recopilados previamente. El aprendizaje automático se puede utilizar como una herramienta eficiente para predecir la disminución de la tasa de petróleo en el tipo de datos presentados en este estudio. Este estudio tomó menos de un minuto para estimar la disminución de la tasa de todos los pozos utilizados para las predicciones. En las predicciones basadas en el aprendizaje automático, se ha observado que el uso de todo el conjunto de datos para desarrollar un modelo de aprendizaje automático puede generar errores considerables debido a la variabilidad de los datos. Para superar esta limitación, un enfoque alternativo utilizado en este trabajo incluía la validación cruzada empleando la validación de k-fold y el promedio del modelo utilizando la técnica de conjunto (promedio de Polyak-Ruppert). Este método divide los datos de entrenamiento en múltiples pliegues (k-pliegues) o subconjuntos de puntos de datos, y se evaluó un modelo en uno de los pliegues mientras que los otros pliegues se usaron para el entrenamiento. Como resultado, al aplicar diferentes subconjuntos de datos de entrenamiento para minimizar el problema de ajuste excesivo, tendremos múltiples modelos de aprendizaje automático derivados de un único conjunto de datos de entrenamiento al final del entrenamiento. La predicción final para datos de prueba/datos nuevos se basa en un promedio ponderado de las predicciones realizadas por todos estos modelos.
En este estudio, se utilizó la clasificación de variables para mostrar qué variables/parámetros tienen un impacto significativo en la predicción de disminución de la tasa y para clasificarlos en orden de prioridad. Este análisis de datos se llevó a cabo para comprender el conjunto de datos antes de usarlo para hacer predicciones. Este estudio también empleó un análisis exploratorio para incorporar el juicio humano para obtener conclusiones más precisas.
Área de estudio
Dakota del Norte, Dakota del Sur, Montana, Manitoba y Saskatchewan son parte de la Cuenca Williston, que incluye Bakken Shale y sus tres bifurcaciones. El esquisto Bakken se puede ver en la Fig. 1 con pozos de petróleo y gas (Natural Gas Intelligence). Todos los pozos de petróleo en este estudio fueron seleccionados de Bakken Shale en el condado de Richland (incluidos en el rectángulo verde). SEDM se empleó en este trabajo para pronosticar la disminución de la producción.