Вход
  1. Главная
  2. Журналы
  3. «Газовая промышленность»
  4. Спецвыпуск 3.2026
Спецвыпуск 3.2026

Научный отчет

EDN: YQJUWE

УДК 622.691.24::004.89::519.673
(UDK 622.691.24::004.89::519.673)

Если Вы уже купили журнал

Авторизуйтесь

Или

Купить журнал Купить статью

ПОДЗЕМНОЕ ХРАНЕНИЕ ГАЗА (UNDERGROUND GAS STORAGES)

НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ПЛАСТОВОЙ СИСТЕМЫ ПХГ КАК ИНСТРУМЕНТ РАЦИОНАЛЬНОГО ИСПОЛЬЗОВАНИЯ НЕДР

(NEURAL NETWORK-BASED MODELING OF UNDERGROUND GAS STORAGE FACILITY SYSTEMS FOR RESPONSIBLE SUBSURFACE RESOURCE MANAGEMENT)

В статье рассматриваются возможности применения методов машинного обучения, в частности нейронных операторов, для моделирования и оптимизации режимов эксплуатации ПХГ. Предлагаемый подход основан на совместном использовании постоянно действующей гидродинамической модели, нейрооператорной модели и алгоритма распределения заданного суммарного отбора между скважинами. Нейрооператорная модель, обученная на ансамбле многовариантных запусков гидродинамической модели, позволяет ускорить расчет сценариев эксплуатации и оперативно оценивать динамику пластового давления при различных вариантах распределения отборов. При формировании рекомендаций учитываются геологические и технологические ограничения, в том числе минимально допустимое забойное давление, депрессия на пласт, состав работающего фонда скважин и максимально допустимая производительность отдельных скважин.
Апробация расчетного контура выполнена на одном из ПХГ России в сезоне отбора 2025/2026 гг. Перед началом сезона нейросетевая модель была обучена на результатах многовариантных гидродинамических расчетов. В период опытной эксплуатации исходные данные регулярно обновлялись, а для каждого цикла оценки формировалось несколько сценариев суммарного отбора с последующим распределением расходов по скважинам. Всего выполнено 14 циклов моделирования. Результаты расчетов проходили экспертную оценку и использовались эксплуатирующей организацией при выборе состава работающего фонда и режимов эксплуатации скважин.
По итогам сезона фактическая траектория пластового давления в рабочей зоне отклонилась в благоприятную сторону от исходного расчетного сценария; расхождение к концу рассматриваемого периода составило около 0,25 МПа, или 2,7 %. Расчетный потенциал максимальной суточной производительности ПХГ оказался на 5 % выше исходного технологического режима. Укрупненная оценка капитальных затрат на достижение сопоставимого прироста пиковой производительности техническими мероприятиями составляет около 5 млрд руб. Полученные результаты демонстрируют практическую применимость нейронных операторов в составе расчетного контура ПХГ для ускоренного многовариантного моделирования, выбора режимов эксплуатации скважин и рационального использования недр.

The authors examine the potential of applying machine learning methods, specifically neural operators, to the simulation and optimization of underground gas storage facility operating modes. The proposed approach is based on the combined use of a continuously operating hydrodynamic model, a neural operator model, and an algorithm for distributing a specified total withdrawal among wells. The neural operator model, trained on an ensemble of multivariate hydrodynamic simulations, makes it possible to accelerate the calculation of operating scenarios and rapidly assess formation pressure profile under various withdrawal distribution options. When generating recommendations, geological and technological constraints are taken into account, including the minimum allowable bottomhole pressure, formation drawdown, the composition of the active well stock, and the maximum allowable production rate of individual wells.
The computational workflow was tested at one of Russia’s underground gas storage facilities during the 2025/2026 withdrawal season. Before the start of the season, the neural network model was trained on the results of multivariate hydrodynamic simulations. During the trial operation period, the input data were regularly updated, and several total withdrawal scenarios were generated for each calculation cycle, followed by the distribution of flow rates among wells. A total of 14 calculation cycles were performed. The simulation results were expert-­reviewed and used by the operating company when selecting the composition of the active well stock and well operating modes.
At the end of the season, the actual formation pressure profile in the working area deviated favorably from the initial calculated scenario; by the end of the period under review, the difference was about 0.25 MPa, or 2.7 %. The estimated potential for the maximum daily production rate of the underground gas storage facility was 5 % higher compared to initial operating regime. A rough estimate of the capital costs required to achieve a comparable increase in peak production rate through technical measures is on the order of 5 billion roubles. The results obtained demonstrate the practical applicability of neural operators as part of an underground gas storage facility computational workflow for accelerated multivariate simulation, selection of well operating modes, and rational use of subsurface resources.

ПОДЗЕМНОЕ ХРАНИЛИЩЕ ГАЗА (ПХГ), НЕЙРОННАЯ СЕТЬ, НЕЙРОННЫЙ ОПЕРАТОР, ПЛАСТОВАЯ СИСТЕМА, РАЦИОНАЛЬНОЕ ИСПОЛЬЗОВАНИЕ НЕДР, ГИДРОДИНАМИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ЦИФРОВОЙ ДВОЙНИК

UNDERGROUND GAS STORAGE FACILITY, NEURAL NETWORK, NEURAL OPERATOR, RESERVOIR SYSTEM, RATIONAL SUBSURFACE USE, HYDRODYNAMIC SIMULATION, DIGITAL TWIN

С.Л. Костиков, ПАО «Газпром» (Санкт-Петербург, Россия)
К.А. Гущин, ПАО «Газпром»
К.А. Бутов, к.т.н., ПАО «Газпром»
А.В. Формин, ПАО «Газпром»
Д.Д. Сирота, ПАО «Газпром»
Е.А. Ларионов, ПАО «Газпром»
В.Г. Дорохин, к.т.н., ООО «Газпром ПХГ» (Санкт-­Петербург, Россия)

S.L. Kostikov, PJSC Gazprom (Saint Petersburg, Russia)
K.A. Guschin, PJSC Gazprom
K.A. Butov, PhD in Engineering, PJSC Gazprom
A.V. Formin, PJSC Gazprom
D.D. Sirota, PJSC Gazprom
E.A. Larionov, PJSC Gazprom
V.G. Dorokhin, PhD in Engineering, Gazprom UGS LLC (Saint Petersburg, Russia)

Raissi M., Perdikaris P., Karniadakis G.E. Physics-­informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // J. Comput. Phys. 2019. Vol. 378. P. 686–707. DOI: 10.1016/j.jcp.2018.10.045.

Kovachki N., Li Z., Liu B., et al. Neural operator: Learning maps between function spaces with applications to PDEs // Journal of Machine Learning Research. 2023. Vol. 24 (89). P. 1–97. 

Lu L., Jin P., Pang G., et al. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators // Nature Machine Intelligence. 2021. Vol. 3. P. 218–229. DOI: 10.1038/s42256-021-00302-5.

Li Z., Kovachki N., Azizzadenesheli K., et al. Fourier neural operator for parametric partial differential equations // arXiv: сайт. URL: https://arxiv.org/abs/2010.08895 (дата обращения: 10.09.2026).

Сирота Д.Д., Хан С.А., Костиков С.Л., Бутов К.А. Нейронные операторы для математического моделирования процессов нестационарной фильтрации в пластовых системах // Вестник Санкт-­Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2025. Т. 21, № 3. С. 385–400. DOI: 10.21638/spbu10.2025.306. EDN: IQUDBF.

Сирота Д.Д., Гущин К.А., Ларионов Е.А., Зверев Д.Ю. Оптимальное управление пластовыми системами с использованием методов глубокого обучения на основе нейронных операторов // Вестник Санкт-­Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2025. Т. 21, № 4. С. 591–603. DOI: 10.21638/spbu10.2025.410. EDN: TDGCIN.

Белинский А.В., Горлов Д.В., Пятышев И.А., Титов А.Е. Применение нейронных операторов в задачах газодинамического моделирования трубопроводных систем энергетики // Информационные технологии и вычислительные системы. 2025. № 3. C. 44–57. DOI: 10.14357/20718632250305. EDN: AZJACG.

Raissi M, Perdikaris P, Karniadakis GE. Physics-­informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J. Comput. Phys. 2019; (378): 686–707. https://doi.org/10.1016/j.jcp.2018.10.045.

Kovachki N, Li Z, Liu B, Azizzadenesheli K, Bhattacharya K, Stuart A, et al. Neural operator: Learning maps between function spaces with applications to PDEs. Journal of Machine Learning Research. 2023; 24(89): 1–97.

Lu L, Jin P, Pang G, Zhang Z, Karniadakis GE. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nature Machine Intelligence. 2021; (3): 218-229. https://doi.org/10.1038/s42256-021-00302-5.

Li Z, Kovachki N, Azizzadenesheli K, Liu B, Bhattacharya K, Stuart A, et al. Fourier neural operator for parametric partial differential equations. Available from: https://arxiv.org/abs/2010.08895 [Accessed: 10 September 2026].

Sirota DD, Khan SA, Kostikov SL, Butov KA. Neural operators for mathematical modeling of transient fluid flow in subsurface reservoir systems. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes [Vestnik Sankt-­Peterburgskogo universiteta. Prikladnaya matematika. Informatika. Protsessy upravleniya]. 2025; 21(3): 385–400. https://doi.org/10.21638/spbu10.2025.306. (In Russian)

Sirota DD, Gushchin KA, Larionov EA, Zverev DYu. Optimal control of subsurface reservoir systems using deep learning methods based on neural operators. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes. 2025; 21(4): 591–603. https://doi.org/10.21638/spbu10.2025.410. (In Russian)

Belinsky AV, Gorlov DV, Pyatyshev IA, Titov AE. Neural operator-­based modeling of gas dynamics in energy sector pipeline systems. Journal of Information Technologies and Computing Systems [Informatsionnye tekhnologii i vychislitelnye sistemy]. 2025; (3): 44–57. https://doi.org/10.14357/20718632250305.

Перевод выполнен Moscow Translation Agency

Назад к журналу
ТЕРРИТОРИЯНЕФТЕГАЗ

Внимание к деталям — от идеи
до воплощения! Только актуальная информация и свежие новости.

Журналы

Контент

О нас

Контакты