Declinering curve analyse blijft een van de meest gebruikte methoden voor het voorspellen van olie- en gasproductie. Echter, de betrouwbaarheid van deze modellen is sterk afhankelijk van de kwaliteit van de onderliggende aannames over reservoirgedrag. Valideren van de afname curve modellen met kerngegevens en laboratoriumresultaten zorgt ervoor dat voorspellingen worden gebaseerd op de werkelijke rots- en vloeistofeigenschappen in plaats van puur statistische fits. Dit artikel presenteert een uitgebreide aanpak voor het integreren van kernmetingen en experimentele gegevens in de afnamecurve validatie workflow, die modeltypes, gegevensverzameling, analysetechnieken en beste praktijken voor reservoir ingenieurs omvat.

Fundamenten van de desintegratie kromme modellen

De deductiecurvemodellen beschrijven de snelheid waarmee de productie uit een put of reservoir in de loop van de tijd afneemt. De drie primaire modellen . exponentiële, hyperbolische en harmonische . each veronderstellen een andere relatie tussen productiesnelheid en cumulatieve productie of tijd.

Exponentiële declinatie

Exponentiële afname (ook wel constante daling van het percentage genoemd) veronderstelt dat de productiesnelheid daalt met een constant fractioneel tempo. Mathematisch wordt dit uitgedrukt als waar [q het percentage is, q i[ het initiële percentage is, D[ het dalingspercentage is, en t[ het tijd is. Dit model is geschikt voor reservoirs waar het aandrijfmechanisme voornamelijk oplossing is gasaandrijving of waar de drukondersteuning minimaal is. Exponentiële afname komt zelden overeen met echte reservoirs gedurende lange perioden maar is nuttig voor korte termijn prognose.

Hyperbolische daling

Hyperbolische achteruitgang is het meest veelzijdige en veelgebruikte model. Het omvat een afname exponent b tussen 0 en 1. De vergelijking is . Wanneer [b[] = 0, hyperbolische dalingen tot exponentieel; wanneer b = 1 wordt, wordt het harmonische afname. Hyperbolische modellen kunnen de geleidelijke vlakvorming van dalingscurven waargenomen in vele reservoirs, vooral die met sterke natuurlijke waterdriften of zwaartekracht drainage vastleggen.

Harmonische achteruitgang

Harmonische afname (b = 1) gaat ervan uit dat de daling evenredig is aan de cumulatieve productie. Het wordt zelden op zichzelf gebruikt maar verschijnt in combinatie met hyperbolische segmenten in sommige geavanceerde workflows. Harmonische afname kan optreden in reservoirs met een extreem hoge doorlaatbaarheid of waar goedbore stroom domineert.

Waarom kerngegevens en laboratoriumresultaten kwestie voor validatie

Declineren curve modellen zijn empirische . They passen historische gegevens zonder kennis van het reservoir fysica. Dit maakt hen gevoelig voor verkeerde interpretatie als de onderliggende stroommechanismen veranderen. Kerngegevens en laboratoriummetingen bieden de fysieke beperkingen die nodig zijn om te controleren of het gekozen verval model is consistent met het werkelijke reservoir gedrag.

Kerneigenschappen

  • Porticiteit en permeabiliteit: Deze basiseigenschappen regelen de opslagcapaciteit en het stroompotentieel. Als het desintegratiemodel een veel hogere of lagere stroomcapaciteit voorspelt dan kernmetingen, moeten de modelparameters worden aangepast.
  • Relatieve permeabiliteit: In multifasestroomscenario's bepalen relatieve permeabiliteitscurves die zijn afgeleid van kernoverstromingen hoe olie, gas en water concurreren om te stromen. Decideer modellen die relatieve permeabiliteitseffecten negeren, overschatten vaak het herstel van olie.
  • Kaapdruk: In lage doorlaatbaarheid of gebroken reservoirs beïnvloeden capillaire krachten de verzadigingsverdelingen en dus de vorm van de afnamecurve. Capillaire drukgegevens uit laboratoriumtests kunnen helpen bij het kalibreren van de afname-exponent b.
  • Compressibiliteit: Rotscompressibiliteit van kernmetingen beïnvloedt de materiaalbalans en het afnamegedrag, vooral in overbelaste of uitputtings-aandrijvingreservoirs.

Laboratoriumtests die de krommevalidatie direct informeren

  • Routinekernanalyse (RCA): Biedt porositeit, permeabiliteit en korreldichtheid onder omgevings- of netto confisqueringstress. RCA-gegevens worden gebruikt om de stroomcapaciteit (kh) te schatten en de lineariteit van de dalingstrend te verifiëren.
  • Speciale kernanalyse (SCAL): Bevat relatieve permeabiliteit, capillaire druk en elektrische weerstandsmetingen. SCAL-gegevens zijn essentieel voor reservoirs met complexe bevochtiging of verzadigingsgeschiedenis.
  • PVT-analyse: Druk-volume-temperatuurtests op reservoirvloeistofmonsters leveren viscositeit, vormingsvolumefactor en oplossingsgas-olieverhouding. Deze eigenschappen beïnvloeden de dalingssnelheid omdat ze bepalen hoeveel de vloeistof uitzet als de druk daalt.
  • Bewaarbaarheids- en interfaciale spanningsmetingen: Deze beïnvloeden de relatieve permeabiliteitseindpunten en restverzadigingen, die op hun beurt het uiteindelijke herstel en de staart van de afnamecurve regelen.

Stapsgewijze validatieproces

De volgende workflow integreert kerngegevens en laboratoriumresultaten in de validatie van de afnamecurvemodel. Elke stap bouwt voort op de vorige om een verdedigbare prognose te creëren.

Stap 1: Verzamelen van hoge kwaliteit kern en labgegevens

Begin met het verzamelen van alle beschikbare kernmonsters uit het doelreservoir. Prioriteer monsters die representatief zijn voor de hoofdstroomeenheden en vermijd ernstig beschadigde of niet-representerende pluggen. Registreer de diepte, lithologie en eventuele visuele waarnemingen. Voer routinekernanalyse uit onder netto confisserende stress om omgevings- en stressdoorlaatbaarheid te verkrijgen. Voor multifase afname analyse, zorgen ervoor dat de relatieve permeabiliteit en capillaire druk gegevens beschikbaar zijn voor het relevante vloeistofpaar (olie-water of gasolie).

Stap 2: Bereken de reservoirstroomcapaciteit van kerngegevens

Gebruik de kerndoorlaatwaarden om het khproduct (permeabiliteitstijd nettoloon) te berekenen. Vergelijk dit met kh die afgeleid is uit een tijdelijke drukanalyse of uit de trend van de vroege daling. Als er een grote discrepantie is, kan dit erop wijzen dat de kerngegevens niet representatief zijn, dat het reservoir gebroken is, of dat het vervalmodel een onjuist beginpercentage gebruikt. Deze vergelijking geeft een onafhankelijke controle op de productiviteitsgrondslag van het model.

Stap 3: Bepaal de Decontonerende uitstraling van de relatieve permeabiliteitsvorm

De afname exponent b in het hyperbolische model is niet willekeurig; het is fysiek gerelateerd aan de kromming van de relatieve permeabiliteitscurves. Voor een oliereservoir dat onder oplossingsgasaandrijving produceert, varieert de afname exponent vaak tussen 0,2 en 0,4. Voor waterdrivereservoirs kan de exponent hoger zijn. De relatieve permeabiliteitsgegevens van het laboratorium kunnen worden gebruikt om de fractionele stroom en de recovery-efficiëntie te berekenen, die zich dan vertalen in een empirische b[]. Een mismatch tussen de kern-afgeleide b[b[ en de best-fit b[[ uit productiegegevenssignalen die het vervalmodel moet wijzigen of dat de kerngegevens niet representatief zijn.

Stap 4: Valideren tegen materiaalbalans met behulp van PVT-gegevens

De eigenschappen van de PVT bepalen hoe het volume van het reservoir verandert met druk. Gebruik de vormingsvolumefactor en de gas-olieverhouding van de PVT-rapporten om oppervlakteproductie om te zetten in reservoirvolumes. Voer vervolgens een eenvoudige materiaalbalanscontrole uit: het cumulatieve geproduceerde volume van het reservoir moet overeenkomen met het product van het porievolume (van de poreusheid van de kern) en de expansiefactoren. Als de afnamecurve het geschatte volume van de mobiele koolwaterstof uit de kern- en vloeistofgegevens overschrijdt, is de prognose te optimistisch en moet deze naar beneden worden herzien.

Stap 5: Modelparameters aanpassen aan Core Restricties eren

Zodra de kern- en labgegevens zijn gebruikt om het mogelijke bereik van dalingsgraden en exponenten te binden, pas het degradatiecurvemodel aan zodat de langetermijnvoorspelling niet in strijd is met de fysieke grenzen. Stel bijvoorbeeld een minimum economisch tarief in gebaseerd op kh] en vloeibare eigenschappen. Gebruik hyperbolisch-exponentiële schakel met een terminale daling, maar stel dat terminal tarief in op basis van kern-afgeleide relatieve permeabiliteitseindpunten. Dit voorkomt onrealistische onbepaalde hyperboliciteit.

Stap 6: Recalibreren met Historische Productie en Segment de Declinatie

Nadat de modelparameters worden beperkt door kerngegevens, passen het model aan de historische productiesnelheid. Echter, de daling mag niet een continue trend . veranderingen in de bedrijfsomstandigheden, putinterventies, of reservoirovergangen kan segmenten te creëren. Gebruik de kerngegevens om te beslissen wanneer de daling exponent te veranderen. Bijvoorbeeld, als de kern relatieve doorlaatbaarheid geeft dat water doorbrak zal veranderen de stroomregeling, introduceer een aparte daling segment na de watersnede bereikt een bepaald niveau.

Beste praktijken voor betrouwbare validatie

  • Gebruik representatieve kerngegevens: Zorg ervoor dat kernmonsters worden genomen uit alle stroomeenheden en dat metingen worden uitgevoerd bij reservoirspanning. Onbelaste permeabiliteit kan twee tot vijf keer hoger zijn dan in-situwaarden.
  • Account voor heterogeniteit: Declineer curves gemiddelde reservoirgedrag. Kerngegevens van hoge-permeabiliteit strepen kunnen misleiden tenzij de ruimtelijke verdeling wordt overwogen. Gebruik core-schaal permeabiliteitsverdelingen om een reeks van achteruitgangsscenario's te bouwen.
  • Krossvalidate met puttests: Drukopbouw of afzuigtests zorgen voor een directe meting van de dikte van de permeabiliteit. Dit puntmeting moet overeenkomen met de kernafgeleide khkh gebruikt in de afnamemodelschaling.
  • Veel updatemodellen: Kerngegevens zijn statisch, maar de eigenschappen van het reservoir kunnen in de loop van de tijd veranderen (bv. verdichting, vormingsschade).Vergelijk regelmatig modelvoorspellingen met de werkelijke productie en hersteek de kern indien mogelijk.
  • Documentaannames: Opvallend is welke kern- en laboratoriumgegevens elke parameter hebben geïnformeerd. Deze transparantie maakt toekomstige herzieningen en peer reviews mogelijk.

Vaak Pitfalls en hoe ze te vermijden

Overpassen van historische gegevens zonder fysieke beperkingen

Het is verleidelijk om q i en b te manipuleren om een perfecte match met de geschiedenis te krijgen, maar dit levert voorspellingen op die niet fysiek gegrond zijn. Gebruik altijd kerngegevens om boven- en ondergrenzen in te stellen op b en ]D. Als de beste basket b[] buiten het bereik ligt dat wordt gesuggereerd door kernanalyse, onderzoek dan of de reservoirbeschrijving onjuist is of dat de kerngegevens geldig zijn.

Veranderingen in het aandrijfmechanisme negeren

Veel reservoirs gaan over van oplossing gasaandrijving naar wateraandrijving of gasdopuitbreiding. Een enkel hyperbolische model kan dit niet vastleggen. Gebruik de relatieve kernpermeabiliteitsgegevens om de verzadigingsomstandigheden te identificeren waarbij de dominante aandrijving verandert, en breek de daling vervolgens in afzonderlijke segmenten.

Gebruik van kerngegevens van niet-representerende zones

Als de kernmonsters alleen worden genomen uit de beste reservoirintervallen, zal de validatie te optimistisch zijn. Combineer kerngegevens met open-gat logs om de permeabiliteitsverdeling over de gehele pay zone te wegen. De gemiddelde kh moet het rekenkundig gemiddelde van alle lagen weerspiegelen, niet alleen de hoge doorlaatbaarheidsstreaks.

Verwaarlozing van de vloeistofeigenschappen

PVT-gegevens van één enkel monster geven mogelijk niet het gehele reservoir weer, vooral als er verschillen in samenstelling zijn of verticaal zijn. Gebruik meerdere PVT-analyses indien beschikbaar, of gebruik correlaties die rekening houden met dieptegradiënten. De daling is rechtstreeks afhankelijk van de vloeibare viscositeit en compressibiliteit; fouten in deze eigenschappen verspreiden zich in prognosefouten.

Geavanceerde validatietechnieken

Het gebruik van kerngegevens om Numeriek Simulatie te beperken

Complexe afname gedrag kan worden herhaald met een eenvoudige numerieke simulatie model dat de kern doorlaatbaarheid, relatieve permeabiliteit, en PVT-gegevens eert. Het uitvoeren van een paar simulatie scenario's en het aanpassen van de design curve vorm biedt een natuurkundige gebaseerde verificatie van het empirische verval model. Als het empirisch model niet kan reproduceren de gesimuleerde daling, is de modelvorm ongepast.

Bij het leren van machines ondersteunde decline kromme analyse

Recente vooruitgang in machine learning maakt de integratie van kerngegevens, put logs en productiegegevens in één kader mogelijk. Neurale netwerken kunnen niet-lineaire relaties tussen rotseigenschappen en vervalparameters identificeren. Echter, de output moet nog steeds worden gevalideerd tegen laboratoriummetingen om te voorkomen dat overpassen. Machine learning is een hulpmiddel voor het identificeren van kandidaat-modellen, niet een vervanging voor core-derived beperkingen.

Probabilistic Declination Curve Validation

Kerngegevens hebben altijd onzekerheid. In plaats van een enkele deterministische validatie, bouw een reeks afnamecurves door de bemonstering kernpermeabiliteit en relatieve permeabiliteit binnen hun meetfouten. Dit levert een probabilistische prognose op die de werkelijke onzekerheid in de eigenschappen van het reservoir weerspiegelt. De P10, P50 en P90 design curves bieden een robuustere basis voor besluitvorming dan een enkele best-fit lijn.

Case Study: Core Validation toepassen op een strak oliereservoir

Een strak oliereservoir in het Permian Basin vertoonde een sterke aanvankelijke afname gevolgd door een lange staart. Aanvankelijke hyperbolische vulling zonder kerngegevens gaf b waarden bij 1,0, wat een harmonische afname suggereert. Echter, kernanalyse toonde aan dat de relatieve doorlaatbaarheid van olie bij lage olieverzadigingen scherp daalde, wat een b dichter bij 0,3 betekent. Na het beperken van het model met kerngegevens, werd de prognose aanzienlijk conservatiever en daalde de herziene reservesschatting met 40%. Latere productiegegevens bevestigden dat het kerngeïnteresseerde model nauwkeuriger was. Dit voorbeeld illustreert het gevaar van het negeren van laboratoriumgegevens bij het valideren van afnamecurves.

Conclusie

Valideren van de afname curve modellen met kerngegevens en laboratoriumresultaten transformeert empirische prognoses in een fysiek geaarde praktijk. Door metingen van porositeit, permeabiliteit, relatieve permeabiliteit, capillaire druk en vloeistofeigenschappen, kunnen reservoir ingenieurs realistische grenzen stellen op afnameparameters en overoptimalistische voorspellingen vermijden. Het stapsgewijze proces .Van data assemblage tot probabilistische uitholling ..ensures dat het uiteindelijke model de fundamentele reservoirfysica respecteert. Regelmatige updates en kruisvalidatie met goed testen en productiegegevens behouden nauwkeurigheid gedurende de levensduur van het veld. Integreren van kern- en laboratoriumgegevens is geen optionele verbetering; het is een noodzakelijke discipline voor betrouwbare productievoorspellingen in het moderne reservoirbeheer.

Voor verdere lezing over geavanceerde analysetechnieken voor de afnamecurve, zie SPE Decline Curve Analysis Training en het SPE-document . Aanvullende verwijzingen naar de kernanalysemethoden zijn te vinden op Schlumbergers Best Practices for Core Analysis en ] ScienceDirect