Высокая стоимость исследований зачастую приводит к необходимости работать в условиях дефицита информации об объекте разработки. В свою очередь, объект разработки есть совокупность определенных физико-математических параметров, включающих структурные свойства породы, геолого-физические показатели продуктивных пластов и характеристики пластового флюида. Используя вышеописанные параметры, можно математически описать степень «близости» двух и более объектов. Решение подобной задачи позволит отбирать «однотипные» объекты и использовать их в качестве аналогов для различных задач [1].
С целью восполнения недостающей информации по объектам и минимизации трудозатрат в работе разработан автоматизированный алгоритм. Инструмент позволяет найти и ранжировать с использованием математических вычислений наиболее подходящие аналоги.
Под математическими вычислениями подразумевается теория нечетких множеств, описывающая неточные свойства, а также задающая «степень принадлежности» тому или иному свойству-параметру.

Разработанный инструмент по подбору объектов-аналогов позволяет не только восполнить недостающие геологические данные, но и получить информацию по системам разработки, характеристике вытеснения, темпам падения жидкости, стартовым дебитам и результатам испытаний разведочных скважин.
Для определения объекта-аналога в инструменте реализована возможность выбора задачи подбора: для составления проектно-технического документа, выбора третичного метода воздействия, оптимизации системы разработки в рамках опытно-промышленных работ (ОПР), гидродинамического моделирования, подготовки инвестиционного меморандума.
Существующие же инструменты в полной мере выполняют главную функцию — подбор объекта-аналога. Однако в разработанном алгоритме реализованы дополнительные функции:
• возможность задать пользовательскую настройку;
• возможность выбора задачи подбора объекта-аналога;
• наличие в инструменте знаний и опыта экспертов.

В классической теории множеств принадлежность различных элементов множеству оценивается через бинарные термины — элемент либо принадлежит данном множеству, либо нет. Для нечеткой логики возможно оценивать нестрогую градуированную меру (степень) принадлежности элементов множеству: подобная оценка определяется функцией принадлежности (в пределах от 0 до 1,
где 1 — строго принадлежит множеству). Функция принадлежности — это некоторый критерий нечеткости. Этот критерий может быть описан, например, за счет мнения экспертов или статистики. Четкая логика же (традиционный подход) не позволяет правильно интерпретировать неточные
и некатегоричные данные [2].
Например, если между числами четкого множества возникает любое минимальное отличие,
то одному из чисел присваивается уже значение 0 (не принадлежит множеству). Теория нечетких множеств призвана исправить подобную интерпретацию. Это является важным аспектом в задачах выбора аналогов, поскольку в четких множествах определить численное отличие близких, например, по геолого-физическим параметрам объектов будет невозможно.
На рисунке 1 показан вид функции принадлежности. Графику характерно следующее:
• каждому значению параметра соответствует значение функции принадлежности — степень принадлежности (например, μ(А) = 0,8);
• ширина кривой задает критичность параметра, то есть скорость изменения. Если ширина кривой будет мала, то незначительному изменению Х сопоставляется минимальное/максимальное значение принадлежности множеству;
• целевому значению соответствует максимум графика функции. Однако это не является обязательным условием.

Решением в работе является алгоритм, позволяющий по целевым параметрам и базе данных разработки месторождения математически определить наиболее «близкий» объект месторождения. Под «близостью» понимается степень принадлежности того или иного параметра из базы данных к целевому параметру.
На вход алгоритма подается набор целевых параметров объекта месторождения, учет которых опционален. Далее алгоритм, используя только выбранные параметры, для каждой строки и каждого параметра из базы данных рассчитывает функцию принадлежности по формулам (1) и (2):

где b — значение целевого параметра; x — значение параметра объекта-аналога; σ — среднеквадратичное отклонение выборки по параметру из базы данных; n — количество учитываемых параметров при поиске объекта-аналога (зависит от насыщенности базы данных);
х — среднее значение по выборке из базы данных.
После чего рассчитывается итоговая оценка схожести по каждому объекту, называемая единым комплексным критерием и рассчитываемая по формуле (3):

где wi — вес i-го параметра; μi — функция принадлежности i-го параметра, рассчитанная
по формуле (1).
Для более точного определения объекта-аналога в инструменте реализована возможность выбора задачи подбора объекта-аналога из предложенного списка: составление проектно-технического документа, выбор третичного метода воздействия, оптимизация системы разработки в рамках ОПР, гидродинамическое моделирование, подготовка инвестиционного меморандума и пользовательская настройка. В каждой из перечисленных выше целей распределение значений весов отлично [3]. Например, параметр «температура пласта» не важен при подготовке инвестиционного меморандума. В этом случае наличие весов в степенях функций принадлежности и совместного умножения всех функций позволяет снизить влияние при минимальном значении функции принадлежности и не оказывать влияния при максимальном значении. Такая постановка максимально учитывает важность параметров поиска и их разницу с целевыми параметрами [4].

Следует подчеркнуть, что веса для каждой задачи подобраны статистическим методом согласно экспертному мнению. Для этого проведен опрос экспертного состава, в котором было необходимо расставить весовые показатели (от 0 до 1) по их экспертному мнению для каждого параметра решаемых задач алгоритма. Дальнейшая построенная статистика по весам прописана в инструменте для всех соответствующих задач (табл. 1).

Для универсальности инструмента все целевые параметры разделены на две группы: качественные и количественные. К качественным параметрам при реализации алгоритма отнесены параметры, представленные в таблице 2. К количественным показателям относятся пористость, проницаемость, расчлененность пласта и др. (рис. 2).

Алгоритм позволяет отфильтровать по тем качественным параметрам, которые изначально выбраны перед запуском. Если принимается решение не использовать нефтегазоносную провинцию или тип ловушки как целевой качественный параметр, то алгоритм не учитывает их. Важно отметить, что в инструменте отсутствует предустановка качественных параметров и строгая необходимость в них при поиске объектов-аналогов отсутствует.
На данный момент алгоритм поддерживает учет более 90 параметров, включающих геологию, разработку, подсчет запасов, испытание скважин и технологические характеристики [5]. Также предусмотрена возможность применения пользовательской настройки с заданием произвольных весов и количества параметров. Дополнительно реализована функция подгрузки параметров по месторождению, позволяющая осуществить поиск и ранжирование объектов-аналогов
по загруженному объекту из базы данных.

Полученный список десяти наиболее подходящих по комплексному критерию объектов-аналогов отображается на выходе. По отобранным аналогам реализована возможность просмотра процента схожести аналогов, а также значения функции принадлежности по каждому из параметров. Таблица с результатами подбора объектов-аналогов представлена на рисунке 3. По умолчанию в таблице отображаются параметры, выбранные пользователем перед запуском алгоритма.

В инструменте предусмотрена возможность визуализации информации в виде графиков с сопоставлением параметров по аналогам (рис. 4).
С целью получения данных по подобранным объектам-аналогам добавлено пользовательское меню, которое позволяет визуализировать всю информацию, хранящуюся в базе данных, в том числе:
• характеристики вытеснения объектов-аналогов;
• темпы падения жидкости объектов-аналогов;
• результаты испытаний разведочных скважин;
• запускные показатели по новым скважинам;
• плотности сеток скважин и т.д.

Функционал и математический аппарат разработанного алгоритма апробированы на фактических месторождениях ООО «РН-Уватнефтегаз». При тестировании выбирались близкие к фактическим целевые значения и проверялся выходной список объектов-аналогов по составленным комплексным критериям.
Пример использования алгоритма представлен на рисунке 5. Задача поиска аналога выбрана — «подготовка инвестиционного меморандума» (необходимость в обосновании оптимальной системы разработки для нового месторождения по объекту-аналогу).

Выбранные параметры: Кпр = 2,00 мД (вес 1), Кр = 4,00 (вес 0,25), Кпор = 0,16 (вес 0,65).
В рассматриваемом примере объект-аналог № 1 имеет схожесть 98 %, т.к. проницаемость имеет достаточно близкое целевое значение, а значениям пористости и расчлененности пласта присвоены маленькие веса. При выборе объекта-аналога № 1 как основного получено проектное решение по системе разработки по данному объекту из базы данных:
• система расстановки скважин — рядная ГС;
• плотность сетки скважин — 34 га/скв.;
• расстояние между рядами — 400 м.
Также исходя из ранжированных объектов-аналогов можно получить данные по фактическим темпам падения жидкости и характеристике вытеснения с целью прогнозирования профиля добычи для рассматриваемого объекта (рис. 6).