Айдау ұңғымалар-кандидаттарын бұрғылауға арналған аймақтарды автоматты түрде таңдау

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Негіздеу. «ҚазМұнайГаз» ҰК АҚ кен орындарын игерудің соңғы кезеңдерінде айдау ұңғымаларын бұрғылау үшін нүктелерді іздеудегі күрделіліктің артуы, жұмыс істеп тұрған ұңғымалар торының тығыздалуына және қорлардың біркелкі өндірілмеуіне байланысты бүгінгі таңда өзекті мәселе болып табылады. Геокеңістіктік талдау және жасанды интеллект саласындағы әзірлемелер бұл мәселені шешудің жаңа тәсілдерін іздеуге түрткі болды.

Мақсаты. Зерттеу озық алгоритмдерді қолдана отырып, үлкен көлемдегі деректерді кешенді талдауға негізделген айдау ұңғымаларын бұрғылауға арналған ең перспективалы аймақтарды автоматты түрде анықтаудың инновациялық тәсілін жасауға бағытталған.

Материалдар мен әдістер. Жұмыста өндірістік және геологиялық деректерді жинау және талдау әдістері қолданылады, мультифакторлық талдау үшін кеңістіктік алгоритмдер және шығаруларды анықтау үшін түзетілген квартильаралық диапазонды қоса алғанда, деректерді қалыпқа келтіру әдістері қолданылады.

Нәтижелері. Кешенді талдау негізінде бұрғылау потенциалы бойынша ұяшықтардың рейтингін көрсететін нәтижелер, сондай-ақ шешім қабылдау дәлдігін жақсарту үшін әр ұяшыққа бірегей кодтар тағайындау сипатталған.

Корытынды. Қорытынды бөлім әртүрлі әдістер мен тәсілдерді біріктірудің маңыздылығын атап өтіп, қорытындылайды. Деректердің дәлсіздіктерін талдауды, қосымша параметрлерді, тиімді пропласттарды анықтауды, машиналық оқыту әдістерін қолдануды және басқа кен орындарында тәсілді тестілеуді кеңейтуді қоса алғанда, одан әрі зерттеулерге арналған бағыттар белгіленеді.

Толық мәтін

##article.viewOnOriginalSite##

Авторлар туралы

А. А. Бекен

ҚМГ Инжиниринг

Хат алмасуға жауапты Автор.
Email: a.beken@kmge.kz
Қазақстан, Астана қаласы

А. Е. Ибраев

ҚМГ Инжиниринг

Email: ak.ibrayev@kmge.kz
Қазақстан, Астана қаласы

Ж. Т. Жетруов

ҚМГ Инжиниринг

Email: zh.zhetruov@kmge.kz
ORCID iD: 0000-0003-3639-4390
Қазақстан, Астана қаласы

А. С. Елемесов

ҚМГ Инжиниринг

Email: ayelemessov@kmge.kz
Қазақстан, Астана қаласы

А. Т. Жолдыбаева

ҚМГ Инжиниринг

Email: a.zholdybayeva@kmge.kz
ORCID iD: 0000-0002-1015-0593
Қазақстан, Астана қаласы

Әдебиет тізімі

  1. Wei B. Well Production Prediction and Visualization Using Data Mining and Web GIS [master's thesis]. Calgary: University of Calgary; 2016. doi: 10.11575/PRISM/28686.
  2. Xu X, Shao Y, Fu J, et al. The Application of GIS in The Digital Oilfield Construction. 2nd International Conference on Computer Science and Electronics Engineering; March 2013. Available from: https://www.atlantis-press.com/proceedings/iccsee-13/4443.
  3. Khan H, Srivastav A, Kumar Mishra A, Anh Tran T. Machine learning methods for estimating permeability of a reservoir. Int J Syst Assur Eng Manag. 2022;13:2118–2131. doi: 10.1007/s13198-022- 01655-9.
  4. Ruizhi Z, Cyrus S, Ray J. Machine learning for drilling applications: A review. Journal of Natural Gas Science and Engineering. 2022;108. doi: 10.1016/j.jngse.2022.104807.
  5. Ramzey H, Badawy M, Elhosseini M, A. Elbaset A. I2OT-EC: A Framework for Smart Real-Time Monitoring and Controlling Crude Oil Production Exploiting IIOT and Edge Computing. Energies. 2023;16(4). doi: 10.3390/en16042023.
  6. Schiozer DJ, Souza dos Santos AA, Graça Santos SM, Von Hohendorff Filho JC. Model-based decision analysis applied to petroleum field development and management. Oil & Gas Science and Technology – Revue d’IFP Energies Nouvelles. 2019;74. doi: 10.2516/ogst/2019019.
  7. Hubert M., Vandervieren E. An adjusted boxplot for skewed distributions. Computational Statistics & Data Analysis. 2008;52(12):5186–5201. doi: 10.1016/j.csda.2007.11.008.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Figure 1. Calculation of the operating criterion for wells with low bottomhole pressure

Жүктеу (118KB)
Метадеректер
3. Figure 2. Calculation of production indicators for 3 months for the existing well stock

Жүктеу (22KB)
Метадеректер
4. Figure 3. Map of surface infrastructure and cells with potential drilling sites

Жүктеу (506KB)
Метадеректер
5. Figure 4. Determination of wells of the first radius of the surrounding

Жүктеу (116KB)
Метадеректер
6. Figure 5. Cell parameters

Жүктеу (455KB)
Метадеректер
7. Figure 6. Distribution with confidence interval limits of two methods

Жүктеу (250KB)
Метадеректер
8. Figure 7. Compensation distribution

Жүктеу (123KB)
Метадеректер
9. Figure 8. 50 most suitable sectors by well spacing point

Жүктеу (237KB)
Метадеректер
10. Figure 9. 20 most suitable sectors by well spacing point

Жүктеу (40KB)
Метадеректер
11. Figure 10. Sectors on the X horizon

Жүктеу (381KB)
Метадеректер

© Бекен А.А., Ибраев А.Е., Жетруов Ж.Т., Елемесов А.С., Жолдыбаева А.Т., 2024

Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».