Das Hinzufügen von maschinellem Lernen (ML) zu traditionellen Arbeitsabläufen in der Erdöltechnik hat im Laufe der Jahre an Einfluss gewonnen. Das Einbeziehen von ML-Modellen kann die Berechnungen erheblich beschleunigen und ist daher in Situationen von großer Bedeutung, in denen schnelle Entscheidungen erforderlich sind. Es dauert lange, bis das Verlaufsmodell übereinstimmt und das Reservoir Modell aktualisiert ist. Daher ist die Verwendung von physikbasierten Simulatoren begrenzt. Die Implementierung von ML-Modellen hat dieses Problem behoben.
Das Ziel dieser Arbeit ist die Entwicklung des ML-Modells, mit dem die Ölproduktion prognostiziert werden kann. Das Hauptaugenmerk liegt auf der Verwendung der sogenannten Long Short-Term Memory (LSTM) und der 1-D-Faltungen für die Vorhersage. LSTM sind im Vergleich zu einfachen neuronalen Netzen (NN) besser für dieses Problem gerüstet, da jeder Datenpunkt angemessen als Zeitreihenbeobachtung anstelle einer unabhängigen Einheit behandelt wird.
Die Arbeiten wurden an dem synthetischen Datensatz durchgeführt, der im Petrel-Simulator am heterogenen 2D-Reservoirmodell generiert wurde. Die Produktionsraten zusammen mit dem komplexen Injektionsplan wurden mit einem rein datengetriebenen ML-Modell extrahiert und analysiert.
Verschiedene Kombinationen von Eingabeparametern wurden untersucht, um die optimale Konfiguration von Funktionen für die Produktionsprognose zu finden. Die univariaten ML-Modelle, die nur vergangene Ölförderdaten als Eingabe verwenden, haben bei kurzfristigen Vorhersagen (mehrere Tage) eine angemessene Leistung gezeigt. Für die längerfristigen Prognosen (bis zu 1 Jahr) benötigt das ML-Modell zusätzlich zu den Produktionsraten die Injektionsraten als Input. Dass komplexe Modelle mehr Rechenleistung erfordern, aber im Vergleich zu univariaten ML-Modellen längere Vorhersagen liefern können.