Автоматизированный интеллектуальный помощник в выборе систем разработки объектов с трудноизвлекаемыми запасами

UDK: 681.518:622.276.1/.4
DOI: 10.24887/0028-2448-2020-10-76-81
Ключевые слова: трудноизвлекаемые запасы (ТРИЗ), цифровизация, повышение эффективности разработки
Авт.: А.В. Сергейчев (ПАО «НК «Роснефть»), К.В. Торопов (ПАО «НК «Роснефть»), М.С. Антонов (ООО «РН-БашНИПИнефть»), к.т.н., А.Э. Федоров (ООО «РН-БашНИПИнефть»), А.А. Поваляев (ООО «РН-БашНИПИнефть»), И.Р. Дильмухаметов (ООО «РН-БашНИПИнефть»), О.В. Надеждин (ООО «РН-БашНИПИнефть»), к.т.н.

В условиях истощения традиционных запасов углеводородов перспективным источником поддержания и наращивания добычи являются нетрадиционные и трудноизвлекаемые запасы нефти и газа. В частности, в ПАО НК «Роснефть» с каждым годом увеличивается объем бурения на низко- и сверхнизкопроницаемые коллекторы ачимовских отложений, которые характеризуются проницаемостью (0,1-0,5)×10-3 мкм2, песчанистостью 10-30 %, высокой расчлененностью и низкой связностью песчаных тел пласта.

В настоящее время проводится большое количество исследований в проектировании оптимальных систем разработки низкопроницаемых и низкосвязных коллекторов и способов создания физически содержательных моделей для технико-экономической оценки эффективности проектных решений. Однако немногие из них описывают систематические подходы к выбору оптимальных систем разработки и, в частности, принятию решений о корректировке режима разработки.

В статье дано описание интеллектуального помощника для выбора систем разработки объектов, содержащих трудноизвлекаемых запасы, – «Система поддержки принятия решений при разбуривании новых участков низкопроницаемых коллекторов». Интеллектуальный помощник позволяет в автоматизированном режиме выбирать и предлагать оптимальные проектные решения при разбуривании целевых объектов с трудноизвлекаемыми запасами. Рассмотрены основные блоки данной системы, реализация которых выполнена в виде комплексного модуля Smart-ГиР в автоматизированном корпоративном программном комплексе «РН-КИН» с привлечением алгоритмов машинного обучения. В процессе разработки интеллектуального помощника созданы алгоритмы кластеризации участков целевых объектов ачимовских отложений и их аналогов. Сформирована база данных результатов многовариантного 3D геолого-гидродинамического моделирования и разработана нейросетевая суррогатная модель, которая воспроизводит результаты численных расчетов. Автоматизированный интеллектуальный помощник реализован в корпоративном программном комплексе «РН-КИН» (Smart-ГиР).

Список литературы

1. Нелинейная фильтрация в низкопроницаемых коллекторах. Влияние на технологические показатели разработки месторождения / В.А. Байков, Р.Р. Галеев, А.В. Колонских [и др.] // Научно-технический Вестник ОАО «НК «Роснефть». – 2013. – № 2. – С. 17–19.

2. Определение критериев выбора оптимального способа разработки в низкопроницаемых коллекторах / Е.В. Белоногов, А.А. Пустовских, Д.А. Самолов [и др.]  // SPE-182041-RU. – 2016.

3. Выбор оптимальной системы разработки низкопроницаемых пластов с применением горизонтальных скважин с множественными трещинами гидроразрыва / Р.Р. Галеев, А.М. Зорин, А.В. Колонских [и др.] // Нефтяное хозяйство. – 2013. – № 11. – С. 62-65.

4. Закревский К.Е., Попов В.Л. Вариограммный анализ геологических тел // Экспозиция Нефть Газ. – 2018. – № 1. – С. 27–31.

5. Закревский К.Е., Лепилин А.Е., Новиков А.П. Анализ взаимных зависимостей параметров геологических моделей месторождений углеводородов // Территория Нефтегаз. – 2018. – № 10. – С. 20–26.

6. Определение параметров продуктивного пласта с помощью анализа промысловых данных работы добывающих скважин / В.А. Краснов, И.В. Судеев, Е.В. Юдин [и др.] // Научно-технический Вестник ОАО «НК «Роснефть». – 2010. – № 1. – С. 30–34.

7. Подбор оптимальных систем разработки для текущих зон бурения в условиях неопределенности геологических и технологических параметров / Д.Р. Нурлыев, И.И. Родионова, Э.П. Викторов [и др.] // Нефтяное хозяйство. – 2018. – № 10. – С. 60–63.

8. Оптимизация проектных решений и систем заканчивания скважин при разработке сверхнизкопроницаемых и сверхнеоднородных пластов / И.И. Родионова, М.А. Шабалин, А.А. Мироненко [и др.] // Нефтяное хозяйство. – 2019. – № 10. – С. 72–76.

9. Влияние неоднородности пласта на прогнозный коэффициент извлечения нефти на северном лицензионном участке Приобского месторождения / А.В. Тимонов, А.В. Сергейчев, И.Р. Ямалов [и др.] // Нефтяное хозяйство. – 2012. –  № 11. – С. 38–40.

10. Анализ геологической неопределенности при стохастическом моделировании геологических тел / А.Э. Федоров, А.А. Аминева, И.Р. Дильмухаметов [и др.] // Нефтяное хозяйство. – 2019. – № 9. – С. 24–28.

11. Многовариантная оптимизация системы разработки низкопроницаемых коллекторов нефтяных месторождений Ачимовской свиты / А.Э. Федоров, И.Р. Дильмухаметов, А.А. Поваляев [и др.] // SPE-201811-RU. – 2020.

12. Система поддержки принятия решений при разбуривании новых участков низкопроницаемых коллекторов Ачимовских отложений и их аналогов с использованием алгоритмов машинного обучения / А.Э. Федоров, Б.И. Сулейманов, А.А. Поваляев [и др.] // SPE-201921-RU. – 2020.

13. Larue & Hovadik. Connectivity of channelized reservoirs: a modelling approach // Petroleum Geoscience. – 2006. – V. 12. – P. 291–308;

14. Application of Artificial Intelligence Algorithms for Tight Oil Field Development / A.A. Povalyaev, A.E. Fedorov, B.I. Suleymanov [et all.] // Conference Proceedings, First EAGE Digitalization Conference and Exhibition. – 2020. – November. – Р. 1–5.

15. Tight Oil Development in RN-Yuganskneftegas / M. Shabalin, G. Khabibullin, E. Suleymanov [et all.] // SPE-196753-MS. – 2019.



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