|сгенерировать QR код
Открытый доступ
Только для подписчиков
Кластеризация как инструмент поиска объектованалогов при разработке проектной документации нефтяных месторождений
https://doi.org/10.34020/2073-6495-2025-1-043-060
Аннотация
В статье рассматривается применение кластеризации по методу k-средних для поиска объектов-аналогов при разработке объектов нефтяных месторождений и проектной документации. Исследование основано на анализе данных 1490 объектов разработки, расположенных в различных регионах России, учитывающем как статические, так и динамические параметры, включая количество пересмотров проектно-технической документации. Этот подход позволяет оценить влияние характеристик объектов на частоту пересмотра проектной документации и эффективность разработки. Выявленные закономерности могут служить основой для оптимизации процессов управления проектной документацией, что, в свою очередь, способствует повышению экономической эффективности разработки. Исследование направлено на углубление понимания взаимосвязей между характеристиками объектов и частотой пересмотров проектно-технической документации, что имеет важное значение при проектировании и управлении объектами разработки углеводородов.
Об авторах
И. В. Макаров
Уфимский университет науки и технологий
Россия
Россия
Макаров Иван Владимирович – аспирант, кафедра статистики и бизнес-информатики
Уфа
В. Б. Прудников
Уфимский университет науки и технологий
Россия
Россия
Прудников Вадим Борисович – кандидат технических наук, доцент, кафедра статистики и бизнес-информатики, заместитель заведующего, Лаборатория исследования социально-экономических процессов
Уфа
Список литературы
1. Безбородов А.К., Деева И.Ю. Алгоритм поиска месторождений-аналогов на основе методов машинного обучения // Альманах научных работ молодых ученых Университета ИТМО. СПб.: НИУ ИТМО, 2021. С. 1–6.
2. Безбородов А.К., Деева И.Ю. Поиск месторождений-аналогов на основе кластеризации байесовских сетей // Изв. вузов. Приборостроение. 2022. Т. 65, № 1. С. 64–72. DOI: 10.17586/0021-3454-2022-65-1-64-72.
3. Вологин И.С., Исламов Р.Р., Нигматуллин Ф.Н., Харисова А.В., Лознюк О.А. Методика выбора объекта-аналога для нефтегазовой залежи по геолого-физическим характеристикам // Нефтяное хозяйство. 2019. № 12. С. 124–127. DOI: 10.24887/0028-2448-2019-12-124-127. EDN: NRPKVE.
4. Исламов Р.Р., Абдрахманова Э.К., Ялаев А.В., Нигматуллин Ф.Н., Муслимов Б.Ш., Харисова А.В. Новая методика аналитического экспресс-расчета основных показателей разработки неразрабатываемых нефтегазовых залежей для проведения многовариантных расчетов с целью комплексной оптимизации проектных решений // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. 2023. Вып. 3 (143). С. 48–60. URL: http://doi.10.17122/ntj-oil-2023-3-48-60.
5. Мухаметшин В.Ш., Хакимзянов И.Н., Бахтизин Р.Н., Кулешова Л.С. Дифференциация и группирование сложнопостроенных залежей нефти в карбонатных коллекторах в решении задач управления разработкой // Нефтяное хозяйство. 2021. № 5. С. 58–64.
6. Орлова И.О., Захарченко Е.И., Скиба Н.К. Методический подход к классификации месторождений и поиску месторождений-аналогов // Геология, геофизика и разработка нефтяных и газовых месторождений. 2014. № 12. С. 16–18.
7. Официальный сайт ПАО НК «Роснефть». Операционная структура. URL: https://udmurtneft.rosneft.ru/about/Glance/OperationalStructure (дата обращения: 09.10.2024).
8. Перминов Д.Е., Валеев С.В. Кластерный анализ с использованием элементов нечеткой логики с целью автоматического поиска скважин-кандидатов для проведения геолого-технических мероприятий // Научно-технический вестник ОАО «НК «Роснефть». 2019. № 12. С. 1–7.
9. Поднебесных A.В., Хафизов А.Р. Методика экспресс-оценки выбора объекта-аналога для залежей углеводородного сырья на основе их геологических признаков // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. 2019. № 3. С. 9–18.
10. Правила подготовки технических проектов разработки месторождений углеводородного сырья, утвержденные приказом Минприроды России от 20.09.2019 № 639, в ред. приказов Минприроды России от 07.08.2020 № 570, от 06.10.2020 № 772 // Официальный сайт Министерства природных ресурсов и экологии Российской Федерации. URL: http://www.mnr.gov.ru (дата обращения: 20.10.2024).
11. Ронжин А.А. Проектная документация при разработке нефтегазоконденсатных месторождений // Молодой ученый. 2020. № 17 (307). С. 413–415.
12. Росляк А.Т., Санду С.Ф. Разработка и эксплуатация нефтяных и газовых месторождений: учебное пособие / Томский политехнический университет. Томск: Издательство Томского политехнического университета, 2013.
13. Солодов И.С., Шакшин В.П., Колесников В.А., Хамитов И.Г., Устинов А.С. Статистические подходы к выявлению месторождений-аналогов Самарской области // Нефтяное хозяйство. 2011. № 6. С. 30–33.
14. About K-Means vs Hierarchical Clustering Methods for Data Segmentation. URL: https://dataheadhunters.com/academy/k-means-vs-hierarchical-clustering-methods-for-data-segmentation/ (дата обращения: 19.09.2024).
15. Elkan C. “Using the triangle inequality to accelerate k-means”, ICML 2003 Conference Proceedings, p. 147–153, 2003.
16. Clustering. URL: https://r.qcbs.ca/workshop09/book-en/clustering.html (дата обращения: 13.10.2024).
17. Da Gama e Silva R. et al. Sensitivity analysis in a machine learning methodology for reservoir analogues. Rio Oil & Gas Expo and Conf., Rio de Janeiro, Brazil, 24–27 Sept. 2018. P. 1–9.
18. Neves L., Ferreira C., Vesely F. Facies, petrophysical and geochemical properties of gravity-flow deposits in reservoir analogs from the Itararé Group (late Carboniferous), Paraná Basin, Brazil. Marine and Petroleum Geology. 2019. Vol. 110. P. 717–736. DOI: 10.1016/j.marpetgeo.2019.07.038.
19. Olivo M. et al. Characterizing scales of sedimentary heterogeneity in a fluvial–estuarine reservoir analog: An example from the Mulichinco Formation, Neuquén Basin, Argentina. Marine and Petroleum Geology. 2020. Vol. 121. DOI: 10.1016/j.marpetgeo.2020.104604.
20. Popova O. Analogy in the World of Geological Uncertainties, or How Reservoir Analogs May Refine Your Probabilistic Geomodel. SPE Annual Caspian Techn. Conf. and Exhibition, Astana, Kazakhstan, 31 Oct. – 1 Nov. 2018. P. 1–13. DOI: 10.2118/192551-MS.
21. Ren Z., Sun L., Zhai Q. Improved k-means and spectral matching for hyperspectral mineral mapping. Intern. Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 91. P. 1–12. DOI: 10.1016/j.jag.2020.102154.
22. Rodriguez H.M. et al. New Approach to Identify Analogue Reservoirs. SPE Economics and Management, New Orleans, Louisiana, USA, 30 Sept. – 2 Oct. 2013. P. 1–17. DOI: 10.2118/166449-MS.
23. Sun S.Q., Wan J.C. Geological analogs usage rates high in global survey. Oil & Gas Journal. 2002. Vol. 100, iss. 46, P. 49–50.
24. Voskresenskiy A. et al. Variations in ranked list of reservoir analogs as an effect of search preferences. Geosciences: Converting Knowledge into Resources, Saint-Petersburg, Russia, 6–9 Apr. 2018. P. 1–5. (Conf. Proc.). DOI: 10.3997/2214-4609.202053163.
Рецензия
Для цитирования:
Макаров И.В., Прудников В.Б. Кластеризация как инструмент поиска объектованалогов при разработке проектной документации нефтяных месторождений. Вестник НГУЭУ. 2025;(1):43-60. https://doi.org/10.34020/2073-6495-2025-1-043-060
For citation:
Makarov I.V., Prudnikov V.B. Clustering as a tool for searching for analog objects in the development of oil field design documentation. Vestnik NSUEM. 2025;(1):43-60. (In Russ.) https://doi.org/10.34020/2073-6495-2025-1-043-060
Послать статью по эл. почте 
