Основная цель работы – разработка алгоритма нейронной сети для аппроксимации фактических данных и оптимизации работы нагнетательных скважин. Рассматриваются как традиционные, так и современные методы моделирования, включая статистические подходы и нейросетевые технологии, обеспечивая высокую точность прогнозирования и адаптацию к историческим данным. Работа включает в себя разработку алгоритмов для прогнозирования добычи нефти от различных уровней закачки воды. Приводятся результаты тестирования на реальных данных, а также результаты использования разработанного программного комплекса "РН-АвтоБаланс", который уже применяется в практической деятельности для автоматизации процесса определения оптимальных режимов работы скважин и повышения эффективности системы заводнения. Важным аспектом является учет фактического взаимодействия между скважинами и возможность применения гибридного подхода, который объединяет физическую модель фильтрации и статистическую обработку данных. Результаты тестирования алгоритмов показали высокую степень точности, особенно на интервале до 90 дней. В заключении подчеркивается применимость нейросетевых моделей как инструмента для оптимизации процесса добычи углеводородов и режимов работы скважин.

The main goal of the work is to develop a neural network algorithm for approximating the actual data and optimizing the operation of injection wells. Both traditional and modern modeling methods, including statistical approaches and neural network technologies, are considered, providing high accuracy of forecasting and adaptation to historical data. The work includes the development of algorithms for predicting oil production from various levels of water injection. The results of testing on real data are presented, as well as the results of using the developed PH-Autobalance software package, which is already used in practice to automate the process of determining optimal operating modes of wells and increasing the efficiency of the flooding system. An important aspect is to take into account the actual interaction between wells and the possibility of using a hybrid approach that combines a physical filtration model and statistical data processing. The results of testing the algorithms showed a high degree of accuracy, especially over an interval of up to 90 days. In conclusion, the applicability of neural network models as a tool for optimizing the hydrocarbon production process and well operating modes is emphasized.