バッケンシェール油田の原油価格低下予測における機械学習の応用

Scientific Reports volume 12、記事番号: 16154 (2022) この記事を引用

1599 アクセス

3 引用

3 オルトメトリック

メトリクスの詳細

離散化された質量平衡方程式を解くには、市販の貯留層シミュレーターが必要です。 貯留層が不均一かつ複雑になると、より多くのグリッド ブロックが使用される可能性があり、そのためには、空隙率、透過率、現場では常に入手できるとは限らないその他のパラメーターなど、詳細かつ正確な貯留層情報が必要になります。 したがって、単一油井の EUR (推定究極回収率) とレート低下の予測には数時間から数日かかる可能性があり、計算コストと時間がかかります。 対照的に、減少曲線モデルは、井戸の現在のデータから簡単に収集できる数式内の変数のみを必要とするため、よりシンプルで迅速なオプションです。 この研究の坑井データは、モンタナ州石油ガス保護委員会の公的にアクセス可能なデータベースから収集されました。 非在来型貯留層変数用に特別に設計された SEDM (伸張指数関数的衰退モデル) 減少曲線方程式変数は、ランダムな油井井データセットの予測変数パラメーターと相関されました。 この研究では、いくつかの坑井パラメータの相対的な影響を調べました。 この研究の新規性は、バッケンシェール油井における急速な金利下落とユーロ予測のための革新的な機械学習（ML）（ランダムフォレスト（RF））ベースのモデルを開発したことに由来する。 この研究の適用が成功するかどうかは、質と量の優れたデータセットが利用できるかどうかに大きく依存します。

この研究の主な目的は、非常に短期間での多数のバッケンシェール油井の生産量低下の予測に使用できる ML ベースのモデルを開発することです。 この方法は、多数の有限差分方程式を解く必要がないため、市販の貯留層シミュレーターよりもはるかに高速です。 非在来型シェールオイルとシェールガスからの生産は、何年も前に米国で開始されました。 それ以来、多数の探査会社がこれらの貯留層から掘削され生産されたかなりの数の石油およびガス井のデータを収集し、その結果、大量の水平坑井データが得られました。 この情報は、公的にアクセス可能ないくつかの Web サイト データベースで入手できます1。 さまざまなデータ分析手法を使用して公開データを評価し、将来の水平坑井開発に有益となる可能性のあるこれらの貯留層の根底にあるパターンやスイートスポットを明らかにすることができます2、3、4。 シェールオイル井からの将来の生産量を予測するために最も広く利用されている方法は、生産量減少曲線の予測です5。 減少曲線モデルは、既存の坑井生産データをモデル化し、将来の坑井の減少を予測するために使用される数式です1。 油井の初期のパフォーマンスから生産率低下の経験的モデルを開発し、このパターンを将来に推定することで、将来の生産可能性とユーロを予測できます。 最も一般的に使用される生産減少曲線モデルは、Arps 双曲線モデルです。 しかし、Arps 双曲線モデルをシェールオイル井からの生産データに当てはめると、双曲線減少係数の物理的に非現実的な値が得られることがよくあります1。 この課題を解決するために、SEDM を採用して、従来とは異なる井戸からの生産量を予測しました 5。 SEDM は、シェール油井には寿命のほとんどの間、過渡的な流れ状態にあるため、Arps 双曲線モデルよりも適しています。 正の \({q}_{i}\)、n、および SEDM の場合、SEDM は有限の EUR 値 1 を返します。 その結果、SEDM が研究で使用され、生産率の低下と試験井のユーロが予測されました。

同様の研究で、レート/圧力デコンボリューションの代替アプローチが提示されました。 物理ベースのトレーニング済みパラメーターとアルゴリズムは、重ね合わせ過渡流れの物理学を維持することで推奨戦略を効果的に実装する上で重要な役割を果たします6。 この研究の主な欠点は、非常に変動性が高く限られたデータしか利用できない場合、この方法では満足のいく結果が得られないことです。 この研究の主な欠点は、十分な量のデータが入手できるかどうかに大きく依存していることです。 別の研究では、ランダムフォレスト回帰を前提とした、技術的に困難な（非常に不均質な）炭酸塩岩の透水性を予測するためのモデルが提案されています。このモデルは、信頼できる物理パラメータから効率的に取得でき、従来の経験的モデルと比較した場合に確実な透水性予測を提供します7。 この研究の主な欠点は、ノイズのない高品質のデータが入手できるかどうかに大きく依存していることです。 同様の研究で、著者らはイーグルフォードシェール油井の速度低下を予測するためにデータ駆動型モデリングを採用しました8。 別の研究では、イーグルフォードシェール油井の速度低下を予測するための ANN ベースのモデルが提案されています9。 これらの研究の主な欠点は、その適用がシェール油井に対するイーグルのみに限定されていることだった。