«Автоматизация и информатизация ТЭК»

Оценка фильтрационных параметров пласта по данным добычи без остановки скважины для проведения гидродинамических исследований

УДК: 622.276.3:532.546:004.942
DOI: -

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: гидродинамические исследования скважин, фильтрационные параметры пласта, метод суперпозиции, обобщение метода Хорнера, обработка входных данных

Аннотация:

В статье представлен метод оценки фильтрационных характеристик пластов по данным добычи без остановки скважин для проведения гидродинамических исследований. При наличии достаточно длительного периода добычи многофазной продукции предлагаются оценки не только для проницаемости, начального пластового давления и изменения скин-фактора, но и фазовых проницаемостей. Предложенный подход является обобщением известного метода Хорнера. Для расчетов используются данные ежесуточной добычи жидкости, газа, обводненности и газового фактора, а также забойного давления, предварительно отфильтрованные с помощью метода DBSCAN. Приводятся примеры расчетов по двум скважинам, в первом случае продукция скважины характеризуется высоким газовым фактором, во втором – большой обводненностью. Продемонстрировано изменение проницаемости среды для многофазного потока в зависимости от обводненности и газового фактора.

Список литературы:

1. Ипатов А.И., Кременецкий М.И. Гидродинамические и промыслово-технологические исследования скважин. – М.: МАКС Пресс, 2008. – 476 с.
2. Подземная гидромеханика / К.С. Басниев, Н.М. Дмитриев, Р.Д. Каневская, В.М. Максимов. – М.-Ижевск: Ин-т компьютер. исслед., 2005. – 496 с.
3. Интересные алгоритмы кластеризации. Часть вторая: DBSCAN. – 2017. – URL: https://habr.com/ru/articles/322034/ (дата обращения 01.04.2023).
4. Подходы машинного обучения без присмотра для обнаружения выбросов во временных рядах с использованием Python. – 2019. – URL: https://machinelearningmastery.ru/unsupervised-machine-learning-approaches-for-outlier-detection-in-time-series-using-python-5759c6394e19 (дата обращения 01.05.2023).
5. Scikit-learn. – URL: https://scikit-learn.org/stable/index.html (дата обращения 01.05.2023).