«Автоматизация и информатизация ТЭК»

Методика построения межскважинных численных моделей с отслеживанием фронта распространения жидкости для оценки зависимостей между работой добывающих и нагнетательных скважин

УДК: 620.113+681.121.8
DOI: 10.33285/2782-604X-2023-2(595)-37-50

Авторы:

¹ ННТЦ, Новосибирск, Россия
² Сколковский институт науки и технологий, Москва, Россия
³ Новосибирский государственный университет, Новосибирск, Россия
⁴ Газпромнефть НТЦ, Cанкт-Петербург, Россия
⁵ Скартел (YOTA), Москва, Россия

Ключевые слова: заводнение, обратная задача, гидродинамическая модель, обработка больших данных

Аннотация:

В статье представлена методика построения межскважинных численных моделей с отслеживанием фронта с целью определения взаимосвязи между работой добывающих и нагнетательных скважин, а также прогнозирования потенциального дебита углеводородов. Для апробации методики проведено ее тестирование с использованием синтетической гидродинамической модели с характеристиками реального месторождения. Предложен подход к учету влияния различных геолого-технических мероприятий на процесс заводнения; выполнен сравнительный анализ результатов.

Список литературы:

1. Применение прокси-моделей газовых залежей для оптимизации добычи / Я.С. Чудин, Г.Н. Чумаков, И.А. Федоров [и др.] // Газовая пром-сть. – 2020. – № 4(799). – С. 30–36.
2. Sayarpour M. Development and Application of Capacitance/Resistive Models to Water/CO2 Floods: PhD dissertation. – The University of Texas at Austin, 2008. – 236 p. – URL: https://repositories.lib.utexas.edu/bitstream/handle/2152/15357/sayarpourd53148.pdf?sequence=2&isAllowed=y
3. A Capacitance Model to Infer Interwell Connectivity from Production and Injection Rate Fluctuations / A.A. Yousef, P.H. Gentil, J.L. Jensen, L. Lake // SPE Reservoir Evaluation & Engineering. – 2006. – Vol. 9, Issue 6. – P. 630–646. – DOI: 10.2118/95322-PA
4. EUR Assessment Unconventional Assets Using Machine Learning and Distributed Computing Techniques / Zhenyu Guo, Chaohui Chen, Guohua Gao [et al.] // Proc. of the Unconventional Resources Technology Conference, July 24–26, 2017, Austin, Texas, USA. – DOI: 10.15530/urtec-2017-2659996
5. Zhenyu Guo, Reynolds A.C., Hui Zhao. A physics-based data-driven model for history-matching, prediction and characterization of waterflooding performance // Proc. of the SPE Reservoir Simulation Conference, Feb. 20–22, 2017, Montgomery, Texas, USA. – 2017. – DOI: 10.2118/182660-MS
6. History matching and production optimization of water flooding based on a data-driven interwell numerical simulation model // Hui Zhao, Ying Li, Shuyue Cui [et al.] // J. of Natural Gas Science and Engineering. – 2016. – Vol. 31. – P. 48–66. – DOI: 10.1016/j.jngse.2016.02.043
7. Zhenyu Guo, Reynolds A.C., Hui Zhao. Waterflooding optimization with the INSIM-FT data-driven model // Computational Geosciences. – 2018. – Vol. 22. – P. 745–761. – DOI: 10.1007/s10596-018-9723-y
8. INSIM: A Data-Driven Model for History Matching and Prediction for Waterflooding Monitoring and Management with a Field Application / Hui Zhao, Zhijiang Kang, Xiansong Zhang [et al.] // SPE Reservoir Simulation Symp., Houston, Feb. 23–25. – 2015. – DOI: 10.2118/173213-MS
9. End-to-end neural network approach to 3D reservoir simulation and adaptation / E. Illarionov, P. Temirchev, D. Voloskov [et al.] // J. of Petroleum Science and Engineering. – 2022. – Vol. 208, Part A. – DOI: 10.1016/j.petrol.2021.109332
10. Reduced order reservoir simulation with neural-network based hybrid model / P. Temirchev, A. Gubanova, R. Kostoev [et al.] // SPE Russian Petroleum Technology Conf., Oct. 22–24, 2019, Moscow, Russia. – 2019. – DOI: 10.2118/196864-MS
11. Deep neural networks predicting oil movement in a development unit / P. Temirchev, M. Simonov, R. Kostoev [et al.] // J. of Petroleum Science and Engineering. – 2020. – Vol. 184. – DOI: 10.1016/j.petrol.2019.106513
12. Сопровождение разработки нефтяных месторождений с использованием моделей CRM: моногр. / С.В. Степанов, А.Д. Бекман, А.А. Ручкин, Т.А. Поспелова. – Тюмень: ИПЦ "Экспресс", 2021. – 300 с.
13. Buckley S.E., Leverett M.C. Mechanism of fluid displacements in sands // Transactions of the AIME. – 1942. – Vol. 146, Issue 01. – P. 107–116. – DOI: 10.2118/942107-G
14. Годунов С.К. Разностный метод численного расчета разрывных решений уравнений гидродинамики // Мат. сб. – 1959. – Т. 47(89), № 3. – С. 271–306.
15. Emerick A.A., Reynolds A.C. History-Matching Production and Seismic Data in a Real Field Case Using the Ensemble Smoother with Multiple Data Assimilation // SPE Reservoir Simulation Symp., The Woodlands, Texas, Feb. 18–20. – 2013. – DOI: 10.2118/163675-MS
16. Bailer-Jones C.A.L., Mackay D., Withers P.J. A Recurrent Neural Network for Modelling Dynamical System // Network Computation in Neural System. – 1998. – Vol. 9, Issue 4. – P. 531–547. – DOI: 10.1088/0954-898X_9_4_008
17. Контроль развития техногенных трещин автоГРП при поддержании пластового давления на месторождениях ООО "РН-Юганскнефтегаз" / В.А. Байков, И.М. Бураков, И.Д. Латыпов [и др.] // Нефт. хоз-во. – 2012. – № 11. – С. 30–33.