В настоящее время в нефтегазовой отрасли существует тенденция к ухудшению запасов, за счет чего растет число месторождений, на которых преобладает нестабильно работающий фонд. К таким активам относятся месторождения с высокими газовыми факторами и с нефтяными оторочками. К осложненному фонду можно также отнести и более сложную эксплуатацию механизированного оборудования, например, в режиме автоматического повторного включения и периодических кратковременных включений. Такие режимы используются, когда добыча на стабильном режиме с постоянно действующим фондом скважин неэффективна, например, на месторождениях с низкопроницаемыми краевыми участками.
На большинстве месторождений скважины оснащены датчиками телеметрии. На скважинах с установками электроцентробежных насосов (УЭЦН) записываются десятки параметров (электротехнические параметры работы УЭЦН, давления и температуры в ключевых узлах системы). На газлифтном фонде - устьевые параметры, параметры закачивания газлифтного газа, чуть реже измеряются давление и температура по стволу скважины. Дискретность замеров по большей части датчиков достигает минутной. Все это приводит к большому ежедневному накоплению информации о работе скважины. Часто не весь объем информации используется в ежедневной работе. Связано это в первую очередь с невозможностью обработать такое количество информации вручную, без применения цифровых подходов. Анализ проводится на усредненных данных за сутки без учета полезной информации о внутрисуточной работе скважины, что снижает оперативность принимаемых решений.
Для нестабильного фонда задача анализа на внутрисуточном горизонте стоит наиболее остро, так как невозможно получить корректное представление о работе такого фонда, не заглядывая на уровень текущей дискретизации ключевых параметров работы скважины. Поэтому, решить задачу стандартными методами, с использованием подходов, основанных на адаптациях моделей к суточным замерам, и тем более, к месячным данным, не представляется возможным.
В данной статье приведен опыт решения задачи для нестабильно работающего механизированного фонда, который обеспечивает компромисс между точностью полученных данных и сложностью моделирования нестационарных процессов. Такой подход позволяет получить результат относительно быстро, при этом сохраняя согласованность всех параметров между собой.
Список литературы
1. Хабибуллин Р.А., Бурцев Я.А. Новый подход к расчету режима работы газлифтной̆ скважины для оптимизации работы // SPE-176668-RU. - 2015. – http://doi.org/10.2118/176668-MS
2. A Fieldwide Integrated Production Model and Asset Management System for the Mumbai High Field / S.K. Moitra, S. Chand, S. Barua [et al.] // Offshore Technology Conference, 30 April-3 May, 2007, Houston, Texas. DOI: 10.4043/18678- MS. – http:// doi.org/10.4043/18678-MS
3. Bishop C.M. Pattern Recognition and Machine Learning. - New York: Springer, 2006.
4. Pyro: Deep Universal Probabilistic Programming / E. Bingham, J.P. Chen, M. Jankowiak [et al.] // Journal of Machine Learning Research. - 2018. - arXiv:1810.09538
5. Иерархия подходов верификации данных при контроле добычи и разработки / А.М. Андрианова, А.С. Маргарит, Д.С. Перец, М.В. Симонов // Нефтяное хозяйство. - 2017. - № 12. – C. 75-77. – https://doi.org/10.24887/0028-2448-2017-12-75-77
6. Lake Larry W. Petroleum engineering handbook - Texas; Austin, 2010.
7. Vazquez M., Beggs, H.D. Correlations for Fluid Physical Property Prediction // SPE-6719-MS. – 1977. - DOI: https://doi.org/10.2118/6719-MS
8. Андриасова Р.С., Мищенко И.Т., Петров А.И. Справочное руководство по проектированию разработки и эксплуатации нефтяных месторождений / под ред. Ш.К. Гиматудинова. - М.: Недра, 1983. – 455 с.
