В статье представлен корпоративный программный комплекс «РН-ЦИФРОВОЙ КЕРН», позволяющий в полном объеме реализовать технологию цифровых исследований керна, начиная от обработки томографических изображений и заканчивая расчетом свойств стандартного и полноразмерного керна. Для этого предусмотрено выполнение ряда операций, разделенных на четыре функциональных блока и предназначенных для анализа пустотного пространства, создания цифрового двойника керна, моделирования процессов на уровне пор и ремасштабирования свойств. В основе таких операций лежат в том числе инновационные методы, модели и алгоритмы. При этом особое внимание уделяется обеспечению возможности создания качественной цифровой модели керна и эффективному моделированию процессов на уровне пор. С этой целью пользователю предоставляется широкий спектр подходов на всех этапах цифрового моделирования керна. В статье приводятся примеры, иллюстрирующие применение ПК «РН-ЦИФРОВОЙ КЕРН». В первом примере рассмотрены особенности создания цифровых двойников реально существующего керна и проведено сопоставление свойств, полученных с применением разработанной технологии, и данных лабораторных исследований керна. Показано, что уровень соответствия расчетных и лабораторных данных является приемлемым. Второй пример демонстрирует исследование, которое невозможно провести в лабораторных условиях – влияние глин на общую пористость и газопроницаемость породы. Установлено, что поровое пространство глин значительно влияет на общую пористость и вносит несущественную погрешность при численной оценке газопроницаемости породы.
Список литературы
1. Изучение и анализ современных подходов к построению цифровых моделей керна и методов моделирования многофазной фильтрации в масштабах порового пространства / К.М. Герке, Д.В. Корост, М.В. Карсанина [и др.] // Георесурсы. – 2014. – № 23 (2). – С. 197–213. - https://doi.org/10.18599/grs.2021.2.20
2. Цифровой керн – текущее состояние и перспективы развития технологии в ПАО «НК «Роснефть» / А.Н. Лазеев, Э.О. Тимашев, И.А. Вахрушева [и др.] // Нефтяное хозяйство. – 2018. – № 11. – С. 18–22. - https://doi.org/10.24887/0028-2448-2018-11-18-22
3. Study of Polymer Flooding at Pore Scale by Digital Core Analysis for East-Messoyakhskoe Oil Field / I. Yakimchuk [et al.] // SPE-202013-MS. – 2020. - http://doi.org/10.2118/202013-MS
4. Gerke K.M., Karsanina M.V., Katsman R. Calculation of tensorial flow properties on pore level: Exploring the influence of boundary conditions on the permeability of three-dimensional stochastic reconstructions // Physical Review E. – 2019. – V. 100 (5). – Р. 053312. - http://doi.org/10.1103/PhysRevE.100.053312
5. Хасанов М.М., Булгакова Г.Т. Нелинейные и неравновесные эффекты в реологически сложных средах. – М.-Ижевск: Институт компьютерных исследований, 2003. – 288 с.
6. Загоровский М.А., Шабаров А.Б., Степанов С.В. Кластерная капиллярная модель керна для вычисления относительных фазовых проницаемостей при фильтрации нефти и воды // Математическое моделирование. – 2024. – Т. 36. – № 1. – С. 85–104. - https://doi.org/10.20948/mm-2024-01-06
7. Evaluation of classical correlation functions from 2/3D images on CPU and GPU architectures: Introducing CorrelationFunctions.jl / V. Postnicov, A. Samarin,
M.V. Karsanina [et al.] // Computer Physics Communications. – 2024. – V. 299. – P. 109134. - https://doi.org/10.1016/j.cpc.2024.109134
8. Cherkasov A., Gerke K.M., Khlyupin A. Towards effective information content assessment: Analytical derivation of information loss in the reconstruction of random fields with model uncertainty // Physica A: Statistical Mechanics and its Applications. – 2014. – V. 633. – P. 29400.
9. Lavrukhin E.V., Karsanina M.V., Gerke K.M. Measuring structural nonstationarity: The use of imaging information to quantify homogeneity and inhomogeneity // Physical Review E. – 2023. – V. 108(6). – P. 064128. - http://doi.org/10.1103/PhysRevE.108.064128
10. In search for representative elementary volume (REV) within heterogeneous materials: A survey of scalar and vector metrics using porous media as an example /
A.S. Zubov, A.N. Khlyupin, M.V. Karsanina, K.M. Gerke // Advances in Water Resources. – 2024. – V. 192. – P. 104762. - http://doi.org/10.1016/j.advwatres.2024.104762
11. Zubov A., Murygin D., Gerke K. Pore-network extraction using discrete Morse theory: Preserving the topology of the pore space // Physical Review E. – 2022. –
V. 106 (5). – Р. 055304. - http://doi.org/10.1103/PhysRevE.106.055304
12. Improving watershed-based pore-network extraction method using maximum inscribed ball pore-body positioning / K.M. Gerke, T.O. Sizonenko, M.V. Karsanina
[et al.] // Advances in Water Resources. – 2020. – V. 140. – P. 103576. - http://doi.org/10.1016/j.advwatres.2020.103576
13. Morrow N.R. The effects of surface roughness on contact angle with special reference to petroleum recovery // J. Can. Pet. Technol. – 1975. –V. 14(4). - Р. 1–12. - https://doi.org/10.2118/75-04-04
14. Степанов С.В., Глухих И.Н., Аржиловский А.В. Концепция многоуровневого моделирования как основа системы поддержки принятия решений при разработке нефтяных месторождений на поздней стадии // Нефтяное хозяйство. – 2023. – № 12. – С. 112-117. - https://doi.org/ 10.24887/0028-2448-2023-12-112-117
15. Степанов С.В., Аржиловский А.В. О повышении качества математического моделирования при решении задач сопровождения разработки нефтяных месторождений // Нефтяное хозяйство. – 2023. – № 4. – С. 56–60. - https://doi.org/10.24887/0028-2448-2023-4-56-60
16. Многомасштабное моделирование добычи высоковязкой нефти при закачке воды и раствора полимера / С.В. Степанов, Е.С. Лопатина,
М.А. Загоровский, И.А. Зубарева // Автоматизация и информатизация ТЭК. – 2024. – № 7 (612). – С. 51–60.
