In machine learning, support-vector machines (SVM) are supervised learning models with associated learning algorithms that analyze data used for classification analysis. In this paper SVM-rank model is applied for productivity prediction of infill wells for giant Western Siberian oilfield. An essential condition for method’s application is availability of digital databases with representative results which allows adequate model training. Ranking algorithm also uses Voronoi diagram, proven as an approximation to the well drainage area. Complex method allows combine different reservoir and production parameters: productivity and water cut of surrounding wells, frac parameters etc without common reservoir dynamics model, which in this particular case is not able to clarify and confirm the parameters of the reservoir system. There is double model used: the first model utilizes productivity reservoir parameters, the second one uses capacity parameters. The rank of the first model is one of the training options for the second model, and both of them take into account all the geological and production information. The method can be particularly useful in complicated reservoirs, e.g. in dual porosity ones, where the relationship between formation parameters (permeability, porosity, saturation) and production rates is unclear and cannot be set by traditional development analysis, particularly in frac environment.
Применение алгоритмов машинного обучения, в частности метода опорных векторов, является перспективным направлением для прогноза продуктивности скважин при уплотняющем бурении (расчета рейтинга). Существенным условием применения метода является наличие обширной цифровой базы с представительными результатами, позволяющей провести обучение модели. В работе рассмотрено применение метода опорных векторов для крупного месторождения в Западной Сибири, а также предложен алгоритм для формирования списка скважин-кандидатов для бурения с последующим ранжированием по совокупности факторов, определяющих дальнейшую эффективность реализуемой системы разработки. В алгоритме ранжирования также существенным образом применяется диаграмма Вороного, хорошо зарекомендовавшая себя как приближение к зоне дренируемых запасов скважины. Методика позволяет комплексировать такие параметры, как продуктивность и обводненность продукции окружающих скважин, плотность текущих запасов, параметры проведенных гидроразрывов пласта и энергетическое состояние потенциального участка для уплотняющего бурения, не прибегая к фильтрационному моделированию, которое в данном случае не позволяет уточнить и подтвердить параметры пластовой системы. Использована двойная модель: первая модель обучается на фильтрационных параметрах пласта, вторая – на емкостных параметрах. При этом ранг первой модели является одним из обучающих параметров для второй, что и позволяет учесть практически всю геолого-промысловую информацию. Метод будет особенно перспективен в осложненных коллекторах, например в двухпоровой среде, где связь между пластовыми параметрами (проницаемость, пористость, нефтенасыщенность) и промысловыми показателями разработки традиционными методами установить затруднительно, а также при наличии техногенных трещин, в частности от гидроразрыва пластов.