В анализе процессов разработки месторождений особенно востребованы методы оценки взаимовлияния скважин в рамках одного объекта разработки и модели связанности пластовых систем, включающие прогноз распространения анизотропии геологических свойств продуктивного пласта изучаемой залежи. Существует несколько подходов к решению данной задачи, но у каждого из них есть свои ограничения применимости. В статье представлены результаты систематизации и оценки эффективности применения существующих математических моделей, статистических алгоритмов описания геологических особенностей пласта, связанности пластовых систем и процессов разработки месторождений. Основными источниками для поиска информации об исследовании являлись база OnePetro (SPE), а также российская научная электронная библиотека eLibrary.ru. Основным критерием отбора стало наличие в публикации описания исследования взаимовлияния скважин. После селекции дублирующих публикаций осуществлен поиск полных текстов отобранных публикаций по цифровому идентификатору (Digital Object Identifier – DOI) и в социальной сети ResearchGate. В раздел «Классические методы и феноменологические подходы» отнесен обзор 6 публикаций российских ученых, описывающих применимость подходов на основе гидродинамического моделирования метода материального баланса и матрицы взаимной продуктивности. В разделе, рассматривающем емкостно-резистивные модели, проанализированы 7 источников, описывающих гидродинамическую связь скважин на основе уравнений материального баланса. Раздел «Статистические методы и методы машинного обучения» включает анализ 11 источников, в которых представлены подходы, основанные как на анализе временных рядов, так и на алгоритмах машинного обучения (метод опорных векторов, алгоритм деревьев решений, и др.), нейросетевых моделях. В отдельный раздел вынесены 6 исследований, основанных на применении методов геостатистики. В данном разделе помимо традиционных методов крикинга и кокрикинга рассматриваются методы на основе пространственного статистического моделирования. Анализ источников позволил сделать выводы о наиболее перспективном использовании гибридных подходов, так как при построении модели на всем множестве связанных временных рядов (динамики продуктивности скважин) важно сопровождение исследования синхронным анализом для выявления как характерных закономерностей для каждой скважины, так и существующего временного запаздывания в обусловленном взаимном влиянии скважин.
Список литературы
1. Баренблатт Г.И., Ентов В.М., Рыжик В.М. Движение жидкостей и газов в природных пласта. – М.: Недра, 1984. – 208 c.
2. Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования / С.В. Степанов, С.В. Соколов, А.А. Ручкин [и др.]. // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. – 2018. – Т. 4. – № 3. – С. 146–164. – DOI: 10.21684/2411-7978-2018-4-3-146-164.
3. Абидов Д.Г., Камартдинов М.Р. Метод материального баланса как первичный инструмент оценки показателей разработки участка месторождения при заводнении // Изв. Томского политехнического университета. – 2013. – Т. 322. – № 1. – С. 90–96.
4. Мееров М.В., Литвак Б.Л. Оптимизация систем многосвязного управления. – М.: Наука, 1972. – 344 с.
5. Valko P.P., Doublet L.E., Blasingame T.A. Development and Application of the Multiwell Productivity Index (MPI) // SPE-51793-2000. – DOI: 10.2118/51793-PA.
6. Юдин Е.В. Метод оценки интерференции скважин с использованием данных технологических режимов их эксплуатации // Нефтяное хозяйство. – 2018. – № 8. – С. 64–69. – DOI: 10.24887/0028-2448-2018-8-64-69
7. Albertoni A., Lake, L.W. Inferring Interwell Connectivity only from Well-
Rate Fluctuations in Waterfloods // SPE Reservoir Evaluation & Engineering, 2003. – № 6(01). – P. 6–16. – DOI:10.2118/83381-pa
8. Optimization of Oil Production Based on a Capacitance Model of Production and Injection Rates / L.W. Lake, X. Liang, T.F. Edgar [et al.] // SPE-107713-MS-2007. – DOI: 10.2118/107713-ms.
9. Gentil P.H. The Use of Multilinear Regression Models in Patterned Water Floods: Physical Meaning of the Regression Coefficients // MS thesis. Texas. The University of Texas at Austin, 2005. – DOI: 10.26153/tsw/8138
10. A Capacitance Model to Infer Interwell Connectivity from Production and Injection Rate Fluctuations / A.A. Yousef, P.H. Gentil, J.L. Jensen, L.W. Lake // SPE Reservoir Evaluation & Engineering. – 2006. – Vol. 9. – No 6. – P. 630–646. – DOI:10.2118/95322-pa.
11. Sayarpour M. Development and Application of Capacitance-Resistive Models to Water/CO2 Floods: Doctoral dissertation. Texas: The University of Texas at Austin, 2008. – DOI: 10.13140/RG.2.1.1798.3847
12. The Use of Capacitance–Resistance Models mor Rapid Estimation of Waterflood Performance and Optimization / M. Sayarpour, E. Zuluaga, C.S. Kabir, L.W. Lake // Journal of Petroleum Science and Engineering. – 2009. – V. 69. – No 3–4. – P. 227–238. – DOI: 10.1016/j.petrol.2009.09.006.
13. Полуаналитические модели расчета интерференции скважин на базе класса моделей СРМ / И.Ф. Хатмуллин, А.П. Цанда, А.М. Андрианова [и др.] // Нефтяное хозяйство. – 2018. – № 12. – С. 38–41. – DOI: 10.24887/0028-2448-2018-12-38-41
14. Apergis N., T. Ewing B., Payne J. A Time Series Analysis of Oil Production, Rig Count and Crude Oil Price: Evidence from Six U.S. Oil Producing Regions // Energy. – 2015. – V. 97. – P. 339–349. – DOI: 10.1016/j.energy.2015.12.028.
15. Frausto-Solis J., Chi-Chim M., Sheremetov L. Forecasting Oil Production Time Series with a Population-Based Simulated Annealing Method // Arabian Journal for Science and Engineering. – 2015. – V. 40. – P. 1081-1096. DOI:10.1007/S13369-015-1587-Z.
16. Comparison between VAR, GSTAR, FFNN-VAR and FFNN-GSTAR Models for Forecasting Oil Production / D. Suhartono, H. Prastyo, M. Kuswanto, L. Hisyam // MATEMATIKA. – 2018. – V. 34. – No. 1. – P. 103–111. – DOI:10.11113/matematika.v34.n1.1040.
17. Albertoni A., Lake L. W. Inferring Interwell Connectivity Only From Well-Rate Fluctuations in Waterfloods // SPE Reservoir Evaluation & Engineering. – 2003. – V. 6. – No 1. – P. 6–16. – DOI: 10.2118/83381-pa.
18. Yousef A., Abdallah A. Investigating Statistical Techniques to Infer Interwell Connectivity from Production and Injection Rate Fluctuations: Doctoral dissertation. – Texas: The University of Texas at Austin, 2006.
19. Smith R., Mukerji T., Lupo T. Correlating Geologic and Seismic Data with Unconventional Resource Production Curves Using Machine Learning // Geophysics. – V. 84. – No 2. – P. 39–47. – DOI: 10.1190/geo2018-0202.1
20. Forecasting Well Performance in a Discontinuous Tight Oil Reservoir Using Artificial Neural Networks / Y. Bansal, T. Ertekin, Z. Karpyn [et al.] // SPE Unconventional Resources Conference-USA held in the Woodlands, Texas, USA. – 2013. – DOI: 10.2118/164542-ms.
21. Comparative Analysis of Feature Selection-Based Machine Learning Techniques in Reservoir Characterization / K. Akande, S. Olatunji, T. Owolabi, A.AbdulRaheem // SPE-178006-MS. – 2015. – DOI: 10.2118/178006-MS.
22. Liu W., Liu W. D., Gu J. Reservoir Inter-Well Connectivity Analysis Based on a Data Driven Method // SPE-197654-MS. – 2019. – doi: 10.2118/197654-ms.
23. Artun E. Characterizing Interwell Connectivity in Waterflooded Reservoirs Using Data-Driven and Reduced-Physics Models: A Comparative Study // Neural Computing and Applications. – 2017. – V. 28. – No 1. – P. 1729–1743. – doi:10.1007/s00521-015-2152-0.
24. Maojun C., Fuhua S. Study on Inferring Interwell Connectivity of Injection-Production System Based on Decision Tree // 10th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2013. – doi:10.1109/fskd.2013.6816343.
25. Kelkar M. Application of Geostatistics for Reservoir Characterization Accomplishments and Challenges // Journal of Canadian Petroleum Technology. – 2000. – V. 39. – P. 25–29. – DOI: 10.2118/00-07-DAS.
26. Delfiner P., Delhomme J., Pelissier J. Application of Geostatistical Analysis to the Evaluation of Petroleum Reservoirs with Well Logs // SPE 1983-WW, SPWLA 24th Annual Logging Symposium, New Orleans, LA, 1983.
27. Kammann E., Wand M. Geoadditive Models // Journal of the Royal Statistical Society: Series C (Applied Statistics). – 2003. – V. 52. – No 1. – P. 1–18. – DOI: 10.1111/1467-9876.00385.
28. Johannesson G., Cressie N. Finding Large-Scale Spatial Trends in Massive, Global, Environmental Datasets // Environmetrics. – 2003. – V. 15. – No 1. – P. 1–44. – DOI: 10.1002/env.624.
29. A Comparison of Seven Geostatistically Based Inverse Approaches to Estimate Transmissivities for Modeling Advective Transport by Groundwater Flow / D. Zimmerman, G. de Marsily, C. Gotway [et al.] // Water Resources Research. – 1998. – V. 39. – No 6. – P. 1373–1413. – DOI: 10.1029/98WR00003.
30. Cressie N. Statistics for Spatial Data. – J Wiley&Sons Inc. 1991. – 991 p.
