Improving the selection of object-analogues of oil and gas fields in designing reservoir engineering

Full Text

Введение

Перспективы развития нефтегазовой отрасли связаны не только с разработкой остаточных трудноизвлекаемых запасов углеводородного сырья (УВ) высоко выработанных месторождений, но и с разработкой новых месторождений со сложными геолого-промысловыми характеристиками, эффект неопределенности которых усиливает производственные и инвестиционные риски [1–3]. Как следствие, востребованы методики, позволяющие принимать технологические решения в части вариантов разработки продуктивных пластов, в том числе основанные на методе аналогий. При этом методические подходы требуют совершенствования в силу разнообразия факторов геологической неопределённости и рисков [4–7].

В период старта пробной эксплуатации нового месторождения жидких углеводородов недропользователи сталкиваются с отсутствием полноценной информации об объекте разработки. Достоверные знания о месторождении всегда пополняются постепенно в ходе разработки, тогда как основные проектные решения закладываются в самом начале [8–12]. Недостаток данных восполняется за счёт информации с объектов-аналогов [13–15], подбор которых осуществляется экспертной оценкой, вследствие чего не может оказаться гарантированно лучшим [16, 17].

В мировой практике широко используется система Digital Analogs Knowledge System (DAKS), в базе которой содержатся геолого-промысловые характеристики 800 месторождений УВ из различных регионов мира. В проекте применена реляционная база данных, работающая в реальном времени с исходными данными, в которые входят геолого-физические параметры объектов, данные сейсморазведки, физико-химические свойства флюидов, геолого-технологические модели и прогнозные уровни добычи. Путем сравнения этих параметров выявляются содержательные физические зависимости, по которым определяется взаимное соответствие объектов и оценивается возможность преемственности систем разработки [18]. Применение DAKS ограничено в силу специфики геологической истории нефтегазоносных провинций каждого региона, а также вследствие геополитических обстоятельств.

В отечественной практике существуют системы нефтегазовых компаний, аккумулирующие данные по разрабатываемым месторождениям на их лицензионных участках. В частности, исследователи [19] предлагают метод, который базируется на построении дендограммы на основе кластеризации объектов по геолого-физическим и физико-химическим свойствам с последующим определением «меры сходства» объектов. Другими исследователями [20] предполагается сначала ранжирование объектов-аналогов по качественным геолого-физическим параметрам, которые далее исследуются на схожесть по количественным значениям показателей.

Вместе с тем применение данных систем ограничено по причине узкого охвата месторождений и, следовательно, объектов-аналогов. Кроме того, несмотря на регулярное применение метода аналогий при создании проектов по разработке месторождений, фактор субъективизма, основанный на априорных знаниях и накопленном опыте эксперта, значителен, что требует совершенствования методических подходов в части его формализации с целью верификации количественной и качественной оценки степени сходства и последующей возможной экстраполяции знаний на новые объекты разработки, что и определило цель научного исследования.

Материалы и методы

Обработка геологических данных множества месторождений с различными характеристиками позволила предложить авторскую методику, состоящую из следующих этапов.

1. Фильтрация месторождений по качественным критериям в последовательности: «Тип породы продуктивного пласта→Геологический возраст пород продуктивного пласта→Тип залежи→Тип коллектора→Тип объекта по фазовому состоянию» (рисунок).

Данная последовательность предложена исходя из необходимости перехода от значимых качественных критериев, зависящих от генеза горных пород, к более узким критериям, от которых зависят системы разработки месторождений. При этом в качестве объектов-аналогов могут выступать месторождения, залежи или продуктивные горизонты.

2. Формирование количественных параметров для оценки степени сходства объектов разработки (табл. 1).

 

Рисунок. Дерево качественных критериев

Figure. Three of qualitative criteria

 

Таблица 1. Колличественные параметры пластов

Table 1. Quantitative parameters of reservoirs

Тип объекта Reservoir type         Количественный параметр Quantitative parameter	Нефтяной Oil	Нефтегазовый Oil and gas	Нефтегазокон денсатный Oil and gas condensate	Газоконденсатный Gas condensate	Газовый Gas
Средняя эффективная нефтенасыщенная толщина, м Аverage effective oil-saturated thickness, m	+	+	+	–	–
Коэффициент пористости, доли ед. Porosity coefficient, units	+	+	+	+	+
Коэффициент нефтенасыщенности пласта, доли ед. Saturation coefficient, units	+	+	+	–	–
Проницаемость, мкм2 Permeability, units	+	+	+	+	+
Коэффициент песчанистости, доли ед. Sandiness coefficient, units	+	+	+	+	+
Коэффициент расчленённости, доли ед. Fragmentation coefficient, units	+	+	+	+	+
Начальная пластовая температура, °С Initial reservoir temperature, °С	+	+	+	+	+
Начальное пластовое давление, МПа Initial reservoir pressure, MPa	+	+	+	+	+
Вязкость нефти в пластовых условиях, мПа*с Oil viscosity in reservoir conditions, MPa*s	+	+	+	–	–
Плотность нефти в пластовых условиях, (кг/м3)*10–3 Oil density in reservoir conditions, (kg/m3)*10–3	+	+	+	–	–
Содержание серы в нефти, % Sulfur content in oil, %	+	+	+	–	–
Содержание парафина в нефти, % Paraffin content in oil, %	+	+	+	–	–
Давление насыщения нефти газом, МПа Bubble point pressure, MPa	+	+	+	–	–
Газосодержание, м3/т Gas content, m3/t	+	+	+	–	–
Коэффициент вытеснения нефти водой, доли ед. Oil displacement coefficient, units	+	+	+	–	–
Средняя эффективная газонасыщенная толщина, м Аverage effective gas-saturated thickness, m	–	+	+	+	+
Коэффициент газонасыщенности пласта, доли ед. Gas saturation coefficient, units	–	+	+	+	+
Давление начала конденсации, МПа Condensation start pressure, MPa	–	+	+	+	+
Вязкость газа в пластовых условиях, мПа*с Gas viscosity in reservoir conditions, мPа*s	–	+	+	+	+
Плотность газа в пластовых условиях, кг/м3 Gas density in reservoir conditions, kg/m3	–	+	+	+	+
Коэффициент вытеснения нефти газом, доли ед. Coefficient of oil displacement by gas, units	–	+	+	–	–
Плотность конденсата в стандартных условиях, (кг/м3)*10–3 Condensate density under standard conditions, (kg/m3)*10–3	–	–	+	+	–
Вязкость конденсата в стандартных условиях, мПа*с Condensate viscosity under standard conditions, мPа*s	–	–	+	+	–
Потенциальное содержание стабильного конденсата в пластовом газе (С5+), г/м3 Potential content of stable condensate in the formation gas (С5+), g/m3	–	–	+	+	–

 

3. Оценка степени сходства количественных параметров объектов разработки с учётом граничных значений диапазона изменения параметра по каждому объекту путём сравнения количественных значений для объектов по формуле (1).

$R=1-\frac{1}{N}\underset{i=1}{\overset{N}{}}\left|w_i\frac{x_{Ai}-x_{ci}}{x_{ci}}\right|$,  (1)

где R – степень сходства объектов; N – количество параметров; x_Ai – количественный параметр потенциального аналога; x_ci – количественный параметр целевого объекта; w_i – вес параметра.

4. Организация алгоритма определения веса геолого-физического и физико-химических параметров исследуемого объекта разработки с точки зрения влияния на технологические решения посредством построения линейной регрессии, в основе которой лежит уравнение Дюпюи (2), описывающее приток жидкости к скважине, вязкость (3), обводнённость (4) и фазовые проницаемости по воде (5) и нефти (6). Решение системы с использованием диапазонов значений количественных параметров позволит проранжировать параметры и определить степень их влияния на конечную величину.

$Q=\frac{2\pi kh}{\mu }\cdot \frac{{\text{Δ}}^p}{\ln \frac{R_{п}}{R_c}}$,   (2)

$\mu =\frac{{\mu }_w\cdot {\mu }_o}{k_{rw}\left(S_w\right)\cdot {\mu }_o+k_{ro}\left(S_w\right)\cdot {\mu }_w}$,   (3)

$f_w=\frac{100}{1+\frac{k_{ro}\cdot {\mu }_w\cdot B_w}{k_{rw}\cdot {\mu }_o\cdot B_o}}$,  (4)

$k_{rw}=F_w\cdot {\left(\frac{S_w-S_{wc}}{1-S_{or}-S_{wc}}\right)}^n$,  (5)

$k_{ro}=F_o\cdot {\left(1-\frac{S_w-S_{wc}}{1-S_{or}-S_{wc}}\right)}^m$,  (6)

где Q – Дебит условной скважины; µ – вязкость флюида в пластовых условиях; µ_o – вязкость флюида в пластовых условиях; µ_w – вязкость флюида в пластовых условиях; k – коэффициент проницаемости; h – мощность пласта; R_п – радиус контура питания; R_с – радиус скважины; k_rw – относительная фазовая проницаемость по воде; k_ro – относительная фазовая проницаемость по нефти; n – степень Кори по воде; m – степень Кори по нефти; B_w – объемный коэффициент воды; B_o – объемный коэффициент нефти; S_w – водонасыщенность; S_wc – связанная водонасыщенность; S_or – остаточная нефтенасыщенность; F_w – концевая точка по воде; F_o – концевая точка по нефти.

5. Верификация полученных данных с учетом текущих показателей разработки месторождений-аналогов может осуществляться посредством предлагаемой функциональной зависимости (7):

$\theta =\ln Q_{\text{накоп}}{t}_{\text{разраб}}$.  (7)

где Ѳ – степень достоверности данных; Q_накоп – накопленная добыча; t_разраб – время разработки.

Достоверность количественных геолого-физических параметров объектов-аналогов позволяет оценить возможность применения накопленного на аналогах опыта при проектировании разработки. Данная процедура в предлагаемой методике имеет, с точки зрения авторов, крайне важное значение вследствие того, что при подборе аналогов используется широко масштабный массив геолого-физических и физико-химических данных, часть из которых не имеет экспериментального или лабораторного подтверждения. Кроме того, реальная практика формирования базы данных не успевает за происходящими изменениями в процессе разработки. Дополнительно стоит отметить, что реальные темпы исследования, доразведки и получения результатов лабораторных исследований у месторождений отличаются в зависимости от возможностей и приоритетов недропользователя. Например, одно месторождение может активно развиваться эксплуатационным бурением с полным комплексом геофизических исследований скважин и отбором керна, а второе может десятилетия работать с постоянным фондом добывающих скважин. Предложенная авторами зависимость способна оценить входную информацию из базы данных и отсеять результаты, не имеющие экспериментального подтверждения.

Результаты

В качестве целевого объекта для апробации было выбрано месторождение Западной Сибири с одним объектом разработки. В основе залежи находится нефтяной пласт ЮВ₁², в формировании которого принимают участие терригенные отложения различного литолого-фациального состава мезозойско-кайнозойского платформенного чехла и в различной степени метаморфизированные и дислоцированные породы доюрского складчатого фундамента.

В ходе первого этапа подбора на основе качественных критериев из первоначальных нескольких тысяч объектов разработки осталось 59 вероятных кандидатов. Далее был произведён расчёт степени сходства с помощью средневзвешенного отклонения. Количественные параметры для нефтяного месторождения, участвующие в расчёте, представлены в табл. 1.

Методы многомерного разведочного анализа данных получают широкое распространение ввиду развития цифровых технологий по сбору и хранению промысловой информации. С использованием результатов разведочного анализа строятся модели, способные решать задачу регрессии, т. е. оценивать значения числовой выходной переменной по значениям входных переменных [21]. Кроме прогнозной способности, такие модели способны ранжировать параметры по степени влияния на прогнозную величину.

Для определения весового коэффициента параметров целевого месторождения были взяты параметры ГФХ, и в используемых для проектирования диапазонах граничных значений сгенерировано 10⁶ вариантов решений. После чего с помощью моделей дерева решений и линейной регрессии определены веса параметров.

Построение линейной регрессии осуществлялось автоматически с применением программного модуля, разработанного на языке Python. Полученные весовые коэффициенты представлены в табл. 2.

 

Таблица 2. Результаты определения веса параметров

Table 2. Results of determining the weight of the parameters

kпр	h	∆P	µo	µw	Кн
0,59	0,163	0,53	0,92	0,52	0,5

 

Для определения более достоверной модели была определена выборка из 100 сгенерированных решений для оценки сходимости модели и исходных данных. Для исследуемого в данном примере месторождения средняя величина ошибки по модели линейной регрессии составляет 0,2 %, по модели дерева решений – 2,7 %. В результате чего для данного месторождения меньшую ошибку допускает линейная регрессия. Соответственно, важность параметров выбирается по данной модели.

Несмотря на отсутствие ряда количественных параметров в уравнениях (3)–(7), эти значения имеют большую важность для определения аналогов, так как влияют на системы разработки, вероятные осложнения при добыче и поверхностную инфраструктуру [22, 23]. Учитывая их важность, прочим параметрам были присвоены веса по нижней границе рассчитанных коэффициентов, что позволило получить более точную оценку степени сходства.

Результаты анализа продемонстрированы в табл. 3. Также таблица дополнена основной утверждённой системой разработки, коэффициентом охвата (Кохв), коэффициентом извлечения нефти (КИН) и текущим отбором от начальных извлекаемых запасов (НИЗ).

В процессе анализа степени сходства различных месторождений из оставшихся после первого этапа 59 объектов были выделены 10 аналогов с наибольшим значением степени сходства.

 

Таблица 3. Результаты подбора аналогов

Table 3. Results of selection analogues 

Месторождение Field	Пласт Reservoir	Кохв. д. ед. Coverage ratio, units	Тип заводнения Flooding type	Технология разработки Reservoir development system	Отбор от НИЗ, % Selection from reserves, %	Степень сходства, д. ед. Degree of similarity, units	КИН, д. ед. Oil recover, units	Достоверность Reliability
A	Ю13	0,781	Приконтурное заводнение Short-circuit water-flooding	Площадная+рядная ННС+ЗБС, ГС, ПОТ Areal system+inline system	50,9	0,97	0,355	13,6	13,25
B	Ю1(1+2+3)	0,645	Заводнение Water-flooding	Избирательная, ГС+МГРП, ПВЛГ+ ЗБГС+МГРП Selective system	64,1	0,871	0,335	14,8	12,96
C	Ю12	0,711		Площадная пятиточечная. ННС+ЗБГС+МГРП, ГС+МГРП Areal five-point system	84,7	0,937	0,352	12,2	11,43
D	Ю1(0+1+2)	0,72		Избирательная, ННС+ЗБГС+МГРП Selective system	54,4	0,875	0,349	12,9	11,32
E	Ю11+2+М	0,650		Избирательная, ННС+ЗБГС+МГРП Selective system	71	0,832	0,352	12,4	10,33
F	Ю11	0,902	Приконтурное заводнение Short-circuit water-flooding	Площадная+рядная ННС+ЗБС, ГС, ПОТ Areal system+inline system	62,6	0,977	0,446	10,1	9,92
G	Ю12	0,808	Заводнение Water-flooding	Пятиточечная, ГС+МГРП Five-point system	25	1	0,349	–	–
H	Ю12	0,895		Пятиточечная ГС+МГРП Five-point system	24,6	0,852	0,344	10,1	8,61
I	Ю11	0,701	Приконтурное заводнение Short-circuit water-flooding	Очагово-избирательная ГС+МГРП Local-selective system	18,3	0,932	0,322	8,55	7,98
J	Ю13Б	0,66	Заводнение Water-flooding	Избирательная, ННС+ГРП, ЗБГС+МГРП Selective system	57,7	0,909	0,258	7,77	7,06
K	Ю13	0,525		Избирательная ГС, ЗБГС Selective system	0,002	0,931	0,32	0	0

 

В результате количественной оценки становится понятно, какой из аналогов ближе всего к исследуемому объекту. По данному критерию наилучшим аналогом для месторождения «G» является объект «F» с наибольшим значением 0,977. Тем не менее месторождение «A» обладает большей достоверностью данных геолого-физических характеристик, ввиду чего будет лучшим аналогом с целью применения накопленного на месторождении опыта. Учитывая верификацию данных, стоит исключить из полученных результатов объект «K» ввиду того, что за длительное время эксплуатации месторождения значение накопленной добычи по данному объекту разработки крайне мало. К дальнейшему использованию пригодны данные с аналогов с величиной достоверности больше 0.

Количественная оценка позволяет полноценно и объективно оценить, какой из аналогов является наилучшим. В совокупности с учётом граничных значений параметров и достоверности данных становится возможным дальнейшее применение метода аналогий для проектирования целевого месторождения.

Также стоит отметить тот факт, что 7 из 10 аналогов совпадают с оценкой экспертов из государственных органов, полученной в ходе экспертизы проектно-технической документации, что дополнительно свидетельствует о высокой достоверности предложенного метода.

Обсуждение

В настоящее время аналоги используются в основном для обоснования коэффициентов извлечения нефти перед государственными органами. Тем не менее изложенный выше подход способствует расширению границ применимости метода аналогий. После нахождения аналогов можно использовать данные ГФХ для прогнозирования неизвестных значений на месторождении.

Предположим, что для целевого месторождения не известен коэффициент вытеснения нефти водой. Для этапа гидродинамического моделирования эта информация является исходной, поэтому возникает потребность в восполнении этих данных методом аналогий.

 

Таблица 4. Исходные данные с аналогов

Table 4. Initial data of analogues

Месторождение/Field	Квыт/Displacement ratio
A	0,432	13,25
B	0,494	12,96
C	0,455	11,43
D	0,495	11,32
E	0,459	10,33
F	0,610	9,92
H	0,391	8,61
I	0,519	7,98
J	0,384	7,06

 

Методами data mining возможно обнаружение зависимостей между параметрами среди определённых аналогов и на их основе создание прогноза. В данном случае также можно использовать линейную регрессию, с помощью которой можно находить такие зависимости, при этом значением функции будет являться значение, которое необходимо спрогнозировать (8):

$Y=K_{\text{выт}}.$  (8)

В качестве обучения для модели будет выбрано множество параметров ГФХ определенных ранее месторождений-аналогов:

$X=\left[\begin{array}{c}{H}_{\text{эф}},K_{\text{п}},K_{\text{н}},K_{\text{пр}},K_{\text{пес}},K_{\text{рас}},T_{\text{нач}}\\ ,P_{\text{нач}},{\text{µ}}_o,{\text{µ}}_w,W_{\text{сера}},W_{\text{парафин}},P_{\text{нас}},Г\end{array}\right]$.

Точность полученной модели можно будет проверить на той же выборке месторождений-аналогов, определив часть выборки как обучающую, а остальную часть как тестовую для определения достоверности полученной модели.

Рассчитанный методом средневзвешенного, где в роли веса выступает произведение достоверности и степени сходства, коэффициент вытеснения нефти водой для месторождения «G» составил 0,432 д. ед. Утверждённое значение 0,472 д. ед. Отклонение расчёта от лабораторных значений 8 %. При работе с глобальной системой данных объектов со всей страны возможно увеличение количества аналогов, что в свою очередь позволит создавать более достоверные модели и повысить верификацию прогнозирования.

Выводы

1. В отечественной нефтегазовой отрасли метод аналогий находится на стадии развития и имеет большой потенциал для совершенствования. В ходе исследования был представлен алгоритм для подбора аналогов, который учитывает диапазон граничных значений параметров объекта разработки. Также был предложен способ использования аналогов в процессе разработки месторождений.
2. Текущий алгоритм подбора аналогов требует совершенствования определения степени сходства. В дополнение к сравнению качественных и количественных параметров объекта планируется анализ и сравнение петрофизических зависимостей пластов, данных глубинных исследований скважин и данных сейсморазведки.
3. Применение метода аналогий имеет ряд перспектив к развитию. Возможно использование аналогов для прогнозирования недостающих данных целевых месторождений, выбора систем разработки и методов увеличения нефтеотдачи, предварительной оценки рентабельности активов и жизнеспособности проекта.

About the authors

Alexander V. Karsakov

National Research Tomsk Polytechnic University

Author for correspondence.
Email: Avk163@tpu.ru
ORCID iD: 0000-0002-5804-2460

Postgraduate Student

Russian Federation, Tomsk

Pavel N. Zyatikov

National Research Tomsk State University

Email: zpavel@tpu.ru
ORCID iD: 0000-0003-3926-3206

Dr. Sc., Professor

Russian Federation, Tomsk

Kirill V. Sinebriukhov

JSC «TomskNIPIneft»

Email: Sinebriukhov.kirill@gmail.com

Head of the Department for the Development of Applied Software in Design and Survey Work

Russian Federation, Tomsk

Irina V. Sharf

National Research Tomsk Polytechnic University

Email: Irina_sharf@mail.ru
ORCID iD: 0000-0002-1333-1234

Dr. Sc., Professor

Russian Federation, Tomsk

References

Supplementary files