Ölproduktionsvorhersage mittels Data Science

Der Abschnitt beschreibt die Schwierigkeiten bei der Gewinnung von Erdöl und Erdgas aus unkonventionellen Reservoiren. Im Gegensatz zu konventionellen Lagerstätten weisen diese extrem niedrige Permeabilitäten (meist unter 1 Millidarcy) und eine geringe bis moderate Porosität auf. Manche Reservoire enthalten zudem hochviskoses Öl. Die Förderung gestaltet sich daher deutlich komplexer und erfordert spezielle Techniken. Für Formationen mit geringer Permeabilität, wie Tight Oil, Tight Gas, Gas Shales und Coalbed Methan, hat sich die Kombination aus horizontalen Bohrungen und mehrstufigem hydraulischen Fracturing als wirtschaftlichste Methode erwiesen. Bei Reservoiren mit hochviskosem oder schwerem Öl wird Wärme eingesetzt. Die Gewinnung aus Gas Hydrat-Reservoiren stellt hingegen weiterhin eine große Herausforderung dar, für die neue Techniken evaluiert werden. Die steigende Nachfrage nach Öl und Gas und der Rückgang der Produktion aus konventionellen Quellen führen zu einer erhöhten Bedeutung der unkonventionellen Förderung, insbesondere von Shale Gas und Shale Oil.

Das Permian Becken in West-Texas wird als Beispiel für eine hochproduktive Region für Shale Gas und Shale Öl hervorgehoben. Die Fortschritte in der hydraulischen Fracturing Technologie haben in den letzten zehn Jahren zu einem erheblichen Produktionsanstieg geführt. Das Becken wird voraussichtlich weiter wachsen, und die zunehmende Anzahl neu gebohrter Bohrlöcher führt zu einer steigenden Datenmenge und -qualität. Diese Daten bieten die Möglichkeit, die Beziehungen zwischen verschiedenen Parametern (Bohrlochgestaltung, Formationseigenschaften, Fracturing-Verfahren) und der Öl- und Gasproduktion zu untersuchen und somit die Well Productivity zu optimieren. Die Datenbasis ermöglicht die Anwendung von Datenanalysemethoden und Machine-Learning-Algorithmen zur Vorhersage zukünftiger Produktionsmengen.

Der Abschnitt beleuchtet das globale Potenzial an Shale-Gas und Shale-Öl-Reserven. Die U.S. Energy Information Administration (EIA) schätzt die technisch förderbaren Reserven (TRR) weltweit auf 345 Milliarden Barrel Shale Öl und 7.299 Billionen Kubikfuß Shale Gas. In den USA machen Shale-Reserven 9% der gesamten Ölreserven und 32% der Gasreserven aus. Wichtige Länder außerhalb der USA mit erheblichen förderbaren Shale-Öl-Reserven sind Russland, China, Argentinien, Libyen und Venezuela. Bei den Shale-Gas-Reserven sind China, Argentinien, Algerien und Kanada besonders hervorzuheben. Insgesamt repräsentieren Shale-Reserven weltweit 10% der förderbaren Ölreserven und 32% der förderbaren Gasreserven. Der rapide Anstieg der Shale-Produktion ist eng mit dem vermehrten Einsatz von hydraulischem Fracturing verbunden, wobei in den USA im Jahr 2016 95% der neuen Bohrlöcher hydraulisch gefract wurden. Die hohen Kosten für hydraulisches Fracturing sind an den Ölpreis gekoppelt. Die Kombination von horizontalen Bohrungen und hydraulischem Fracturing hat die Rentabilität der Shale-Produktion deutlich gesteigert.

Das hydraulische Fracturing (Fracking) ist ein Verfahren zur Steigerung der Öl- und Gasproduktion aus unkonventionellen Reservoiren mit geringer Permeabilität. Es besteht im Einpumpen von Flüssigkeit unter hohem Druck in den Bohrstrang, wodurch sich das Gestein spaltet und Risse (Fracturen) entstehen. Diese Fracturen erhöhen die Durchlässigkeit des Gesteins und ermöglichen die effiziente Förderung von Erdöl und Erdgas. Der Prozess wird typischerweise in horizontalen Bohrlöchern durchgeführt, was die Effizienz deutlich steigert. Die Anzahl der Fracking-Stufen ist ein wichtiger Parameter und beeinflusst die Gesamtproduktion. Die Kombination aus horizontalen Bohrungen und hydraulischem Fracturing war eine der Hauptursachen für die Rentabilität der Shale-Produktion. Die Kombination aus Multi-fractured Horizontal Wells und dem Verfahren ist besonders effektiv.

Die Wahl des Fracturing Fluids und des Proppants sind entscheidende Faktoren für den Erfolg des hydraulischen Fracturings. Das Fracturing Fluid, zunächst ohne Proppant (Pad), wird mit hohem Druck in die Formation gepumpt. Sobald die Risse ausreichend weit sind, wird der Proppant hinzugefügt, um die entstandenen Fracturen offen zu halten und die Durchlässigkeit zu gewährleisten. Die Eigenschaften des Fracturing Fluids, insbesondere die Viskosität und Dichte (z.B. ca. 8.4 pounds per gallon für wasserbasierte Flüssigkeiten), sind entscheidend für die Rissgeometrie und den Transport des Proppants. Die optimale Viskosität des Fracturing Fluids muss sorgfältig bestimmt werden. Neben wasserbasierten Flüssigkeiten kommen auch ölbasierte Flüssigkeiten oder Schäume zum Einsatz (z.B. Water Frac, Linear Gel, Cross-linked Gels, Oil-based Fluids, Foams/Poly-Emulsions). Die Zusammensetzung des Fluids kann diverse Additive wie Biozide, Brecher, Clay Stabilisatoren, und Fluid Loss Additive beinhalten (siehe Tabelle 3 im Originaldokument).

Der Proppant, meist Sand, dient dazu, die erzeugten Fracturen offen zu halten, nachdem der Druck abgebaut wurde. Die Größe des Proppants (Proppant Mesh Size) ist ein wichtiger Designparameter und beeinflusst die Länge und Leitfähigkeit der gestützten Fracturen. Kleinere Proppant-Partikel dringen weiter in die Fractur ein und verlängern somit die gestützte Länge. Allerdings führt die geringere Partikelgröße auch zu einer niedrigeren Fractur-Leitfähigkeit. Die optimale Proppant-Größe muss daher sorgfältig ausgewählt werden, um ein Gleichgewicht zwischen gestützter Länge und Leitfähigkeit zu finden. Es ist zu beachten, dass der Proppant nicht die gesamte Länge der erzeugten Fractur ausfüllt; ungestützte Bereiche schließen sich mit der Zeit wieder und verlieren ihre Leitfähigkeit. Die Auswahl des richtigen Proppant-Typs ist ebenso wichtig, um die langfristige Effektivität des hydraulischen Fracturings sicherzustellen. Die Proppant-Auswahl ist ein entscheidender Faktor für die Wirtschaftlichkeit des gesamten Prozesses.

Die Studie verwendet einen Datensatz aus mehreren Multi-fractured Horizontal Wells im Permian Becken in West-Texas. Dieser enthält Informationen zu den hydraulischen Fracking-Stufen, relevanten Bohrlochdaten und der kumulierten Öl- und Gasproduktion. Ziel ist die Vorhersage der Produktion von Ziel-Bohrlöchern mit unterschiedlichen Attributen mittels Machine-Learning-Techniken. Die Daten stammen öffentlich zugänglich von der Texas Railroad Commission. Die Analyse wird mit Python durchgeführt, wobei das Package Pandas für die Datenverarbeitung und -analyse genutzt wird. Die Datenaufbereitung beinhaltet das Auffüllen fehlender Werte (z.B. mittels Mittelwert) und die Transformation von Daten (One-Hot Encoding für kategoriale Variablen, Standardisierung für numerische Variablen). Das Permian Becken umfasst eine Fläche von ca. 250 x 300 Meilen und besteht aus über 7000 Feldern. Die Bohrlöcher in dieser Studie fördern aus der Wolfcamp Formation. Die Daten enthalten Längen- und Breitengrade der Bohrlöcher, um diese mittels Python's Folium Library zu visualisieren.

Vor der Modellerstellung erfolgt eine explorative Datenanalyse (EDA), um den Einfluss verschiedener Attribute auf die Öl- und Gasproduktion zu untersuchen. Dies beinhaltet die Analyse fehlender Daten, die Transformation der Datensätze für die Verwendung in Machine-Learning-Algorithmen und die Untersuchung des Zusammenhangs zwischen kontinuierlichen Variablen. Boxplots werden eingesetzt, um den Einfluss kategorialer Variablen (z.B. Fracturing Fluid-Typ) auf quantitative Variablen (Öl- und Gasproduktion) zu visualisieren. Die Korrelationsanalyse identifiziert wichtige numerische Attribute, die mit der Produktion korrelieren (z.B. Nettoproduktionstage, verwendete Proppantmasse). Es werden neue Attribute, wie die Gesamtzahl der Tage und Stufen der Fracking-Arbeiten pro Bohrloch, erstellt, um die Vorhersagegenauigkeit zu verbessern. Die Skalierung numerischer Features erfolgt mittels Standardisierung, um den Einfluss von Ausreißern zu minimieren.

Es werden verschiedene Regressionsmodelle (Lineare Regression, Entscheidungsbaum-Regression, Random Forest Regression, Support Vector Machine Regression) erstellt, um die kumulierte Öl- und Gasproduktion vorherzusagen. Die Modelle werden mit Kreuzvalidierung (z.B. 5-fold Cross Validation) optimiert und anhand von Metriken wie RMSE (Root Mean Squared Error) und MAE (Mean Absolute Error) bewertet. Die Feature Importance wird mittels sequentieller Merkmalsauswahl (SFS, SBE) und der Feature Importance des Random Forest Algorithmus bestimmt. Die Analyse zeigt, dass die Gesamtzahl der Produktionstage ('TOTAL_DAYS') ein besonders wichtiger Prädiktor ist. Wichtige kategoriale Merkmale sind verschiedene Fracturing Fluid-Typen (z.B. 'Slickwater', 'Hybrid'), während numerische Merkmale wie 'WELL_LATITUDE', 'MIN_STP', 'PROPPANT_MASS_USED' und 'NET_PROD_DAYS' ebenfalls einen starken Einfluss aufweisen. Diese Erkenntnisse dienen zur Optimierung von Fracking-Parametern zur Verbesserung der zukünftigen Öl- und Gasproduktion.

Die Studie evaluiert verschiedene Machine-Learning-Regressionsmodelle zur Vorhersage der kumulierten Öl- und Gasproduktion im Permian Becken. Es wurden vier Modelle eingesetzt: Lineare Regression, Entscheidungsbaum-Regression, Random Forest Regression und Support Vector Machine Regression. Die komplexeren Modelle wurden mit Kreuzvalidierung (Cross-Validation) feinabgestimmt, um die beste Modellperformance zu erreichen. Die Modelle wurden auf einem Trainingsdatensatz trainiert und auf einem separaten Testdatensatz validiert, um die Generalisierbarkeit und die Vermeidung von Overfitting zu gewährleisten. Die Bewertung der Modelle erfolgte anhand von Metriken wie RMSE (Root Mean Squared Error) und MAE (Mean Absolute Error). Der Vergleich der Modell-Performance erlaubt die Auswahl des besten Modells für die Vorhersage der Öl- und Gasproduktion.

Ein wichtiger Aspekt der Studie ist die Identifizierung der wichtigsten Einflussfaktoren auf die Öl- und Gasproduktion. Hierzu wurden verschiedene Methoden eingesetzt: Korrelationsanalyse, sequentielle Merkmalsauswahl (Sequential Forward Selection, SFS und Sequential Backward Elimination, SBE) und die Feature Importance des Random Forest Algorithmus. Die Analyse zeigte, dass die Gesamtzahl der Produktionstage ('TOTAL_DAYS'), ein neu hinzugefügtes Attribut, für alle Methoden zu den wichtigsten Prädiktoren gehört. Der Fracturing Fluid-Typ 'Slickwater' erwies sich als besonders wichtiges kategoriales Merkmal. Weitere wichtige numerische Attribute sind die Proppantmasse, die Bohrlochlänge, die minimale Tiefenstufe (MIN_STP), sowie die geografische Lage (Breitengrad und Längengrad). Die Ergebnisse der Feature Importance Analyse helfen, die Fracking-Parameter für zukünftige Projekte zu optimieren und die Öl- und Gasproduktion zu maximieren. Die Analyse unterstreicht die Bedeutung der Datenaufbereitung und der Merkmalsauswahl für die Genauigkeit der Vorhersagen.

Die Studie zeigt, dass Machine-Learning-Techniken erfolgreich zur Vorhersage der Öl- und Gasproduktion in unkonventionellen Reservoiren eingesetzt werden können. Die Datenaufbereitung und -analyse, einschließlich der Erstellung neuer Attribute und der Merkmalsauswahl, waren entscheidend für den Erfolg der Modellerstellung. Die identifizierten Schlüsselparameter, wie die Gesamtzahl der Produktionstage und der Fracturing Fluid-Typ, geben wichtige Hinweise für die Optimierung des hydraulischen Fracturings. Die Ergebnisse bieten die Grundlage für eine verbesserte Planung und Entscheidungsfindung bei zukünftigen Öl- und Gasprojekten im Permian Becken und in anderen Regionen mit unkonventionellen Reservoiren. Zukünftige Forschungsarbeiten könnten sich auf die Erweiterung des Datensatzes, die Erforschung weiterer Machine-Learning-Modelle und die Berücksichtigung zusätzlicher Einflussfaktoren konzentrieren.