«Программа для прогнозирования продуктивности нефтегазовых месторождений на основе технологий машинного обучения»

Программный продукт предназначен для прогнозирования коэффициента извлечения углеводорода. Это имеет решающее значение для нефтегазовой отрасли, поскольку оно напрямую влияет на прибыль компании. Однако современные подходы к прогнозированию РФ являются сложными и требуют больших вычислительных затрат. Применяемая модель прогнозирования продуктивности скважины построена на математическом аппарате технологий машинного обучения. В качестве входных данных модели продуктивности нефтегазовой скважины рассматриваются следующие параметры: • Tectonic regime (Тектонический режим) – представляет собой доминирующий тип процессов, которые контролируют структуру и свойства пластов, и их динамическую эволюцию; • Lithology (Литология) – это описание физических характеристик породы, которые включают минеральный состав, цвет, текстуру, размер частиц; • Structural setting (Структурная установка) – описывает историю деформаций горных пород; • Gross (Общая толщина) – это общая вертикальная толщина пласта; • Net pay (Чистая продуктивность) – вертикальная толщина пласта, которая, как считается, имеет достаточную пористость для удержания углеводородов; • Porosity (Пористость) – это мера пространства в породе, которое обычно заполнено водой, нефтью или газом. Она выражается как доля объема пустот от общего объема; • Permeability (Проницаемость) –это свойство горных пород, которое относится к их способности переносить жидкости. • Depth (Глубина) – это истинная вертикальная глубина залегания верхней части пласта, измеряемая в метрах под втулкой Келли; • Oil density (Плотность нефти) – это отношение массы масла к его объему. Выходным прогнозируемым параметром является коэффициент извлечения углеводорода. Решение задачи построено на методах регрессионного анализа. Для обучения модели использован датасет с данными более 300 реальных природных резервуаров углеводородов. Обученная модель представлена в проекте в формате joblib. Для программной реализации модели использован язык программирования Python и библиотеки машинного обучения Pandas и Sklearn. Пользовательский интерфейс разработан с использование библиотек PySide6. При использовании программы, входные данные вводятся пользователем средствами интерфейса. Основной результат работы программы – прогнозируемый коэффициента извлечения углеводород, отображается на экране.