Analisi della curva di decline nel contesto dei riserve non convenzionali del gas:

Analisi della curva di decline nel contesto dei riserve non convenzionali del gas:

L'analisi di decline curve (DCA) è una delle tecniche più utilizzate nell'ingegneria del serbatoio per la previsione della produzione e la stima del recupero finale. Originariamente sviluppato per serbatoi convenzionali con regimi di flusso relativamente semplici, DCA è stato adattato per affrontare il complesso comportamento dei serbatoi di gas non convenzionali come il gas di scisto, le sabbie strette e il metano di dipendenza.

Fondamenti di Decline Analisi Curva

Al suo nucleo, l'analisi della curva di declino comporta l'adattamento dei dati storici di produzione ad una funzione matematica che descrive come il tasso diminuisce nel tempo.

• Decremento esponenziale[ (b=0) – assume un tasso di declino costante, tipicamente applicabile al flusso stabilizzato nei serbatoi convenzionali.
• Hyperbolic declino[[ (0<b<1) – permette il tasso di declino di diminuire nel tempo, fornendo una migliore corrispondenza per molti pozzi non convenzionali.
• Rifiuto armonico[ (b=1) – rappresenta un caso speciale di declino iperbolico con una diminuzione molto graduale del tasso di declino.

L'equazione di Arps è espressa come: \( q(t) = \frac{q i}{(1 + b D i t)^{1/b}} \) per il declino iperbolico, dove \( q i \) è la portata iniziale, \(D i \) è il tasso di declino nominale iniziale, e \( b \) è l'esponente di declino.

La stima della riserva da parte del DCA si basa sull'estrapolare la curva a limite ad un tasso di limite economico o un orizzonte temporale specificato. La produzione cumulativa all'abbandono definisce il recupero definitivo stimato (EUR). Tuttavia, l'incertezza in EUR per le attività non convenzionali può essere sostanziale, rendendo gli approcci probabilistici e le componenti essenziali di analisi della sensibilità di qualsiasi flusso di lavoro rigoroso DCA.

Sfide uniche nei Conservatori non convenzionali

A differenza dei serbatoi convenzionali dove il flusso raggiunge rapidamente le condizioni di confine (stato di pseudo-stay) e le condizioni di unconvenzionale, i pozzi non convenzionali possono esporre lunghi periodi di flusso (instabile) di mesi o addirittura anni. In questo periodo, l'area di drenaggio non è fissa e i modelli Arps standard possono sovrastimare EUR se applicato prematuramente.

Reti complesse di frattura e stimolazione multistadio

La perforazione orizzontale combinata con la frattura idraulica multistadio crea un volume di serbatoio stimolato (SRV) contenente una rete di fratture primarie e secondarie. L'interazione tra la matrice (con permeabilità ultrabassa) e la rete di frattura governa il profilo di produzione.

Identificazione del Regime di Flusso

Identificare il regime di flusso prevalente è fondamentale. I regimi comuni di gas non convenzionale includono il flusso bilineare (conduttività di frattura dominata), il flusso lineare (da matrice a fratture), e il flusso dominato di confine.

Qualità dei dati e distorsioni a tempo parziale

I dati di produzione dei pozzi non convenzionali spesso soffrono di shut-ins, cambiamenti nella backpressure, iniziazione artificiale degli ascensori e carico liquido. Questi eventi operativi possono mascherare il vero declino del serbatoio-driven.

Metodi di curvatura di decline modificati per il gas non convenzionale

Per affrontare le carenze dei modelli Arps classici, diversi metodi alternativi di curva di declino sono stati proposti specificamente per i serbatoi non convenzionali.

Duong’s Modello

Duong (2011) ha introdotto un modello basato sull'osservazione che molti pozzi di gas di scisto presentano un periodo di flusso lineare prolungato, dove il tasso di produzione segue un calo di power-law nel tempo: \( q(t) = q 1 t^{-m} \) con \( m \) tipicamente tra 0,5 e 1.0. Duong’ il modello incorpora anche un parametro \(a \) che rappresenta il declino del rapporto di perdita rispetto agli effetti in tempo migliori.

Decile di produzione espositiva allungata (SEPD)

Valkó e Lee (2010) propose il modello esponenziale allungato, che caratterizza la distribuzione dei tempi di declino caratteristici in un serbatoio eterogeneo. Il tasso di produzione è dato da \(q(t) = q 0 \exp(-(t/\tau)^\beta) \), dove \tero(beta \) (tra 0 e 1) descrive il grado di base tardiva

Modello Exponential (PLE) Power-Law

Il modello PLE (a volte chiamato modello iperbolico modificato) combina un calo della power-law in tempi brevi con una coda esponenziale in tempi più recenti. È definito \(q(t) = q 0 \exp(-(t/\tau)^n) dove \(n \) è l'esponente. Questo modello può ospitare una vasta gamma di forme di declino e transizioni senza problemi di decadimento.

Rationale per l'utilizzo di modelli multipli

Nessun modello è universalmente applicabile. Fattori come la permeabilità del serbatoio, la frattura di mezza lunghezza, la distanza di pozzo e la lunghezza di storia tutta l'influenza che il modello fornisce la previsione più affidabile. Un flusso di lavoro prudente comporta l'adattamento di diversi modelli (ad esempio, Duong, SEPD, PLE, iperbolico con b<1) e il confronto con le distribuzioni EUR risultante, l'analisi di sensibilità e l'integrazione con i dati plafisici identificano.

Lenti chiave per l'analisi accurata della curva di decline in Shale e gas di tenuta

Traendo dalle migliori pratiche del settore e dalla recente ricerca, le seguenti informazioni possono migliorare significativamente i risultati DCA per serbatoi di gas non convenzionali.

1. Priorizzare la qualità dei dati e preprocessare

I dati di produzione prima devono essere accuratamente controllati. Esami come gli intervalli di report inconsistenti (ad esempio, ogni giorno e ogni mese), i periodi mancanti e le variazioni delle condizioni operative devono essere affrontati. Normalizzare i tassi di pressione (utilizzando tassi normalizzati) rimuove l'influenza del dispendio variabile.

2. Focus sull'analisi del tempo iniziale per la calibrazione

Nei primi 6-18 mesi, la curva di declino contiene le informazioni più dettagliate sulle proprietà di serbatoio e frattura. L'accoppiamento dei dati iniziali con un modello di flusso transiente (ad esempio, la pendenza di flusso lineare su un grafico a tasso-vs.-square-root-of-time) fornisce vincoli sulla frattura di mezza lunghezza e permeabilità. Combinando questi parametri derivati con DCA produce una previsione più fisicamente coerente che un adattamento a curva puramente empirica.

3. Incorporare previsioni probabiliste

Considerata l'elevata incertezza nei serbatoi non convenzionali, le previsioni deterministiche possono essere fuorvianti. Un approccio probabilistico utilizza la distribuzione dei parametri del modello (ad esempio, b, Di, qi) e le loro correlazioni per generare le stime P10, P50 e P90 EUR. La simulazione di Monte Carlo o l'inferenza Bayesiana possono essere applicate.

4. Combina DCA con l'analisi dei tassi di transito

RTA fornisce una comprensione meccanistica dei regimi di flusso e delle proprietà del serbatoio (permeabilità, pelle, frattura di mezza lunghezza), mentre DCA offre una base pratica per l'estrapolazione. Utilizzando i parametri di RTA-derived per limitare i parametri del modello di declino migliora la robustezza delle previsioni. Molte piattaforme software ora integrano entrambe le tecniche in un flusso di lavoro unificato.

5. Convalida con i pozzi analogici e le statistiche del bacino

Studiare il comportamento di produzione dei pozzi adiacenti o dei pozzi in formazioni simili fornisce un controllo di santità per le previsioni DCA. Le curve di tipo costruite da una popolazione di pozzi nello stesso gioco possono servire come una previsione preliminare. I metodi statistici come clustering gerarchico o machine learning possono raggruppare pozzi con caratteristiche di declino simili e migliorare la potenza predittiva dell'analisi.

6. Account per l'interferenza e la perforazione di riempimento

Poiché i campi si sviluppano, i pozzi di riempimento causano l'impoverimento della pressione e l'interferenza della frattura con i pozzi di produzione esistenti. Questo può accelerare il tasso di declino dei pozzi genitori. DCA eseguito su pozzi individuali senza considerare gli effetti su scala campo può sopravvalutare EUR.

Il ruolo dell'apprendimento automatico e dell'analisi avanzata

L'ondata di disponibilità dei dati da una sorveglianza di alta frequenza (sottofori, fibre ottiche, misura automatica) ha aperto la porta per l'apprendimento automatico per aumentare il tradizionale DCA. Mentre i modelli classici richiedono ipotesi esplicite sui regimi di flusso, gli algoritmi ML possono imparare i modelli direttamente dalla serie di tempo di produzione e dati ausiliari (parametri di completamento, attributi geologici).

Reti neurali e apprendimento profondo

Le reti neurali ricorrenti (RNN) e le reti a breve termine (LSTM) sono state applicate per la previsione della produzione di petrolio e gas. Questi modelli possono catturare dipendenze temporali e relazioni non lineari complesse. Quando sono formati su centinaia di pozzi, possono produrre previsioni accurate a breve e medio termine senza contare su un'equazione di declino pre-specificata. Tuttavia, richiedono grandi set di dati, un'attenta progettazione di funzioni e la validazione di Exfi&82

Gradiente Boosting e foreste casuali

I metodi di Ensemble tree sono popolari per predire EUR in base alle caratteristiche statiche (larghezza, massa proppant, proprietà di formazione), che possono identificare i driver più influenti di prestazioni e fornire uscite probabilistiche. Inoltre, essi gestiscono i dati mancanti e i tipi di variabili misti più robustamente rispetto alla regressione tradizionale.

Selezione e ottimizzazione automatica dei parametri

Attraverso l'addestramento di un classificatore su dati storici che include il recupero definitivo effettivo (conosciuto dalla produzione successiva), l'algoritmo può raccomandare se utilizzare i modelli iperbolici, Duong o SEPD basati su modelli di tempo precoce. Allo stesso modo, gli algoritmi evolutivi possono ottimizzare i parametri di un modello scelto per ridurre al minimo l'errore previsto su una finestra di convalida.

Applicazioni pratiche e direzioni future

L'analisi della curva di decline rimane indispensabile per la pianificazione dello sviluppo del campo, la valutazione economica e la rendicontazione finanziaria delle attività non convenzionali del gas. L'integrazione di analisi avanzate, una migliore comprensione della fisica del flusso e un miglioramento continuo della qualità dei dati stanno rendendo il DCA più affidabile che mai.

Strategie di sviluppo del campo

I gestori del portafoglio utilizzano i risultati DCA per identificare pozzi ad alta prestazione, ottimizzare la spaziatura e stimare la base di risorse totale per un pad o una sezione. Confrontando il comportamento di declino dei diversi progetti di completamento (ad esempio, spaziatura a grappolo, volume fluido) aiuta a perfezionare la futura stimolazione del pozzo.

Resoconto di prenotazione ai sensi della SEC e delle PRMS

DCA è una tecnica accettata per la categorizzazione delle riserve quando correttamente applicata e documentata. L'uso di modelli multipli e metodi probabilistici è sempre più riconosciuto dai regolatori come migliore pratica. SPE Petroleum Resources Management System (PRMS) fornisce linee guida su come DCA si inserisce nella coerenza delle riserve.

Monitoraggio e previsione in tempo reale

Con la proliferazione di edge computing e analisi basate su cloud, è ora possibile eseguire DCA in quasi in tempo reale. Flussi di lavoro automatizzati che ingeriscono i dati di produzione ogni giorno, preprocessarlo, adattare i modelli candidati, e generare previsioni consentono agli ingegneri di identificare rapidamente pozzi sottoperformanti o tendenze di declino inaspettate.

Le direzioni future

La prossima ondata di innovazione in DCA per il gas non convenzionale coinvolgerà probabilmente modelli ibridi che combinano vincoli fisici-basati (ad esempio, bilancia materiale, meccanica di propagazione della frattura) con correzioni basate sui dati.

Conclusioni

L'analisi della curva di declineamento rimane un punto di riferimento della previsione di produzione e della stima di riserva per i serbatoi di gas non convenzionali, ma la sua applicazione richiede un'attenta adattamento alla fisica e alle complessità uniche di questi sistemi. Combinando una comprensione approfondita dei regimi di flusso, selezionando i modelli appropriati modificati (Duong, SEPD, PLE), integrando l'analisi dei tassi-trasformanti e abbracciando approcci probabilistici e di apprendimento automatico, gli ingegneri possono generare previsioni più affidabili.