Эффективность результатов от принятых решений по выбору сценария управления разработкой исследуемого объекта непосредственно зависит не только от качества имеющихся данных об объекте разработки/месторождении, но и от возможностей вычислительных инструментов, используемых для принятия этих решений по конкретным операциям в рамках рассматриваемого гидродинамического воздействия. В связи с этим большое значение имеют усиление результативной способности программных продуктов, применяемых для прогнозирования работы объекта воздействия, и улучшение входных данных для вычислительных комплексов путем выявления и удаления «плохих» данных. Одновременное выполнение этих двух условий значительно повышает эффективность принимаемых решений по выбору мероприятий на этапе прогнозирования. В статье рассмотрена технология поиска оптимальных решений по управлению разработкой на базе комплекса TEICS ONE. Даны основы построения вычислительного комплекса и представлены последовательные этапы технологии. Полученные результаты применения технологии на объекте АО «Белкамнефть» им. А.А. Волкова демонстрируют возможность довыработки запасов месторождений, находящихся на поздней стадии разработки, и достижения проектного коэффициента извлечения нефти за счет эффективной работы с исходными данными по истории разработки и принятия рациональных решений для управления процессом разработки.
Список литературы
1. Гладков Е.А. Геологическое и гидродинамическое моделирование месторождений нефти и газа. – Томск: Изд-во Томского политехнического университета, 2012. – 99 с.
2. Володин Е.М., Захарова А.А. Использование суперкомпьютеров для ускорения расчета процесса фильтрации на основе 3D гелого-гидродинамической моделей нефтегазовых месторождений // Доклады ТУСУР. – 2010. – № 2-2 (22). – Декабрь. – Ч. 2. – С. 241–244.
3. Overview of the Application of Physically Informed Neural Networks to the Problems of Nonlinear Fluid Flow in Porous Media / N.N. Dieva, D.A. Aminev,
M.N. Kravchenko [et al.] // Computation. – 2024. – V. 12(4). – № 69. – http://doi.org/10.3390/computation12040069
4. Верификация гидродинамических моделей по данным промысловых исследований скважин для поиска целиков нефти / С.Г. Вольпин [и др.]. –
М.: ФГУ ФНЦ НИИСИ РАН, 2020. – 132 с.
5. Муслимов Р.Х. Становление и перспективы дальнейшего развития гидродинамических методов разработки нефтяных месторождений России // Нефтяное хозяйство. – 2020. – № 1. – С .12 – 96.
6. Flow-path tracking strategy in a data-driven interwell numerical simulation model for waterflooding history matching and performance prediction with infill wells / H. Zhao, L. Xu, Z. Guo [et al.] // SPE-199361-PA. – 2019. - http://doi.org/10.2118/199361-PA
7. 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-95322-MS. – 2006. – http://doi.org/10.2118/95322-PA
8. INSIM: A data-driven model for history matching and prediction for waterflooding monitoring and management with a field application / H. Zhao, Z. Kang,
X. Zhang [et al] // SPE-173213-MS. – 2015. - http://doi.org/10.2118/173213-MS
9. Albertoni A., Lake L. W. Inferring connectivity only from well-rate fluctuations in water floods // SPE-83381-PA. – 2003. - http://doi.org/10.2118/83381-PA
10. Guo Z., Reynolds A.C. A physics-based data-driven model for history-matching, prediction and characterization of waterflooding performance // SPE-182660-MS. – 2017. - https://doi.org/10.2118/182660-PA
11. INSIM-FPT-3D: a data-driven model for history matching,water-breakthrough prediction and well-connectivity characterization in three-dimensional reservoirs /
H. Zhao, W. Liu, X. Rao [et al.] // SPE-203931-MS. – 2021. - http://doi.org/10.2118/203931-MS
12. Testing the INSIM-FT proxy simulation method / M. Ovsepian, E. Lys, A. Cheremisin [et al.] // Energies. – 2023. – V. 16. – No 4. – P. 1648. - http://doi.org/10.3390/en16041648
13. Климова Е.Г. Стохастический ансамблевый фильтр Калмана с трансформацией ансамбля возмущений // Сибирский журнал вычислительной
математики. - 2019. – Т. 22. – № 1. – С. 27–40. - https://doi.org/10.15372/SJNM20190103
14. Бахитов Р.Р. Применение алгоритмов машинного обучения в задачах прогноза коэффициента продуктивности скважин карбонатных месторождений // Нефтяное хозяйство. – 2019. – № 9. – С. 82–85. - http://doi.org/10.24887/0028-2448-2019-9-82-85
15. Оптимизация режимов эксплуатации добывающих скважин в комплексе с инженерным подходом, программированием и методами машинного обучения / Р.М. Амерханов, А.Х. Гилязов, А.А. Дьяконов [и др.] // Нефтяное хозяйство. – 2024. – № 8. – С. 94–99. - http://doi.org/10.24887/0028-2448-2024-8-94-99
