Fondamenti della modellazione del flusso fluido per i riservatori di gas

La modellazione del flusso fluido, nota anche come simulazione del serbatoio numerico, risolve le equazioni differenziali parziali che governano la massa, il moto e il trasporto energetico nei mezzi capillari. Al suo nucleo, combina la legge di Darcy per il flusso multifase con equazioni di continuità per ogni componente temporale del fluido e un'equazione di stato relativo pressione, volume e temperatura.

I simulatori moderni possono gestire miliardi di celle con descrizioni compositive, catturare il comportamento di fase complesso per i sistemi di petrolio gas-condensato e volatile. I motori numerici tipicamente utilizzano metodi di efferenze finite (FD) o finite-volume (FV), con la pressione implicita esplicita saturazione (IMPES) o formulazioni completamente implicite per la stabilità.

Chiave fenomenali fisici catturati

I modelli di flusso fluido vanno oltre il semplice equilibrio di massa incorporando diversi fenomeni fisici critici che i metodi statici ignorano:

  • Diffusione di pressione:[ La velocità alla quale i transienti di pressione si propagano attraverso la roccia detta quanto rapidamente le riserve diventano accessibili. Nei sistemi di bassa permeabilità, il dispendio di pressione può richiedere anni per raggiungere il limite di serbatoio, il che significa che le curve di declino precoce possono sottovalutare gravemente il recupero finale se la zona di drenaggio totale non è ancora impegnata.
  • Le interazioni multifase: Anche nei serbatoi a gas secco, l'acqua connata crea effetti relativi di permeabilità che riducono la mobilità del gas. Per i serbatoi ricchi di condensazione del gas, il liquido bancario vicino al pozzo può ridurre la produttività del gas del 50% o più. Questo fenomeno appare solo in simulazione compositiva con modelli di permeabilità relativi accurati che rappresentano l'isteresis in fase di deflusso e di condensazione.
  • L'accoppiamento geomeccanico: In serbatoi stretti e sabbie non consolidate, la porosità e la permeabilità possono cambiare con uno stress efficace come la pressione dei pori diminuisce. Questo comportamento sensibile allo stress può portare alla riduzione permanente della permeabilità, riducendo significativamente il recupero finale se non catturato.
  • Flusso non pericoloso:[ Nei pozzi vicini, il flusso di gas ad alta velocità può deviare dal rapporto lineare Darcy a causa di effetti inerziali, creando ulteriore caduta di pressione.
  • L'assorbimento e la desorpzione: In metano carbonizzato e in shales ricchi di organici, il gas immagazzinato sulle superfici pore viene rilasciato a basse pressioni, un processo esplicitamente modellato utilizzando i parametri dell'isotermia di Langmuir o BET. In molti giochi di shale, la desorption contribuisce al 30% della produzione totale di gas sulle riserve di bene; omettendo di un trasferimento a 10-diction.
  • Effetti termici:[ In campi di gas ad alta pressione, ad alta temperatura (HPHT), i cambiamenti di temperatura durante la produzione causano espansione fluida o contrazione che altera la pressione del serbatoio e il comportamento di fase. Alcuni simulatori includono equazioni di bilanciamento dell'energia per il raffreddamento di Joule-Thomson, che possono causare formazione idratante in completamento superficiale.

I simulatori compositivi moderni tracciano il comportamento di fase dei liquidi ricchi di condensazione del gas come gocce di pressione sotto il punto di rugiada. Questo è vitale per una precisa previsione di riserva nei campi profondi e ad alta pressione in cui il dropout liquido può ridurre drasticamente la liberabilità del gas. La combinazione di queste caratteristiche fisiche trasforma la stima di riserva da un numero statico in una previsione dinamica e dipendente dal tempo.

Input di dati che Drive Model Accuratezza

La qualità di un modello di flusso fluido] è inseparabile dalla qualità dei dati che ne derivano. Un modello geologico ben costruito, derivato da sondaggi sismici e da ben log, fornisce il quadro strutturale e le distribuzioni di proprietà rocciose.

I campioni fluidi, presi in considerazione nelle condizioni di serbatoio utilizzando un tester di formazione o un separatore, sono caratterizzati da studi PVT per generare parametri di equazione dello stato. Le relazioni di temperatura-volume sono particolarmente sensibili per i sistemi di condensazione del gas, dove i piccoli errori nella composizione (ad esempio, mancando un po' di eptanes-plus) possono propagarsi in grandi discrepanze nei rendimenti previsti di liquido e nei prodotti di rugiada di rugiada di rugiada.

In giochi non convenzionali, l'analisi dei tassi di trasmissione dei dati di produzione a lungo termine aiuta il contenimento del volume del serbatoio stimolato e delle fratture di mezza lunghezza, spesso calibrato con dati microseismici. Questo modello di asset completamente integrato diventa la base su cui il simulatore gestisce le sue previsioni.

Gestione dell'incertezza in Input di dati

Ogni fonte di dati ha un'incertezza associata. L'interpretazione sismica può misidentizzare il guasto gettato di 50 ft; le misurazioni di permeabilità del nucleo possono rappresentare solo la zona più permeabile in un intervallo eterogeneo; i campioni di PVT non possono rappresentare la colonna di fluido completo.

Vantaggi dell'adozione di modelli di flusso dinamico

  • More realistici schemi di drenaggio:[] I metodi statici spesso assumono un drenaggio uniforme da un cilindro simmetrico intorno al pozzo; i modelli di flusso rivelano come i baffle a bassa permeabilità creano corridoi di flusso preferenziali, rivelando aree di riserve non bagnate che potrebbero essere mirate con i sidetracks o i pozzi di inscarica.
  • Identificazione del rischio:[] Le mappe a pressione simulate evidenziano i comparti che si esauriscono più velocemente del previsto, segnalando la necessità di ulteriori forature o ricomplezioni prima che la produzione scende sotto i limiti economici.Un segmento a carico di guasto che si esaurisce alla pressione di abbandono in 2 anni anziché le 10 richieste di intervento immediato, risparmiando riserve che altrimenti sarebbero bloccate.
  • Test di scenario senza prove sul campo:[] Gli operatori possono valutare decine di concetti di sviluppo – differenti spazi di bene, profondità di atterraggio, disegni di stimolazione, tempi di compressione – in un ambiente virtuale, minimizzando costose prove-e-error. Un singolo percorso di simulazione che confronta la distanza di 40-acre vs 80-acre può salvare milioni di pozzi inutili.
  • Storia avanzata corrispondente:[] Regolando in modo iterativo i parametri del modello fino a quando le pressioni simulate e i tassi corrispondono ai dati osservati, gli ingegneri costruiscono uno strumento calibrato che prevede più in modo affidabile la base di riserva rimanente.
  • Conformità regolamentare e finanziaria: Molti regolatori di titoli e borse si aspettano che le riserve provate siano sostenute da modelli dinamici, in particolare per i serbatoi complessi in cui le curve di declino deterministiche sono insufficienti.

Un'azienda nordamericana E&P ha recentemente riferito che l'integrazione della simulazione compositiva a campo intero nel suo portafoglio di scisti Marcellus ha ridotto il numero di posizioni di riempimento necessarie per mantenere la produzione di plateau del 15%, semplicemente perché il modello ha identificato interferenze ben-bene che le mappe statiche avevano perso.

Previsione probabilistica con simulazione dinamica

Le stime di riserva deterministica singole sono sempre più considerate insufficienti per le decisioni di investimento ad alto consumo. La previsione probabilistica utilizzando i modelli di flusso genera una serie di risultati che riflettono la variabilità spaziale sottostante e l'incertezza dei dati. Questo approccio comporta in genere la costruzione di molteplici realizzazioni geologiche (spesso 100-500) utilizzando metodi geostatici, quindi l'esecuzione del simulatore su un sottoinsieme per ridurre l'onere computazionale.

I metodi basati su un insieme, come quelli che utilizzano il campionamento della catena Markov Monte Carlo (MCMC), permettono al modello di aggiornare i dati di produzione, e questo quadro Bayesiano fornisce un modo rigoroso per quantificare come le nuove informazioni riducono l'incertezza. Ad esempio, dopo tre anni di produzione, la gamma P90-P10 per un campo di simulazione a gas stretto potrebbe essere ridotta da 200 Bcf a 80 Bcf, fornendo fiducia per impegnarsi a espansione della struttura.

Integrazione dei modelli Fluid Flow con flussi di lavoro subsuperficiali

In pratica, la modellazione del flusso fluido non è un esercizio autonomo, ma si adatta a un ciclo di vita più ampio che inizia con l'interpretazione geofisica e si estende alla sorveglianza della produzione in corso.

  1. Costruire il modello statico:[] Inversione sismica, ben log e dati core definiscono superfici strutturali, reti di guasto e una griglia 3D popolata di facies, porosità e saturazione dell'acqua.
  2. Scopri la griglia di simulazione:[ Poiché una griglia geocellulare a scala piena può contenere decine di milioni di celle, le proprietà vengono rispedite su una griglia ortogonale che mantiene le caratteristiche di flusso chiave, consentendo tempi di esecuzione ragionevoli.
  3. Assegna proprietà dinamiche:[] Permeabilità, relative curve di permeabilità e funzioni di pressione capillare sono assegnate per tipo di roccia basato su funzioni saturazione-altezza o schemi di digitazione rocciosa. I modelli PVT sono inizializzati con composizione fluida e gradienti di pressione, e un'iniziale equilibratura assicura che il modello sia in equilibrio gravitazionale e capillare.
  4. Casione storica: Il modello è eseguito con dati storici di produzione e di iniezione. Il giudizio ingegneristico, talvolta aiutato da algoritmi automatizzati (ad esempio, algoritmi evolutivi o metodi basati su proxy), regola i parametri incerti—trasmissibilità di errori di errore, forza di aquiferi, endpoint relativi di permeabilità—fino simulato buone prestazioni corrisponde alle misurazioni del campo all'interno di una tolleranza accettabile.
  5. Forecast:[] Una volta calibrato, il modello viene utilizzato per eseguire casi di previsione, tra cui realizzazioni multiple stocastiche per quantificare l'incertezza nelle riserve rimanenti.
  6. Aggiornamento continuo:[] Come nuovi pozzi, i dati di pressione sismica 4D o time-lapse diventano disponibili, il modello viene ri-abbinato per mantenere la sua fiducia predittiva. Un pozzo che viene online con un rapporto gas-acqua più alto di quanto previsto potrebbe indicare una gamba d'acqua non modellata, sollecitando la revisione del modello petrofisico e l'aggiornamento di riserva.

Questo processo ciclico garantisce che le stime di riserva siano numeri viventi, non calcoli di una volta, e crea anche un gemello digitale del serbatoio accessibile da più discipline: geologi, foratrici, ingegneri di impianti, che permettono l'ottimizzazione interfunzionale del piano di sviluppo del campo. Molti operatori ora incorporano ingegneri di simulazione all'interno del team di geoscienza per accorciare il loop di feedback tra interpretazione e modellazione.

Case study: Rifinire le riserve di gas del Mare del Nord con simulazione dinamica

In un importante campo di Permian-Rotliegend, l'operatore aveva storicamente fatto affidamento su p/Z equilibrio materiale per stimare il gas originale in posizione da un semplice diagramma di pressione vs produzione cumulativa. Tuttavia, i dati di produzione hanno mostrato alcuni pozzi che hanno registrato un calo più marcato del bilanciamento dei materiali previsto, accennando a trend.

Applicazione in Reserver non convenzionali di gas di scisto

I modelli di flusso fluido sono stati particolarmente impattanti nei giochi di gas di scisto, dove la permeabilità della nano-distruzione, le reti di frattura complesse e i fenomeni di adsorbimento li hanno separati dai serbatoi convenzionali.

Nel gioco di Haynesville, gli operatori hanno usato modelli di flusso geomeccanico accoppiato per prevedere come le fratture si chiudono nel tempo come la pressione dei pori diminuisce, rivelando che i primi alti tassi mascherano la perdita rapida di conducibilità a causa della permeabilità dipendente dallo stress.

Sfide nell'implementazione Modelli di flusso fluido affidabili

Nonostante la loro potenza, i modelli di flusso fluido affrontano diversi ostacoli pratici che possono compromettere l'affidabilità se non accuratamente gestiti:

  • Intensità e qualità dei dati:[ Un modello è altrettanto buono quanto i dati che assimila. Distribuzioni di permeabilità inesatte, endpoint relativi permeabilità, o composizioni fluide errate propagano l'incertezza nelle previsioni. I campi con un controllo ben scarso o un nucleo limitato possono produrre più partite di storia non unitaria, ognuna con diverse implicazioni di riserva.
  • Non-unicità e sovra-parametrizzazione: Molti problemi di storia che si adattano a parametri più regolabili rispetto alle misurazioni. Gli ingegneri devono applicare il realismo geologico per limitare i parametri e evitare modelli "engineering-forced" che corrispondono alla storia ma non hanno valore predittivo.
  • Richiesta computazionale:[] Modelli a campo completo con milioni di celle e descrizioni dei fluidi compositivi possono richiedere un ampio tempo di calcolo del cluster, soprattutto per le realizzazioni di Monte Carlo. Nonostante i progressi nei risolutori accelerati dalla GPU e nell'infrastruttura cloud, i tempi di esecuzione possono limitare il numero di scenari testati.
  • L'aumento dei manufatti:] Trasferire l'eterogeneità su scala sottile ad una griglia di simulazione di cesoie perde inevitabilmente qualche dettaglio, in particolare nelle zone più sottili o fratturate. L'aumento basato sul flusso aiuta, ma i modellisti devono essere vigili sul fatto che la griglia grezzo incassata onori ancora la connettività dinamica che controlla il flusso di gas.
  • Competenza umana:[] La costruzione, la calibrazione e l'interpretazione della simulazione del serbatoio richiede una miscela di geologia, petrofisica, ingegneria chimica e metodi numerici. Una carenza di modellisti subsuperficiali esperti può portare a una sovra-riformità sui flussi di lavoro automatizzati di casella nera che possono perdere un comportamento fisico critico.

Il confronto di queste sfide richiede un quadro di gestione dell'incertezza strutturato, piuttosto che produrre una singola figura di riserva deterministica, i team adottano sempre più approcci basati su ensemble che eseguono modelli multipli con ipotesi di input differenti ma altrettanto plausbili, producendo una gamma di risultati che meglio informano le decisioni di investimento.

Direzioni future: Apprendimento della macchina e Gemelli digitali

L'intersezione della modellazione del flusso fluido e dell'apprendimento automatico sta aprendo nuove frontiere nella previsione della riserva di gas. I modelli di surrogazione di apprendimento approfonditi, formati su migliaia di simulazioni full-physics, possono emulare il comportamento di flusso non lineare complesso a diversi ordini di grandezza maggiore velocità.

I piccoli indipendenti possono ora far funzionare enormi cluster di calcolo paralleli su richiesta, sostituendo i cluster di simulazione su base casuale che offrono un'unica soluzione per i supermajor. Questo livella il campo di gioco e incoraggia l'adozione di metodi di gestione dinamica per la prenotazione di riserve.

Guida pratica per l'adozione di Flow Modeling

Iniziare con un modello di equilibrio materiale per stabilire una linea di base e identificare le incongruenze che richiedono un'indagine più dettagliata. Quindi costruire un modello di settore intorno a un'area di produzione per sviluppare competenze e test modelli presupposti prima di scalare a un modello a campo intero. Investire in formazione crescente e supporto software specializzato.

Considerate di stabilire un processo di "modello di maturazione" con cancelli: da un modello di screening rapido (tipo curva-basato) a un modello di settore, a un modello di storia-matched a pieno campo, a un modello di asset completamente integrato con quantificazione dell'incertezza. Ogni cancello richiede un livello documentato di qualità dei dati e la fiducia del modello prima di progredire.

In un contesto di prezzi volatili del gas e di controllo del montaggio sulle rivelazioni delle riserve, l'approccio dinamico fornisce un quadro difendibile e riproducibile per assegnare numeri a ciò che la terra produrrà. Trasforma la stima di riserva da una figura di inventario statico in uno strumento di gestione che guida sequenze di perforazione, investimenti di struttura e decisioni di portafoglio.