Расчет эффекта от перевода добывающей нефтяной скважины в нагнетательный фонд в рамках управления разработкой нефтяным месторождением

Автор(ы): Курганов Д.В.

Выпуск: 81

Рубрика: Управление техническими системами и технологическими процессами

Год: 2019

Библиография: Курганов Д.В. Расчет эффекта от перевода добывающей нефтяной скважины в нагнетательный фонд в рамках управления разработкой нефтяным месторождением // Управление большими системами. Вып. 81. М.: ИПУ РАН, 2019. С.147-167. DOI: https://doi.org/10.25728/ubs.2019.81.6

Дата опубликования: 30.09.2019

Ключевые слова: нейросетевой анализ, алгоритм Левенберга –Марквардта, анализ компонентного состава, природный газ

Аннотация: Применение алгоритмов машинного обучения (МО) является перспективным направлением для принятия решений при управлении таким сложным процессом, как разработка нефтяного месторождения. Существенным условием применения этих алгоритмов является наличие обширной цифровой базы с представительными результатами, позволяющей провести обучение модели. В работе рассмотрено применение одного из методов МО – опорных векторов – для принятия решения о переводе скважины из добывающего в нагнетательный фонд и оценен эффект подобного перевода с точки зрения прироста добычи жидкости. Расчеты выполнены для крупного месторождения в Западной Сибири. В алгоритме также существенным образом применяется диаграмма Вороного, хорошо зарекомендовавшая себя как приближение к зоне дренируемых запасов скважины. Методика принятия решения позволяет комплексировать такие параметры, как параметры проведенных гидроразрывов пласта, начальную продуктивность, текущее энергетическое состояние потенциального участка работ, не прибегая к фильтрационному моделированию, которое в данном случае не позволяет уточнить или подтвердить параметры пластовой системы. Используется две модели: первая модель обучается на фильтрационно-емкостных параметрах участка и определяется суммарный прирост добычи для участка, с помощью второй модели рассчитывается распределение приростов по конкретным скважинам участка. Вторая модель существенно использует аппарат имитационного гидропрослушивания, позволяющий без остановок и потерь на скважинах определять связность коллектора и линии тока. Метод будет особенно перспективен в осложненных коллекторах, например, в двухпоровой среде, где связь между пластовыми параметрами и промысловыми показателями разработки традиционными методами установить затруднительно, а также при наличии техногенных трещин, в частности, от гидроразрыва пластов.

Author(s): Kourganov D.

Article title: Calculation of additional oil production after well’s conversion to inlector in oil reservoir management

Issue: 81

Year: 2019

Keywords: big data, machine learning, support vector machines, injection, oil rate, well

Abstract: Machine learning, namely supervised learning models is widely used for decision making in oil field development. An essential condition for method’s application is the availability of digital databases with representative results which allows adequate model training. In this paper SVM-rank model is applied for injectivity prediction of infill wells for giant Western Siberian oilfield. Ranking algorithm also uses Voronoi diagram, proven as an approximation to the well drainage area. Complex method allows combine different reservoir and production parameters: productivity of surrounding wells, area pressure, frac parameters etc without common reservoir dynamics model, which in this particular case is not able to clarify and confirm the parameters of the reservoir system. There is double model used: the first model utilizes productivity and capacity reservoir parameters, the second one uses correlation analysis between infill candidate and surrounding production wells. The method can be particularly useful in complicated reservoirs, e.g. in dual porosity ones, where the relationship between formation parameters (permeability, porosity, saturation) and production rates is unclear and cannot be set by traditional development analysis, particularly in frac environment.