Первым этапом построения моделей машинного обучения стали сбор и подготовка, предобработка и структуризация цифрового массива информации. Для анализа ученые сформировали базу данных по 178 горизонтальным скважинам 31 нефтяного месторождения: геолого-физические характеристики пластов, исходные данные для гидродинамических исследований скважин, конструктивные особенности скважин (диаметр ствола, длина участка по стволу) и информацию об их методе освоения.
Для прогнозирования использовался многомерный регрессионный анализ — набор статистических методов оценки связей между зависимой переменной и одной/несколькими независимыми переменными. Дебит выступал в качестве зависимого признака, а геолого-технологические параметры (коэффициенты нефтенасыщенности, песчанистости, вытеснения и пористости, диаметр ствола скважины, проницаемости, вязкости нефти и др.) — в качестве независимых факторов. Затем, для достижения максимальной точности прогнозирования и оперативности расчетов, ученые обратились к использованию нейронных сетей.
Преимуществом разработанной учеными ПНИПУ модели является использование уже накопленного опыта бурения и формирование обобщенных закономерностей прогнозирования дебита горизонтальных скважин.