Методические основы разделения добываемого в ООО «РН-Пурнефтегаз» нефтяного газа на газ газовой шапки и растворенный

UDK: 622.276.346.2
DOI: 10.24887/0028-2448-2019-5-86-90
Ключевые слова: нефтяной газ, растворенный газ, газ газовой шапки, гидродинамическое моделирование, учет добычи, регрессионный анализ
Авт.: С.Д. Дарий (ПАО «НК «Роснефть»), Р.Р. Исламов (ООО «РН-БашНИПИнефть»), Р.Р. Хайдаршин (ООО «РН-БашНИПИнефть»), А.Н. Янтудин (ООО «ТННЦ»), А.А. Зарипов (ООО «РН-Пурнефтегаз»), А.З. Камалов (ООО «РН-Пурнефтегаз»), Л.А. Фаррахов (ООО «РН-Пурнефтегаз»)

В статье представлены результаты проведенных научно-исследовательских работ по разделению добываемого нефтяного газа на растворенный газ и прорывной из газовых шапок. Данная задача является важной для корректного ведения баланса запасов и сопряжена с решением ряда методических проблем в условиях неопределенности исходных данных. В работе рассмотрены несколько методик и подходов к разделению добычи нефтяного газа, их преимущества и недостатки, применимость в условиях месторождений ООО «РН-Пурнефтегаз». Выбрана методика, которая базируется на гидродинамическом моделировании процессов разработки месторождений ООО «РН-Пурнефтегаз». Достоверность разделения добываемого газа на растворенный и поступающий из газовой шапки определялась корректностью моделирования процессов разгазирования пластовой нефти при снижении пластового давления и образования конусов газа. Качество настройки модели оценивалось по технологическим показателям разработки месторождения, полученным в результате измерения дебитов, гидродинамических исследований скважин, отбора и лабораторного анализа проб пластовых флюидов. Высокая степень соответствия модели фактическим данным позволяет утверждать, что параметры пласта в ходе адаптации подобраны корректно, что обеспечивает достоверное воспроизведение процессов выделения растворенного газа и прорыва газа из газовой шапки. Найденные параметры связаны функциональной зависимостью с величиной модельного газового фактора по методу регрессионного анализа. На основании найденной регрессии разработан экспресс-метод разделения добычи нефтяного газа, применимый для месторождений ООО «РН‑Пурнефтегаз». В статье рассмотрены основные задачи, которые были решены в ходе выполнения работы, и полученные результаты.

Список литературы

1. СТО Газпром РД 2.2-164-2005. Методика планирования и раздельного учета добычи пластового и тюменского газов, выпавшего в пласте конденсата и нефти при разработке газоконденсатных месторождений с закачкой сухого газа в пласт. – М.: ООО «ИРЦ Газпром», 2005. – 50 с.

2. ПАО «НОВАТЕК». Методика учета добычи полезных ископаемых (газ природный, газовый конденсат, нефть и растворенный газ) при разработке месторождений АО «АРКТИКГАЗ» // Материалы к круглому столу «Особенности разработки нефтегазоконденсатных месторождений и методы учета добычи полезных ископаемых». – 28 с.

3. СТО Газпром 2-3.3-304-2009. Методическое руководство по раздельному учету добычи конденсата газового и нефти при их совместном поступлении в скважину из нефтегазоконденсатных залежей месторождений ОАО «ГАЗПРОМ». – М.: ООО «ИРЦ Газпром», 2009. – 23 с.

4. Coats K.H., Thomas L.K., Pierson R.G. Compositional and Black Oil Reservoir Simulation // SPE 29111-MS. – 1995.

5. Асалхузина Г.Ф., Давлетбаев А.Я., Хабибуллин И.Л. Моделирование дифференциации пластового давления между нагнетательными и добывающими скважинами на месторождениях с низкопроницаемыми коллекторами // Вестник Башкирского университета. – 2016. – Т. 21. – № 3. – C. 537–544.

6. Бобренёва Ю.О., Давлетбаев А.Я., Махота Н.А. Оценка пластового давления по анализу данных забойного датчика давления до и после нагнетательных тестов при ГРП в низкопроницаемых коллекторах // SPE 187763-RU. – 2017.

7. Свидетельство о государственной регистрации программы для ЭВМ 2017663444. Модуль «RExLab 2017» ПК «РН-КИМ» / О.С. Борщук, А.В. Сергейчев, Д.Е. Соловьёв, С.Р. Кнутова, И.Ф. Сайфуллин, А.Х. Нуриев, М.А. Никонов, Т.Р. Бадретдинов, М.Р. Бадретдинов, К.А. Штангеева, И.Х. Бадыков, Г.А. Макеев; заявитель и патентообладатель ПАО «НК «Роснефть». – № 2017619937; заявл. 04.10.17; опубл. 01.12.17.

8. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. – 2011. – № 12. – P. 2825–2830.


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