Способ повышения информативности трассерных исследований в нефтегазовых месторождениях

Изобретение относится к способу повышения информативности трассерных исследований в нефтегазовых месторождениях. Способ включает планирование исследований путем выбора объекта исследований, конкретного опытного участка, на территории которого имеются нагнетательные скважины и добывающие скважины. Подбор скважин-кандидатов для трассерного исследования производят с помощью алгоритма, который на основе анализа динамических данных эксплуатации скважин вычисляет коэффициенты взаимовлияния пар скважин методами многопараметрической регрессии MLR и емкостно-резистивной модели CRMIP. С помощью алгоритма машинного обучения подбирают комбинацию пороговых значений для коэффициентов взаимовлияния и определяют решающее правило для наилучшего совпадения с результатами ранее проведенных трассерных исследований на участке месторождения. Решающее правило алгоритма для каждой пары скважин нагнетательная-добывающая выдает ответ «да» или «нет». Если алгоритм для пары скважин выдает ответ «да», то в нагнетательную скважину производят закачку трассера и в добывающей скважине проводят отбор проб для идентификации наличия индикаторов в добываемой продукции, а если алгоритм выдает ответ «нет», то пару скважин из исследования исключают. Технический результат заключается в оптимизации проведения трассерных исследований и повышении эффективности промысловых работ. 3 табл.

 

Предлагаемое изобретение относится к нефтяной промышленности и может быть использовано при проведении трассерных исследований с целью повышения информативности исследований и количества пар скважин, в которых в наблюдательной добывающей скважине регистрируется меченая жидкость от возмущающей нагнетательной скважины.

Трассерные исследования (ТИ) активно используются для получения информации о наличии гидродинамической связи между скважинами в пласте, определения скорости фильтрации жидкости в коллекторе, обнаружения областей отсутствия гидродинамической связи между отдельными скважинами в элементах разработки, оценки охвата процессом вытеснения нефтяных залежей.

Известны различные способы планирования и

проведения трассерных исследований в зависимости от целей и применения результатов, а также различные способы обработки динамических данных эксплуатации скважин для получения информации о межскважинном пространстве.

Известен способ мониторинга добычи углеводородов и воды из различных зон добычи углеводородного коллектора или нагнетательных скважин (Патент США №6645769, кл. Е21В 47/00; G01N 37/00, оп. 11.11.2003), который позволяет обнаружить различные локальные явления в пласте, такие как локальные изменения кислотности, солености, состава углеводородов, температуры, давления и разницы между добычей пластовой или нагнетательной воды из различных зон. Способ включает разделение областей вокруг скважин в пласте на ряд зон и размещение на элементах заканчивания нагнетательных скважин специальных полимерных матриц, содержащих интеллектуальные индикаторы с уникальными характеристиками для каждой зоны пласта в этих областях. При контакте с целевым флюидом после запуска скважины полимерные матрицы выделяют химические индикаторы, которые выносятся потоком флюида к устью наблюдательной добывающей скважины и регистрируются при анализе проб. Недостатком данного изобретения является отсутствие алгоритма выбора нагнетательных скважин для размещения полимерных матриц.

Известен способ индикаторного исследования скважин и межскважинного пространства (Патент РФ №2577865 С1, кл. Е21В 47/11, оп.20.03.2016), который направлен на повышение точности определения причин высокого содержания попутной воды в добываемой продукции по скважинам с отсутствующим зумпфом, не позволяющего определить причины обводнения геофизическими исследованиями. Способ включает следующие этапы. Сначала выбирают нагнетательные и наблюдательные добывающие скважины, определяют необходимый объем меченой жидкости и количества индикатора. Закачивают меченую жидкость в нагнетательную скважину. С устья наблюдательных добывающих скважин периодически отбирают пробы пластовой воды. Далее выполняется анализ на содержание индикаторов (трассеров) и интерпретация полученных результатов. При обнаружении в добываемой продукции трассеров делают вывод о наличии обводнения скважины, заколонных перетоков, нарушении герметичности колонны. Путем сравнения относительного выхода индикатора с относительным отбором жидкости из добывающей скважины определяют обводнение скважины за счет постороннего источника: заколонных перетоков, нарушения герметичности колонны, от другой смежной нагнетательной скважины, в которую не закачивался индикатор. Недостатком данного способа является отсутствие схемы выбора нагнетательных скважин, в которые планируется закачка разных индикаторов, и наблюдательных добывающих скважин, из которых планируется проводить отбор проб для контроля за выходом индикаторов из пласта с добываемой продукцией.

Известна система определения коэффициентов взаимовлияния скважин (патент РФ №2608138, кл. G06F 17/11, G01V 99/00, Е21В 47/00, оп.16.01.2017), которая позволяет изучать явления интерференции и рассчитывать коэффициенты взаимовлияния скважин участков нефтепромысловых площадей с целью оптимизации производственных показателей по добыче нефти. Система включает модуль баз данных, блок выборки данных, модуль подготовки данных, модуль анализа данных телеметрии и расчета коэффициентов, блок проверки точности вычислений, картографический блок, модуль начальных условий, модуль адаптации модели, отчетный модуль, блок отображения отчетов. Недостатком данного изобретения является отсутствие пороговых значений для коэффициентов, на основании которых принимается решение о наличии взаимовлияния между скважинами.

Известен способ численного анализа взаимовлияния скважин [Bukhmastova S., Fakhreeva R., Pityuk Yu. et.al. Development of an Approach for the Numerical Analysis of Well Interference. SPE Russian Petroleum Technology Conference, Moscow, Russia, October 2019. DOI 10.2118/196848-MS; Бухмастова С.В., Фахреева P.P., Питюк Ю.А., Давлетбаев А.Я., Азарова Т.П., Фаргер Д.В., Якупов Р.Ф. Апробация методов MLR и CRMIP при исследовании взаимовлияния скважин. Нефтяное хозяйство. №1162. С. 58-6. DOI: 10.24887/0028-2448-2020-8-58-62], который позволяет получать коэффициенты взаимовлияния скважин на основе анализа динамических данных эксплуатации скважин. Коэффициенты, рассчитанные по методу многопараметрической регрессии MLR, являются величиной корреляции между динамическими параметрами на возмущающей и наблюдательной скважинах. В методе емкостно-резистивной модели CRMIP одновременно анализируются приемистость возмущающей нагнетательной скважины, дебит и забойное давление наблюдательной добывающей скважины. Метод CRMIP позволяет оценить взаимовлияние между скважинами и временной параметр, характеризующий отклик наблюдательной добывающей скважины на изменение работы возмущающей нагнетательной скважины. Недостатком способа является эмпирическое построение пороговых значений коэффициентов для принятия решения о наличии или отсутствии взаимовлияния.

Известен способ проведения индикаторных исследований и интерпретации их результатов для регулирования и контроля процесса заводнения нефтяных залежей [РД 39-014-7428-235-89. Методическое руководство по технологии проведения индикаторных исследований и интерпретации их результатов для регулирования и контроля процесса заводнения нефтяных залежей / Соколовский Э.В., Чижов С.И., Тренчиков Ю.И. и др. - Грозный: СевКавНИПИнефть, 1989. - 79 с], согласно которому критерием для отбора скважин и участка проведения трассерного исследования являются:

• ТИ ранее на скважинах не проводились или с момента ранее проведенного ТИ прошло более 1 года;

• для добывающей скважины: скважина не является кандидатом на проведение геолого-технических мероприятий и на ней отсутствует заколонная циркуляция (ЗКЦ), обводненность больше 20%;

• для нагнетательной скважины: скважина отсутствует в списке на ограничение закачки, работает в установившемся режиме, техническое состояние глубинного и устьевого оборудования не препятствует закачке, отсутствует ЗКЦ, объект разработки совпадает с объектом разработки добывающей скважины;

• для участка исследования: есть уверенная оценка проницаемости по результатам гидродинамических исследований или по результатам анализа добычи/давления (АДД).

Недостатком способа является то, что перечисленные критерии не учитывают фактические динамические промысловые данные по эксплуатации скважин, вследствие чего среди выбранных скважин могут оказаться те, между которыми нет гидродинамической связи, и меченая жидкость в таком случае в добывающей скважине обнаружена не будет. Таким образом, список скважин, в которые закачивается индикатор, оказывается избыточным и приводит к более значительным затратам на проведение исследования.

Известен способ исследования и разработки многопластового месторождения углеводородов [патент РФ №2315863, кл. Е21В 47/10 (2006.01), Е21В 43/00 (2006.01), оп. 27.01.2008], ближайший по технической сущности к заявляемому способу и принятый за прототип, который позволяет определить основные параметры отдельно для каждого пласта -наличие, ориентацию и объемы трещин и разрывных нарушений, скорость фильтрации по ним, их проницаемость, объем непроизводительно закачиваемой воды, а также гидродинамическую связь с соседними пластами. Согласно способу, в каждый из исследуемых пластов в по меньшей мере одну нагнетательную скважину закачивают при заданном забойном давлении индивидуальный трассирующий агент, после чего регистрируют концентрацию трассирующего агента, закачиваемого в нагнетательную скважину, в добывающих скважинах, эксплуатирующих тот же пласт. Затем определяют основные параметры каждого пласта, гидродинамическую связь с соседними пластами и устанавливают оптимальные давления нагнетания вытесняющего агента. Повторяют этот процесс при другом забойном давлении и/или при другом трассирующем агенте, продолжая его до устранения неопределенности в параметрах пластов или до достижения оптимального давления нагнетания вытесняющего агента. Добывающие скважины, в которых регистрируют концентрацию закачиваемого трассирующего агента, отбирают предварительно путем гидропрослушивания исследуемого пласта, по итогам которого выявляют добывающие скважины, взаимодействующие с нагнетательными скважинами, в которые производят закачку.

Недостатком способа является проведение гидропрослушивания пласта (ГП) при подборе добывающих и нагнетательных скважин-кандидатов для проведения трассерного исследования. Исследования методом ГП имеют следующие ограничения и недостатки:

• высокая стоимость исследования ввиду необходимости затрат на составление программы и контроль ГП, проведение измерений;

• потери в добыче\закачке при остановке возмущающих (нагнетательных) и реагирующих (добывающих) скважин;

• с увеличением количества анализируемых пар скважин увеличивается длительность и количество измерений и срок получения результатов анализа измерений;

• технические ограничения на проведение ГП, например, неисправность задвижек и фонтанной арматуры;

ввиду высокой стоимости исследования, ГП требует заблаговременного планирования и согласования.

Задачей изобретения является разработка способа повышения информативности трассерных исследований в нефтегазовых месторождениях, в котором устранены недостатки аналогов и прототипа.

Техническим результатом изобретения является оптимизация проведения трассерных исследований, повышение эффективности и снижение затрат на промысловые работы.

Указанный технический результат достигается тем, что в способе повышения информативности трассерных исследований в нефтегазовых месторождениях, включающем планирование исследований путем выбора объекта исследований, конкретного опытного участка, на территории которого имеются возмущающие нагнетательные скважины, в которые планируется закачка разных индикаторов, и наблюдательные добывающие скважины, из которых планируется отбор проб для идентификации наличия индикаторов в добываемой продукции, подбор скважин-кандидатов для трассерного исследования для программы трассерного исследования, закачку трассера в выбранные нагнетательные скважины, отбор проб в выбранных добывающих скважинах, интерпретацию трассерных исследований, согласно изобретению, подбор скважин-кандидатов для трассерного исследования производят с помощью алгоритма, который на основе анализа динамических данных эксплуатации скважин вычисляет коэффициенты взаимовлияния пар скважин методами многопараметрической регрессии MLR и емкостно-резистивной модели CRMIP, с помощью алгоритма машинного обучения подбирает комбинацию пороговых значений для коэффициентов взаимовлияния и строит решающее правило для наилучшего совпадения с результатами ранее проведенных трассерных исследований на участке месторождения, далее с помощью построенного решающего правила для каждой пары скважин нагнетательная-добывающая выдает ответ «да» или «нет», и если алгоритм для пары скважин выдает ответ «да», то пару скважин включают в программу исследования, в нагнетательную скважину производят закачку трассера и в добывающей скважине проводят отбор проб, а если алгоритм выдает ответ «нет», то пару скважин из программы исследования исключают.

Предлагаемое изобретение осуществляется следующим образом.

Для каждого месторождения строится свой алгоритм подбора скважин-кандидатов, основанный на методе машинного обучения, называемого деревом решений (ML) [L. Breiman, J. Friedman, R. Olshen, and C. Stone. Classification and Regression Trees. Wadsworth, Belmont, CA, 1984]. Дерево решений представляет собой иерархическую структуру, состоящую из двух типов элементов - узлов и листьев. В узлах находятся решающие правила в виде неравенств, которые разбивают множество примеров, попавших в этот узел, на два подмножества. В одно подмножество попадают примеры, которые удовлетворяют этому правилу, в другое - те, которые не удовлетворяют. Затем к каждому подмножеству вновь применяется правило, и процедура рекурсивно повторяется, пока не будет достигнуто некоторое условие остановки алгоритма. В результате в последнем узле проверка и разбиение не производится, и он объявляется листом. Лист определяет ответ для каждого попавшего в него примера.

Правила генерируются за счет обобщения множества отдельных наблюдений (обучающих примеров), для каждого из которых задано целевое значение (отклик), и задача алгоритма - построить дерево, которое для каждого обучающего примера выдает ответ, совпадающий с откликом.

В качестве обучающих примеров для настройки алгоритма ML используются пары скважин нагнетательная-добывающая, на которых ранее проводились трассерные исследования. Для каждой пары известно целевое значение - заключение исследования о приходе трассера: «да», если трассер пришел в добывающую скважину, и «нет», если трассер не пришел.

После настройки узлов алгоритм ML для новой пары скважин проверяет выполнение неравенств в узлах и находит лист, на основе которого определяет ответ «да» или «нет».

Для формирования решающих правил в узлах дерева используются коэффициенты взаимовлияния по методам CRMIP и MLR, рассчитываемые на основе динамических данных эксплуатации скважин.

Обозначения динамических параметров, используемых при расчете коэффициентов по методам MLR и CRMIP, на j-й добывающей скважине и i-й нагнетательной скважине, даны в Таблице 1.

В основе метода MLR лежит уравнение многопараметрической линейной регрессии

где - динамический параметр на наблюдательной j-й скважине в k-й момент времени; β_0j - свободный член; β_ij - вероятностный коэффициент влияния i-й скважины на j-ю скважину; - динамический параметр в возмущающей i-й скважине в k-й момент времени; I - число возмущающих скважин; Т - количество точек по времени.

С помощью уравнения (1) анализируется одновременное изменение динамических параметров скважин. Свободный член β_0j для анализа не используется.

При рассмотрении пар скважин i-я нагнетательная - j-я добывающая параметр I=1, и система уравнений (1) переписывается в виде

Для обучения системы решается обратная нормированная задача на основе минимизации невязки по динамическому параметру методом наименьших квадратов, в результате которой получается система линейных алгебраических уравнений для каждой наблюдательной скважины

где - ковариации нормированных значений динамического параметра возмущающих скважин (m=1, …, I); - ковариации нормированных значений динамического параметра возмущающих и наблюдательных скважин.

В случае пары скважин система (3) упрощается до выражений для вычисления коэффициентов влияния i-й нагнетательной скважины на j-ю добывающую скважину.

В качестве динамических параметров в уравнениях (2) и (4) могут выступать забойное давление, дебит/приемистость и другие данные нормальной эксплуатации скважин. В зависимости от анализируемых динамических параметров коэффициент β_ij обозначается согласно Таблице 2.

Принцип работы метода CRMIP основан на уравнении материального баланса

где w_i(t) -приемистость i-й нагнетательной скважины, м3/сут; p_j(t)-забойное давление j-й добывающей скважины, МПа; q_ij (t) - дебит j-й добывающей скважины (нефть и вода), обусловленный влиянием i - й нагнетательной скважины, м3/сут; ƒ_ij - параметр взаимосвязи, определяющий объемную долю закачанной в нагнетательную скважину жидкости, которая фильтруется к добывающей скважине (0≤ƒ_ij≤1); τ_ij-временной параметр (τ_ij≥0), сут; J_ij - параметр продуктивности (J_ij≥0), м3/(сут МПа); t - время от начала исследования, сут.

Аналитическое решение уравнения (5) представляется в виде

Для определения коэффициентов ƒ_ij, τ_ij, J_ij отдельно для каждой нагнетательной скважины решается задача минимизации невязки методом Нелдера-Мида [J.A. Nelder, R. Mead, A simplex method for function minimization. Computer Journal, 1965. V. 7, P. 308-313]:

где N - число наблюдательных скважин; - фактический дебит j-й добывающей скважины в k-й момент времени, м3/сут; - рассчитанный по формуле (6) дебит j-й добывающей скважины в k-й момент времени, м3/сут.

Для поиска точки минимума методом Нелдера-Мида необходимо задать τ_0,ij - начальное приближение для параметра τ_ij.

Для анализа влияния i-я нагнетательной на j-ю добывающую скважину в методе CRMIP используются коэффициенты ƒ_ij, J_ij,, τ_ij и τ_0,ij.

Построение алгоритма ML реализовано в библиотеке sklearn на языке Python [Scikit-learn: Machine Learning in Python, Pedregosaet al. JMLR 12, 2011. P. 2825-2830].

Алгоритм дерева решений реализован в функции DecisionTreeClassifier. Для подбора параметров алгоритма criterion, max_depth, min_samples_split и min_samples_leaf проводится процесс K-кратной кросс-валидации:

1. Множество обучающих примеров разделяется на две части -обучающую выборку, состоящую из 70% примеров, и тестовую выборку, состоящую из 30% примеров.

2. На обучающей выборке алгоритм строит дерево.

3. На тестовой выборке алгоритм проводит оценку качества.

4. Шаги 1-3 повторяются K раз. По K запускам значения оценки качества усредняются, и определяется наилучшая комбинация значений параметров.

Остальные параметры алгоритма принимают значения по умолчанию.

Оценкой качества является функция AUC ROC. Оценка равна доле пар примеров вида (пример с откликом «да», пример с откликом «нет»), которые алгоритм верно упорядочил. Порядок между откликами «да» и «нет» определяется как «да» > «нет».

Процесс K -кратной кросс-валидации реализован в функции GridSearchCV. Расчет оценки качества реализован в функции roc_auc_score.

Полное описание алгоритма способа повышения информативности трассерных исследований в нефтегазовых месторождениях:

1. Выбирают месторождение.

2. Собирают данные о проведенных трассерных исследованиях. В каждой паре i-й нагнетательной и j-й добывающей скважин известны динамические данные эксплуатации скважин , , , . Также известно заключение исследования о приходе трассера.

3. Для каждой пары i-й нагнетательной и j-й добывающей скважин путем подстановки данных в формулы (2) (4), (6), (7) рассчитывают коэффициенты методами MLR p(p)_ij, p(w)_ij, q(p)_ij, q(w)_ij и CRMIP ƒ_ij, J_ij, τ_ij и τ₀,_ij.

4. Собирают примеры в таблицу. Строка таблицы соответствует паре скважин. По столбцам таблицы записаны коэффициенты, рассчитанные по методам MLR и CRMIP. В отдельную таблицу с одним столбцом собирают заключения ТИ. Строки двух таблиц соответствуют одному примеру.

5. Настраивают алгоритм ML. В качестве входных данных для функции DecisionTreeClassifier задают таблицу с коэффициентами и таблицу с заключениями ТИ. Подбирают параметры в функции с помощью K-кратной кросс-валидации. С выбранными параметрами запускают функцию DecisionTreeClassifier и строят дерево решений на полном множестве обучающих примеров.

6. При планировании трассерного исследования на выбранном участке месторождения для каждой пары скважин рассчитывают коэффициенты методами MLR и CRMIP, собирают их в таблицу и подают их на вход алгоритму ML. Сохраняют ответ алгоритма («да» или «нет»).

7. Оставляют пары скважин, для которых алгоритм выдал ответ «да».

8. В выбранные нагнетательные скважины закачивают трассер.

9. В выбранных добывающих скважинах отбирают пробы.

10. Проводят интерпретацию трассерных исследований.

Практическая реализация предлагаемого способа рассмотрена на фактическом примере месторождения Y. Для настройки алгоритма ML было использовано 289 пар скважин. Среди них только в 40% был обнаружен трассер. Для тестирования алгоритма ML из полного набора данных была выделена тестовая выборка из 54 пар скважин, которые не участвовали в настройке алгоритма ML. Параметр K принимал значение 5. На тестовой выборке алгоритм ML показал результаты, которые представлены в Таблице 3. Строки соответствуют ответу при проведении трассерного исследования для пары скважин («да» - трассер обнаружен, «нет» - трассер не обнаружен), столбцы соответствуют ответам алгоритма ML для пары скважин. В ячейке на пересечении строки и столбца указано количество пар скважин для данной комбинации ответов.

Таким образом, шаг 6 алгоритма позволяет уточнить множество скважин для проведения трассерных исследований, повысив долю пар скважин с обнаруженным трассером с 40% до 60% (17 из 28 пар). Полнота алгоритма ML составляет 78% (17 из 22 пар), то есть алгоритм ML практически полностью находит пары скважин, в которых обнаружен трассер.

Способ повышения информативности трассерных исследований в нефтегазовых месторождениях, включающий планирование исследований путем выбора объекта исследований, конкретного опытного участка, на территории которого имеются возмущающие нагнетательные скважины, в которые планируется закачка разных индикаторов, и наблюдательные добывающие скважины, из которых планируется отбор проб для идентификации наличия индикаторов в добываемой продукции, подбор скважин-кандидатов для трассерного исследования для программы трассерного исследования, закачку трассера в выбранные нагнетательные скважины, отбор проб в выбранных добывающих скважинах, интерпретацию трассерных исследований, отличающийся тем, что подбор скважин-кандидатов для трассерного исследования производят с помощью алгоритма, который на основе анализа динамических данных эксплуатации скважин вычисляет коэффициенты взаимовлияния пар скважин методами многопараметрической регрессии MLR и емкостно-резистивной модели CRMIP, с помощью алгоритма машинного обучения подбирает комбинацию пороговых значений для коэффициентов взаимовлияния и строит решающее правило для наилучшего совпадения с результатами ранее проведенных трассерных исследований на участке месторождения, далее с помощью построенного решающего правила для каждой пары скважин нагнетательная-добывающая выдает ответ «да» или «нет», и если алгоритм для пары скважин выдает ответ «да», то пару скважин включают в программу исследования, в нагнетательную скважину производят закачку трассера и в добывающей скважине проводят отбор проб, а если алгоритм выдает ответ «нет», то пару скважин из программы исследования исключают.