Skoltech和Gazpromneft STC的研究人员已经申请了一项技术专利,该技术使用机器学习来最大限度地利用水力压裂,这是一种石油和天然气公司用于最大限度提高油井产量的技术。基于对数千口井精心收集的数据的智能分析,人工智能对任何给定井的最佳压裂参数进行定制预测。该发明由俄罗斯联邦知识产权局注册,此前已在1月份的一项研究和《石油科学与工程杂志》的一篇早期论文中发表中国化工网okmart.com。
水力压裂涉及将水、砂或砾石和化学品的高压混合物注入油井周围的含油岩层,以提高采收率。对于任何一口新井来说,这都是一种相当常规的操作,但这并不是一种一刀切的技术。相反,工程师必须微调一些与注入流体的成分和体积、泵送速率、颗粒负载和其他技术细节有关的控制参数。
设置这些参数的传统方法依赖于复杂、耗时的建模。Skoltech教授Andrei Osiptsov是该项目的科学主管,解释:“关于哪些参数可能最有效的有根据的猜测被输入到压裂过程的物理模型中,该模型预测给定的参数组合将如何影响油井产能。这是一项计算量很大的任务,仅为一口井确定正确的参数需要几天到几周的时间,其中任何给定油田都有许多参数。”
“相反,我们训练人工智能,使用我们自己的数据库预测油井产量鈥攐这是同类中的一个!鈥攖“hat列出了23个油气田约6000口油井的92个油井、围岩和压裂设计特征,”Skoltech博士生安东·莫罗佐夫(Anton Morozov)评论道。因为这些油井在水力压裂后的产量在回顾中已经是已知的鈥攁nd还以另外16个参数的形式记录在数据库中鈥擜我可以将两者联系在一起,学习预测某些初始条件下的油井产量。
“一旦我们可以根据压裂参数预测油井产量,我们实际上可以解决所谓的反问题:给定某些固定的油井和岩石特征,哪些压裂参数将导致最高的累积产量?”Skoltech的项目经理、高级工程师Albert Vainstein解释说,人工智能和优化算法很快就能回答这个问题。Skoltech博士生Dmitry Popkov补充道:“该技术适用于任何油井,并已在西伯利亚西部的Priobskoye油田成功测试。”
“您还可以进一步增强此解决方案,以促进更环保和更负责任的化石燃料回收鈥攑Skoltech博士生维克托·杜普里亚科夫(Viktor Duplyakov)评论道:“在ESG中输入‘E’”也就是说,不管怎样,系统都不能最大限度地提高碳氢化合物的产量,而是可以通过训练来平衡产量与环境相关的指标,例如消耗的淡水量、注入的化学品、泵上燃烧的柴油和排放的温室气体。Gazpromneft科技中心的Egor Shel建议:“也许人们甚至可以设想一个综合系数来表示水力压裂作业的综合生态或能效足迹”,以期未来可能的研究。