Создание технологии по локализации запасов нефти на основе нейросетевых алгоритмов, разработанной учеными Казанского федерального университета, позволит на 20 процентов увеличить коэффициент извлечения нефти (КИН). Об этом заявил в интервью Центру медиакоммуникаций КФУ заместитель директора по инновационной деятельности Института геологии и нефтегазовых технологий (ИГиНГТ) Казанского университета Владислав Судаков.

По словам Судакова, к разработке методов локализации и разработки остаточных запасов на основе нейросетевых алгоритмов ученые КФУ приступили еще в 2019 году.

«Затем удачно сложилось, что был объявлен грант по 218-му постановлению Правительства РФ. Совместно с ПАО "Татнефть" мы смогли выиграть этот грант и продолжить работу над проектом уже в рамках этого гранта», – сообщил ученый.

Реализация проекта обошлась в 217 млн рублей – это размер предоставленного Министерством науки и высшего образования РФ гранта. В разработке принимали участие геофизики, геохимики, геологи, разработчики из ИГиНГТ КФУ, а также большая группа программистов и математиков (как из Казанского университета, так и привлеченные специалисты).

Как сообщил Судаков, проект направлен на создание программного комплекса для разработки остаточных запасов крупных месторождений нефти, находящихся на поздней стадии разработки. Значительная часть остаточных запасов находится в целиках – участках, ограниченных промытыми высокопроницаемыми зонами. Проблема состоит в оконтуривании этих участков и создании эффективных методов их разработки. Разработка высокотехнологичного программного комплекса позволяет оценить объемы и локализовать остаточные запасы нефти (целики) на крупных месторождениях, находящихся на поздней стадии разработки, а также обеспечить эффективное управление разработкой целиков и достижение высокого коэффициента извлечения нефти.

«Суть проекта заключается в том, что мы, используя всю историю разработки месторождения и искусственный интеллект, а также лабораторные исследования флюидов, которые добываются из пласта, можем предсказать места расположения так называемых "сладких пятен" – мест, где есть остаточная нефть и где ее много. Именно там можно получить хорошие рентабельные дебиты», – пояснил Судаков.

Замдиректора ИГиНГТ КФУ сообщил, что конечный КИН большинства месторождений составляет 40-50 процентов.

«Благодаря нашей разработке мы планируем увеличить этот показатель еще на 20 процентов, – заверил он. – Это огромные объемы нефти, которые мы сможем добыть совместно с нефтяными компаниями. Причем для того чтобы добыть эту нефть, не потребуется больших капиталовложений. Мы ориентируемся на старые месторождения, где уже есть необходимая инфраструктура».

Таким образом, технология позволит продлить экономически выгодный период разработки месторождений и поможет добыть дополнительные 20 процентов.

Судаков подчеркнул, что у разработки КФУ нет зарубежных аналогов.

«Это импортоопережение. Аналогов в мире нет, – заявил он. – На текущий момент у нас уже готово пакетное решение, "обернутое" в интерфейс. И его можно использовать для нужд не только ПАО "Татнефть", но и других компаний».

В использовании программного комплекса уже заинтересованы крупные российские нефтяные игроки, а также зарубежные нефтедобывающие компании. В частности, заинтересованность проявляют Национальная нефтяная компания Абу-Даби (ADNOC), китайская нефтегазовая компания PetroChina, американская нефтесервисная компания Baker Hughes, а также российская «Газпром нефть». Пилотные испытания технологии запланированы на ближайшее время на базе ПАО «Татнефть».

По словам Судакова, в работе используется способ представления геолого-промысловых данных скважин и фильтрационно-емкостных характеристик околоскважинной зоны для локализации запасов в виде многоканального изображения, которое использовано в качестве исходных данных для сверточной нейронной сети. Эти алгоритмы позволяют производить многокомпонентный анализ, способный учитывать сложные нелинейные зависимости, неочевидные на первый взгляд. Результатом расчета по данной методике является двумерная карта месторождения, содержащая дебит нефти, воды и остаточные запасы нефти для каждой ячейки, отметил ученый.

Для подбора эффективных методов разработки реализуется стохастический аналог гидродинамического симулятора с помощью обобщенного фильтра Калмана. Обучение модели производится с помощью ЕМ-алгоритма. Кроме того, для МУН и ГТМ дополнительно применяются регрессионные модели, которые обучаются в промежутках между итерациями ЕМ-алгоритма. Результатом проекта становится получение экономического эффекта за счет увеличения добычи нефти и уменьшения обводненности в связи с локализацией целиков нефти/источников обводнения и эффективного подбора МУН и ГТМ. Дополнительным эффектом является снижение времязатрат на обработку кондиционных данных и оптимизация ручного труда.