9, Институтский пер., г. Долгопрудный 141701
9, Institutskiy Per., Dolgoprudny, Moscow Region 141701
Оценка фазового состава флюида в скважине на основе анализа частот радиальных резонансных мод, возбуждаемых акустическим шумом в зоне притока, является перспективным методом интерпретации результатов пассивной шумометрии. Машинное обучение позволяет учитывать многие факторы, влияющие на спектр измеряемого сигнала, выделяя из них именно те, которые связаны с изменением фазового состава. Для построения наилучшей модели в работе рассмотрены такие подходы машинного обучения, как линейная регрессия с различными вариантами регуляризации, байесовская регрессия, нейронная сеть, методы опорных векторов, решающего дерева, случайного леса и градиентного бустинга. Наборы данных для обучения и тестирования алгоритма получены на основе рассчитанных по двумерной математической модели сценариев с различными значениями параметров пласта и соотношения объемных долей флюидов, заполняющих скважину. Проверено влияние на точность оценки фазового состава различных факторов, в числе которых наличие корпуса акустического прибора, посторонний шум в сигнале и формы спектра сигнала. Показано, что при отсутствии искажений данных можно построить модели, обеспечивающие абсолютную ошибку в оценке фазового состава порядка 1% после зоны притока флюида и порядка 5% в зоне до притока.
Assessing the phase composition of the fluid in a well based analysis of the frequencies of the radial resonance modes excited by acoustic noise in the inflow zone is a promising method for interpreting the results of passive noise metering. Machine learning makes it possible to take into account many factors affecting the spectrum of the measured signal, extracting from them exactly those factors associated with a change in phase composition. In order to build the best model, machine learning approaches such as linear regression with different variants of regularisation, Bayesian regression, neural net, methods of supporting vectors, decision tree, random forest and gradient boosting are considered. Data sets for training and testing the algorithm were obtained on the basis of scenarios calculated using a two-dimensional mathematical model with the different values of the bed parameters and ratio of volume fractions of the well filling fluids. The effect on the assessment accuracy of the phase composition of various factors, including the presence of acoustic device housing, the foreign noise in the signal and the shape of the signal spectrum, was checked. It is shown that in the absence of data distortion, it is possible to build models that provide an absolute error in the assessment of the phase composition about 1% after the zone of fluid inflow and about 5% in the zone before the inflow.
The authors declare that there are no conflicts of interest present.