Моделирование взаимовлияния скважин для анализа эффективности систем заводнения на малых выборках данных

Обложка
  • Авторы: Тырсин А.Н.1,2, Кащеев С.Е.3
  • Учреждения:
    1. ФГБУН Научно-инженерный центр «Надежность и ресурс больших систем и машин» УрО РАН, Екатеринбург
    2. Уральский федеральный университет
    3. Южно-Уральский государственный университет
  • Выпуск: № 111 (2024)
  • Страницы: 247-265
  • Раздел: Управление техническими системами и технологическими процессами
  • URL: https://journal-vniispk.ru/1819-2440/article/view/289123
  • DOI: https://doi.org/10.25728/ubs.2024.111.10
  • ID: 289123

Цитировать

Полный текст

Аннотация

На завершающей стадии разработки нефтяных месторождений актуальной проблемой является поддержание приемлемых уровней добычи нефти путем оперативного управления заводнением. Сложность усугубляется все более растущим количеством функционирующих на месторождении скважин и изменчивостью процесса их взаимодействия. Это требует новых подходов, учитывающих указанные тенденции в нефтедобыче. Популярным подходом для анализа эффективности систем заводнения нефтяных месторождений в последние годы стало использование прокси-моделей семейства CRM (capacitance-resistive models, емкостно-резистивные модели), представляющих собой математические модели материального баланса. При этом решают обратную задачу для определения параметров модели. Однако малые размеры выборок данных и большое число функционирующих скважин в системе заводнения ограничивает эффективное практическое применение этого подхода. Цель статьи – повышение оперативности мониторинга систем заводнения за счет снижения размера обучающей выборки данных и расширение масштаба анализируемых систем от нескольких десятков до сотен скважин. Предложены два алгоритма, ориентированных на большие размерности и малые выборки данных. Они апробированы на модельных данных, в которых 60 нагнетательных, 160 добывающих скважин и 17 наблюдений. Приемистости нагнетательных скважин – это фактические данные с реальной системы заводнения, дебиты добывающих скважин – это модельные значения с учетом случайных ошибок, присутствующих на практике. Данные алгоритмы продемонстрировали приемлемые характеристики как по точности и быстродействию, так и по возможности их применения для прогноза нефтедобычи.

Об авторах

Александр Николаевич Тырсин

ФГБУН Научно-инженерный центр «Надежность и ресурс больших систем и машин» УрО РАН, Екатеринбург; Уральский федеральный университет

Email: at2001@yandex.ru
Екатеринбург

Станислав Евгеньевич Кащеев

Южно-Уральский государственный университет

Email: kashcheevs@susu.ru
Челябинск

Список литературы

  1. АЗИЗ Х., СЕТТАРИ Э. Математическое моделирование пластовых систем: пер. с англ. – М.: Недра, 1982. – 408 с.
  2. АФАНАСКИН И.В., КРЫГАНОВ П.В., ГЛУШАКОВ А.А., и др. Использование CRM-моделей интерференции скважин для оценки фильтрационно-емкостных свойств пласта по данным разработки // Успехи кибернетики. – 2020. – №1(1). – С. 17–27.
  3. Библиотека алгоритмов NLopt для нелинейной оптими-зации. – URL: https://nlopt.readthedocs.io/en/latest/NLopt_Algorithms.
  4. ДАНЬКО М.Ю., БРИЛЛИАНТ Л.С., ЗАВЬЯЛОВ А.С. Применение метода динамического материального ба-ланса и CRM-метода к подсчету запасов ачимовских и баженовских коллекторов // Недропользование XXI век. – 2019. – №4(80). – С. 76–85.
  5. НОВИКОВ Д.А. Сетевые структуры и организационные системы. – М.: ИПУ РАН, 2003. – 102 c.
  6. ПОСПЕЛОВА Т.А., СТЕПАНОВ С.В., СТРЕКАЛОВ А.В. и др. Математическое моделирование для принятия решений по разработке месторождений. – М.: Недра, 2021. – 427 с.
  7. СТЕПАНОВ С.В., БЕКМАН А.Д., РУЧКИН А.А. и др. Сопровождение разработки нефтяных месторождений с использованием моделей CRM. – Тюмень: ИПЦ «Экс-пресс», 2021. – 300 с.
  8. СТЕПАНОВ С.В., ТЫРСИН А.Н., РУЧКИН А.А. и др. Использование энтропийного моделирования для анали-за эффективности системы заводнения // Нефтяное хо-зяйство. – 2020. – №6. – С. 62–67.
  9. ТЫРСИН А.Н. Энтропийное моделирование сетевых структур // Автоматика и телемеханика. – 2022. – № 10. – С. 144–155. doi: 10.31857/S0005231022100130
  10. ТЫРСИН А.Н., СТЕПАНОВ С.В., РУЧКИН А.А. и др. Повышение достоверности моделирования взаимовлия-ния скважин для анализа эффективности системы за-воднения // Математическое моделирование. – 2023. – Т. 35, №6. – С. 63–80.
  11. ХАТМУЛЛИН И.Ф., ЦАНДА А.П., АНДРИАНОВА А.М. и др. Полуаналитические модели расчета интерферен-ции скважин на базе класса моделей CRM // Нефтяное хозяйство. – 2018. – №12. – С. 38–41.
  12. ЮШКОВ И.Р., ХИЖНЯК Г.П., ИЛЮШИН П.Ю. Разра-ботка и эксплуатация нефтяных и газовых месторож-дений. – Пермь: ПНИПУ, 2013. – 177 с.
  13. HOLANDA R.W., GILDIN E., JENSEN J.L. et al. A State-of-the-Art Literature Review on Capacitance Resistance Models for Reservoir Characterization and Performance Forecast-ing // Energies. – 2018. – Vol. 11. – 3368. – 45 p.
  14. JOHNSON S.G. The NLopt nonlinear-optimization package. – URL: http://github.com/stevengj/nlopt.
  15. KIM J.S., LAKE L., EDGAR T.F. Integrated Capacitance-Resistance Model for Characterizing Waterflooded Reser-voirs // Proc. of the 2012 IFAC Workshop on Automatic Control in Offshore Oil and Gas Production, Norwegian University of Science and Technology, Trondheim, Norway, May 31 – June 1. – 2012. – P. 19–24.
  16. LINDENLAUB I., PRUMMER A. Network Structure and Performance Get access Arrow // The Economic Journal. – 2021. – Vol. 131, No. 634. – P. 851–898.
  17. PULLAN W. Structure. – Cambridge: Cambridge University Press, 2000.
  18. RUNARSSON T.P., XIN YAO. Search Biases in Con-strained Evolutionary Optimization // IEEE Trans. on Sys-tems Man and Cybernetics – Part C: Applications and Re-views. 2005. – Vol. 35, No. 2. – P. 233–243.
  19. SVANBERG K. The Method of Moving Asymptotes – A New Method for Structural Optimization // Int. Journal for Nu-merical Methods in Engineering. – 1987. Vol. 24. – No. 2. – P. 359–373.
  20. TUO CHEN, JIANCHUAN XIANYU. Application of sto-chastic ranking based evolutionary strategy in environmen-tal management of microgrids // Journal of Physics: Confer-ence Series. 2023. – Vol. 2477. – 012076.
  21. YOUSEF A.A., GENTIL P.H., JENSEN J.L. et al. A Capaci-tance Model to Infer Interwell Connectivity from Production and Injection Rate Fluctuations // SPE Annual Technical Conference and Exhibition, 9–12 October 2005, Dallas, Texas.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).