В статье рассмотрены некоторые аспекты оптимизации процесса создания цифровых геологических моделей нефтегазового месторождения. Предложен алгоритм построения поверхностей межфлюидных контактов, позволяющий автоматизировать этап геометризации залежей нефти и газа и, следовательно, ускорить процесс моделирования и сократить риск возникновения ошибок. Алгоритм содержит следующие вычислительные блоки:
– анализа и предобработки исходных данных (результаты интерпретации геофизических исследований скважин вида «коллектор – неколлектор», интерпретации характера насыщения «газ – нефть – вода», маркеров кровли и подошвы пласта в скважинах);
– нахождения поверхности межфлюидных контактов с помощью минимизации значения функционала невязки отклонений известных исходных данных относительно некоторой поверхности;
– декластеризации данных, позволяющий уменьшить влияние групп плотно расположенных данных;
– минимизации расхождений результата расчета и исходных данных, позволяющий адаптировать полученную поверхность контактов к отбивкам пластов.
Приведены примерыи автоматизированного построения поверхностей контактов для месторождений Западно-Сибирской и Волго-Уральской нефтегазоносных провинций. Сделан вывод, что предложенный алгоритм может применяться как при ручном, так и при автоматизированном построении геологической модели. В процессе автоматизированного построения может обеспечиваться обновление и адаптация поверхностей межфлюидных контактов к изменяющимся входным данным на этапе геометризации залежей. Использование данного алгоритма наиболее эффективно для крупных месторождений нефти и газа с большим числом скважин. Помимо построения поверхностей межфлюидных контактов применение алгоритма позволяет анализировать фонд скважин и выявлять скважины, для которых результаты инклинометрии характеризуются существенными погрешностями.
Список литературы
1. К вопросу о перспективах создания корпоративного программного обеспечения геологического моделирования / М.И. Саакян, К.Е. Закревский, Р.К. Газизов [и др.] // Нефтяное хозяйство. – 2019. – № 11. – С. 50–54.
2. Journel A.G. Nonparametric estimation of spatial distributions // Mathematical Geology. – 1983. – V. 15. – № 3. – P. 445–468. – http://www.gaa.org.au/pdf/DeclusterDebias-CCG.pdf
3. Pyrcz M.J., Deutsch C.V. Declustering and debiasing. In Centre for Computational Geostatistics // Annual Report 4. – 2002. – Paper 62. – P. 1–25.
4. Вестник Roxar. – 2015. – № 8 (22). – C. 3–11. – http://roxar.ru/wp-content/uploads/2017/04/%D0%92%D0%B5%D1%81%D1%82%D0%BD%D0%B8%D0%BA-Roxar-%D0%9E%D...
5. Manchuk J., Neufeld C., Deutsch C.V. Petrel plugins for declustering and debiasing. – Centre for Computational Geostatistics Department of Civil & Environmental Engineering, University of Alberta. – P. 403-1–403-8.
https://www.ccgalberta.com/ccgresources/report09/2007-403_petrel_plugin_for_declustering.pdf
6. Байков В., Бакиров Н., Яковлев А. Математическая геология. Т. I. – М. – Ижевск: Институт компьютерных исследований, 2012. – 227 с.
