ESTIMATING RESERVOIR PRODUCTION RATES USING MACHINE LEARNING MODELS FOR WELLBORE OPERATION CONTROL

A system is described for estimating well production and injection rates of a subterranean reservoir using machine learning models. The system may include a processor and a non-transitory computer-readable medium comprising instructions that are executable by the processor to cause the processor to perform various operations. The processor may receive a set of static geological data about at least one subterranean reservoir in a subterranean formation. The processor may apply a trained convolutional neural network to the set of static geological data and data on initial states of dynamic reservoir properties to determine dynamic outputs of the subterranean reservoir. The processor may determine well data by extracting the set of static geological data and the dynamic outputs at well trajectories. And, the processor may apply a trained artificial neural network to the well data and subterranean grid information about the subterranean reservoir to generate estimated well production and injection rates. Un système permettant d'estimer des vitesses de production et d'injection de puits d'un réservoir souterrain à l'aide de modèles d'apprentissage automatique. Le système peut comprendre un processeur et un support non transitoire lisible par ordinateur comprenant des instructions pouvant être exécutées par le processeur afin d'amener le processeur à effectuer diverses opérations. Le processeur peut recevoir un ensemble de données géologiques statiques concernant au moins un réservoir souterrain dans une formation souterraine. Le processeur peut appliquer un réseau neuronal convolutif formé à l'ensemble de données géologiques statiques et à des données sur des états initiaux de propriétés de réservoir dynamique pour déterminer des sorties dynamiques du réservoir souterrain. Le processeur peut déterminer des données de puits en extrayant l'ensemble de données géologiques statiques et les sorties dynamiques au niveau de trajectoires de puits. Et, le processeur peut appliquer un réseau neuronal artificiel formé aux données de puits et des informations de grille souterraine concernant le réservoir souterrain afin de générer des vitesses de production et d'injection de puits estimées.