Подход к получению вероятностной оценки прогнозных профилей добычи, конденсатогазового фактора и обводнения

Рассмотрен подход к получению вероятностной оценки про­гнозных показателей разработки газоконденсатного плас­та с применением многовариантных гидродинамических расчетов. Необходимость подобного решения диктуется стремлением к нивелированию влияния значительного чис­ла неопределенностей, присутствующих в практике работы с цифровыми моделями месторождений. В качестве основ­ного инструмента было использовано программное обеспе­чение «тНавигатор», обладающее широким функционалом в указанном направлении. Изучены возможности задания переменных для параметризации модели, проведен обзор методов планирования эксперимента и оптимизационных алгоритмов. С помощью оптимизационного алгоритма Диф­ференциальной эволюции на первом этапе произведена адаптация исходной версии гидродинамической модели, в которой наблюдались проблемы с воспроизведением отборов по добываемым фазам и динамике давлений, на исторические показатели работы скважин. Полученное каче­ство адаптации контролировалось значениями специально сгенерированной целевой функции. На втором шаге на ба­зе наилучших сценариев настройки исторического периода рассчитаны прогнозные параметры разработки, для которых были построены соответствующие накопленные функции распределения, отражающие интересующую вероятностную оценку. По итогам проделанной работы сформирована необходимая последовательность действий, позволяющая прийти к получению необходимых искомых величин, а так­же сформулированы возможные варианты модификации рассмотренного подхода в области сокращения числа рас­считываемых моделей через выделение трех базовых сце­нариев и использование многомерного масштабирования, позволяющего кластеризовать равновероятные сценарии с последующим выбором представительных реализаций.

1. Козырев Н. Д., Вишняков А. Ю., Путилов И. С. Оценка влияния параметров неопределенности на прогнозирование показателей разработки // Недропользование. 2020. Т. 20. № 4. С. 356–368. https://doi.org/10.15593/2712-8008/2020.4.5

2. Андронов С. А., Горенкова Е. А., Гомонов А. А., Максименко И. А. Подходы к выбору реализаций при вероятностном моделировании геологической модели и анализ влияния на прогнозный профиль добычи // PROНЕФТЬ. Профессионально о нефти. 2023. № 8 (4). С. 25–32. https://doi.org/10.51890/2587-7399-2023-8-4-25-32

3. Шишаев Г. Ю., Матвеев И. В., Еремян Г. А. Геологически обоснованная автоматизированная адаптация гидродинамических моделей на примере реального месторождения // Нефтяное хозяйство. 2020. № 6. С. 58–61.

4. Syrtlanov V., Golovatskiy Y., Ishimov I., Mezhnova N. Assisted history matching for reservoir simulation models // SPE Russian Petroleum Technology Conference. Moscow, Russia. October 2019. https://doi.org/10.2118/196878-MS

5. Сметкина М. А., Мелкишев О. А., Присяжнюк М. А. Уточнение значений проницаемости при адаптации гидродинамической модели // Недропользование. 2020. Т. 20. № 3. С. 223–230. https://doi.org/10.15593/2712-8008/2020.3.3

6. тНавигатор 24.2. Адаптация и оптимизация. Руководство пользователя // Июль 2024.

7. Макаричев Ю. А., Иванников Ю. Н. Методы планирования эксперимента и обработки данных: учеб. пособие. Самара: Самар. гос. техн. ун-т, 2016. 131 с.

8. Симонов М. В., Пенигин А. В., Маргарит А. С., Пустовских А. А., Смирнов Н. А., Ситников А. Н. Методология построения метамоделей и перспективы их применения для решения актуальных задач нефтяного инжиниринга // PROНЕФТЬ. Профессионально о нефти. 2019. № 2 (12). С. 49–53.

9. Mohamed L., Christie M., Demyanov V. History Matching and Uncertainty Quantification: Multiobjective Particle Swarm Optimisation Approach // Conference SPE 143067. Vienna, Austria, 23-26 May 2011. https://doi.org/10.2118/143067-ms

10. Nelder J. A., Mead R. A simplex method for function minimization // Comput. J. 1965. No. 7. P. 308.

11. Kathrada M. Uncertainty evaluation of reservoir simulation models using particle swarms and hierarchical clustering. Doctoral dissertation. Heriot-Watt University, 2009. 221 p.

12. Amirian E., Fedutenko E., Yang C., Chen Z., Nghiem L.Artificial neural network modeling and forecasting of oil reservoir performance // Lecture Notes in Social Networks. 2018. P. 43–67.

13. Evensen G. Data assimilation: The ensemble Kalman filter. Springer, NY. 2007. 279 p.

14. Поспелова Т. А. Развитие методов регулирования работы скважин на основе цифровых технологий: автореф. дис. … д-ра техн. наук. Тюмень: Тюменский индустриальный университет, 2021. 48 с.

15. Santhosh E. C., Sangwai J. S. A hybrid differential evolution algorithm approach towards assisted history matching and uncertainty quantification for reservoir models // Journal of Petroleum Science and Engineering. 2016. Vol. 142. P. 21–35.

16. Jianwei Gu, Wei Liu, Kai Zhang, Liang Zhai, Yigen Zhang, Fuzhen Chen. Reservoir production optimization based on surrograte model and differential evolution algorithm // Journal of Petroleum Science and Engineering. 2021. Vol. 205.Art. 108879.

17. Hajizadeh Y., Christie M., Demyanov V. Application of differential evolution as a new method for automatic history matching // In Society of Petroleum Engineers - Kuwait International Petroleum Conference and Exhibition, KIPCE 2009: Meeting Energy Demand for Long Term Economic Growth. 2009. P. 272–284. https://doi.org/10.2118/127251-MS

18. Степанов С. В., Бекман А. Д., Ручкин А. А., Поспелова Т. А. Сопровождение разработки нефтяных месторождений с использованием моделей CRM. Тюмень: ИПЦ «Экспресс», 2021. 300 с.

19. Спирина Е. А., Давыдов И. В., Сазонов Д. Н., Таранин Р. М., Камалетдинов Р. Х. Экспресс-оценка выбора оптимальных параметров системы разработки в условиях геологической неопределенности // PROНЕФТЬ. Профессионально о нефти. 2023. № 8 (2). С. 165–175. https://doi.org/10.51890/2587-7399-2023-8-2-165-175

20. Каневская Р. Д. Математическое моделирование гидродинамических процессов разработки месторождений углеводородов. Москва-Ижевск: Институт компьютерных исследований, 2002. 140 с.