Методика использования упрощённой гидродинамической прокси-модели для решения задачи восстановления недостающих замеров забойного давления

Об авторах:

Косяков Виталий Петрович, кандидат физико-математических наук, старший научный сотрудник, Тюменский филиала Института теоретической и прикладной механики им. С.А. Христиановича CО РАН, Тюмень, Россия; старший научный сотрудник, лаборатория научного инжиниринга (ПИНШ), Альметьевский государственный технологический университет «Высшая школа нефти», Альметьевск, Россия
lik.24@yandex.ru,https://orcid.org/0000-0002-2297-408X

Маркелова Мария Романовна, техник, лаборатория интегрированного моделирования (ПИНШ), Альметьевский государственный технологический университет «Высшая школа нефти», Альметьевск, Россия
masha.m.33@mail.ru, https://orcid.org/0009-0002-1699-2297

Аннотация:

В настоящей работе предлагается подход к решению задачи восстановления пропусков в данных замеров давления на нефтяном месторождении. В настоящее время использование гидродинамических моделей является обязательным требованием к системе разработки месторождений. Математические модели используются для расчёта технологических показателей разработки при подготовке проекта разработки или его сопровождении. Однако точность решений, получаемых при их использовании, часто ограничивается качеством и количеством исходных данных. Основным типом исходных данных, характеризующих энергетику пласта, является пластовое давление, которое обеспечено замерами хуже, чем другие промысловые данные, такие как добыча, закачка и обводнённость. Для восстановления пропусков в данных давления на практике часто применяется метод протяжки последнего замера, который не учитывает динамические изменения остальных параметров и может приводить к рассогласованности данных. Этот метод не всегда эффективен, особенно при наличии пропусков в данных нескольких замеров. Предлагаемый подход основан на использовании упрощённой гидродинамической модели для решения задачи восстановления пропусков в данных давления. Упрощённая модель позволяет оперативно использовать оптимизационные алгоритмы и выполнять многовариантные расчёты, оставаясь в рамках физических законов, заложенных в модель. На примере синтетической фильтрационной модели показан подход, позволяющий заполнить пропуски в данных давления. Восстановление выполняется с учётом многовариантности параметров модели. Оптимизационная задача решается с использованием приёма «мультистарт», а начальные приближения генерируются методом латинского гиперкуба. Качество результатов оценивается с помощью метода кросс-валидации, а прогнозные характеристики модели — методом разбиения периода моделирования на обучающий и прогнозный 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. М.: Издательский отдел факультета ВМиК МГУ имени М.В. Ломоносова, МАКС Пресс. 336 с.

Басниев К.С., Дмитриев Н.М., Каневская Р.Д., Максимов В.М. 2006. Подземная гидромеханика. М/; Ижевск: Институт компьютерных исследований. 488 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

Галкин В.И., Пономарева И.Н., Мартюшев Д.А. 2021. Прогноз пластового давления и исследование его поведения при разработке нефтяных месторождений на основе построения многоуровневых многомерных вероятностно-статистических моделей // Георесурсы. Том 23. № 3. С. 73-82. DOI: 10.18599/grs.2021.3.10

Мазо А.Б., Поташев К. А. 2020. Суперэлементы. Моделирование разработки нефтяных месторождений. М.: ИНФРА-М. 219 c.

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. 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

Харисов М. Н., Юнусова Э. А., Харисова Э. А., Майский Р. А. 2018. Алгоритм определения характеристик вытеснения в условиях несовершенства данных // Нефтегазовое дело. Том 16 №6. С. 20-25DOI: 10.17122/ngdelo-2018-6-20-25

Шокина, М. О. 2017. Применение алгоритма k-means++ для кластеризации последовательностей с неизвестным количеством кластеров // Новые информационные технологии в автоматизированных системах. № 20. С. 160-163.

SciPy, оптимизация // Хабр. 2019. 7 февраля. URL: https://habr.com/ru/articles/439288/ (дата обращения: 27.01.2025)

Guo, Z., & Reynolds, A.C. 2019. INSIM-FT-3D: A Three-Dimensional Data-Driven Model for History Matching and Waterflooding Optimization. Paper presented at the SPE Reservoir Simulation Conference (April 11, 2019, Galveston, Texas, USA). https://doi.org/10.2118/193841-MS

Holanda, R. W. d., Gildin, E., Jensen, J. L., Lake, L. W., & Kabir, C. S. 2018. A State-of-the-Art Literature Review on Capacitance Resistance Models for Reservoir Characterization and Performance Forecasting. Energies. Vol. 11. No. 12. Art. 3368. https://doi.org/10.3390/en11123368

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

Kosyakov, V. P. 2020. Structural and Parametric Identification of an Aquifer Model for an Oil Reservoir // Lobachevskii Journal of Mathematics. Vol. 41, No. 7. Pp. 1242-1247. — DOI 10.1134/S1995080220070239. — EDN GLMSUQ.

SciPy documentation. SciPy.org. URL: https://docs.scipy.org/doc/scipy/index.html# (дата обращения: 27.01.2025)

Scikit-learn documentation. scikit-learn.org. URL: https://scikit-learn.org/stable/# (дата обращения: 27.01.2025)

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. Pp. 106513. https://doi.org/10.1016/j.petrol.2019.106513

Xiaoyong Wen, Jing Yang, Shaoyang Geng, Ke Li. 2019. Study on new method for evaluating reservoir formation pressure by wellhead pressure // IOP Conference Series: Earth and Environmental Science. Vol. 384. № 012037. DOI: 10.1088/1755-1315/384/1/012037

Zhao, H., Kang, Z., Zhang, X., Sun, H., Cao, L., & Reynolds, A.C. 2015. INSIM: A Data-Driven Model for History Matching and Prediction for Waterflooding Monitoring and Management with a Field Application. Annual Simulation Symposium.