Моделирование добычи жидкости и динамики обводненности при совместном использовании фильтрационной модели и нейронных сетей

Об авторах:

Легостаев Дмитрий Юрьевич, младший научный сотрудник Тюменского филиала Института теоретической и прикладной механики им. С. А. Христиановича CО РАН, старший преподаватель кафедры прикладной и технической физики, Тюменский государственный университет; eLibrary AuthorID, legostaevdy@yandex.ru; ORCID: 0000-0001-6371-7031

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

Аннотация:

В нефтяной отрасли заметна тенденция к использованию прокси-­моделей разного уровня сложности для выполнения оперативных прогнозных расчетов, в частности методов машинного обучения, которые активно развиваются в контексте цифровизации и интеллектуализации производственных процессов. В настоящей работе на примере синтетической модели элемента разработки нефтяного пласта представлен подход к совместному использованию физически содержательной модели фильтрации и методов машинного обучения для решения задач адаптации и прогнозирования. Особенностью рассматриваемой синтетической модели является наличие выраженной зональной неоднородности поля проницаемости. В рамках предлагаемого подхода использована упрощенная, по сравнению с исходной постановкой, однофазная модель фильтрации, адаптация которой на историю проведена путем восстановления поля фильтрационных параметров пласта с помощью сети радиально-базисных функций. На основе восстановленного поля рассчитаны коэффициенты связи между скважинами, которые качественно и количественно соответствуют истинным связям. Следующим шагом выполнено обучение рекуррентной нейронной сети с целью прогнозирования обводненности добываемой жидкости. Использование рекуррентной нейронной сети позволило воспроизвести характерное немонотонное поведение обводненности добываемой жидкости, вызванное нестационарными режимами работы нагнетательных и добывающих скважин. Связка представленных моделей позволяет прогнозировать объем добываемой жидкости и ее фазовый состав. Для оценки прогностических свойств моделей набор фактических данных был разбит на обучающий и тестовый интервалы.

Список литературы:

Азиз Х., Сеттари Э. 2004. Математическое моделирование пластовых систем. М.; Ижевск: Институт компьютерных исследований. 416 с.

Андреев В. Б. 2013. Численные методы: учеб. пос. М.: Изд. отд. фак. ВМиК МГУ им. М. В. Ломоносова; МАКС Пресс. 336 с.

Бекман А. Д., Поспелова Т. А., Зеленин Д. В. 2020. Новый метод прогнозирования динамики обводненности скважин с использованием результатов CRMP-моделирования // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 6. № 1 (21). С. 192–207. https://doi.org/10.21684/2411-7978-2020-6-1-192-207

Власов А. И., Можчиль А. Ф. 2018. Обзор технологии: от цифрового к интеллектуальному месторождению // PROнефть. Профессионально о нефти. № 3 (9). С. 68–74. https://doi.org/10.24887/2587-7399-2018-3-68-74

Каневская Р. Д. 2002. Математическое моделирование гидродинамических процессов разработки месторождений углеводородов. М.; Ижевск: Институт компьютерных исследований. 140 с.

Косяков В. П., Родионов С. П. 2016. Оптимальное управление системой скважин на основе уравнений двухфазной фильтрации // Труды МФТИ. Том 8. № 3 (31). С. 79–90.

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

Косяков В. П., Легостаев Д. Ю. 2022. Использование машинного обучения для восстановления поля проницаемости элемента разработки нефтяного пласта в двумерной постановке // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 8. № 2 (30). С. 129–149. https://doi.org/10.21684/2411-7978-2022-8-2-129-149

Мазо А. Б., Поташев К. А. 2020. Суперэлементы. Моделирование разработки нефтяных месторождений: монография. М.: ИНФРА-М. 220 c. https://doi.org/10.12737/1043236

Поташев К. А., Ахунов Р. Р., Мазо А. Б. 2022. Вычисление перетоков флюида между скважинами в фильтрационной модели разработки нефтяного пласта с помощью линий тока // Георесурсы. Том 24. № 1. С. 27–35. https://doi.org/10.18599/grs.2022.1.3

Умановский А. В. 2022. Графовые нейронные сети для прокси-моделирования гидродинамики пласта // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 8. № 3 (31). С. 155–177. https://doi.org/10.21684/2411-7978-2022-8-3-155-177

Alakeely A., Horne R. N. 2020. Simulating the behavior of reservoirs with convolutional and recurrent neural networks // SPE Reservoir Evaluation & Engineering. Vol. 23. No. 3. Pp. 992–1005. https://doi.org/10.2118/201193-PA

Bai T., Tahmasebi P. 2021. Efficient and data-driven prediction of water breakthrough in subsurface systems using deep long short-term memory machine learning // Computational Geosciences. Vol. 25. No. 1. Pp. 285–297. https://doi.org/10.1007/s10596-020-10005-2

Farrell P. E., Ham D. A., Funke S. F., Rognes M. E. 2013. Automated derivation of the adjoint of high-level transient finite element programs // SIAM Journal on Scientific Computing. Vol. 35. No. 4. Pp. C369–C393. https://doi.org/10.48550/arXiv.1204.5577

Gopa K., Yamov S., Naugolnov M., Perets D., Simonov M. 2018. Cognitive analytical system based on data-driven approach for mature reservoir management // SPE Russian Petroleum Technology Conference (15–17 October 2018, Moscow, Russia). Paper SPE-191592-18RPTC-MS. https://doi.org/10.2118/191592-18RPTC-MS

Hochreiter S., Schmidhuber J. 1997. Long short-term memory // Neural Computation. Vol. 9. No. 8. Pp. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

Illarionov E., Temirchev P., Voloskov D., Kostoev R., Simonov M., Pissarenko D., Orlov D., Koroteev D. 2022. End-to-end neural network approach to 3D reservoir simulation and adaptation // Journal of Petroleum Science and Engineering. Vol. 208. Article 109332. https://doi.org/10.1016/j.petrol.2021.109332

Innes M., Saba E., Fischer K., Gandhi Dh., Rudilosso M. C., Joy N. M., Karmali T., Pal A., Shah V. 2018. Fashionable modelling with Flux // ArXiv. Article 1811.01457. https://doi.org/10.48550/arXiv.1811.01457

Musakaev E. N., Rodionov S. P., Musakaev N. G. 2021. Hierarchical approach to identifying fluid flow models in a heterogeneous porous medium // Mathematics. Vol. 9. No. 24. Article 3289. https://doi.org/10.3390/math9243289

Temirchev P., Simonov M., Kostoev R., Burnaev E., Oseledets I., Akhmetov A., Margarit A., Sitnikov A., Koroteev D. 2020. Deep neural networks predicting oil movement in a development unit // Journal of Petroleum Science and Engineering. Vol. 184. Article 106513. https://doi.org/10.1016/j.petrol.2019.106513