Одна из ключевых задач мониторинга разработки нефтяных месторождений – оценка гидродинамической связи между добывающими и нагнетательными скважинами. На практике она, как правило, решается при проведении дорогостоящих и продолжительных трассерных (индикаторных) исследований. Актуальной является разработка косвенной методики, позволяющей оперативно решать указанную задачу. В статье рассматривается подход, основанный на сравнительном анализе среднемесячных значений пластового давления в зонах отбора и объемов закачки нагнетательных скважин. В качестве объекта исследования выбрана турнейская залежь Опалихинского месторождения, характеризующаяся сложными геолого-физическими условиями добычи нефти, что обусловлено не только сложным строением карбонатного коллектора, но и высокой вязкостью нефти. На объекте проведены масштабные трассерные исследования.
Результаты этих исследований использованы в качестве фактической информации о гидродинамической связи между зонами отбора и закачки. Значения пластового давления в зонах отбора на практике получают при проведении гидродинамических исследований скважин, при этом фактические частота и регулярность замеров не позволяют реализовать предложенный подход. В связи с этим для оценки гидродинамической связи между зонами отбора и закачки предлагается использовать значения пластовых давлений, рассчитанные с шагом в 1 мес на основе специально созданной модели с применением методов искусственного интеллекта. При обучении модели использован весь накопленный опыт фактических измерений пластового давления в зонах отбора нефти из скважин Пермского края. В качестве исходных данных при расчете используется минимальный объем геолого-промысловой информации (среднемесячные значения дебитов нефти и жидкости, коэффициенты эксплуатации и хотя бы один за всю историю работы скважины фактический замер пластового давления). Наличие значений пластовых давлений с шагом в 1 мес позволяет сопоставить их с объемами закачки соседних нагнетательных скважин для оценки гидродинамической связи. Результаты практического применения предложенного подхода в полной мере подтверждаются материалами трассерных исследований двух пар скважин.
Список литературы
1. Катанов Ю.Е., Ягафаров А.К., Аристов А.И. Цифровой керн: аппроксимационные модели текстурных особенностей пустотного пространства песчаников // Вестник Академии наук Республики Башкортостан. – 2023. – Т. 47. – № 2 (110). – С. 33–42. - https://doi.org/10.24412/1728-5283-2023-2-33-42
2. Rongbo Shao, Hua Wang, Lizhi Xiao. Reservoir evaluation using petrophysics informed machine learning: A case study // Artificial Intelligence in Geosciences. – 2024. – 100070, https://doi.org/10.1016/j.aiig.2024.100070.
3. A new machine learning approach for estimating shear wave velocity profile using borelog data / A. Joshi, B. Raman, C.K. Mohan, L.R. Cenkeramaddi // Soil Dynamics and Earthquake Engineering. – 2024. – V. 177. – 108424. https://doi.org/10.1016/j.soildyn.2023.108424.
4. Identification of carbonate sedimentary facies from well logs with machine learning / Xianmu Hou, Peiqing Lian, Jiuyu Zhao [et al.] // Petroleum Research. –2024, https://doi.org/10.1016/j.ptlrs.2024.01.007.
5. Катанов Ю.Е. Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах // Известия вузов. Нефть и газ. – 2021. – № 1 (145). – С. 55–76. - https://doi.org/10.31660/0445-0108-2021-1-55-76
6. Application of machine learning in wellbore stability prediction: A review / Kai Xu, Zouwei Liu, Qi Chen [et al.] // Geoenergy Science and Engineering. – 2024. – V. 232. Part B. – 212409. https://doi.org/10.1016/j.geoen.2023.212409.
7. Iming Liu, Xiao Tan, Yi Bao. Machine learning-assisted intelligent interpretation of distributed fiber optic sensor data for automated monitoring of pipeline corrosion // Measurement. – 2024. – V. 226. – 114190. - https://doi.org/10.1016/j.measurement.2024.114190.
8. Воспроизведение пластового давления методами машинного обучения и исследование его влияния на процесс образования трещин при гидравлическом разрыве пласта / Е.В. Филиппов, Л.А. Захаров, Д.А. Мартюшев, И.Н. Пономарева // Записки Горного института. – 2022. – Т. 258. – С. 924–932. - http://doi.org/10.31897/PMI.2022.103
9. Martyushev D.A., Ponomareva I.N., Filippov E.V. Studying the direction of hydraulic fracture in carbonate reservoirs: using machine learning to determine reservoir pressure // Petroleum Research. – 2022. - http://doi.org/10.1016/j.ptlrs.2022.06.003
10. Захаров Л.А., Мартюшев Д.А., Пономарева И.Н. Прогнозирование динамического пластового давления методами искусственного интеллекта // Записки Горного института. – 2022. – Т. 253. – С. 23–32. - http://doi.org/10.31897/PMI.2022.11