Расчет базового уровня добычи нефти и оценка эффективности ГТМ

Как известно, геолого-технические мероприятия (ГТМ) представляют собой методы воздействия на процесс разработки месторождения, путем изменения режимов работы добывающих и нагнетательных скважин. Все многообразие ГТМ в зависимости от механизма действия и объекта воздействии можно разделить на несколько групп: методы интенсификации добычи нефти, физико-химические методы, гидродинамические методы.

При решении задач прогноза эффективность ГТМ определяется путем сравнения фактических показателей с расчетными (базовыми) показателями, которые были бы характерны для базового уровня разработки объекта, т.е. для метода разработки, используемого до проведения ГТМ.

Очевидно, что одним из методов оценки эффективности проведенных и планируемых ГТМ может служить построение и дальнейшее сопровождение постоянно действующей гидродинамической модели месторождения. Однако подобный подход помимо существенных экономических затрат (стоимость создания модели даже простейшего месторождения порядка 2-3 млн руб., без сопровождения, время построения модели порядка 3 месяцев) требует специальной подготовки специалистов по геологическому и гидродинамическому моделированию. Иными словами, для решения оперативных задач оптимизации системы разработки месторождения, он практически не пригоден.

В настоящее время в практической нефтепромысловой геологии наиболее распространены следующие методы прогноза базового уровня добычи нефти:

• • характеристики вытеснения (другое название, часто встречающееся в литературе, - интегральные модели);
• • кривые падения (дифференциальные модели).

Оба метода основаны на регрессионном анализе информации о работе скважин и предназначены для прогноза показателей нефтедобычи. Следуя [15], данные методы формулируются следующим образом:

Характеристиками вытеснения называются эмпирические зависимости между величинами накопленных отборов нефти У_н и жидкости У_ж (или воды К_в):

Наиболее распространенные виды характеристик вытеснения представлены в табл. 4.6.

Таблица 4.6

Коэффициенты а и Ь в выражениях, представленных в табл. 4.6, определяются путём регрессионного анализа.

Характеристики вытеснения используются, если разработка ведётся с применением заводнения. Достаточно надёжный и долгосрочный прогноз возможен, только если темп изменения обводнёности добываемой продукции стабилизировался. Обычно стабилизация наступает при обводнённости 70% и выше. При более низких значениях обводнённости (но не ниже 50%) возможен только краткосрочный прогноз.

Кривыми падения называются соотношения, связывающие среднесуточные значения дебитов нефти У_ж:

Кривые падения применяются, когда базовым методом разработки является режим истощения или обводнённость при заводнении меньше 50%. Дифференциальные модели характеризуют динамику снижения дебитов нефти.

Наиболее распространённые виды кривых падения приведены в табл. 4.6.

В зависимостях, представленных в табл. 4.7, следует положить л = У_ж или г = К коэффициенты А и В определяются путём регрессионного анализа.

Таблица 4.7

К настоящему времени известно более видов 70 характеристик вытеснения и кривых падения. Конкретный тип модели выбирается исходя из характеристик месторождения и назначения моделирования. Вид зависимости определяется эмпирически.

Основная область применения характеристик вытеснения и кривых падения - оценка фактической эффективности геолого-технологических мероприятий (ГТМ), в том числе методов увеличения нефтеотдачи (МУН) пластов и интенсификации добычи нефти.

Достаточно перспективными методами оценки эффективности ГТМ могут стать методы, основанные на неиараметрической статистике, однако их применение эффективно при решении оценки суммарного базового уровня добычи для ряда скважин и весьма затруднено при оценке базового уровня добычи для одной скважины.

Что касается традиционных статистических методов то, как показали результаты численных экспериментов, эти методы не способны решить данную задачу. Ниже мы приведем результаты сравнения -традиционных и нейросетевых методов прогноза базового уровня добычи нефти.

Прежде чем перейти к решению практических задач но оценке эффективности ГТМ, сформулируем поставленную задачу более четко, точнее, разобьем ее на два типа:

• 1. Оценка эффективности планируемых ГТМ.
• 2. Оценка эффективности уже проведенных ГТМ.

Отметим, что каждая из этих задач также может быть разделена на две подзадачи - оценка эффективности ГТМ для отдельной скважины либо для группы скважин, когда эффект оценивается для суммарной добычи. Несмотря на их кажущееся сходство в нейросстевой постановке решаются они различными способами. Действительно, оценив эффективность проведения ГТМ для всех скважин но отдельности окончательный эффект можно получить простым суммированием прироста добычи на этих скважинах. Тем не менее, исходя из практических соображений, мы разделяем эти два подхода.

Перейдем к рассмотрению полученных результатов.

Собственно говоря, задачу оценки базового уровня добычи в нейросе- тевой постановке можно не выделять в отдельный класс задач, так как она является классической задачей рсфессии. Разница состоит лишь в методе задания соответствующих параметров модели в прогнозный период.

На практике мы обычно прибегаем к двум методикам задания прогнозных параметров модели.

В нервом случае задаются некоторые усредненные характеристики нефтедобычи, полученные из истории разработки пласта. Такой подход вполне оправдан для кратковременных прогнозов, когда динамика добычи определяется лишь темпами отбора жидкости, режимами закачки и временем работы скважин. В таком случае в прогнозный период можно ограничиться заданием среднего времени работы скважины, средним отбором жидкости и т.д., т.е. некоторых констант.

Во втором случае, когда мы сталкиваемся с ярко выраженной тенденцией к спаду либо увеличению характеристик нефтедобычи, входящих в соответствующие ноля обучающей выборки в период обучения, при решении задачи прогноза можно поступить следующим образом. Посгроить для соответствующих характеристик каждой скважины (дебит, приемистость...) кривые регрессии и пролонгировать их на прогнозный период, а зачем подать на вход обученной нейронной сети.

Хорошей иллюстрацией для данного примера могут служить, приведенные выше кривые добычи нефти для пласта В₄ Советского месторождения.

В случае, когда требуется оценить эффективность уже проведенных ГТМ, задача может быть решена несколько иначе путем разделения эффектов, обусловленных уже проведенными ГТМ, текущими изменениями режимов работы скважин, а также интерференцией скважин. Ниже мы остановимся на подобном примере, а пока рассмотрим одну из перечисленных выше задач. Пусть объектом исследования остается выделенная нами ранее ячейка пласта, а нашей задачей будет оценка эффективности проведенного ГТМ на примере двух интенсифицированных скважин - 1021 и 1022. Оценку эффективности ГТМ будем проводить не для каждой из скважин, а для суммарной добычи. Из истории разработки нам известно, что на грех скважинах в различные моменты времени проводилось заглубление насосов. Динамика заглублений приведена выше. При этом одновременно с заглублением насосов темпы закачки на нагнетательных скважинах увеличивались в 2-3 раза, что самым существенным образом загрудняет оценку эффективности ГТМ.

Для решения поставленной задачи перейдем к горизонтальной структуре обучающей выборки. Соответствующие характеристики обучения для каждой скважины располагаются один за другим в одной строке (примере) обучающей выборки.

Для простоты и большей наглядности в данных расчетах характеристиками обучения служили приемистость для 6 нагнетательных скважин и характеристики добывающих скважин - среднесуточные дебиты и глубина погружения насосов. Расисты проводились с использованием нейронной сети, обучаемой но методу back propagation. Отметим, что переход от добычи нефти и объемов закачки к дебитам и приемистости скважин позволяет почти два раза сократить число полей обучения обучающей выборки: дебит и приемистость скважин определяются через время работы скважин и объем закачки.

Период обучения сети выбирался с 01.01.97 г ода по 01.09.2000 года, т.е. до начала второй интенсификации скважин. Период прогноза с 01.10.2000 года гго 01.09. 2001 года. Отметим, что и в данном примере при расчесе базового уровня добычи на ггериод прогноза на вход обученной нейронной сети подавались реальные данные гго приемистости и дебигам нефти.

Рис. 4.29. Оценка эффективности ГТМ на примере суммарной добычи нефти для интенсифицированных скважин 1021 и 1022 с использованием обучающих выборок вертикальной структуры: I суммарный дебит нефти для двух интенсифицированных скважин с нанесенными на ней треугольниками прогнозными значениями;

3 прогнозируемый базовый уровень добычи нефти; 4, 5 динамика погружения насосов

В приведенном на рис. 4.29 примере прирост суммарного дебита нефти для двух интенсифицированных скважин за период с 01.10.2000 но 01.09.2001 г. составил величину порядка 368 т. Как было сказано выше, аналогичные результаты могут быгь получены и отдельно для каждой из интенсифицированных скважин. Пример таких расчетов приведен на рис. 4.30 для скважины 1022, на которой поводилось заглубление насоса. Здесь базовому уровню добычи соответствует кривая, обозначенная как прогноз.

Рис. 4.30. Оценка эффективности ГТМ на примере интенсифицированной скважины 1022

Как и в предыдущем случае, разница состоит лишь в том, что использовались обучающие выборки горизонтальной структуры.

Рис. 4.31. Значимость входных сигналов на примере интенсифицированной скважины 1022: TIME время отбора информации; NP номер скважины; PR 201,2026... приемистости нагн. скважин; ОТВ 1021; 1022, 1030 отбор жидкости; S DEB суммарная добыча

Приведенные на рис. 4.31 значимости входных сигналов сети позволяют сделать вывод, что основными параметрами, влияющим на добычу нефти, в данном случае являются отбор жидкости и время работы скважины, а также закачка на скважинах 2018, 2037 и 2049. Объем закачки на скважине 2044 существенного влияния на добычу нефти на скважине 1022 не оказывает. Причиной этого могут служить, во-первых, удаленность скважины 2044 от 1022, а во-вторых, эффекты, обусловленные интерференцией добывающих скважин. Еще раз отметим, что нейросетевые методы расчета базового уровня добычи нефти и оценки эффективности ГТМ, в отличие от традиционных методов, связанных с использованием методов решения краевых задач теории фильтрации, методов трубок тока, характеристик вытеснения и т.д., применяемых в настоящее время на практике, обладают значительными преимуществами. Прежде всего, это связано с возможностью расчета базового уровня добычи нефти не только для группы скважин, но и для отдельных скважин, во вторых, нейросетевая методика работает и при малой обводненности пласта и, наконец, как будет показано ниже, нейросетевые методы позволяют количественно оценивать эффекты интерференции скважин и отделять их друг от друга.

Далее мы приведем результаты сравнения традиционных методов оценки эффективности проводимых ГТМ, методов непараметрической статистики и разработанных нейросетевых алгоритмов. Однако прежде чем перейти к обсуждению полученных результатов, автор выражает благодарность д.т.н. В.Л. Сергееву за любезно предоставленные результаты расчетов базового уровня добычи с использованием методов нена- рамегрической статистики.

Рис. 4.32. Результаты расчета базового уровня добычи нефтиразличными методами

без учета закачки

Рис. 4.32 иллюстрирует результаты прогноза базового уровня добычи нефти одновременно для трех интенсифицированных скважин. На рис. 4.33 приведены значимости входных сигналов для прогнозного периода.

Легко заметить, что наряду со временем работы скважин в данном случае основную роль играет глубина погружения насоса. Более того, из анализа приведенной на рис. 4.33 информации можно сделать очевидный вывод, что нейросетевые методы даже в простейшем варианте дают результаты, более адекватные действительности, нежели традиционные методы. Действительно, легко видеть, что прогнозная кривая, рассчитанная по традиционной методике, имеет явно выраженную тенденцию к росту, чего на самом деле быть не должно (см. рис. 4.33-4.34).

Рис. 4.33. Значимость входных сигналов

Рис. 4.34. Результаты расчета базового уровня добычи нефти различными методами

с учетом закачки

Рис. 4.35. Значимость входных сигналов

На рис. 4.34 и 4.35 приведены результаты сравнения нейросетевых методов оценки базового уровня добычи и непараметрических с учетом закачки. Легко заметить, что основными факторами по значимости, как и ранее, служат глубины погружения насоса, а также закачка на скважинах 2026 и 2037. Таким образом, на основании проведенных расчетов можно сделать вывод о том, что нейросетевые методы оценки эффективности проведенных ГТМ могут служить простым и надежным способом решения данной задачи. При этом в отличие от традиционных методов и методов ненараметрической статистики, обладают более высокими разрешающими способностями и способны решать поставленную задачу прогноза базовою уровня добычи не только для нескольких скважин одновременно, но и для отдельных скважин. Более того, в следующем разделе мы покажем, что помимо прогноза базовою уровня добычи нейросегевые методы позволяют рассчитать технологическую эффективность ГТМ с учетом интерференции скважин.

Особо отметим, что в настоящее время такой методики в практике работы нефтедобывающих компаний нет.