В работе представлены методы прогноза рентабельности скважин, которые позволяют повысить эффективность добычи нефти. В процессе анализа данных были определены необходимые технологические величины, способствующие, в конечном счете получению потенциального дебита скважины.

Определен план действий для повышения технологической эффективности мероприятий по увеличению добычи нефти в двух режимах: 

1) изменение показателей технологического режим человеком (34 значимых показателя). 

2) улучшение технологического режима за счет смены оборудования (19 значимых показателя). 

Изначально в базе было 197 показателей. Достигнута точность прогноза рентабельности нефтяной скважины с применением метода машинного обучения - статистически взвешенные синдромы - 91.9%. Для анализа был использован программный комплекс Data Master Azforus.

Цель данной работы заключается в создании технологии прогнозирования потенциального дебита нефтяных скважин с последующим планом оперативных действий. В соответствии с этим были поставлены следующие задачи:

• путем применения программного комплекса Data Master Azforus (ДМА) для анализа обучающей выборки с реальных скважин выявить из 197 показателей наиболее значимые с точки зрения потенциального дебита;

• создать два варианта применения данного подхода: ручное изменение показателей и повышение рентабельности за счет замены оборудования;

• обеспечить на рабочем месте нефтяника прозрачное и наглядное решение методов машинного обучения с предоставлением пошагового плана действий.

Результатом исследования стало определение наиболее информативных показателей, которые можно изменять при улучшении технологического режима конкретной скважины, с целью повышения ее рентабельности.

Методами машинного обучения были определены необходимые технологические величины, способствующие, в конечном счете, получению потенциального дебета скважины. Определен план действий для повышения технологической эффективности мероприятия по увеличению добычи нефти. Предложен подход оценки и прогнозирования показателей технологического режима нефтяных скважин с помощью оригинальных методов машинного обучения (Data Science). 

Рабочая база данных содержала 420 скважин. Исходное число показателей - 195. Целевым показателем был взят показатель объема нефти Qн (т/сут.) с границей деления на классы - 3 т. Первый класс – скважины со значениями меньше 3 т/сут., второй класс – скважины со значениями больше 3 т/сут. В результате при предварительном анализе данных число показателей уменьшилось до 157. При анализе данных методами машинного обучения выявлено 80 наиболее информативных с точки зрения рентабельности скважин значимых показателей.

После применения методов машинного обучения получили следующие результаты прогнозирования (точность распознавания на скользящем контроле – cross validation):

1. Статистически взвешенные синдромы - 91.9%;

2. Метод опорных векторов - 86.7%;

3. Линейная машина - 82.6%;

4. Линейный дискриминантный анализ - 81.4%;

5. Нейронная сеть - 79.3%;

6. Q ближайших соседей - 77.4%.

В результате применения лучшего метода – статистически взвешенных синдромов – в первом классе из 145 скважин были верно распознаны 129 (89%), ошибочно 16 скважин (11%), во втором классе из 275 скважин было правильно распознано 257 (93,5%), ошибочно 18 (6,5%).

С точки зрения прогноза можно предположить, что ошибочные объекты из первого класса имеют потенциал рентабельности, т.е. могут еще быть рентабельными. Скважины из второго класса, ошибочно отнесенные к первому нерентабельному классу, могут в будущем снизить добычу нефти и стать нерентабельными. Точность прогноза может быть оценена при проверке списка скважин с реальными данными по закрытым скважинам в прошедшем году.