Resumen

La tecnología de fracturación de pozos horizontales se utiliza ampliamente en yacimientos no convencionales, como los de petróleo y gas de esquisto o de baja permeabilidad. Mientras tanto, el potencial de los métodos de recuperación mejorada de petróleo (EOR), incluida la inyección de gas miscible huff-n-puff, se utiliza para aumentar aún más la recuperación de petróleo en yacimientos no convencionales. Las complejidades de las propiedades de las fracturas hidráulicas y el flujo multifásico hacen que sea difícil y que lleve mucho tiempo comprender el rendimiento del pozo (es decir, la producción del pozo) en los yacimientos de esquisto fracturados, especialmente cuando se utilizan métodos numéricos convencionales. Por lo tanto, en este trabajo se desarrollan dos métodos para salvar esta brecha utilizando la técnica de aprendizaje automático para predecir el rendimiento de la producción de los pozos en yacimientos no convencionales, especialmente en los proyectos piloto de EOR. El primer método es la red neuronal artificial, a través de la cual podemos analizar los grandes datos de los yacimientos no convencionales para entender los patrones y relaciones subyacentes. Se incluye un conjunto de factores como los parámetros de fractura hidráulica, la terminación del pozo y los datos de producción. A continuación, se realiza una selección de características para determinar los factores clave. Por último, se utiliza la red neuronal artificial para determinar la relación entre los factores clave y el rendimiento de la producción del pozo. El segundo es el análisis de series temporales. Dado que las propiedades del yacimiento no convencional son función del tiempo, como las propiedades de los fluidos y la presión del yacimiento, es muy adecuado aplicar el análisis de series temporales para comprender el rendimiento de la producción del pozo. Los datos de entrenamiento y de prueba proceden de más de 10.000 pozos de diferentes yacimientos de esquisto fracturados, como Bakken, Eagle Ford y Barnett. Los resultados demuestran que hay una buena correspondencia entre los datos de rendimiento de pozos disponibles y los predichos. Los valores R globales de la red neuronal artificial y del análisis de series temporales son ambos superiores a 0,8, lo que indica que ambos métodos pueden proporcionar resultados fiables para la predicción del rendimiento de los pozos en yacimientos de esquisto fracturados. Especialmente, cuando se trata de casos de yacimientos EOR, como la inyección de gas miscible huff-n-puff, el análisis de series temporales puede proporcionar resultados más precisos que la red neuronal artificial. Este artículo presenta un análisis exhaustivo de la viabilidad del aprendizaje automático en yacimientos de esquisto con fracturas múltiples. En lugar de utilizar los métodos numéricos que consumen mucho tiempo, también proporciona una forma más robusta y una referencia significativa para la evaluación del rendimiento del pozo.

• Materias:Dióxido de carbono Perforación de pozos de minas Yacimientos minerales Minería Minas y minería Geofluidos
• Subjects:Carbon dioxide Shaft sinking Mineral deposits Mining Mines and mining Geofluids
• Palabras claves:yacimiento de esquisto fracturado, análisis de series temporales, red neuronal artificial, yacimiento no convencional, inyección de gas miscible, rendimiento de la producción del pozo, rendimiento del pozo, factores clave, conjunto de factores, técnicas de aprendizaje automático
• Keywords:fractured shale reservoir, time series analysis, artificial neural network, unconventional reservoir, miscible gas injection, well production performance, well performance, key factors, bunch of factors, machine learning techniques