Aplicação de aprendizado de máquina na previsão do declínio da taxa de petróleo em poços de xisto de Bakken

Scientific Reports volume 12, Artigo número: 16154 (2022) Citar este artigo

1599 Acessos

3 citações

3 Altmétrico

Detalhes das métricas

Simuladores de reservatórios comerciais são necessários para resolver equações discretizadas de balanço de massa. Quando o reservatório se torna heterogêneo e complexo, mais blocos de grade podem ser usados, o que requer informações detalhadas e precisas do reservatório, por exemplo, porosidade, permeabilidade e outros parâmetros que nem sempre estão disponíveis em campo. Prever o EUR (Recuperação Final Estimada) e o declínio da taxa para um único poço pode, portanto, levar horas ou dias, tornando-os computacionalmente caros e demorados. Em contraste, os modelos de curva de declínio são uma opção mais simples e rápida porque requerem apenas algumas variáveis ​​na equação que podem ser facilmente obtidas a partir dos dados atuais dos poços. Os dados dos poços para este estudo foram coletados dos bancos de dados acessíveis ao público do Conselho de Conservação de Petróleo e Gás de Montana. As variáveis ​​da equação da curva de declínio SEDM (Stretched Exponencial Decline Model), projetadas especificamente para variáveis ​​de reservatórios não convencionais, foram correlacionadas aos parâmetros preditores em um conjunto aleatório de dados de poços de campos de petróleo. O estudo examinou as influências relativas de vários parâmetros de poço. A novidade do estudo vem do desenvolvimento de um modelo inovador baseado em aprendizado de máquina (ML) (floresta aleatória (RF)) para declínio rápido da taxa e previsão de EUR em poços de petróleo Bakken Shale. A aplicação bem-sucedida deste estudo depende muito da disponibilidade de boa qualidade e quantidade do conjunto de dados.

O principal objetivo deste estudo é desenvolver um modelo baseado em ML que possa ser empregado para a previsão do declínio da taxa de produção para um grande número de poços Bakken Shale em um período muito mais curto. Este método será muito mais rápido que os simuladores de reservatórios comerciais, pois não requer a resolução de um grande número de equações de diferenças finitas. A produção de óleo e gás de xisto não convencional foi iniciada há muitos anos nos EUA. Desde então, inúmeras empresas de exploração coletaram dados de um número significativo de poços de petróleo e gás perfurados e produzidos a partir desses reservatórios, resultando em uma grande quantidade de dados de poços horizontais. Esta informação está disponível em diversas bases de dados de websites acessíveis ao público1. Vários métodos de análise de dados podem ser usados ​​para avaliar dados disponíveis publicamente para descobrir padrões subjacentes e pontos ideais nesses reservatórios que poderiam ser benéficos para o futuro desenvolvimento de poços horizontais2,3,4. O método mais amplamente utilizado para projetar a produção futura dos poços de óleo de xisto é a projeção das curvas de declínio da produção5. Modelos de curva de declínio são equações matemáticas usadas para modelar dados de produção de poços existentes e prever um declínio futuro de poço1. O desenvolvimento de um modelo empírico do declínio da taxa de produção a partir do desempenho inicial do poço e a extrapolação deste padrão para o futuro pode prever o potencial de produção futuro e o EUR. O modelo de curva de declínio de produção mais comumente utilizado é o Modelo Hiperbólico de Arps. No entanto, ajustar o Modelo Hiperbólico de Arps aos dados de produção de poços de óleo de xisto resultou frequentemente em valores fisicamente irrealistas do coeficiente de declínio hiperbólico1. O SEDM foi empregado para prever a produção de poços não convencionais para resolver esse desafio5. O SEDM é mais adequado para poços de óleo de xisto do que o Modelo Hiperbólico Arps, porque eles estão em um regime de fluxo transitório durante a maior parte de sua vida útil. Para \({q}_{i}\) positivo, n e SEDM, SEDM retorna um valor finito de EUR1. Como resultado, o SEDM foi utilizado no estudo para prever o declínio da taxa de produção e EUR para poços de teste.

Em um estudo semelhante, foi apresentada uma abordagem alternativa para desconvolução de frequência/pressão. Os parâmetros e algoritmos treinados baseados na física desempenham um papel fundamental na implementação eficaz da estratégia recomendada, preservando a física do fluxo transitório de superposição6. A principal desvantagem deste estudo é que este método não fornece resultados satisfatórios quando há dados disponíveis muito variáveis ​​e limitados. A principal desvantagem deste estudo é que ele é altamente dependente da disponibilidade de uma quantidade suficiente de dados. Outro estudo propôs um modelo para prever a permeabilidade de uma rocha carbonática tecnicamente desafiadora (extremamente heterogênea) baseada na regressão Random Forest, que pode adquirir proficiência a partir dos parâmetros físicos dependentes e fornecer uma previsão de permeabilidade garantida quando comparada com modelos empíricos convencionais7. A principal desvantagem deste estudo é que ele é altamente dependente da disponibilidade de dados livres de ruído de boa qualidade. Num estudo semelhante, os autores utilizaram modelos baseados em dados para prever a taxa de declínio dos poços de petróleo Eagle Ford Shale8. Outro estudo propôs um modelo baseado em RNA para prever o declínio da taxa de poços de petróleo Eagle Ford Shale9. A principal desvantagem destes estudos foi que a sua aplicabilidade foi restrita apenas a Eagle para poços de óleo de xisto.