Работа посвящена решению актуальной задачи повышения эффективности системы поддержания пластового давления на нефтяных месторождениях за счёт интеллектуального управления режимами закачки и отборов жидкости. Целью исследования является разработка алгоритмов поиска функциональной зависимости между технологическими показателями добывающих и нагнетательных скважин на основе методов машинного обучения, а также алгоритмов оптимизации распределения закачки воды и отборов жидкости для максимизации добычи нефти. В работе решены следующие задачи: анализ исходных промысловых данных; разработка процедур предобработки (очистка, восстановление пропусков, фильтрация аномалий методом DBSCAN, непараметрическое сглаживание SuperSmoother); кластеризация скважин в группы влияния с формированием элементов заводнения и разработки; построение и обучение рекуррентных нейронных сетей (LSTM) в качестве прокси-моделей для прогнозирования дебита жидкости и обводнённости; разработка оптимизационного алгоритма на основе градиентных методов (SGD с импульсом Нестерова, Adam) с учётом индивидуальных и интегральных ограничений. Научная новизна состоит в комплексном применении методов байесовской оптимизации гиперпараметров, аугментации временных рядов (градиенты, sin/cos-преобразования) и генерации синтетических событий для обучения прокси-моделей, а также в разработке гибридного подхода к учёту ограничений (дифференцируемая проекция soft‑clip + штрафные функции + точная проекция групповой бисекции). Практическая значимость заключается в создании программно-алгоритмического инструментария, позволяющего на основе только промысловых данных оперативно формировать управляющие рекомендации по оптимизации закачки и отборов без использования трудоёмкого гидродинамического моделирования. Разработанные алгоритмы могут быть внедрены в центрах управления добычей и в программных комплексах инженерного сопровождения разработки.

The work is devoted to solving the urgent problem of increasing the efficiency of the reservoir pressure maintenance system in oil fields through intelligent control of the injection and extraction modes of liquid. The aim of the research is to develop algorithms for finding the functional relationship between the technological parameters of producing and injection wells based on machine learning methods, as well as algorithms for optimizing the distribution of water injection and liquid extraction to maximize oil production. The following tasks were solved in the work: analysis of initial field data; development of preprocessing procedures (cleaning, restoration of gaps, filtering of anomalies using the DBSCAN method, nonparametric smoothing of SuperSmoother); clusterization of wells into influence groups with the formation of flooding and development elements; construction and training of recurrent neural networks (LSTM) as proxy models for predicting fluid flow and waterlogging; development of an optimization algorithm based on gradient methods (SGD with Nesterov pulse, Adam), taking into account individual and integral constraints. The scientific novelty consists in the complex application of Bayesian hyperparameter optimization methods, time series augmentation (gradients, sin/cos transformations) and generation of synthetic events for training proxy models, as well as in the development of a hybrid approach to constraint accounting (differentiable soft-clip projection + penalty functions + accurate projection of group bisection). The practical significance lies in the creation of software and algorithmic tools that allow, based only on field data, to quickly form management recommendations for optimizing injection and sampling without using labor-intensive hydrodynamic modeling. The developed algorithms can be implemented in mining management centers and in software complexes for engineering support of development.

• ВВЕДЕНИЕ
• Глава 1. Теоретический обзор
• Глава 2. Предварительная обработка данных
• Заключение
• БИБЛИОГРАФИЧЕСКИЙ СПИСОК
• Приложение 1
• Приложение 2
• Приложение 3
• Приложение 4
• Приложение 5
• Приложение 6