Применение инструментов прокси-моделирования для оценки коэффициента полезной закачки для нефтяного месторождения

Об авторах:

Косяков Виталий Петрович, кандидат физико-математических наук, старший научный сотрудник, Тюменский филиал Института теоретической и прикладной механики им. С.А. Христиановича СО РАН, доцент кафедры расходометрии нефти и газа, Тюменский государственный университет; eLibrary AuthorID, Web of Science ResearcherID, lik.24@yandex.ru; ORCID: 0000-0002-2297-408X

Мусакаев Эмиль Наильевич, кандидат технических наук, научный сотрудник Тюменского филиала Института теоретической и прикладной механики им. С. А. Христиановича CО РАН; специалист по интегрированному моделированию ООО ПИТЦ «Геофизика»; musakaev91@gmail.com

Гайдамак Инна Владимировна, специалист по интегрированному моделированию ООО ПИТЦ «Геофизика»; старший преподаватель, Тюменский государственный университет; gaydamakiv@mail.ru

Аннотация:

Настоящая работа посвящена совместному использованию физически содержательных прокси моделей разного уровня сложности для определения коэффициента полезной закачки. Коэффициент полезной закачки — это параметр, который отражает долю закачиваемой жидкости, попадающую в пласт и совершающую полезную работу по поддержанию пластового давления и вытеснению нефти из пласта. Подбор коэффициента полезной закачки при использовании полноценной гидродинамической модели является затруднительным ввиду высоких требований к вычислительным и временным ресурсам. Поэтому для расчета данного коэффициента является оправданным использование подхода упрощенного прокси-моделирования, которое позволяет дать оценку искомому параметру в приемлемые сроки. Задача поиска коэффициента полезной закачки относится к обратным задачам. В качестве прокси-моделей использовались: модель материального баланса по месторождению в целом и для системы гидродинамически связанных участков, модель емкость-сопротивление (CRM) и двумерная фильтрационная модель. Порядок используемых моделей соответствует иерархическому принципу «от простого к сложному». Основываясь на известной истории разработки нефтяного месторождения (добыча, закачка жидкости, пластовое и забойное давление), были получены коэффициенты полезной закачки, было выполнено их сопоставление, проведен анализ полученных результатов.

Список литературы:

1.      Басниев К. С. Подземная гидромеханика / К. С. Басниев, Н. М. Дмитриев,
Р. Д. Каневская, В. М. Максимов. Москва; Ижевск: Институт компьютерных исследований, 2006.

2.      Косяков В. П. Задача совместного использования теории фильтрации и элементов машинного обучения для решения обратной задачи восстановления гидропроводности нефтяного месторождения / В. П. Косяков, Д. Ю. Легостаев, Э. Н. Мусакаев // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2021. Т. 7. № 2 (26). С. 113-129. DOI: 10.21684/2411-7978-2021-7-2-113-129

3.      Мазо А. Б. Суперэлементы. Моделирование разработки нефтяных месторождений / А. Б. Мазо, К. А. Поташев. Москва: ИНФРА-М, 2020.

4.      Поташев К. А. Вычисление перетоков флюида между скважинами в фильтрационной модели разработки нефтяного пласта с помощью линий тока / К. А. Поташев, Р. Р. Ахунов, А. Б. Мазо // Георесурсы. 2022. № 24 (1). С. 27-35. DOI: 10.18599/grs.2022.1.3

5.      Aydin Larestani. Predicting formation damage of oil fields due to mineral scaling during water-flooding operations: Gradient boosting decision tree and cascade-forward back-propagation network / Aydin Larestani, Seyed Pezhman Mousavi, Fahimeh Hadavimoghaddam, Abdolhossein Hemmati-Sarapardeh // Journal of Petroleum Science and Engineering. 2022. Vol. 208. Art. 109315.

6.      Bing Kong. Bayesian probabilistic dual-flow-regime decline curve analysis for complex production profile evaluation / Bing Kong, Shengnan Chen, Zan Chen, Qian Zhou // Journal of Petroleum Science and Engineering. 2020. Vol. 195. Art. 107623.

7.      Illarionov E. End-to-end neural network approach to 3D reservoir simulation and adaptation / E. Illarionov, P. Temirchev, D. Voloskov, R. Kostoev, M. Simonov, D. Pissarenko, D. Orlova, D. Koroteev // Journal of Petroleum Science and Engineering. 2022. Vol. 208. Pp. 109-332.

8.      Kosyakov V. P. Structural and parametric identification of an aquifer model for an oil reservoir / V. P. Kosyakov // Lobachevskii Journal of Mathematics. 2020. Vol. 41. Pp. 1242–1247. DOI: 10.1134/S1995080220070239

9.      Musakaev E. N. Parameter identification for sector filtration model of an oil reservoir with complex structure / E. N. Musakaev, S. P. Rodionov, D. Y. Legostaev, V. P. Kosyakov // AIP Conference Proceedings. 2019. Vol. 2125. Art. 030113. DOI: 10.1063/1.5117495

10.   Sayarpour M., Zuluaga E., Kabir C.S., Lake Larry W. The use of capacitance-resistance models for rapid estimation of waterflood performance and optimization /
M. Sayarpour, E. Zuluaga, C. S. Kabir, W. Lake Larry // Journal of Petroleum Science and Engineering. 2009. № 69. Pp. 227-238.