Применение алгоритмов машинного обучения для решения задач нефтегазовой сферы

Аннотация

В статье рассматривается жизненный цикл разработки месторождения, проводится анализ процессов этапа проектирования разработки месторождений на предмет применения методов машинного обучения. Для каждого процесса выделены актуальные задачи, существующие решения на базе методов машинного обучения, предложены идеи и задачи, которые могли бы быть эффективно решены методами машинного обучения. По основной части процессов кратко описаны примеры решений, определены преимущества и недостатки подходов. Наиболее распространенным методом решения являются нейронные сети прямого распространения. При условии предварительной нормализации входных данных это наиболее универсальный алгоритм для задач регрессии и классификации. Однако в задаче подбора скважин на гидроразрыв пласта использовался целый ансамбль моделей машинного обучения, где помимо нейронной сети были случайный лес, градиентный бустинг и линейная регрессия. Для задачи оптимизации размещения сетки нефтедобывающих скважин определены недостатки существующих решений на базе нейронной сети и простого подхода обучения с подкреплением на основе Марковского процесса принятия решений. Предложен алгоритм глубокого обучения с подкреплением Alpha Zero, который ранее показал значительные результаты в роли искусственного интеллекта для игр. Этот алгоритм представляет собой поиск по дереву решений, который направляет нейронную сеть: более глубоко рассматриваются только те ветви, которые получили наилучшие оценки от нейронной сети. В статье освещены общие черты между задачами, для которых ранее применялась Alpha Zero, и задачей оптимизации размещения сетки нефтедобывающих скважин. Сделаны выводы о возможности использования и модификации алгоритма решаемой задачи оптимизации, предложен подход учета симметричных состояний в дереве Монте-Карло для сокращения числа требуемых симуляций.