Геология и Геофизика Юга РоссииГеология и Геофизика Юга России2221-3198Федеральное государственное бюджетное учреждение науки Федеральный научный центр "Владикавказский научный центр Российской академии наук"143210.46698/VNC.2026.25.10.001Геология, поиски и разведка нефтяных и газовых месторожденийАлгоритм выбора скважин-кандидатов для зарезки боковых стволов в условиях неопределенности геолого-промысловой информацииМухаметшинВ.Ш.ГилязетдиновР.А.СадуакасовД.С.danabek1974@mail.ruБакиеваА.Б.Институт нефти и газа, Уфимский государственный нефтяной технический университет (филиал в г. Октябрьском), Россия, 452607, г. Октябрьский, ул. Девонская, 54аУниверситет Есенова, Республика Казахстан, 130000, г. АктауФилиал ТОО «КМГ Инжиниринг» «КазНИПИмунайгаз», Республика Казахстан, 130000, г. Актау300620262160172Copyright (c) 2026 Геология и геофизика Юга России2026Геология и геофизика Юга России<p><strong>Актуальность работы</strong>. Работа посвящена разработке алгоритма выбора скважин-кандидатов для зарезки боковых стволов в условиях неопределённости геолого-промысловой информации. Недостаток релевантных методик выбора скважин при длительной разработке карбонатных коллекторов турнейского яруса Волго-Уральской нефтегазоносной провинции снижает эффективность управленческих решений и геолого-технических мероприятий. <strong>Цель исследования</strong>. Создание алгоритма подбора скважин-кандидатов для эффективной реализации зарезки боковых стволов на основе комплексного анализа геолого-технологических показателей. <strong>Методы исследования</strong>. Объектом исследования являются залежи карбонатных коллекторов турнейского яруса. Скважины были разделены в зависимости от значения продуктивности для выявления скрытых закономерностей. Использованы методы распознавания образов, статистические тесты и последовательная процедура Вальда для построения зависимостей геолого-технологических показателей от показателя частости. <strong>Результаты</strong>. Построены зависимости изменения параметров для различных групп скважин, разработан алгоритм оценки информативности критериев и прогнозные модели эффективности зарезки боковых стволов, основанные на взаимосвязи прироста дебита нефти с набором показателей. Показана возможность применения алгоритма для оптимизации процессов добычи нефти и повышения эффективности зарезки боковых стволов.</p>sidetrackingpattern recognition methodsTournaisian carbonate reservoirsWald proceduregeological-statistical modelingproductivity indexinformation content of geological and production parametersзарезка боковых стволовметоды распознавания образовзалежи карбонатных коллекторов турнейского ярусапроцедура Вальдагеолого-статистическое моделированиекоэффициент продуктивностиинформативность геолого-промысловых параметров1.Ахметов Р.Т., Кулешова Л.С., Велиев Э.Ф., Мухаметшин В.В., Сафиуллина А.Р. Обоснование аналитической модели гидравлической извилистости поровых каналов коллекторов Западной Сибири на основе капиллярных исследований // Известия Томского политехнического университета. – 2022. – Т. 333. № 7. – С. 86–95. DOI: 10.18799/24131830/2022/7/3587.2.Баталов С.А., Андреев В.Е., Мухаметшин В.В., Лобанков В.М., Кулешова Л.С. Применение резонансных функций при оценке параметров межскважинных зон // Записки Горного института. – 2022. – Т. 257. – С. 755–763. DOI: 10.31897/PMI.2022.85.3.Гилязетдинов Р.А., Кулешова Л.С., Мухаметшин В.Ш., Якупов Р.Ф., Гиззатуллина А.А., Сагитова З.Н. Комплексный подход к прогнозированию результатов идентификации залежей в условиях различной тектонической приуроченности объектов // SOCAR Proceedings. – 2023. – № 4. – С. 31–41. DOI: 10.5510/OGP20230400913.4.Зайцев Р.А., Распопов А.В. Опыт разработки месторождений Пермского края горизонтальными скважинами // Пермский журнал нефтегазового и горного дела. – 2020. – Т. 20. № 2. – С. 182–191. DOI: 10.15593/2224-9923/2020.2.8.5.Мударисова Р.А., Лукьянова Р.Г. Методика прогноза и поисков карбонатных резервуаров сверхвязкой нефти казанского яруса Мелекесской впадины // Геология и геофизика Юга России. – 2025. – Т. 15. № 4. – С. 137–150. DOI: 10.46698/h5492-0913-2863-p.6.Мухаметшин В.В., Кулешова Л.С. Алгоритм обоснования выбора объектов для внедрения инновационных технологий добычи нефти в условиях нижнемеловых отложений Западной Сибири // Известия Томского политехнического университета // Инжиниринг георесурсов. – 2023. – Т. 334. № 10. – С. 179–186. DOI: 10.18799/24131830/2023/10/4123.7.Хузин Р.Р., Андреев В.Е., Мухаметшин В.В., Кулешова Л.С., Дубинский Г.С., Сафиуллина А.Р. Влияние гидравлического сжатия на пористо-проницаемые свойства коллекторов // Записки Горного института. – 2021. – Т. 251. № 3. – С. 688–697. DOI: 10.31897/ PMI.2021.5.8.8.Abdullayeva F., Imamverdiyev Y. Development of oil production forecasting method based on deep leaning // Statistics, Optimization and Information Computing. – 2019. – Vol. 7. Issue 4. – pp. 826–39. DOI: 10.19139/soic-2310-5070-651.9.Bayamirova R., Togasheva A., Saduakasov D., Zholbasarova A., Tabylganov M., Gusmanova A., Nugumarov S. Reservoir development and well operation control methods: practical application // Processes. – 2025. – Vol. 13. Issue 5. – Art. No. 1541. DOI: 10.3390/ pr13051541.10.Belhaj A.F., Elraies K.A., Alnarabiji M.S., Kareem F.A.A., Shuhli J.A., Mahmood S.M., Belhaj H. Experimental investigation, binary modelling and artificial neural network prediction of surfactant adsorption for enhanced oil recovery application // Chemical Engineering Journal. – 2021. – Vol. 406. – Art. No. 127081. DOI: 10.1016/j.cej.2020.127081.11.Belhaj A.F., Elraies K.A., Mahmood S.M., Zulkifli N.N., Akbari S., Hussien O.S. The effect of surfactant concentration, salinity, temperature, and pH on surfactant adsorption for chemical enhanced oil recovery: a review // Journal of Petroleum Exploration and Production Technology. – 2020. – Vol. 10. Issue 1. – pp. 125–37. DOI: 10.1007/s13202-019-0685-y.12.Chen X., Patel V., Liu J., Liu S. Surfactant synergy on rheological properties, injectivity, and enhanced oil recovery of viscoelastic polymers // Physics of Fluids. – 2025. – Vol. 37. Issue 2. DOI: 10.1063/5.0252754.13.Du J., Zheng J., Liang Y., Ma Y., Wang B., Liao Q., Shahzad K. A deep learning-based approach for predicting oil production: A case study in the United States. // Energy. – 2024. – Vol. 288. – Art. No. 129688. DOI: 10.1016/j.energy.2023.129688.14.Gbadamosi A.O., Junin R., Manan M.A., Agi A., Yusuff A.S. An overview of chemical enhanced oil recovery: recent advances and prospects // International Nano Letters. – 2019. – Vol. 9. Issue 3. – pp. 171–202. DOI: 10.1007/s40089-019-0272-8.15.Gilyazetdinov R.A., Mukhametshin V.Sh., Gizzatullina A.A., Kochanov E.M., Samigullina L.Z., Stepanova R.R., Akhmetianova L.B., Bagmanov R.N. Development and adaptation of hybrid algorithms for assessing the degree of well interaction. SOCAR Proceedings. 2024. No. 1. pp. 70–75. DOI: 10.5510/OGP20240100942.16.Ibatullin R.R., Ibragimov N.G., Khisamov R.S., Zaripov A.T. Problems and solutions for shallow heavy oil production. In: SPE Russian Petroleum Technology Conference. SPE, 2012. – p. SPE-161998. DOI: 10.2118/161998-MS.17.Madani M., Zargar G., Takassi M.A., Daryasafar A., Wood D.A., Zhang Z. Fundamental investigation of an environmentally-friendly surfactant agent for chemical enhanced oil recovery // Fuel. – 2019. – Vol. 238. – pp. 186–97. DOI: 10.1016/j.fuel.2018.10.105.18.Meshalkin V., Asadullin R., Vezhnin S., Voloshin A., Gallyamova R., Deryaev A., Dokichev V. et al. Engineering and technological approaches to well killing in hydrophilic formations with simultaneous oil production enhancement and water shutoff using selective polymer-inorganic composites // Energies. – 2025. – Vol. 18. – Art. No. 4721. DOI: 10.3390/en18174721.19.Negin C., Ali S., Xie Q. Most common surfactants employed in chemical enhanced oil recovery // Petroleum. – 2017. – Vol. 3. Issue 2. – pp. 197–211. DOI: 10.1016/j.petlm.2016.11.007.20.Ning Y., Kazemi H., Tahmasebi P. A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet // Computers and Geosciences. – 2022. – Vol. 164. – Art. No. 105126. DOI: 10.1016/j.cageo.2022.105126.21.Ogbu A.D., Iwe K.A., Ozowe W., Ikevuje A.H. Advances in machine learning-driven pore pressure prediction in complex geological settings // Computer Science and IT Research Journal. – 2024. – Vol. 5. Issue 7. – pp. 1648–65. DOI: 10.51594/csitrj.v5i7.1350.22.Oryngozhin Y.S., Moldabayeva G.Z., Igembaev I.B. Innovative method of high-viscosity oil production // In: Int Multidiscip Sci GeoConference SGEM. – 2012. – Vol. 2. – pp. 463–470.23.Qu J., Tang Z., Lei G., Wu Q., Liao Q., Ning F. A novel threshold pressure gradient model and its influence on production simulation for shale oil reservoirs // Energy Fuels. – 2024. – Vol. 38. Issue 13. – pp. 11644–11661. DOI: 10.1021/acs.energyfuels.4c00320.24.Saduakasov D.S., Zholbasarova A.T., Bayamirova R.U., Togasheva A.R., Tabylganov M.T., Sarbopeeva M.D., Telin A.G. Well killing with absorption control // Journal of Mining Institute. – 2025. – Vol. 272. – pp. 119–35.25.Salem K.G., Salem A.M., Tantawy M.A., Gawish A.A., Gomaa S., El-Hoshoudy A.N. A comprehensive investigation of nanocomposite polymer flooding at reservoir conditions: new insights into enhanced oil recovery // Journal of Polymers and the Environment. – 2024. – Vol. 32. Issue 11. – pp. 5915–35. DOI: 10.1007/s10924-024-03336-z.26.Tadjer A., Hong A., Bratvold R.B. Machine learning based decline curve analysis for short-term oil production forecast // Energy Exploration and Exploitation. – 2021. – Vol. 39. Issue 5. – pp. 1747–1769. DOI: 10.1177/01445987211011.27.Ye Z., Jin C., Pang Y. Research on optimizing the drilling rate for through-tubing drilling and sand pumping tools // Petroleum Science and Technology. – 2025. – Vol. 43. Issue 16. – pp. 1987–2006. DOI: 10.1080/10916466.2024.2377749.28.Yusuf A., Bhatti M.M., Khalique C.M. Computational study of the thermophysical properties of graphene oxide/vacuum residue nanofluids for enhanced oil recovery // Journal of Thermal Analysis and Calorimetry. – 2025. – Vol. 150. Issue 1. – pp. 771–83. DOI: 10.1007/ s10973-024-13921-y.