Заводнение нефтяных пластов широко применяется при разработке месторождений РФ. Для нефтяных компаний, эксплуатирующих сотни объектов, актуально сопоставление их по эффективности систем разработки. В статье представлена методика комплексной рейтинговой оценки эффективности системы заводнения, позволяющая подбирать геолого-технические мероприятия (ГТМ), направленные на совершенствование разработки. В предложенной методике для исключения влияния геолого-физических факторов сравнительную оценку рекомендовано проводить для схожих (однотипных) объектов. Распределение объектов по группам выполняют на основе кластеризации по геологическим параметрам и технологическим показателям, характеризующим стадию разработки. В статье представлены результаты кластеризации объектов. По предложенной авторами методике оценка эффективности системы заводнения проводится по 11 ключевым показателям разработки. Для каждого показателя определяется весовой коэффициент по степени значимости с точки зрения влияния на эффективность заводнения. Диапазон нормированных значений ключевых показателей от минимального до максимального разделяется на пять интервалов, каждому из которых присваивается балл. На основе ключевых показателей выполняется рейтинговая оценка технологической эффективности объектов разработки. Для однотипных объектов в каждой группе определяют объект с наибольшим рангом, выполняют сравнительный анализ его ключевых показателей и других объектов в группе. Для объектов подбираются ГТМ с целью улучшения значений технологических показателей и рейтинговой оценки объекта разработки.
Список литературы
1. Ханипов М.Н., Насыбуллин А.В., Саттаров Рав.З. Вероятностная оценка вовлеченных в разработку запасов нефти на основе характеристик вытеснения с применением статистических методов // Нефтяное хозяйство. – 2017. – № 6. – С. 37–39. - https://doi.org/10.24887/0028-2448-2017-6-37-39
2. Ханипов М.Н. Оценка вовлеченных запасов нефти на основе характеристик вытеснения с применением статистических методов // Нефтяная провинция. – 2017. – № 4. – С. 91–102. – https://www.elibrary.ru/download/elibrary_30773300_70077035.pdf
3. Gorban A.N., Zinovyev A.Y. Principal Graphs and Manifolds // Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods and Techniques. – 2009. – Р. 28–59.
