A machine learning approach to forecast production performance of hydraulically fractured horizontal wells in tight oil sandstone reservoirs

Abstract

Forecasting the production performance of horizontal wells that have experienced hydraulic fracture stimulation is a significant challenge in tight oil sandstone reservoirs. These formations have very low permeability, complex geological heterogeneity, and nonlinear flow characteristics, which make modeling using traditional methods difficult and also consume large amounts of computational time. Although physics-based numerical reservoir simulation tools provide reliable predictions, it is inherently time-consuming and computing-intensive and requires significant investments of both time and computing resources, especially when several hundreds or thousands of development scenarios must be estimated for field planning or conducting a sensitivity analysis. To address these issues, the present study proposes a data-driven predictive modeling framework based on artificial neural networks that are fully trained on synthetic data produced from commercial reservoir simulation software. We sketched the workflow diagram for the input parameters that were randomly generated, considering a total of input parameters embedding key reservoir, fracture, fluid, and operating characteristics. The input parameters were used to generate reservoir models and simulate the models in the Computer Modelling Group's software environment, generating five thousand production scenarios. After an extensive data cleaning effort to remove any scenarios that did not converge or were not physically realistic, three thousand three hundred sixty-nine scenarios were sufficient for model building and evaluation. The artificial neural network was built with twenty-five input parameters and was used to forecast fifteen outputs - thirteen of the outputs were oil production rates for selected time intervals, along with two time-based indicators to delineate the end of the constant-rate period and the start of well shut-in. The model was trained on normalized data, and we evaluated it by looking at mean absolute percentage deviation as the main metric of performance. The results showed that most predictions had error rates below five percent, and several outputs had deviations less than two percent, especially later in production. Furthermore, we conducted a parameter sensitivity analysis using correlation coefficients to evaluate the input variables' influences on prediction error. We created a tornado-style figure to illustrate each parameter's relative importance to the prediction error. The analysis showed that permeability, number of fractures, and fracture width were the most influential parameters on model accuracy. This study concludes that artificial neural networks trained on simulation data can be a fast, precise, and practical alternative to traditional simulation workflows when conducting production forecasting for tight oil reservoirs, especially in late-stage development planning and scenario analysis.

Bu çalışma, geleneksel olmayan rezervuar türlerinden biri olan sıkı petrol kumtaşı rezervuarlarının üretim performansını tahmin edebilecek bir yapay sinir ağı modellemeyi amaçlamıştır. Bu amacın en temel sebeplerinden biri, son yıllarda geleneksel olmayan rezervuarlara ihtiyacın hızla artmasıdır. Sıkı petrol kumtaşı rezervuarları yüksek oranda petrol bulundurma potansiyeli açısından oldukça önemli olmasına rağmen düşük geçirgenlik ve gözenekli yapısı sebebiyle üretim açısından zorlu kaynaklardır. Bu sebeple, üretim performansını iyileştirmek için genellikle yatay kuyu ve hidrolik çatlatma yöntemleri kullanılmaktadır. Bu yöntemler oldukça masraflı ve hesaplama gerektiren işlemler olduğundan rezervuarın potansiyelini öngörebilmek ve üretim tahmini yapabilmek büyük önem taşır. Petrol mühendisleri için oldukça yaygın bir yöntem olan sayısal rezervuar simülasyonları bu işlemler için sıkça kullanılır. Fakat, özellikle sıkı petrol kumtaşı rezervuarları gibi karmaşık bir yapıya sahip, düşük geçirgenlik ve gözenekliliğe sahip formasyonlarda simülasyon çok zahmetli, zaman alıcı ve masraflı olabilir. Özellikle de çok sayıda senaryonun test edilmesi gereken durumlarda, bu sorun daha belirgin hale gelir. Bu sebeple, bu tip rezervuarlarda hidrolik olarak çatlatılmış yatay kuyuların üretim performansını tahmin edebilen bir yapay sinir ağı modellemeyi hedefledik. İlk olarak, detaylı bir iş akışı planı tasarlanmıştır ve şu adımlar takip edilmiştir: Model için girdi parametreleri belirlenmiş ve bu parametreler için literatür taraması yoluyla minimum ve maksimum sınırlar belirlenmiştir. Daha sonra sayısal hesaplama yazılımı aracılığı ile yirmi beş adet girdi parametresi için belirlenen sınırlar arasında beş biner adet rastgele değer atanmıştır. Sonrasında, bu veriler ile ticari bir simülatör formatına uygun beş bin senaryo oluşturulmuş ve çalıştırılmıştır. Yazılım uygulaması kullanarak bu senaryoların sonuç dosyalarından zaman, debi ve kümülatif üretim verileri gibi kritik veriler çekilerek metin dosyalarına saklanmıştır. Senaryo sonuçları detaylıca incelendikten sonra sorunlu senaryolar (fiziksel tutarsızlık, veri eksikliği, çok kısa veya çok uzun süre üretim gözlenen senaryolar) veri setinden çıkarılmıştır. Kalan üç bin üç yüz altmış dokuz senaryo modelin eğitimi ve testi için kullanılmıştır. Modelin eğitiminde geri yayılım algoritması kullanılmıştır ve eğitim, doğrulama, test alt kümelerine ayırılmıştır. Bu sayede aşırı öğrenme engellenmiştir. Modelin doğruluğu ortalama mutlak yüzde hata oranı ile ölçülmüş ve simülasyon verileri ile karşılaştırılarak incelenmiştir. Oluşturulan model yirmi beş girdi parametresi kullanırken, on beş adet çıktıyı tahmin etmektedir. Girdiler; çatlak sayısı, yatay kuyu uzunluğu, rezervuarın x yönündeki uzunluğu, çatlak uzunluğu, rezervuarın y yönündeki uzunluğu, rezervuar kalınlığı, geçirgenlik, gözeneklilik, başlangıç sıcaklığı, başlangıç basıncı, çatlak kalınlığı, çatlak geçirgenliği, gaz özgül ağırlığı, API gravitesi, çözelti gaz-petrol oranı, belirlenmiş petrol debisi, minimum petrol debisi, petrol doygunluğu, su doygunluğu, indirgenemez su doygunluğu, artık petrol doygunluğu ve Corey katsayısı parametrelerinden oluşmaktadır. Çıktılar; sabit üretimin sonlandığı an, üretimin durmasına karar veren minimum petrol debisine ulaşılan an ve iki zaman verisinin arasındaki birbirine eşit uzaklıktaki on üç adet zaman verisine karşılık gelen petrol üretim debisinden oluşmaktadır. Girdi ve çıktı verileri eğitimden önce normalize edilerek model kararlılığı güçlendirilmiştir. Elde edilen sonuçlara göre modelin özellikle bazı çıktı verileri için oldukça başarılı olduğu söylenebilir. Test denemeleri sonucunda tüm çıktıların ortalama hata oranının yüzde altı ile sekiz arasında olduğu gözlemlenmiştir. Üretimin sonlarına doğru, hata oranlarının yüzde bir civarlarına kadar düştüğü gözlemlenmiştir. Hata oranının en yüksek olduğu veri genellikle sabit üretimin sonlandığı ilk zaman verisi olmuştur. Bunun sebebi, üretimin ani değişim gösterdiği geçiş bölgesi olmasından kaynaklanması olarak yorumlanmıştır. Ancak, bu sapmanın, modelin genel doğruluğu üzerinde çok büyük bir etkisi olmadığı gözlemlenmiştir. Rastgele seçilen ve detaylı incelenen senaryoların neredeyse hepsinde yüzde ikinin altında hata oranları gözlemlenmiştir. Üstelik, modelin, geleneksel simülasyon yöntemine göre çok daha hızlı sonuç vermesi ve kabul edilebilir oranlarda sapmaları olması en büyük avantajlarındandır. Bu nedenle rezervuar mühendisliği alanında hızlı ve güvenilir bir alternatif karar destekleyici olma yolunda yüksek potansiyele sahiptir. Modelin iyileştirilebilirliği açısından oldukça önemli olan duyarlılık analizi yapılmıştır. Bu analiz sayesinde hangi parametrelerin model için daha kritik olduğu gözlemlenebildi. Her bir parametrenin, hata oranları ile arasındaki ilişkiyi anlayabilmek için Pearson korelasyonu kullanıldı ve ilgili ilişkiler tornado grafiğine aktarıldı. Bu analizin sonucunda; geçirgenlik, çatlak sayısı ve genişliği gibi parametrelerin artık yağ doygunluğu, gazın özgül ağırlığı ve Corey katsayılarına göre model doğruluğu açısından çok daha etkili olduğu görülmüştür. Bu sonuçlar, modelin rezervuar ve çatlak özelliklerini daha iyi öğrenebildiğini ve bu alanlarda daha az hata oranları ürettiğini gösterdi. Bu çalışma, petrol mühendisleri için, karmaşık yapılara sahip ve geleneksel yollar ile analizi zor olan rezervuarlarda hızlı ve güvenilir bir alternatif olarak tasarlanmıştır. Sonuçlar, modelin yüksek doğrulukta ve çok kısa sürelerde üretim tahminleri yapabildiğini ortaya koymuştur. Çalışma, simülatör karşılaştırmaları ve duyarlılık analizleri ile güçlendirilmiş ve sektöre katkısının artırılması hedeflenmiştir. Sonuç olarak, mevcut çalışma, yapay sinir ağlarının, büyük örneklem büyüklüğü, çeşitlilik ve fiziksel tutarlılık ile karakterize edilen sentetik bir veri seti üzerinde eğitildiğinde sayısal rezervuar simülatörlerinin davranışını makul bir şekilde kopyalayabildiğini göstermektedir. Geliştirilen metodoloji, kabul edilebilir doğruluk seviyelerini korurken maliyetleri önemli ölçüde azalttı; bu nedenle hassasiyet çalışmalarının yürütülmesi, senaryoların taranması ve geliştirme sürecinin erken aşamalarında planlama yapılması özellikle uygundur. Ayrıca bu çalışma için geliştirilen yapılandırılmış iş akışı ve modüler kod, diğer rezervuar türleri ve modelleme hedefleri için referans görevi görebilir. Gelecek çalışmaların, saha verilerinin modele entegre edilmesi, alternatif sinir ağı yapılarının denenmesi ve daha karmaşık geometriler içeren senaryolara uygulanması yönünde ilerlemesi önerilmektedir. Model, eğitimin bir parçası olarak saha verileri kullanılarak iyileştirilebilir ve belki de operasyonel gerçekçilik için sentetik verileri saha münhasırlığı için saha verileriyle birlikte kullanan bir hibrit yaklaşım kullanılabilir. Dahası, daha gelişmiş makine öğrenimi mimarileri (örneğin, tekrarlayan veya evrişimli), zamansal dinamikleri veya rezervuarla mekansal değişkenliği yakalamada daha etkili olabilir. Ek olarak, gelecekteki çalışmalar, model yapısını düzene sokacak olan tornado grafiği aracılığıyla en düşük etkili giriş parametrelerini hariç tutma seçeneğini araştırabilir. Bu, potansiyel maliyet ve zaman tasarrufu sağlayacaktır.