シェールガス貯水池におけるデュアル・ポロシーモデルの理解

頁岩ガス貯水池は、二つの異なるが相互接続システムで構成される複雑な気孔ネットワークによって特徴付けられます。マトリックスと自然フラクチャーネットワーク(または油圧刺激後のフラクチャーを引き起こしました)。 [] - 気孔率モデル[]]は、再サービアーの各ボリューム要素を2つの相互作用の連続剤 - 低い - 透磁率マトリックス、それは、大半のガス調整と調整の調整のために、通常調整された構造体と調整された構造体が、最初に調整された構造体と構造の調整された構造を、または調整する。

ウォーレン・ルート・レポジショニング

定番のWarren-Rootモデルは、2つの次元のパラメータ:[の強度比(ω)の対比フロー係数(λ)]。 相対性比ω = (φ]]f]c[FLT[FLT[FLT]]:[FLT:]:[FLT:]:[FLT:]]:[FLT:]]の相対的な速度と[FLT:]の間隔の[F]:[FLT:[F]:[F]]:[F]:[F]の間隔の間隔の[F]:[F]の[F]の[F]の間隔の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[F]の[

マトリックス対物骨折特性

頁岩のマトリックスブロックには、ナノメートルのスケールの毛穴にサブミクロンが含まれている。しばしば重要な有機気孔率(kerogen-hosted pores)で。 行列の透磁率は、通常、ナノダーシーからマイクロダーシーの範囲に、フラクチャーの透過性は、ミリタリーから刺激後にダルクまで、複数の順序で、より高まっている。 por]]]dual-osityモデルexplicit:この方向は、より、より、より一層の方向に収束をキャプチャします。 [FLT]

マトリックス‐骨格移動機構

マトリックスから骨折までのガスの流れは、圧力拡散と有機表面からの脱着の両方によって制御されます。初期生産時間では、ガスは骨折システムからほぼ独占的に配信され、急な低下につながります。骨折圧力低下として、圧力勾配はマトリックスと骨折の間を発展させ、マトリックスからガスを運転します。形状要因(σ) - 通常、スラブ、ブロック、または球面のさらなる地形を使用して定義 - この振動子の伝達速度を、アークまたはアークの調整する(K)。

頁岩ガス保存の見積もりの適用

正確なリザーブ推定は、元のガス-in-place(OGIP)と回復可能な分数を定量化する必要があります。 デュアル-ポロシティモデルは、生産データ、コア測定、および石油学的ログと統合したときに、特に、これらの計算のための物理ベースの基盤を提供します。

オリジナルガスを刺激する‐場所

二重気孔率システムにおけるOGIPは、骨折およびマトリックス(有機物に吸着ガスを含む)に保存されたフリーガスの合計として計算されます。モデルは、気孔率を骨折(通常0.1〜1%のバルクボリューム)に分割し、行列気孔率(2〜10%)を分割します。ガス飽和、形成量要因、吸着隔離(ランムーア圧力および量)は、各連続に適用されます。 これらは、これらは、通常の分布量よりも、より正確な量をブロックします。

生産予測と意思決定曲線分析

デュアル・オポジシティ・モデルの最大の利点の1つは、多くの頁岩で見られる特徴的な「2-slope」低下を予測する能力です。 骨折の枯渇から初期の急激な低下が続く、マトリクスガスが骨折に与えるように浅い低下。 慣習的なアルプスは、しばしば尾率を過小評価し、最適化された予備物につながる。 デュアルオポジティ・シミュレーション - またはそのような物から派したタイプ曲線が、より早く、モデルを予測する(実質的なモデル) λモデルを生成する。

単一ポロシティ モデル上の利点

単一ピースモデルは、効果的な透過性と気孔率で均質な媒体として頁岩を扱います。 計算的に単純に、それらはストレージとフロー領域間の動的相互作用をキャプチャできません。 デュアルピースモデルの主な利点は次のとおりです。

  • ] 物理リアリズム:[ 実際のフロージオメトリを表します。 ガスは低精子のマトリックスで保存され、高精子の骨折によって流れます。
  • バッテリー圧力過渡解析:[ デュアルオポシティ動作(ビルドテストの派生物における特徴的な「ディップ」)は、 よくテストから直接 ω と λ を推定するために一致させることができます。
  • []:の改善された歴史の一致:[の2つの-連続フレームワークは、より正確な校正を可能にする自由(異なる気孔の容積と透過率)の追加度を提供します。
  • 回復機構の明快さ:[ 行列からガスを分解する気密から生成されたガス間での区別, エンジニアが最適な刺激と枯渇戦略を設計するのに役立ちます.

多くの演算子は、この]のデュアル・オポシティモデルを定期的に使用できるようになりました。リソース評価と[]]]投資決定]、特にバーネット、マルセロス、ペルマイアン・バイン、および四川バインのLongmaxi形成などの主要な頁岩の再生など。

制限事項と緩和戦略

強みにもかかわらず、デュアル・オポジシティモデルは課題を伴わないわけではありません。3つの主要な障害 - データ強度、キャリブレーションの複雑性、計算上の要求 - 現代のワークフローで管理できます。

データの集中的および口径測定の複雑性

二重孔率モデルは、マトリックスと骨折特性の詳細な特性化を必要とします。 マトリックス透過性および気孔率は、コアプラグ、クラッシュ‐ロック分析、核磁気共鳴(NMR)ログから来ています。 破壊特性 - 間隔、絞り、伝導性、方向 - は、画像ログ、マイクロ地震マッピング、およびラボ実験から派生しています。 断層係数フロー(λ)をキャリブレーションすることは、特に困難で、それは、μFracture およびマイクロトランスファクチャリングの解析とマイクロトランスファクチャリングの動作が、マイクロトランスファクチャリングの動作するかどうかを組み合わせることにより、 λF[1] μF] トランスファクチャリング] トランスファクチャリング[1] トランスファクチャリング] トランスファクチャリング] およびマイクロトランスファクチャリング[1] トランスファクチャリング] トランスファクチャリング] トランスファクチャリング[1] トランスファクチャリング] トランスファクチャリング] トランスファクチャリング[1] トランスファクチャリング[1] トランスファクチャリング] トランス

計算上の要求

複数のセルを組み合わせて、フルフィールドのデュアル・ポオシティモデルを計算すると、計算的に重くすることができます。このモデルを移行するには、エンジニアはプロキシモデル(応答面)または重要な井戸の場所に合わせるために洗練されたセクターモデルを使用します。機械学習アルゴリズムは、フルシミュレータを実行せずに迅速なリザーブ見積を提供するために、デュアルポシティシミュレーションで訓練されています。

多様なバリエーション:トリプル・ポロティとマルチ・コンチヌムモデル

シェールファブリックの理解が向上するにつれて、業界は元のデュアルポーシャリティの理想化を超えて移動しています。 多くのシャールには、有機的=マーターの気孔、間粒子のミネラルの気孔、および自然または誘発された骨折の3つの異なる気孔システムが含まれています。 []トリプルポーティーモデルは、吸着能力を持つ3番目の連続性を追加します。多くの場合、有機物は、カージェントの生成物と異なる組み合わせて、岩場に分離されたモデルを使用することができます。 [FLTFLT:] [FLT] [FLT] 別のモデルが、再構成することを可能にする:[FLT] 別のモデル:[F]

例えば、マルセルス・シェールの調査では、三重のオポジティ・モデルが、シミュレートされたガス率と観察されたガスレートの誤差を約40%削減した(を参照してください)SPE 191657-PA)。 有機=マッターの連続は、最初の5年間でガス生産の15〜20%を追加した。

フィールドケース研究と業界採用

デュアル・オポジシティ・モデルの有効性は、多くのフィールド・アプリケーションによってサポートされています。 Barnett の頁岩では、オペレータは 200 を超える井戸からの履歴・マッチの生産に Warren のルート基づいたモデルを使用しており、ガス率と累積生産の 10% 未満の平均的なエラーを達成します。このモデルは、断層のフロー係数 (λ) varied を体系的に、サイカルト・バース・バース・コントリッス・リー・デザインと明らかにしました。同様に、Sirt の回復率は、より長い構造を把握します。 [F]

米国エネルギー情報局(])は、振れのプレイのための年次リザーブレポートで、複数のポシティ方法も参照し、オペレータがデュアル‐またはトリプル‐ポロシティモデルを使用して強調する、 lumped‐パラメータアプローチを使用してそれらと比較して、より一貫性のある予約を報告します。

今後の展望とチャレンジの再開

デュアルピースモデルは、シェールガス推定キットの標準的なツールとなっていますが、技術は進化し続けています。 ストレス依存の骨折のパーマビリティなどの地形機械の統合 - デュアルポーソリティシミュレータには、アクティブな研究領域が残されています。 さらに、二重‐ポロシリティモデルと埋め込まれた分裂ネットワーク(EDFM)を組み合わせることで、物理的な精度を維持しながら計算の負担を軽減することができます。 さらなる高精細化のリソースの拡大は、より効率的なデータ収集と、より効率的なデータ収集のために、より効率的なデータ収集を最適化します。