Применение технологий машинного обучения для подбора скважин-кандидатов на проведение гидравлического разрыва пласта

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».

1. Садыков Г. М., Гладкова П. О., Гайдамакин Д. Н. Применение метода гидравлического разрыва пласта для повышения нефтеотдачи. Инновационная наука. 2021;(12-2):34–36.

2. 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/CBZE7367

3. Бобков Д. О. Проблемы, возникающие при проведении ГРП, и возможности их решения. Современные научные исследования и инновации. 2017;(7):41–46.

4. Есипов Д. В., Куранаков Д. С., Лапин В. Н., Чёрный С. Г. Математические модели гидроразрыва пласта. Вычислительные технологии. 2014;19(2):33–61.

5. 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.

6. Киселев К. А. Критерии подбора скважин-кандидатов для операции многостадийного гидроразрыва пласта. Вестник науки. 2020;2(1-22):203–206.

7. 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.

8. Фархутдинова М. Анализ влияния параметров скважин и процесса ГРП на его эффективность. Москва: LAP Lambert Academic Publishing; 2014. 52 с.

9. Стромило Д. В., Ахымбаева Б. С. Геологические факторы и современные подходы к гидроразрыву пласта. Вестник науки. 2024;5(12-2):418–425.

10. 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.

11. 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-37425-2025-1-219-222

12. Мартюшев 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/10.18799/24131830/2021/10/3401

13. Азбуханов 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/10.24887/0028-2448-2019-11-38-42

14. Кочнев 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.2020.3.79-86

15. Дуткин 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.

16. 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.2020.6.7

17. Мухтаруллин 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.

18. 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.

19. 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/10.30713/0132-2222-2018-3-28-34

20. Андронов Ю. В., Стрекалов А. В. Выбор переменных для обучения нейронной сети при прогнозировании эффективности гидравлического разрыва пласта. Нефтегазовое дело. 2014;12(3):37–47.