Новые возможности мониторинга разработки нефтяных месторождений при оценке энергетического состояния залежей методами искусственного интеллекта

UDK: 622.276.1/.4
DOI: 10.24887/0028-2448-2024-4-76-79
Ключевые слова: пластовое давление, методы искусственного интеллекта (ИИ), поддержание пластового давления (ППД), взаимодействие между скважинами, трассерные исследования
Авт.: И.Н. Пономарева (Пермский национальный исследовательский политехнический университет), д.т.н. М.С. Черепанов (Пермский национальный исследовательский политехнический университет), А.А. Мелехин (Пермский национальный исследовательский политехнический университет), к.т.н. Л.А. Захаров (Пермский национальный исследовательский политехнический университет)

Одна из ключевых задач мониторинга разработки нефтяных месторождений – оценка гидродинамической связи между добывающими и нагнетательными скважинами. На практике она, как правило, решается при проведении дорогостоящих и продолжительных трассерных (индикаторных) исследований. Актуальной является разработка косвенной методики, позволяющей оперативно решать указанную задачу. В статье рассматривается подход, основанный на сравнительном анализе среднемесячных значений пластового давления в зонах отбора и объемов закачки нагнетательных скважин. В качестве объекта исследования выбрана турнейская залежь Опалихинского месторождения, характеризующаяся сложными геолого-физическими условиями добычи нефти, что обусловлено не только сложным строением карбонатного коллектора, но и высокой вязкостью нефти. На объекте проведены масштабные трассерные исследования.

Результаты этих исследований использованы в качестве фактической информации о гидродинамической связи между зонами отбора и закачки. Значения пластового давления в зонах отбора на практике получают при проведении гидродинамических исследований скважин, при этом фактические частота и регулярность замеров не позволяют реализовать предложенный подход. В связи с этим для оценки гидродинамической связи между зонами отбора и закачки предлагается использовать значения пластовых давлений, рассчитанные с шагом в 1 мес на основе специально созданной модели с применением методов искусственного интеллекта. При обучении модели использован весь накопленный опыт фактических измерений пластового давления в зонах отбора нефти из скважин Пермского края. В качестве исходных данных при расчете используется минимальный объем геолого-промысловой информации (среднемесячные значения дебитов нефти и жидкости, коэффициенты эксплуатации и хотя бы один за всю историю работы скважины фактический замер пластового давления). Наличие значений пластовых давлений с шагом в 1 мес позволяет сопоставить их с объемами закачки соседних нагнетательных скважин для оценки гидродинамической связи. Результаты практического применения предложенного подхода в полной мере подтверждаются материалами трассерных исследований двух пар скважин.

Список литературы

1. Катанов Ю.Е., Ягафаров А.К., Аристов А.И. Цифровой керн: аппроксимационные модели текстурных особенностей пустотного пространства песчаников // Вестник Академии наук Республики Башкортостан. – 2023. – Т. 47. – № 2 (110). – С. 33–42. - https://doi.org/10.24412/1728-5283-2023-2-33-42

2. Rongbo Shao, Hua Wang, Lizhi Xiao. Reservoir evaluation using petrophysics informed machine learning: A case study // Artificial Intelligence in Geosciences. – 2024. – 100070, https://doi.org/10.1016/j.aiig.2024.100070.

3. A new machine learning approach for estimating shear wave velocity profile using borelog data / A. Joshi, B. Raman, C.K. Mohan, L.R. Cenkeramaddi // Soil Dynamics and Earthquake Engineering. – 2024. – V. 177. – 108424. https://doi.org/10.1016/j.soildyn.2023.108424.

4. Identification of carbonate sedimentary facies from well logs with machine learning / Xianmu Hou, Peiqing Lian, Jiuyu Zhao [et al.] // Petroleum Research. –2024, https://doi.org/10.1016/j.ptlrs.2024.01.007.

5. Катанов Ю.Е. Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах // Известия вузов. Нефть и газ. – 2021. – № 1 (145). – С. 55–76. - https://doi.org/10.31660/0445-0108-2021-1-55-76

6. Application of machine learning in wellbore stability prediction: A review / Kai Xu, Zouwei Liu, Qi Chen [et al.] // Geoenergy Science and Engineering. – 2024. – V. 232. Part B. – 212409. https://doi.org/10.1016/j.geoen.2023.212409.

7. Iming Liu, Xiao Tan, Yi Bao. Machine learning-assisted intelligent interpretation of distributed fiber optic sensor data for automated monitoring of pipeline corrosion // Measurement. – 2024. – V. 226. – 114190. - https://doi.org/10.1016/j.measurement.2024.114190.

8. Воспроизведение пластового давления методами машинного обучения и исследование его влияния на процесс образования трещин при гидравлическом разрыве пласта / Е.В. Филиппов, Л.А. Захаров, Д.А. Мартюшев, И.Н. Пономарева // Записки Горного института. – 2022. – Т. 258. – С. 924–932. - http://doi.org/10.31897/PMI.2022.103

9. Martyushev D.A., Ponomareva I.N., Filippov E.V. Studying the direction of hydraulic fracture in carbonate reservoirs: using machine learning to determine reservoir pressure // Petroleum Research. – 2022. - http://doi.org/10.1016/j.ptlrs.2022.06.003

10. Захаров Л.А., Мартюшев Д.А., Пономарева И.Н. Прогнозирование динамического пластового давления методами искусственного интеллекта // Записки Горного института. – 2022. – Т. 253. – С. 23–32. - http://doi.org/10.31897/PMI.2022.11



Внимание!
Купить полный текст статьи (русская версия, формат - PDF) могут только авторизованные посетители сайта.