banner
Centre d'Information
Excellents intrants, assurance qualité rigoureuse.

Application de l’apprentissage automatique pour prédire la baisse du taux de pétrole pour les puits de pétrole de schiste de Bakken

Aug 10, 2023

Rapports scientifiques volume 12, Numéro d'article : 16154 (2022) Citer cet article

1599 Accès

3 citations

3 Altmétrique

Détails des métriques

Des simulateurs de réservoir commerciaux sont nécessaires pour résoudre les équations discrétisées du bilan massique. Lorsque le réservoir devient hétérogène et complexe, davantage de blocs de grille peuvent être utilisés, ce qui nécessite des informations détaillées et précises sur le réservoir, par exemple la porosité, la perméabilité et d'autres paramètres qui ne sont pas toujours disponibles sur le terrain. Prédire l'EUR (Estimated Ultimate Recovery) et la baisse du débit pour un seul puits peut donc prendre des heures ou des jours, ce qui les rend coûteux et chronophages en termes de calcul. En revanche, les modèles de courbe de déclin constituent une option plus simple et plus rapide car ils ne nécessitent que quelques variables dans l'équation qui peuvent être facilement collectées à partir des données actuelles des puits. Les données de puits pour cette étude ont été recueillies à partir des bases de données accessibles au public du Montana Board of Oil and Gas Conservation. Les variables de l'équation de la courbe de déclin SEDM (Stretched Exponential Decline Model) spécialement conçues pour les variables des réservoirs non conventionnels ont été corrélées aux paramètres prédictifs dans un ensemble aléatoire de données de puits de champ pétrolifère. L'étude a examiné les influences relatives de plusieurs paramètres de puits. La nouveauté de l'étude vient du développement d'un modèle innovant basé sur l'apprentissage automatique (ML) (forêt aléatoire (RF)) pour une baisse rapide du taux et la prévision de l'EUR dans les puits de pétrole de Bakken Shale. L’application réussie de cette étude dépend fortement de la disponibilité d’un ensemble de données de bonne qualité et en quantité.

L'objectif principal de cette étude est de développer un modèle basé sur le ML qui peut être utilisé pour prédire la baisse du taux de production d'un grand nombre de puits de schiste de Bakken sur une période très courte. Cette méthode sera beaucoup plus rapide que les simulateurs de réservoir commerciaux car elle ne nécessite pas de résoudre un grand nombre d’équations aux différences finies. La production de pétrole et de gaz de schiste non conventionnels a débuté il y a de nombreuses années aux États-Unis. Depuis lors, de nombreuses sociétés d’exploration ont collecté les données d’un nombre important de puits de pétrole et de gaz forés et produits à partir de ces réservoirs, ce qui a donné lieu à une grande quantité de données sur les puits horizontaux. Ces informations sont disponibles dans plusieurs bases de données de sites Web accessibles au public1. Diverses méthodes d'analyse de données peuvent être utilisées pour évaluer les données accessibles au public afin de découvrir des modèles sous-jacents et des points faibles dans ces réservoirs qui pourraient être bénéfiques pour le futur développement de puits horizontaux2,3,4. La méthode la plus largement utilisée pour projeter la production future des puits de pétrole de schiste est la projection des courbes de baisse de production5. Les modèles de courbe de déclin sont des équations mathématiques utilisées pour modéliser les données de production de puits existantes et prédire un futur déclin de puits1. Le développement d'un modèle empirique de la baisse du taux de production à partir des premières performances du puits et l'extrapolation de ce modèle dans le futur peuvent prédire le potentiel de production futur et l'EUR. Le modèle de courbe de baisse de production le plus couramment utilisé est le modèle hyperbolique Arps. Cependant, l’ajustement du modèle hyperbolique Arps aux données de production des puits de pétrole de schiste a souvent abouti à des valeurs physiquement irréalistes du coefficient de déclin hyperbolique1. SEDM a été utilisé pour prédire la production de puits non conventionnels afin de résoudre ce défi5. Le SEDM est mieux adapté aux puits de pétrole de schiste que le modèle hyperbolique Arps, car ils sont dans un régime d'écoulement transitoire pendant la majeure partie de leur durée de vie. Pour \({q}_{i}\) positif, n et SEDM, SEDM renvoie une valeur EUR finie1. En conséquence, le SEDM a été utilisé dans l’étude pour prédire la baisse du taux de production et l’EUR pour les puits d’essai.

Dans une étude similaire, une approche alternative pour la déconvolution débit/pression a été présentée. Les paramètres et algorithmes entraînés basés sur la physique jouent un rôle clé dans la mise en œuvre efficace de la stratégie recommandée en préservant la physique des flux transitoires de superposition6. Le principal inconvénient de cette étude est que cette méthode ne donne pas de résultats satisfaisants lorsque des données très variables et limitées sont disponibles. Le principal inconvénient de cette étude est qu’elle dépend fortement de la disponibilité d’une quantité suffisante de données. Une autre étude a proposé un modèle pour prédire la perméabilité d'une roche carbonatée techniquement difficile (extrêmement hétérogène), basé sur la régression Random Forest, qui peut acquérir efficacement à partir des paramètres physiques dépendants et fournir une prédiction de perméabilité assurée par rapport aux modèles empiriques conventionnels7. Le principal inconvénient de cette étude est qu’elle dépend fortement de la disponibilité de données de bonne qualité et sans bruit. Dans une étude similaire, les auteurs ont utilisé une modélisation basée sur les données pour prédire le taux de déclin des puits de pétrole Eagle Ford Shale8. Une autre étude a proposé un modèle basé sur l'ANN pour prédire la baisse du taux de production des puits de pétrole de schiste d'Eagle Ford9. Le principal inconvénient de ces études était que leur applicabilité était limitée uniquement à Eagle pour les puits de pétrole de schiste.