ML для ранжирования скважин-кандидатов на проведение ГРП
[О проекте]
Пилот был проведен для одной из крупнейших российских нефтегазовых компаний с сетью АЗС по всей России.
Компания обратилась к Napoleon IT с целью разработки системы, которая оптимизирует процесс выбора подходящих скважин-кандидатов для проведения гидравлического разрыва пласта и прогнозирует дебит нефти и жидкости на следующие 4 месяца.
Разработанная специалистами Napoleon IT система прогнозирования создает удобные дашборды с визуализацией результатов работы ML-моделей — выбором скважины и прогнозированием дебита нефти.
Разработанная специалистами Napoleon IT система прогнозирования создает удобные дашборды с визуализацией результатов работы ML-моделей — выбором скважины и прогнозированием дебита нефти.
[Результаты]
01
Разработали модели машинного обучения для прогнозирования дополнительной добычи нефти после ГРП
02
Реализовали дашборд аналитики данных и прогнозов
03
Создали модель отбраковки скважин для ГРП
[Отзыв клиента]
«Не стоит сразу бежать за инновациями, они должны настояться, но и не надо быть консерватором, чтобы не стать аутсайдером. Продукт от Napoleon IT позволил снизить трудозатраты на подбор скважин-кандидатов на ГРП на 20%. В дальнейших планах — тестировать новые гипотезы и усовершенствовать продукт».
Антон Хорн
Специалист нефтяной компании
Особенности реализации
ГРП — дорогостоящее мероприятие, которое проводится ограниченное количество раз за год. При разработке команда Napoleon IT столкнулись с малым объемом данных, поэтому для проекта мы брали сведения за последние 5 лет.
Мы заменили запрос с использованием нейросетей на решение с ML-моделями, которые оказались более удобными для точных прогнозов на малом объеме данных. На их основе нам нужно было построить прогнозную модель.
Из-за специфики данных разных месторождений мы создали несколько моделей с отличающимися гиперпараметрами. Подход AutoML был выбран для того, чтобы не подбирать параметры вручную и не переобучать модели при дополнении исторических данных.
В результате заказчик получил две модели, которые делают отдельные прогнозы дебита нефти и жидкости. Также был реализован классификатор скважин по возможности проведения на них мероприятий ГРП.
Мы заменили запрос с использованием нейросетей на решение с ML-моделями, которые оказались более удобными для точных прогнозов на малом объеме данных. На их основе нам нужно было построить прогнозную модель.
Из-за специфики данных разных месторождений мы создали несколько моделей с отличающимися гиперпараметрами. Подход AutoML был выбран для того, чтобы не подбирать параметры вручную и не переобучать модели при дополнении исторических данных.
В результате заказчик получил две модели, которые делают отдельные прогнозы дебита нефти и жидкости. Также был реализован классификатор скважин по возможности проведения на них мероприятий ГРП.
Стек технологий
[01]
Команда
[02]
Решение
Подбор скважин-кандидатов для гидроразрыва пласта — сложная задача. Специалисты вручную отбирают участки с потенциальными скважинами, анализируют необработанные данные и проводят гидродинамическое моделирование. Моделирование занимает недели, а обработка данных подвержена ошибкам из-за человеческого фактора.
Для решения задачи команда Napoleon IT разработала аналитический дашборд с использованием ML-модели для скоринга скважин-кандидатов на проведение ГРП. Мы обучили модель на исторических и геологических данных о проведенных мероприятиях — по площадям и скважинам. Модель оценили по следующим метрикам:
Для решения задачи команда Napoleon IT разработала аналитический дашборд с использованием ML-модели для скоринга скважин-кандидатов на проведение ГРП. Мы обучили модель на исторических и геологических данных о проведенных мероприятиях — по площадям и скважинам. Модель оценили по следующим метрикам:
R2
MAE
Коэффициент детерминации
Средняя абсолютная ошибка
RMSE
MAPE
Средняя абсолютная процентная ошибка
Среднеквадратичная ошибка
Как работает
система
[01]
Загрузка данных заказчика
С помощью автоматизированного пайплайна обработки данных мы можем находить аномалии.
[02]
Обучение модели
Система показывает результаты обучения. Инженер проверяет корректность метрик — можно отобразить значения по каждой скважине отдельно. Помимо метрик в дашборде отображается информация по влиянию признаков на прогноз с фильтрацией по типу признака.
[03]
Загрузка данных для интерфейса
Если система обучена корректно, загружаются те данные, на основе которых необходимо сделать прогноз. По запросу заказчика он производится
на 4 месяца вперед.
[04]
Получение результатов
Результаты применения ML-модели можно сортировать по таким показателям: дебит нефти до ГРП, дебит нефти после ГРП, величина прироста. Можно рассмотреть распределение геологических признаков, чтобы определить, что гидроразрыв пласта нельзя проводить. Все результаты отображаются в табличном представлении. На основании этих данных заказчик может выбрать только те скважины, по которым спрогнозирован наилучший прирост.
Итог
работы
[01]
Настроили и автоматизировали процессы сбора и обработки больших данных
[02]
Автоматизировали процессы подбора скважин-кандидатов на ГРП
[03]
Начали автоматически прогнозировать дебит нефти
[04]
Программы и модели машинного обучения разработали с возможностью последующей модернизации
В планы заказчика входит тест новых гипотез по подбору скважин
Проект был
реализован
за 6 месяцев
Проектирование
[2022 / 3Q]
Определение основных параметров проекта и создание плана действий
Составление технических спецификаций, проектирование моделей
Разработка
[2022 / 3Q –4Q]
Обучение моделей
Программирование, тестирование
и внедрение разрабатываемой системы
Приемка заказчиком
[2023 / 1Q]
Завершение всех этапов разработки
и проведение финальной приемки.
Заказчик проверяет выполненную работу, чтобы удостовериться, что все требования
и условия контракта были выполнены
в соответствии с заданными стандартами
[Комментарий]
«Наша задача — создавать решения на основе искусственного интеллекта, которые автоматизируют рутинные процессы, устраняют ошибки, связанные с человеческим фактором, и увеличивают эффективность бизнеса. Благодарим за доверие. Вместе мы можем менять ландшафт консервативного нефтегазового сектора, развивая инновации в отрасли».
Руслан Ахтямов
Директор по стратегии
Napoleon [IT]
Napoleon [IT]
