WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Визуализация месторождения

Отсутствие визуализации

Сложность вычислений

Простота расчетных схем

Следующим этапом в построении геологической модели является моделирование свойств.

В ходе работы был проведен анализ математических методов моделирования коллекторских свойств на примере терригенного пласта Б2 бобриковского горизонта Пронькинского месторождения. Анализ показал высокую зависимость расчетных показателей от параметров крикинга, использующегося при распределении свойств в геологической модели. Отклонение расчетной накопленной добычи воды в моделях по некоторым вариантам составило 30 %, а по отдельным скважинам отклонения по добычи нефти достигали 71 %. Максимальная неопределенность связана с краевыми зонами и с зонами значительной площадной неоднородности. На разбуренных участках отклонения между вариантами незначительные и не превышают 3 %.

Распределение нефтенасыщенности в пласте оказывает менее сильное влияние на расчет показателей разработки. Даже при погрешности модельного распределения по сравнению с геофизическими исследованиями в 13,9 % расчетная добыча жидкости совпадает с промысловыми замерами.

Кроме распределения свойств, также анализировалась погрешность, возникающая при масштабировании геологической модели, которая составила 5%, но следует отметить, что вычислительные эксперименты проводились на модели пласта Б2 бобриковского горизонта, коэффициент расчлененности которого на Пронькинском месторождении составляет 2,3; в случае более расчлененного коллектора погрешность значительно больше.

После проведенного анализа можно с уверенностью сказать, что точность математических методов, использующихся в геологическом моделировании, во многом зависит от изученности и неоднородности коллекторских свойств месторождения. И очевидно, что основным критерием качества геологической модели является степень расхождения между фактическими и расчетными показателями разработки. Для повышения точности прогноза показателей разработки требуется такой алгоритм адаптации, который максимально снизит неопределенность геологического моделирования.

В третьей главе проведен анализ моделей трубок тока и постоянно действующей модели, реализованной в программном продукте Eclipse. В основе каждой модели лежит уравнение Лапласа. В моделях трубок тока используется уравнение Лапласа для установившегося режима в двумерном пространстве. Такие допущения существенно облегчают решение задачи прогнозирования показателей разработки.

Для прогнозирования показателей разработки в постоянно действующих моделях используется закон Дарси и уравнение материального баланса.

В этом случае, кроме геологической модели, на расчетные показатели разработки оказывают сильное влияние такие параметры гидродинамической модели, как законтурная область пласта и призабойная зона скважин. От свойств этих параметров во многом зависит количество жидкости, поступающей в пласт, и соответственно распределение пластового давления. Интервалы перфорации скважин и водоносные горизонты характеризуются значительной степенью неопределенности из-за отсутствия достоверной информации об их свойствах, вследствие чего свойства призабойной зоны скважин и законтурной области пласта подвергаются значительным изменениям при адаптации постоянно действующих моделей, что в свою очередь приводит к неопределенности прогнозирования показателей разработки.

Из этого следует, что помимо неопределенности, возникающей при геологическом моделировании в современных гидродинамических моделях, существует ряд параметров, таких как законтурная область пласта и призабойная зона скважин, приводящих к многовариантности.

При использовании уравнения материального баланса пластовое давление во многом зависит от начальных запасов нефти, на величину которых непосредственно влияет пористость. Но пластовое давление также входит в закон Дарси и появляется возможность контролировать распределение свойств при помощи сравнения расчетных показателей разработки и промысловых замеров. В то же время пластовое давление, согласно материальному балансу, зависит от закачки и добычи жидкости и, следовательно, от коэффициента продуктивности (приемистости) скважины. Поэтому для точной адаптации модели один из параметров – пластовое давление или коэффициент продуктивности (приемистости) скважин – должен обязательно сопоставляться с фактическим замером. В этом случае неопределенность адаптации значительно снижается.

Четвертая глава посвящена вопросам адаптации постоянно действующей моделей и уточнению расчета прогнозных покзателей. Основным недостатком адаптации постоянно действующих моделей является неопределенность исходных данных, вызванная отсутствием сопоставимых замеров пластового давления и коэффициента продуктивности.

Запишем уравнение притока жидкости в скважину в общем виде:

, (1)

где Qв, Qн – дебит воды и нефти,

Кпрод – коэффициент продуктивности скважины,

Рпл, Рзаб – пластовое и забойное давление.

Из уравнения (1) вполне резонно допустить, что совпадение Qн+Qв – добычи жидкости, а также забойного давления Pзаб может быть при различных комбинациях коэффициента продуктивности и пластового давления.

Все это приводит к тому, что адаптация при различных вариантах может быть идеальной, но прогноз будет сильно отличаться друг от друга (рисунок 1).

Рисунок 1 – Адаптация добычи нефти пласта Б2 Ново-Долговского месторождения

На рисунке видно, что до вертикальной черты модель идеально подогнана, но прогноз для разных вариантов отличается.

Рисунок 2 – Алгоритм адаптации постоянно действующих моделей

Чтобы снизить неопределенность адаптации необходимо, чтобы один из членов уравнения (1) – пластовое давление или коэффициент продуктивности – был задан явно.

Сопоставить фактическое пластовое давление и расчетное довольно трудно, так как замер проводится в остановленной скважине, а расчетное пластовое давление – это давление на контуре работающей скважины. То есть происходит искажение расчетного пластового давления воронкой депрессии.

Определение коэффициента продуктивности – менее трудоемкая задача и поэтому в работе предлагается изменить подход к адаптации постоянно действующих моделей. В ходе работы был опробован следующий алгоритм адаптации постоянно действующих моделей показанный на рисунке 2; результаты сравнения двух алгоритмов приведены на рисунке 3.

Рисунок 3 – Сравнение расчета прогнозных показателей разработки Пасмуровского месторождения, пласт Д1 с применением нового алгоритма адаптации модели

Для расчета коэффициента продуктивности была разработана программа, основанная на математическом аппарате нейронных сетей. Использование нейронных сетей позволяет учесть большое количество факторов, влияющих на коэффициент продуктивности. Схематично ИНС показана на рисунке 4.

Рисунок 4 – Схема искусственной двухслойной нейронной сети для расчета динамики коэффициента продуктивности скважины, в качестве входного вектора используются результаты геофизических исследований скважины (ГИС)

В качестве входного вектора (x1, x2, x3…xn) могут быть использованы любые параметры скважины, которые влияют на коэффициент продуктивности. В работе в качестве таких параметров для прогнозирования коэффициента продуктивности используются результаты геофизических исследований скважин – гамма каротаж (ГК) и нейтронный гамма каротаж (НГК). Для этого перфорированный интервал пласта делится на n слоев. По каждому слою рассчитывается масштабированное среднеарифметическое или средневзвешенное значение каротажа. Непосредственное использование результатов ГИС исключает погрешность, возникающую при расчете пористости и проницаемости породы. Если рассчитывается динамика коэффициента продуктивности скважины, то ИНС имеет несколько выходов. Использование динамики коэффициента продуктивности скважины совместно с постоянно действующими моделями позволяет существенно повысить точность прогнозирования эффективности геолого-технических мероприятий. В этом случае учитываются основные процессы, происходящие в пласте после ГТМ: падение пластового давления, вследствие увеличения отборов жидкости; изменение обводненности продукции; снижение коэффициента продуктивности скважины из загрязнения призабойной зоны.

Обучающая выборка для настройки сети составлялась из коэффициентов продуктивности скважин, полученных после интерпретации кривых восстановления давления (КВД), при расчете динамики Кпрод использовались результаты исследований скважин на установившемся режиме.

Для расчетов применялась активационная функция сигмоидального типа

, (2)

где x=(x1,x2,x3…xn) – входной вектор,

wT – транспонированный вектор весовых коэффициентов.

Для нахождения весов скрытого слоя (w) и выходного слоя (W) использовался алгоритм обратного распространения ошибки. Чтобы оценить погрешность расчета Кпрод (или дебита нефти) при помощи ИНС используется тестовая выборка из скважин, не участвующих при обучении сети, с известными значениями коэффициента продуктивности скважины или дебита нефти (таблица 2).

Таблица 2 – Сопоставление расчетных и фактических значений Кпрод

Существенное влияние на точность прогноза ИНС оказывает ее архитектура – количество нейронов в скрытом слое. На сегодняшний день нет четких рекомендаций по определению архитектуры двухслойной нейронной сети. Поэтому для определения оптимального числа нейронов в скрытом слое были проведены расчеты коэффициента продуктивности скважины на различных моделях ИНС. Результаты расчета приведены на рисунке 5.

Рисунок 5 – Основные параметры ИНС для расчета эффективности кислотной обработки забоя скважин Самодуровского месторождения

Из рисунка видно, что уже при шести нейронах в скрытом слое достигается высокая точность вычислений Кпрод (погрешность равна 9,6%) и скорость обучения (около одной секунды).

Также в четвертой главе проведен сравнительный анализ математической модели искусственной нейронной сети (ИНС) и модели корреляционного анализа (таблица 3). Для анализа были определены регрессионные зависимости между коэффициентом продуктивности и показаниями радиоактивного каротажа (3) и (4).

Для определения коэффициента продуктивности скважины при переводе на вышележащие горизонты уравнение регрессии выглядит следующим образом:

Кпрод = -0.115+0.511*ГК1+2.026*ГК2-1.168*ГК3-0.5*НГК1 +0.108*НГК2 + +0.426*НГК3, (3)

где ГКi – значение гамма каротажа (i – номер слоя),

НГКi – значение нейтронного гамма каротажа (i – номер слоя).

Для расчета коэффициента продуктивности скважины после проведения кислотного гидроразрыва пласта (ГРП).

Кпрод = 0.09+0.916 Кпрод_до +0.378*ГК1+0.319*ГК2-0.941*ГК3+0.236*НГК1 + +0.120*НГК2 - 0.258*НГК3, (4)

где Кпрод_до – коэффициент продуктивности скважины до обработки.

В результате была получена таблица 3, из которой видно, что точность ИНС более чем в два раза выше уравнения регрессии.

Таблица 3 – Сравнение ИНС и модели корреляционного анализа

Следует отметить, что лучшие результаты по сравнению с регрессионными моделями, были получены ИНС для обучающих выборок с коэффициентом вариации Кпрод более 50%. Поэтому разработанные модели на основе ИНС рекомендуется использовать при значительной неоднородности коллекторских свойств нефтяного пласта.

С целью повышения точности расчетов была разработана программа, основанная на алгоритме метода главных компонентов (МГК), для преобразования вектора исходных данных. В этом случае вектор исходных данных заменяется новым вектором признаков – первые, из которых оказывают наиболее сильное влияние на расчетный параметр. При этом сокращается время обучения искусственной нейронной сети и значительно повышается точность прогноза. С использованием МГК точность расчетов возросла более чем в три раза. (таблица 4).

Таблица 4 – Сопоставление расчетных и фактических значений Кпрод

№ скважины

Месторождение

Пласт

Коэффициент

продуктивности

Погрешность, %

без МГК

МГК

факт

без МГК

МГК

749

Самодуровское

Т1

0.13

0.16

0.17

22.16

4.31

757

Самодуровское

Т1

0.11

0.15

0.13

15.30

15.30

773

Самодуровское

Т1

0.08

0.14

0.16

41.43

12.50

789

Самодуровское

Т1

0.35

0.47

0.57

25.53

17.54

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»