tumnigИзвестия высших учебных заведений. Нефть и газOil and Gas Studies0445-01083033-8174Industrial University of Tyumen10.31660/04450108-2026-2-64-73HFYDLJtumnig-1438Research ArticleБУРЕНИЕ СКВАЖИН И РАЗРАБОТКА МЕСТОРОЖДЕНИЙDRILLING OF WELLS AND FIELDS DEVELOPMENTПрименение технологий машинного обучения для подбора скважин-кандидатов на проведение гидравлического разрыва пластаApplication of machine learning technologies for the candidate-wells selection for hydraulic fracturingМалышеваА. В.MalyshevaA. V.

Малышева Анастасия Владимировна - студент, член рабочей группы 3D сканирования специального конструкторско-технологического бюро.

Альметьевск

Anastasia V. Malysheva - Student, Member of the 3D Scanning Working Group of the Special Design and Technology Bureau.

Almetyevsk

nastyamalysheva9566@gmail.comАльметьевский государственный технологический университет «Высшая школа нефти»РоссияAlmetyevsk State Technological University "Petroleum Higher School"Russian Federation202603052026026473Copyright © Малышева А.В., 20262026Малышева А.В.Malysheva A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tumnig.tyuiu.ru/jour/article/view/1438

В условиях истощения легкодоступных запасов углеводородов в России высокую значимость приобретает оптимизация методов интенсификации притока, в частности гидравлического разрыва пласта. Основная проблема традиционного подхода к подбору скважин-кандидатов заключается в субъективности экспертных оценок и неспособности классических табличных критериев учитывать скрытые нелинейные зависимости между геолого-техническими параметрами. Цель работы — разработка и апробация интеллектуальной системы прогнозирования эффективности ГРП на основе больших данных. Ведущим методом исследования выступает машинное обучение, реализованное через гибридную архитектуру нейронных сетей. Предложенная модель сочетает полносвязные слои для обработки статических характеристик пласта и рекуррентные блоки типа LSTM для анализа динамических временных рядов добычи. В качестве эмпирической базы использованы сведения о более чем 2 000 операциях ГРП. Результаты исследования демонстрируют преимущество предложенного алгоритма над традиционными методами: точность классификации успешных операций увеличилась с 56 до 70 %. Модель показала высокую устойчивость при ранжировании объектов по потенциалу продуктивности, даже при наличии погрешностей в количественном прогнозе дебита. Практическая значимость работы заключается в создании эффективного инструмента поддержки принятия решений, позволяющего минимизировать риски неэффективных капиталовложений и автоматизировать процесс предварительного отбора скважин. Внедрение подобных систем способствует цифровой трансформации нефтегазовой отрасли в рамках концепции «Индустрия 4.0».

In the face of dwindling easily hydrocarbon reserves in Russia, optimization methods of stimulation inflow, specifically hydraulic fracturing, has become critically important. Unfortunately, traditional approach of candidate-well selection features the high subjectivity of expert assessment and the inability of conventional tabular criteria to account for hidden non-linear relationships between geological and technical parameters. Therein lies the key problem with it. This article aims to develop and validate an intelligent system for predicting hydraulic fracturing efficiency based on Big Data. The study uses machine learning implemented through a hybrid neural network architecture as a leading method. The proposed model combines fully connected layers for processing static reservoir characteristics with Long Short-Term Memory (LSTM) recurrent blocks for analysis of dynamic production time series. The empirical database includes data from over 2,000 hydraulic fracturing operations. The results of this study demonstrate that proposed algorithm has an advantage over traditional methods: the accuracy of classifying successful operations increased from 56% to 70%. The model showed high robustness in ranking objects by productivity potential, even with minor discrepancies in quantitative flow rate forecasting. The practical significance of this work lies in providing an effective decision-support tool. This tool will minimize the risks of inefficient investments and automates the pre-selection process. The implementation of such systems facilitates the digital transformation of the oil and gas industry within the "Industry 4.0" framework.

гидравлический разрыв пластамашинное обучениеотбор скважинкандидатовпрогнозирование эффективностигибридная модельhydraulic fracturingmachine learningcandidate well selectionefficiency forecastinghybrid modelReferencesСадыков Г. М., Гладкова П. О., Гайдамакин Д. Н. Применение метода гидравлического разрыва пласта для повышения нефтеотдачи. Инновационная наука. 2021;(12-2):34–36.Sadykov G. M., Gladkova P. O., Gaidamakin D. N. Application of hydraulic fracturing to enhance oil recovery. Innovative science. 2021;(12-2):34–36. (In Russ.).Бисембаева К. Т., Джалалов Г. И., Сабырбаева Г. Оценка эффективности гидроразрыва пласта на нефтяном месторождении. Yessenov science journal. 2022;2(43):125–133. https://doi.org/10.56525/CBZE7367Bissembayeva K. T., Dzhalalov G. I., Sabyrbayeva G. Efficiency estimation of hydraulic fracturing at oil deposit. Yessenov science journal. 2022. №2 (43). 2022;2(43):125–133. (In Russ.). https://doi.org/10.56525/CBZE7367Бобков Д. О. Проблемы, возникающие при проведении ГРП, и возможности их решения. Современные научные исследования и инновации. 2017;(7):41–46.Bobkov D. O. Problems arising during hydraulic fracturing and the possibilities of their solution. Modern scientific research and innovation. 2017;(7): 41–46. (In Russ.).Есипов Д. В., Куранаков Д. С., Лапин В. Н., Чёрный С. Г. Математические модели гидроразрыва пласта. Вычислительные технологии. 2014;19(2):33–61.Esipov D. V., Kuranakov D. S., Lapin V. N., Cherny S. G. Mathematical models of hydraulic fracturing. Computational technologies. 2014;19(2):33–61.Рамазанов Р. Р., Харламов К. А., Летко И. И., Марценюк Р. А. Анализ эффективности геолого-технических мероприятий. Нефтяное хозяйство. 2019;(6):62–65. https://doi.org/10.24887/0028-2448-2019-6-62-65.Ramazanov R. R., Kharlamov K. A., Letko I. I., Martsenyuk R. A. Effecienсy analysis of geological and technical measures. Oil industry. 2019;(6):62–65. (In Russ.). https://doi.org/10.24887/0028-2448-2019-6-62-65Киселев К. А. Критерии подбора скважин-кандидатов для операции многостадийного гидроразрыва пласта. Вестник науки. 2020;2(1-22):203–206.Kiselev K. A. Criteria for selecting candidate wells for multistage hydraulic fracturing operations formation. Science Bulletin. 2020;2(1-22):203–206. (In Russ.).Салимов О. В., Насыбуллин А. В., Сахабутдинов Р. З., Салимов В. Г. О критериях подбора скважин для гидроразрыва пласта. Георесурсы. 2017;19(4):368–373.Salimov O. V., Nasybullin A. V., Sakhabutdinov R. Z., Salimov V. G. The criteria for the selection of wells for hydraulic fracturing. Georesoursy. 2017;19(4):368–373. (In Russ.).Фархутдинова М. Анализ влияния параметров скважин и процесса ГРП на его эффективность. Москва: LAP Lambert Academic Publishing; 2014. 52 с.Farkhutdinova M. Analysis of the influence of well parameters and the hydraulic fracturing process on its efficiency. Moscow: LAP Lambert Academic Publishing; 2014. (In Russ.).Стромило Д. В., Ахымбаева Б. С. Геологические факторы и современные подходы к гидроразрыву пласта. Вестник науки. 2024;5(12-2):418–425.Stromilo D. V., Akhimbaeva B. S. Geological factors and modern approaches to hydraulic fracturing. Science Bulletin. 2024;5(12-2):418–425.Попов Е. А., Стариков М. А., Невкин А. А. Внедрение алгоритмов машинного обучения в производственные процессы компаний нефтяной и газовой промышленности. Бурение и нефть. 2021;(4):36–40.Popov E. A., Starikov M. A., Nevkin A. A. Implementation of machine learning algorithms in the production processes of companies in the oil and gas industry. Drilling and Oil. 2021;(4):36–40. (In Russ.).Надршин И. Р. Внедрение искусственного интеллекта в процесс подготовки и проведения гидроразрыва пласта. Молодые нефтяники. 2025;(IХ):219–222. https://doi.org/10.24412/cl-37425-2025-1-219-222Nadrshin I. R. The introduction of artificial intelligence in the process of preparation and conduct of hydraulic fracturing. Molodye neftyaniki. 2025;(IХ): 219–222. (In Russ.). https://doi.org/10.24412/cl-37425-2025-1-219-222Мартюшев Д. А., Пономарева И. Н., Захаров Л. А., Шадров Т. А. Применение машинного обучения для прогнозирования пластового давления при разработке нефтяных месторождений. Известия Томского политехнического университета. Инжиниринг георесурсов. 2021;332(10):140–149. https://doi.org/10.18799/24131830/2021/10/3401Martyushev D. A., Ponomareva I. N., Zakharov L. A., Shadrov T. A. Application of machine learning for forecasting formation pressure in oil field development. Bulletin of the Tomsk polytechnic university. Geo assets engineering. 2021;332(10):140–149. (In Russ.). https://doi.org/10.18799/24131830/2021/10/3401Азбуханов А. Ф., Костригин И. В., Бондаренко К. А. Семенова М. Н., Середа И. А., Юлмухаметов Д. Р. Подбор скважин-кандидатов для проведения гидроразрыва пласта на основе математического моделирования с использованием методов машинного обучения. Нефтяное хозяйство. 2019;(11):38–42. https://doi.org/10.24887/0028-2448-2019-11-38-42Azbukhanov A. F., Kostrigin I. V., Bondarenko K. A., Semenova M. N., Sereda I. A., Yulmukhametov D. R. Selection of wells for hydraulic fracturing based on mathematical modeling using machine learning methods. Oil industry. 2019;(11):38–42. (In Russ.). https://doi.org/10.24887/0028-2448-2019-11-38-42Кочнев А. А., Козырев Н. Д., Кочнева О. Е., Галкин С. В. Разработка комплексной методики прогноза эффективности геолого-технических мероприятий на основе алгоритмов машинного обучения. Георесурсы. 2020;22(3):79–86. https://doi.org/10.18599/grs.2020.3.79-86Kochnev A. A., Kozyrev N. D., Kochneva O. E., Galkin S. V. Development of a comprehensive methodology for the forecast of effectiveness of geological and technical measures based on machine learning algorithms. Georesursy. 2020;22(3):79–86. (In Russ.). https://doi.org/10.18599/grs.2020.3.79-86Дуткин А. С., Алаева Н. Н. Подбор параметров для прогнозирования результативности гидравлического разрыва пласта. Достижения, проблемы и перспективы развития нефтегазовой отрасли 2024: материалы IX Международной научно-практической конференции. Альметьевск: Альметьевский государственный технологический университет «Высшая школа нефти»; 2024. С. 685–689.Dutkin A. S., Alayeva N. N. Selection of parameters for predicting the effectiveness of hydraulic fracturing. Achievements, problems and prospects of the oil and gas industry development in 2024: proceedings of the IX International Scientific and Practical Conference. Almetyevsk: Almetyevsk State Technological University "Higher School of Petroleum"; 2024, pp. 685–689. (In Russ.).Галкин В. И., Колтырин А. Н. Исследование вероятностных моделей для прогнозирования эффективности технологии пропантного гидравлического разрыва пласта. Записки Горного института. 2020;(246):650–659. https://doi.org/10.31897/PMI.2020.6.7Galkin V. I., Koltyrin A. N. Investigation of probabilistic models for forecasting the efficiency of proppant hydraulic fracturing technology. Journal of mining institute. 2020;(246):650–659. (In Russ.). https://doi.org/10.31897/PMI.2020.6.7Мухтаруллин И. Ф., Ябиров Р. З., Владимиров В. В. Прогноз уровней добычи и оценка эффективности геолого-технических мероприятий на основе аналитических методов. Георесурсы. 2010;1(33):42–43.Mukhtarullin I. F., Yabirov R. Z., Vladimirov V. V. Prediction of oil production and workover effectiveness estimation on basis of analytical methods. Georesursy. 2010;1(33):42–43. (In Russ.).Загитова Л. Р., Дуткин А. С., Рассказова А. А. Разработка методики прогнозирования результативности гидравлического разрыва пласта с применением алгоритмов машинного обучения. Научно-технический вестник Поволжья. 2024;(4):36–40.Zagitova L. R., Dutkin A. S., Rasskazova A. A. Development of a method for predicting the performance of hydraulic fracturing using machine learning algorithms. Scientific and Technical Volga region Bulletin. 2024;(4):36–40. (In Russ.).Каневская Р. Д., Новиков А. В. Методы моделирования кислотного гидроразрыва пласта. Автоматизация, телемеханизация и связь в нефтяной промышленности. 2018;(3):28–34. https://doi.org/10.30713/0132-2222-2018-3-28-34Kanevskaya R. D., Novikov A.V. Methods of modeling acid hydraulic fracturing. Automation, telemechanization and communication in oil industry. 2018;(3):28–34. (In Russ.). https://doi.org/10.30713/0132-2222-2018-3-28-34Андронов Ю. В., Стрекалов А. В. Выбор переменных для обучения нейронной сети при прогнозировании эффективности гидравлического разрыва пласта. Нефтегазовое дело. 2014;12(3):37–47.Andronov Yu. V. Strekalov A. V. Choice of variables for neural network training for predicting the efficiency of formation hydraulic fracturing. Petroleum engineering. 2014;12(3):37–47. (In Russ.).

The authors declare that there are no conflicts of interest present.