Integration of field data and application of machine learning methods to assess the condition of the near-wellbore zone of carbonate reservoirs

封面

如何引用文章

全文:

详细

Relevance. Increase in the share of hard-to-recover reserves. Often, for the effective development of complex reservoirs, methods of enhanced oil recovery and production intensification are used. Currently, the feasibility of carrying out geological and technical measures is based on the results of interpretation of well tests, which allows assessing the condition of the near-wellbore zone. The disadvantages of this research method are a long shutdown (as a result, “shortfalls” of oil) and increased risks of failure to bring wells into operation. In this regard, the integration of field data and the use of machine learning to describe the state of the near-wellbore zone can have a positive effect on the timeliness of geological and technical activities and ensure maximization of their effectiveness in the future. Aim. To develop a methodology for increasing the accuracy of the near-wellbore zone permeability prediction of carbonate reservoirs based on the use of machine learning me-thods. Methods. Statistical methods, solving the classification problem using machine learning methods. Results. This paper proposes an approach for quickly assessing the permeability of the near-wellbore zone, based on a statistical analysis of the results of interpretation of hydrodynamic studies (256 studies) and operational data from wells of an oil carbonate reservoir in the Perm Krai. To assess near-wellbore zone permeability, a multiple linear regression model was built. In order to improve the statistical metrics of regression of the near-wellbore zone permeability, the dependence of this parameter on the specific productivity coefficient in the conditions of a carbonate reservoir was studied and divided into clusters. The SHAP library was used to identify significant parameters on the predicted value. To perform the task of classifying clusters based on source data, the authors have used a machine learning technique – support vector machine and constructed differentially the regression models for each cluster. Using of this approach made it possible to increase the coefficient of determination from 0.76 to 0.96 and reduce the average absolute error in predicting the near-wellbore zone permeability from 0.018 to 0.007 µm2. Thus, the authors proposed a methodology for predicting the near-wellbore zone permeability using statistical methods based on preliminary clustering of the initial data and their classification using machine learning approaches.

全文:

Введение

Распределение карбонатных коллекторов составляет 20 % от общей площади мировых осадочных пород. Запасы нефти и газа, приуроченные к данным отложениям, составляют приблизительно 70 %, а доказанные извлекаемые запасы – около 50 % мировых ресурсов [1]. Однако добыча углеводородов и выбор технологий для эффективной разработки характеризуются рядом сложностей и проблем [2–4]. Неоднородность и расчленённость карбонатных отложений оказывают негативное влияние на выработку запасов. В большинстве случаев наблюдается недостаточное влияние нагнетательных скважин на добывающие ввиду сложностей пустотного пространства и распределения проницаемости в пределах залежи [5–7]. Наличие в карбонатных коллекторах естественной трещиноватости является одной из причин изменчивости продуктивных характеристик скважин. Изучению данных вопросов посвящены научные работы [8–13]. В сравнении с песчаниками карбонатные коллекторы обладают высокой степенью гетерогенности. Наличие вторичных видов пустотности имеет существенное влияние на значения пористости и проницаемости пород-коллекторов и, как следствие, оказывает первоочередное влияние на эффективность добычи. Важной особенностью, характеризующей эффективность разработки данного типа коллектора, является влияние забойного и пластового давлений на проницаемость по нефти и продуктивность скважин [14, 15]. В работе [16] исследовано влияние геолого-физических характеристик карбонатных коллекторов со сложным геологическим строением на условия притока углеводородов. Причиной снижения проницаемости карбонатных коллекторов может являться смыкание трещин вследствие упругих и пластических деформаций породы при повышении эффективного давления [17].

В последнее время широко исследуются и совершенствуются методы прогнозирования проницаемости гетерогенных карбонатных коллекторов с помощью подходов машинного обучения на основе каротажных данных [18–21]. Кроме того, в ряде научных работ описаны лабораторные исследования на образцах керна по определению зависимостей проницаемости от изменения эффективного давления [22–25]. Авторами работы [26] выполнено прогнозирование проницаемости призабойной зоны пласта (ПЗП) при волновом воздействии. Все данные методы и подходы основаны либо на непосредственном взаимодействии с объектом исследования, либо на определении статического значения без учета динамических составляющих разработки объекта. В настоящее время почти не исследованы косвенные методы определения фильтрационных параметров на основе эксплуатационных параметров.

Таким образом, контроль за изменением проницаемости (в призабойной и удаленной зонах) карбонатного коллектора является важным элементом эффективной разработки месторождений углеводородов. Особенно стоит отметить, что динамическая оценка проницаемости ПЗП является критерием и одним из основных параметров, влияющих на эффективность геолого-технических мероприятий [27].

Авторами данной работы разработан подход повышения точности прогнозирования проницаемости ПЗП статистическими методами в условиях карбонатного коллектора с помощью предварительной кластеризации исходных данных и дальнейшей их классификации с помощью методов машинного обучения. Предлагается деление исходных данных (текущее забойное давление, эффективная нефтенасыщенная толщина, пористость, дебит жидкости, обводненность) на кластеры для повышения метрик статистических моделей проницаемости призабойной зоны пласта.

Материалы и методы

Для решения поставленной задачи привлечены данные 256 гидродинамических исследований скважин (ГДИС) карбонатного объекта нефтяного месторождения Пермского края. Кривые восстановления давления (КВД) обработаны в программном продукте KAPPA Workstation с определением скин-фактора (S) и проницаемости призабойной/удаленной зон пласта (kпзп/kузп). Также интерпретированы 15 индикаторных диаграмм с определением проницаемости призабойной зоны пласта (kпзп). В качестве исходных данных использованы следующие параметры:

  • забойное давление (Pзаб), диапазон значений от 2,94 до 17,48 МПа;
  • давление пластовое (Pпл), диапазон значений от 5,96 до 21,64 МПа;
  • дебит жидкости (Q), диапазон значений от 0,1 до 107 м3/сут.;
  • эффективная нефтенасыщенная толщина пласта (h), диапазон значений от 1 до 29,6 м;
  • обводненность (W), диапазон значений от 1 до 99,9 %;
  • пористость (m), диапазон значений от 7,4 до 19,4 %;
  • удельный коэффициент продуктивности (PROD – QPплPзабh), диапазон значений от 0,0088 до 3,56 м3сутмМПа.

Построение моделей множественной линейной регрессии позволяет обеспечить поиск статистических связей с геолого-техническими показателями для прогнозирования исследуемого параметра (проницаемость ПЗП). Метод пошагового регрессионного анализа широко используется для решения различных производство-технологических задач, особенно в условиях сложных многофакторных процессов [28–32]. При использовании данного подхода построена модель прогнозирования проницаемости ПЗП (kпзп):

kпзп= 0,008+0,056PROD+0,0004W+

+0,0003Q0.001Рпл0,001Рзаб

0,0003h+0,00004m

R2: 0,571; 0,660; 0,673; 0,684; 0,688; 0,689; 0,689; стандартная ошибка составила 0,018 мкм2; уровень значимости менее 0,0001.

Для анализа параметров, влияющих на исследуемый параметр, построены графики зависимости проницаемости ПЗП от удельного коэффициента продуктивности и выделены три кластера (рис. 1, 2). Кластеры выделены визуально по линейной корреляции зависимости проницаемости ПЗП от удельного коэффициента продуктивности. Выдвинута гипотеза, что на основе кластеризации линейных зависимостей проницаемости ПЗП от удельного коэффициента продуктивности с помощью подходов машинного обучения получится осуществить учет вторичных факторов, например динамика фильтрационных параметров, ввиду изменения забойного давления, фазовых проницаемостей и влияния трещиноватости.

 

Рис. 1. Зависимость проницаемости ПЗП от удельного коэффициента продуктивности

Fig. 1. Dependence of the near-wellbore zone (NWBZ) permeability on productivity specific coefficient     

 

Рис. 2. Зависимость проницаемости ПЗП от удельного коэффициента продуктивности (выделение 3 кластеров)

Fig. 2. Dependence of the NWBZ permeability on the productivity specific coefficient (allocation of 3 clusters)

 

Разделение выборки осуществлено для анализа влияния исходных параметров на значение проницаемости ПЗП в условиях карбонатного коллектора. Данная задача решалась с использованием библиотеки SHapley Additive exPlanations (SHAP), позволяющей выявить значимость каждого параметра.

Кроме того, дифференцированно построенные регрессионные модели для каждого кластера позволяют повысить статистические метрики для прогнозирования проницаемости околоскважинной зоны. Таким образом, предлагается классифицировать исходные данные на кластеры для более точного определения проницаемости ПЗП с помощью статистических моделей. Исходными данными для классификации кластера являются: забойное давление, эффективная нефтенасыщенная толщина, пористость, дебит жидкости, обводненность. Номер кластера является искомым параметром.

Решение задачи классификации осуществлено с помощью метода опорных векторов (SVM – support vector machine). Данный метод основан на идее поиска оптимальной гиперплоскости, которая разделяет исходные параметры.

Результаты

Определение параметров, оказывающих превалирующее влияние на отношение проницаемости ПЗП к удельному коэффициенту продуктивности, осуществлялось с помощью библиотеки SHAP, которая используется для интерпретации моделей машинного обучения. Таким образом, на основании модели классификации (градиентный бустинг) и данной библиотеки установлено, что обводненность является одним из наиболее значимых параметров, оказывающих влияние на формирование проницаемости ПЗП (значимость 0,48). Дополнительный промысловый анализ показал, что возможная причина снижения фильтрационных свойств исследуемых отложений и высокого влияния обводненности связана с особенностями закачиваемого агента: качество и его несовместимость с пластовыми водами в условиях карбонатного коллектора.

На рис. 3 представлен график сравнения фактических и прогнозных значений классификации исходных данных на кластеры. На вертикальной оси отмечены значения номера кластера (1, 2, 3). На горизонтальной оси 50 элементов тестовой выборки, по которой выполняется сравнение сходимости модели, точность составила 84 % (рис. 3). В качестве дополнительной метрики качества модели добавлен показатель F1-score, который объединяет в себе два важных показателя: Precision (Точность), Recall (Полнота) и является более обоснованным в случае, когда классы не сбалансированы. F1-score составил 83,3 %.

Построенные дифференцированно для кластеров модели проницаемости ПЗП представлены ниже. На рис. 4 представлено сравнение фактических и прогнозных значений проницаемости ПЗП.

 

Рис. 3. Сравнение фактических и прогнозных значений классификации кластера на тестовой выборке

Fig. 3. Comparison of the actual and predicted values of cluster classification in a test sample

 

Кластер 1:

KПЗП= 0,00015+0,029PROD+

+0,0000159W0,0000173Q+

+0,00015Рпл0,000164Рзаб+

+0,0000009h0,000128m

R2: 0,998; S: 0,0007 мкм2; p < 0,0001.

PRODм3сутМПам, диапазон 0,009–3,6;

W, %, диапазон 1,0–99,9;
Q, м3/сут, диапазон 0,1–66,4;
Рпл, МПа, диапазон 6,4–17,1;
Рзаб, МПа, диапазон 3,2–10,2;
h, м, диапазон 1,0–22,2; m, %, диапазон 8,7–15,9.

Кластер 2:

KПЗП= 0,00093+0,0756PROD+

+0,0000519W0,00003Q+0,0001Рпл

0,00118Рзаб+0,00007h+0,00039m

R2: 0,924; S: 0,007 мкм2; p < 0,0001.

PRODм3сутМПам, диапазон 0,025–2,4;

W, %, диапазон 5,0–99,2;
Q, м3/сут, диапазон 2,2–82,9;
Рпл, МПа, диапазон 5,96–21,6;
Рзаб, МПа, диапазон 2,94–17,5;
h, м, диапазон 1,3–29,6; m, %, диапазон 7,4–15,9.

Кластер 3:

KПЗП= 0,00856+0,106PROD0,000048W+

+0,000182Q0.001Рпл+0,000798Рзаб

0,00037h+0,000542m

R2: 0,973; S: 0,007 мкм2; p < 0,0001.

PRODм3сутМПам, диапазон 0,063–2,8;

W, %, диапазон 21,3–90,2;
Q, м3/сут, диапазон 2,4–107,0;

Рпл, МПа, диапазон 7,05–20,6;
Рзаб, МПа, диапазон 3,21–12,1;
h, м, диапазон 2,3–29,6; m, %, диапазон 7,6–19,4.

 

Рис. 4. Корреляционное поле прогнозных и фактический значений проницаемости ПЗП (дифференцированно для каждого кластера)

Fig. 4. Correlation field of predicted and actual values ​​of NWBZ permeability (differentiated for each cluster)

 

Рис. 5. Распределение исходных параметров для каждого кластера

Fig. 5. Distribution of initial parameters for each cluster

 

Данные уравнения применимы для оперативного определения проницаемости ПЗП в условиях карбонатного объекта исследуемого месторождения Пермского края. Предлагаемый подход может быть тиражирован на другие объекты со статистически значимым количеством гидродинамических исследований.

Для каждой модели также рассчитаны статистические характеристики работоспособности. Средняя абсолютная ошибка проницаемости ПЗП по дифференцированным моделям составляет не более 0,007 мкм2. Основным влияющим параметром является удельный коэффициент продуктивности. С помощью модели классификации SVM осуществляется анализ исходных параметров (забойное давление, эффективная нефтенасыщенная толщина, пористость, дебит жидкости, обводненность) и дальнейшая классификация принадлежности к кластеру. Выбор уравнения, на основе которого осуществляется расчет, производится путем использования модели SVM. Данный метод основан на идее поиска оптимальной гиперплоскости, которая разделяет исходные параметры. На рис. 5 представлены данные, которые включаются в модель SVM для обучения выбора кластера.

Обсуждение

Используемые на данный момент методы оценки состояния призабойной зоны опираются на интерпретацию гидродинамических исследований, особенностью которых является продолжительная остановка скважин, ведущая к недоборам и повышению рисков необеспечения вывода их на режим. На сегодняшний день при выборе методов воздействия на пласт руководствуются проницаемостью удаленной зоны пласта, которая определяется по данным ГДИС методами КВД/КВУ (кривая восстановления уровня), что является некорректным подходом. Стоит отметить, что по данным ГДИ методами КВД/КВУ осложнена оценка проницаемости ПЗП прямым способом, она определяется только при обработке индикаторных диаграмм, которые проводятся не на всех скважинах фонда и только в период их опробования.

Методы КВД/КВУ обеспечивают определение проницаемости ПЗП за счет пересчета проницаемости удаленной зоны пласта (УЗП) в зависимости от дополнительного перепада давления вблизи ствола скважины, отражаемого в начальный период регистрации кривых восстановления давления. Данный принцип осложнен вторичными проблемами, например явлениями послепритока в скважину. Тем не менее исследование проведено на этих данных с целью нахождения корреляции проницаемости ПЗП с расчетным коэффициентом продуктивности. Нахождение статистической связи между рассматриваемыми параметрами обеспечивает обоснование достоверности данных интерпретации. Предлагаемый подход позволяет оценить проницаемость ПЗП без проведения ГДИС.

Мониторинг за изменением характеристик ПЗП является одной из основных задач, на основании которой принимаются решения о реализации, порой дорогостоящих, методов интенсификации, повышения нефтеотдачи пласта. Таким образом, оценка состояния и проницаемости призабойной зоны скважин является актуальной задачей, которая позволит более обоснованно подходить к подбору технологического режима работы, методов интенсификации добычи скважин и повышения нефтеотдачи пласта. Анализ мирового опыта показывает, что, несмотря на значительное влияние проницаемости ПЗП на эффективность вышеперечисленных мероприятий, задача ее оперативного определения и прогнозирования охвачена слабо и открыта для исследований.

В настоящей работе предложен подход прогнозирования проницаемости ПЗП в условиях карбонатного коллектора с помощью предварительной кластеризации исходных данных. Для каждого кластера построены статистические модели множественной линейной регрессии проницаемости ПЗП. Подходы и методы, представленные в работе, не затрагивались ранее научным сообществом и являются первым этапом по созданию комплексной системы по оценке состояния ПЗП на основе больших данных разработки нефтегазовых объектов. 

На примере месторождения Пермского края разработан подход оперативной оценки проницаемости ПЗП. Использование удельного коэффициента продуктивности как основного параметра позволяет достаточно точно определять проницаемость ПЗП с помощью статистических методов. Исследование показало, что в условиях карбонатного коллектора наблюдался высокий разброс зависимости проницаемости ПЗП от удельного коэффициента продуктивности. Поэтому выдвинута гипотеза о влиянии вторичных факторов на данный параметр. Таким образом, в работе предложен подход повышения точности прогнозирования проницаемости ПЗП с помощью предварительной кластеризации исходных данных на основе линейной зависимости проницаемости ПЗП от удельного коэффициента продуктивности. Точность полученной модели классификации выделенных кластеров на основе методов машинного обучения составила 84 %. При использовании данного подхода коэффициент детерминации изменен с 0,76 до 0,96, средняя абсолютная ошибка проницаемости ПЗП уменьшена с 0,018 до 0,007 мкм2.

В будущих исследованиях планируется исследование применения рекуррентных и сверточных искусственных нейронных сетей для оценки состояния ПЗП.

Выводы

  1. Построена модель множественной линейной регрессии для прогнозирования проницаемости ПЗП скважин карбонатного объекта, характеризующаяся коэффициентом детерминации 0,76 и средней абсолютной ошибкой 0,018 мкм2.
  2. Исследовано влияние эксплуатационных и геологических параметров скважин на зависимость проницаемости ПЗП от удельного коэффициента продуктивности и установлен наиболее значимый – обводненность добываемой продукции.

Разработана методика прогнозирования проницаемости ПЗП с помощью статистических методов на основе предварительной кластеризации исходных данных и их классификации подходами машинного обучения. Использование данного подхода позволило повысить коэффициент детерминации с 0,76 до 0,96 и уменьшить среднюю абсолютную ошибку прогнозирования проницаемости ПЗП с 0,018 до 0,007 мкм2

×

作者简介

Andrey Soromotin

LLC «LUKOIL-Engineering»

Email: s@soromotinav.ru
ORCID iD: 0000-0002-6535-6134

1st category engineer

俄罗斯联邦, Perm

Dmitriy Martyushev

Perm National Research Polytechnic University

编辑信件的主要联系方式.
Email: martyushevd@inbox.ru
ORCID iD: 0000-0002-5745-4375

Dr. Sc., Professor

俄罗斯联邦, Perm

参考

  1. Li Y., Kang Z., Xue Z., Zheng S. Theories and practices of carbonate reservoirs development in China. Petroleum Exploration and Development, 2018, vol. 45, Iss. 4, pp. 712–722. DOI: https://doi.org/10.11698/PED.2018.04.12
  2. Zhang F., An M., Yan B., Wang Y., Han Y. A novel hydromechanical coupled analysis for the fractured vuggy carbonate reservoir. Computers and Geotechnics, 2019, vol. 106, pp. 68–82. DOI: https://doi.org/10.1016/j.compgeo.2018.10.013
  3. Chen Y., Zhao J.-H., Hu Q.-H. Origin of carbonate minerals and impacts on reservoir quality of the Wufeng and Longmaxi Shale, Sichuan Basin. Petroleum Science, 2023, vol. 20, Iss. 6, pp. 3311–3336. DOI: https://doi.org/10.1016/j.petsci.2023.08.012
  4. Li Y., Zhang Q., Wang D., Song B., Liu P. A fast method of waterflooding performance forecast for largescale thick carbonate reservoir. Journal of Petroleum Science and Engineering, 2020, vol. 192, Article 107227. DOI: https://doi.org/10.1016/j.petrol.2020.107227
  5. Kaminskaite I., Fisher Q.J., Michie E.A. Microstructure and petrophysical properties of deformation bands in high porosity carbonates. Journal of Structural Geology, 2019, vol. 119, pp. 61–80. DOI: https://doi.org/10.1016/j.jsg.2018.12.001
  6. Shedid A. Shedid. Vertical-horizontal permeability correlations using coring data. Egyptian Journal of Petroleum, 2019, vol. 28, pp. 97–101. DOI: https://doi.org/10.1016/j.ejpe.2018.12.007
  7. Aljuboori F.A., Lee J.H., Elraies K.A., Stephen K.D. The effectiveness of flow salinity waterflooding in naturally fractured reservoirs. Journal of Petroleum Science and Engineering, 2020, vol. 191, Article 107167. DOI: https://doi.org/10.1016/j.petrol.2020.107167
  8. Cordero J.A.R., Sanchez E.C.M., Roehl D. Integrated discrete fracture and dual porosity – dual permeability models for fluid flow in deformable fractured media. Journal of Petroleum Science and Engineering, 2019, vol. 175, pp. 644–653. DOI: https://doi.org/10.1016/j.petrol.2018.12.053
  9. Özkaya S.I. Fracture modeling from borehole image logs and water invasion in carbonate reservoirs with layer-bound fractures and fracture corridors. Journal of Petroleum Science and Engineering, 2019, vol. 179, pp. 199–209. DOI: https://doi.org/10.1016/j.petrol.2019.04.052
  10. Belhouchet H.E., Benzagouta M.S., Dobbi A., Alquraishi A., Duplay J. A new empirical model for enhancing well log permeability prediction, using nonlinear regression method: case study from Hassi-Berkine oil field reservoir – Algeria. Journal of King Sau University – Engineering Sciences, 2021, vol. 33, pp. 136–145. DOI: https://doi.org/10.1016/j.jksues.2020.04.008
  11. Kaleem, W., Tewari, S., Fogat, M., Martyushev, D.A. Machine Learning Approach Based Study of Production Forecasting and Factors Influencing the Multiphase Flow through Surface Chokes. Petroleum, 2024, vol. 10, Iss. 2, pp. 354–371. DOI: https://doi.org/10.1016/j.petlm.2023.06.001
  12. Guo Y., Liang Y., Li J., Gong B. A novel connectivity-based hierarchical model for multi-scale fracture system in carbonate reservoir simulation. Fuel, 2019, vol. 250, pp. 327–338. DOI: https://doi.org/10.1016/j.fuel.2019.03.048
  13. Hamada G., Joseph V. Developed correlations between sound wave velocity and porosity, permeability and mechanical properties of sandstone core samples. Petroleum Research, 2020, vol. 5, Iss. 4, pp. 326–338. DOI: https://doi.org/10.1016/j.ptlrs.2020.07.001
  14. Chen W., Di Q., Ye F., Zhang J., Wang W. Flowing bottomhole pressure prediction for gas wells based on support vector machine and random samples selection. International Journal of Hydrogen Energy, 2017, vol. 42, pp. 18333–18342. DOI: https://doi.org/10.1016/j.ijhydene.2017.04.134
  15. Martyushev D.A., Ponomareva I.N., Zakharov L.A., Shadrov T.A. Application of machine learning for forecasting formation pressure in oil field development. Bulletin of the Tomsk Polytechnic University, Geo Assets Engineering, 2021, vol. 332, Iss. 10, pp. 140–149. DOI: https://doi.org/10.18799/24131830/2021/10/3401
  16. Chuhlov A.S., Salnikova О.L., Chernyh V.I. Influence evaluation of geological and physical characteristics of reservoirs with a complex geological structure on the conditions of hydrocarbons inflow. Perm Journal of Petroleum and Mining Engineering, 2022, vol. 22, no. 1, pp. 9–14. (In Russ.)
  17. Filippov Е.V., Zakharov L.A., Martyushev D.A., Ponomareva I.N. Reproduction of reservoir pressure by machine learning methods and study of its influence on the cracks formation process in hydraulic fracturing. Journal of Mining Institute, 2022, vol. 258, pp. 924–932. DOI: https://doi.org/10.31897/PMI.2022.103
  18. Xu P., Zhou H., Liu X. Permeability prediction using logging data in a heterogeneous carbonate reservoir: A new self-adaptive predictor. Geoenergy Science and Engineering, 2023, vol. 224, Article 211635. DOI: https://doi.org/10.1016/j.geoen.2023.211635
  19. Sheykhinasab A., Mohseni A.A., Bahari A.B. Prediction of permeability of highly heterogeneous hydrocarbon reservoir from conventional petrophysical logs using optimized data-driven algorithms. Journal of Petroleum Exploration and Production Technology, 2023, vol. 13, pp. 661–689. DOI: https://doi.org/10.1007/s13202-022-01593-z
  20. Matinkia M., Hashami R., Mehrad M. Prediction of permeability from well logs using a new hybrid machine-learning algorithm. Petroleum, 2023, vol. 9, Iss. 1, pp. 108–123. DOI: https://doi.org/10.1016/j.petlm.2022.03.003
  21. Yang L., Fomel S., Wang S. Porosity and permeability prediction using a transformer and periodic long short-term network. Geophysics, 2023, vol. 88, pp. IJF–Y3. DOI: https://doi.org/10.1190/geo2022-0150.1
  22. Stanton-Yonge A., Mitchell T.M., Meredith P.G. The hydro-mechanical properties of fracture intersections: pressure-dependent permeability and effective stress law. Journal of Geophysical Research: Solid Earth, 2023, vol. 128, Iss. 2, Article e2022JB025516. DOI: https://doi.org/10.1029/2022JB025516
  23. Bhattacharjee S., Minzoni M., Prather B.E. Investigating the controls on architecture and facies distribution of a carbonate ramp to shelf system: insights from stratigraphic forward modeling of the Jurassic Smackover Formation, Gulf of Mexico. Marine and Petroleum Geology, 2024, vol. 160, Article 106622. DOI: https://doi.org/10.1016/j.marpetgeo.2023.106622
  24. Sun K., Liu H., Leung J.Y. Impact of effective stress on permeability for carbonate fractured-vuggy rocks. Journal of Rock Mechanics and Geotechnical Engineering, 2023. DOI: https://doi.org/10.1016/j.jrmge.2023.04.007
  25. Martyushev D.A., Ponomareva I.N., Davoodi S., Kadkhodaie A. Interporosity flow between matrix and fractures in carbonates: a study of its impact on oil production. Arabian Journal for Science and Engineering, 2024. DOI: https://doi.org/10.1007/s13369-024-09533-1
  26. Qi Chengzhi, Guzev М.А., Poplygin V.V., Kunitskih А.А. Predicting the permeability of the near-bottomhole zone during wave impact. Journal of Mining Institute, 2022, vol. 258, pp. 998–1007. (In Russ.) DOI: https://doi.org/10.31897/PMI.2022.59
  27. Dorfman М.B., Sentemov А.А. Influence of reservoir properties of the bottomhole zone on acidizing efficiency. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2020, vol. 331, no. 2, pp. 124–130. (In Russ.) DOI: https://doi.org/10.18799/24131830/2020/2/2488
  28. Virstyuk А.Yu. Mikshina V.S. Application of regression analysis to evaluate the efficiency of oil well operating with the paraffin oil. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2020, vol. 331, no 1, pp. 117–124. (In Russ.) DOI: https://doi.org/10.18799/24131830/2020/1/2453
  29. Glushakov A.A., Arhipov A.I., Aafanaskin I.V. Model of well interference during waterflooding of a layered heterogeneous oil reservoir within the framework of the CRM modeling concept. Georesursy, 2024, vol. 26, no 3, pp. 162–174. (In Russ.) DOI: https://doi.org/10.18599/grs.2024.3.17
  30. Chaves G.S., Ferreira Filho V.J.M. Enhancing production monitoring: A back allocation methodology to estimate well flow rates and assist well test scheduling. Petroleum Research, 2024, vol. 9, Iss. 3, pp. 369–379. DOI: https://doi.org/10.1016/j.ptlrs.2024.03.008
  31. Rongbo S., Hua W., Lizhi X. Reservoir evaluation using petrophysics informed machine learning: A case study. Artificial Intelligence in Geosciences, 2024, vol. 5, Article 100070. DOI: https://doi.org/10.1016/j.aiig.2024.100070
  32. Nafees A., Jian C., Xiaodong F. Classification of reservoir quality using unsupervised machine learning and cluster analysis: Example from Kadanwari gas field, SE Pakistan. Geosystems and Geoenvironment, 2023, vol. 2, Iss. 1, Article 100123. DOI: https://doi.org/10.1016/j.geogeo.2022.100123

补充文件

附件文件
动作
1. JATS XML
2. Fig. 1. Dependence of the near-wellbore zone (NWBZ) permeability on productivity specific coefficient     

下载 (175KB)
3. Fig. 2. Dependence of the NWBZ permeability on the productivity specific coefficient (allocation of 3 clusters)

下载 (201KB)
4. Fig. 3. Comparison of the actual and predicted values of cluster classification in a test sample

下载 (410KB)
5. Fig. 4. Correlation field of predicted and actual values ​​of NWBZ permeability (differentiated for each cluster)

下载 (313KB)
6. Fig. 5. Distribution of initial parameters for each cluster

下载 (1MB)


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».