Модификация модели материального баланса CRM для условий трехфазного потока

Об авторах:

Галеев Айрат Алмазович, главный специалист управления автоматизации процессов и менеджмента данных, ООО «РН-Геология Исследования Разработка», Тюмень, Россия; aagaleev@rn-gir.rosneft.ru, https://orcid.org/0009-0005-2582-2400

Синицына Татьяна Ивановна, кандидат технических наук, начальник управления инжиниринга добычи, ООО «РН-Геология Исследования Разработка», Тюмень, Россия; tisinitsyna@rn-gir.rosneft.ru, https://orcid.org/0009-0007-4986-9486

Аннотация:

Емкостно-резистивные модели (CRM) представляют собой ряд упрощенных моделей материального баланса, которые используют данные о добыче и закачке для оценки межскважинного взаимодействия и прогнозирования добычи. Область их применения охватывает оптимизацию режимов работы скважин, оценку эффективности заводнения и управление пластовым давлением. Применение таких моделей не требует значительных вычислительных и временных затрат, что позволяет использовать их в условиях, требующих оперативного принятия решений. Несмотря на большое количество публикаций, посвященных совершенствованию CRM и расширению их диапазона применимости, в этих моделях по-прежнему существуют некоторые ограничения и незатронутые области исследования. Среди таких ограничений можно выделить отсутствие учета многофазного потока в пласте, что приводит к снижению качества прогнозирования в условиях значительного изменения обводненности продукции скважины. Появление свободного газа в пласте из-за снижения давления ниже давления насыщения способствует существенному изменению характера потока, что не учитывается в рамках CRM. В данной статье представлена модифицированная модель на основе CRM для условий трехфазного потока (нефть, вода, газ). Приведены результаты численных экспериментов на реальных скважинах, демонстрирующих лучшее качество прогнозирования в сравнении с классической моделью CRMP.

Список литературы:

Бекман А. Д., Степанов С. В., Ручкин А. А., Зеленин Д. В. 2019. Новый алгоритм нахождения оптимального решения задачи определения коэффициентов взаимовлияния скважин в рамках модели CRM // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Т. 5. № 3. С. 164–185. https://doi.org/10.21684/2411-7978-2019-5-3-164-185

Бекман А. Д. 2023. Новая двухфазная емкостно-резистивная прокси-модель процесса разработки нефтяного месторождения // Математическое моделирование. Т. 35. № 5. С. 47–61. https://doi.org/10.20948/mm-2023-05-04

Бекман А. Д., Зеленин Д. В. 2021. Использование расширенной CRMP-модели для картирования пластового давления // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Т. 7. № 4(28). С. 163–180. https://doi.org/10.21684/2411-7978-2021-7-4-163-180

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

Шевцов Н. О., Степанов С. В. 2022. Совершенствование модели материального баланса для учета изменения коэффициента продуктивности скважин // Математическое моделирование. Т. 34. № 2. С. 3–16. https://doi.org/10.20948/mm-2022-02-01

Brooks R., Corey T. 1964. Hydraulic Properties of Porous Media. Hydrology Papers. Fort Collins, CO: Colorado State University.

Brown K. E. 1977. Technology of Artificial Lift Methods. Vol. 1. Tulsa, OK: PennWell Books. 487 p.

Brown K. E. 1984. Technology of Artificial Lift Methods. Vol. 4. Tulsa, OK: PennWell Books. 443 p.

Cao F. 2014. Development of a Two-Phase Flow Coupled Capacitance Resistance Model. PhD Dissertation. University of Texas, Austin, TX, USA. 218 p.

Guo Z., Reynolds A. C., Zhao H. 2018. Waterflooding optimization with the INSIM-FT data-driven model // Computational Geosciences. Vol. 22. Pp. 745–761. https://doi.org/10.1007/s10596-018-9723-y

Hochreiter S., Schmidhuber J. 1997. Long short-term memory // Neural Computation. Vol. 9(8). Pp. 1735–1780.

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. Art. no. 3368. https://doi.org/10.3390/en11123368

Jamali A., Tavakkol A. E. 2017. Application of capacitance resistance models to determining interwell connectivity of large-scale mature oil fields // Petroleum Exploration and Development. No. 44(1). Pp. 132–138 https://doi.org/10.1016/S1876-3804(17)30017-4

Kianinejad A., Chen X., DiCarlo D. A. 2015. The effect of saturation path on three-phase relative permeability // Water Resources Research. Vol. 51. No. 11. Pp. 9141–9164. https://doi.org/10.1002/2015WR017185

Mallipeddi R., Suganthan P. N. 2009. Differential evolution algorithm with ensemble of populations for global numerical optimization // OPSEARCH. Vol. 46. Pp. 184–213. https://doi.org/10.1007/s12597-009-0012-3

Raissi M., Perdikaris P., Karniadakis G. E. 2019. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // Journal of Computational Physics. Vol. 378. Pp. 686–707. https://doi.org/10.1016/j.jcp.2018.10.045

Raissi M., Yazdani A., Karniadakis G. E. 2020. Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations // Science. Vol. 367. Pp. 1026–1030. https://doi.org/10.1126/science.aaw4741

Salehian M., Çınar M. 2019. Reservoir characterization using dynamic capacitance–resistance model with application to shut-in and horizontal wells // Journal of Petroleum Exploration and Production Technology. Vol. 9. Pp. 2811–2830. https://doi.org/10.1007/s13202-019-0655-4

Sayarpour M. 2008. Development and Application of Capacitance-Resistive Models to Water/CO2 Floods. PhD Dissertation. University of Texas, Austin, TX, USA. 218 p.

Vogel J. V. 1968. Inflow performance relationships for solution gas drive wells // Journal of Petroleum Technology. Vol. 20. No. 1. Pp. 83–92.

Weber D., Edgar T. F., Lake L. W., Lasdon L., Kawas S., Sayarpour M. 2009. Improvements in capacitance-resistive modeling and optimization of large scale reservoirs // SPE Western Regional Meeting, San Jose, California. SPE-121299-MS. https://doi.org/10.2118/121299-MS

Willhite G. P. 1986. Waterflooding. Vol. 3. Dallas, TX: Textbook Series, SPE. 326 p.

Yousef A., Gentil P., Jensen J., Lake L. 2005. A capacitance model to infer interwell connectivity from production and injection rate fluctuations // SPE Annual Technical Conference and Exhibition, Dallas, Texas. SPE-95322-MS. https://doi.org/10.2118/95322-MS

Zhao Hui, Kang Zhijiang, Zhang Xiansong, Sun Haitao, Cao Lin, Reynolds A. 2015. INSIM: A data-driven model for history matching and prediction for waterflooding monitoring and management with a field application // SPE Reservoir Simulation Symposium. SPE-173213-MS. https://doi.org/10.2118/173213-MS