Основы моделирования потоков жидкости для газовых водохранилищ

Моделирование потока жидкости, также известное как численное моделирование резервуара, решает уравнения частных дифференциалов, управляющие массой, импульсом и транспортом энергии в пористых средах.В своей основе оно объединяет закон Дарси для многофазного потока с уравнениями непрерывности для каждого компонента жидкости и уравнением состояния, относящимся к давлению, объему и температуре. Резервуар дискретизируется на тысячи-миллионы сетчатых ячеек, каждому присваиваются локальные свойства, такие как пористость, проницаемость, относительные кривые проницаемости и капиллярное давление.Применяя граничные условия из графиков добычи скважин, симулятор итеративно вычисляет поля давления, распределения насыщения и фазовые композиции с течением времени.Этот процесс обеспечивает пространственно и временно разрешенную картину движения газа от матрицы до разрывов в скважины.

Современные тренажеры могут обрабатывать миллиарды ячеек с композиционными описаниями, захватывая сложное фазовое поведение для газоконденсатных и летучих нефтяных систем. Численные двигатели обычно используют методы с конечной дифференциацией (FD) или конечным объемом (FV), с неявным давлением явного насыщения (IMPES) или полностью неявные формулировки для стабильности. Более продвинутые подходы, такие как упрощение моделирования, ускоряют время вычислений для процессов, в которых доминируют перемещения, но менее подходят для сильно нелинейного потока сжимаемого газа. Платформы с открытым исходным кодом, такие как OPM (Open Porous Media) и коммерческие инструменты, такие как Eclipse, предлагают гибкость, с выбором метода в зависимости от конкретной сложности резервуара и вычислительного бюджета.

Ключевые физические явления, захваченные

Модели потоков жидкости выходят за рамки простого баланса массы, включая в себя несколько критических физических явлений, которые игнорируются статичными методами:

  • Диффузия давления:] Скорость распространения переходных процессов давления через породу определяет, насколько быстро становятся доступными запасы. В системах с низкой проницаемостью для достижения границы резервуара может потребоваться годы, а это означает, что ранние кривые снижения могут сильно недооценивать окончательное восстановление, если полная площадь дренажа еще не задействована. Для плотного газового резервуара с проницаемостью 0,1 мД может потребоваться 5-10 лет, прежде чем будут ощущаться граничные эффекты, что редко соблюдается обычной экстраполяцией снижения.
  • Многофазные взаимодействия:] Даже в сухих газовых резервуарах коннатная вода создает относительные эффекты проницаемости, которые снижают подвижность газа. Для богатых газоконденсатных резервуаров жидкий банкинг вблизи скважины может снизить производительность газа на 50% и более. Это явление проявляется только в композиционном моделировании с точными моделями относительной проницаемости, которые объясняют гистерезис в выпадении конденсата и репарации.
  • Геомеханическая связь:] В плотных резервуарах и неконсолидированных песках пористость и проницаемость могут изменяться при эффективном напряжении при снижении давления пор. Это стрессочувствительное поведение может привести к постоянному снижению проницаемости, значительно снижая окончательное восстановление, если не захватывать. В сланцевой породе Хейнсвилл операторы наблюдали, что проводимость трещин снизилась на 60% в течение первых двух лет из-за стрессозависимого закрытия; модели без этой связи переоценили EUR на 20%.
  • Немедленный поток:] Возле скважин высокоскоростной поток газа может отклоняться от линейной зависимости Дарси из-за инерциального эффекта, создавая дополнительное падение давления. Симуляторы, которые включают термин Форххаймера или зависящую от скорости кожу, точно предсказывают доставляемость скважины, особенно в высокоскоростных газовых скважинах, где немедленные эффекты могут составлять 30% от общего просадки.
  • Поглощение и десорбция:] В метане угольного пласта и богатых органикой сланцевых породах газ, хранящийся на поровых поверхностях, высвобождается при низких давлениях, процесс, явно смоделированный с использованием параметров изотермы Лангмуир или БЭТ. Во многих сланцевых месторождениях десорбция способствует до 30% от общего объема добычи газа в течение срока службы скважины; опущение ее приводит к недооценке запасов на 10-15%. Модели с двойной пористостью с функциями переноса матричного разрыва улавливают эту задержку.
  • Тепловые эффекты: В газовых полях высокого давления, высокой температуры (HPHT) изменения температуры при производстве вызывают расширение жидкости или сокращение, которое изменяет давление в резервуаре и фазовое поведение. Некоторые симуляторы включают уравнения энергетического баланса для моделирования охлаждения Джоуля-Томсона, которые могут вызвать образование гидрата на мелководных завершениях.

Современные композиционные тренажеры отслеживают фазовое поведение богатых газоконденсатных жидкостей при падении давления ниже точки росы. Это жизненно важно для точного прогнозирования запасов в глубоких полях высокого давления, где выпадение жидкости может резко снизить доставляемость газа. Сочетание этих физических особенностей превращает оценку запасов из статического числа в динамический, зависящий от времени прогноз.

Ввод данных, которые приводят к точности модели

Качество выходной информации модели потока жидкости неотделимо от качества данных, поступающих в нее. Хорошо построенная геологическая модель, полученная в результате сейсмических исследований и журналов скважин, обеспечивает структурную структуру и распределение свойств пород. Анализ ядра дает пористость, горизонтальную и вертикальную проницаемость и кривые капиллярного давления, измеренные в лабораторных условиях. Они должны быть увеличены до шкалы сетки с использованием таких методов, как арифметика или гармоническое усреднение для проницаемости или более сложное масштабирование на основе потока, которое сохраняет эффективную связь. Специальный анализ ядра добавляет относительные конечные точки проницаемости и поведение гистерезиса, как критические для моделирования цикличности газа и конденсата.

Образцы жидкости, идеально взятые в условиях резервуара с использованием тестера образования или сепаратора, характеризуются с помощью исследований ПВТ для генерации параметров уравнения состояния. Соотношения давления-объема-температура особенно чувствительны для газоконденсатных систем, где небольшие ошибки в составе (например, отсутствие нескольких процентов гептанов-плюс) могут распространяться на большие расхождения в прогнозируемых выходах жидкости и давлениях точки росы. Анализ испытаний обеспечивает продукты проницаемости-толщины и определяет границы или неоднородности далеко за пределами скважины; тест скважины, который обнаруживает неисправность уплотнения на расстоянии 1500 футов, фундаментально изменяет объем дренажа и, следовательно, оценку запасов.

В нетрадиционных играх, преходящий по скорости анализ долгосрочных производственных данных помогает ограничить стимулированный объем резервуара и половину длины трещин, часто калиброванных с микросейсмическими данными. Эта полностью интегрированная модель активов становится основой, на которой симулятор запускает свои прогнозы. Без тщательного контроля качества при каждом передаче данных - включая сдвиги глубины, отсечение имущества и проверку согласованности между измерениями ядра, журнала и теста - даже самый сложный алгоритм будет производить вводящие в заблуждение номера резервов. Операторы обычно выделяют 30-50% времени проекта моделирования на подготовку данных и обеспечение качества, признавая, что мусор равен мусору.

Управление неопределенностью в вводах данных

Каждый источник данных имеет связанную с ним неопределенность. Сейсмическая интерпретация может неверно идентифицировать выброс неисправностей на 50 футов; измерения проницаемости ядра могут представлять только наиболее проницаемую зону в гетерогенном интервале; образцы ПВТ могут не представлять полную текучесть колонки. Для обработки этих неопределенностей моделисты используют вероятностные рабочие процессы, которые присваивают диапазоны ключевым входным параметрам и запускают сотни стохастических реализаций. Полученные профили резервов P10, P50 и P90 обеспечивают взвешенное по риску представление, которое лучше поддерживает инвестиционные решения, чем одна детерминированная оценка. Последние достижения в байесовской инверсии позволяют интеграции производственных данных обновлять распределения параметров, сужая диапазон неопределенности по мере поступления большего количества данных.

Преимущества внедрения динамических моделей потока

  • Более реалистичные схемы дренажа:] Статические методы часто предполагают равномерное дренаж из симметричного цилиндра вокруг скважины; модели потока показывают, как низкопроницаемые перегородки создают предпочтительные коридоры потока, раскрывая области непромытых запасов, которые могут быть нацелены на боковые стеки или заполнительные скважины. В системе флювиальных каналов модель может показать, что газ в сверхбанковских фациях сливается только в том случае, если снижение давления в канале достигает определенного порога, что позволяет инженерам регулировать количество скважин.
  • Ранняя идентификация рисков: Моделированные карты давления выделяют отсеки, которые истощаются быстрее, чем ожидалось, сигнализируя о необходимости дополнительного бурения или рекомбинации до того, как производство упадет ниже экономических пределов. Ограниченный по неисправности сегмент, который истощается до давления отказа через 2 года, а не ожидаемые 10, вызывает немедленное вмешательство, экономя запасы, которые в противном случае были бы застряли.
  • Сценарные испытания без полевых испытаний:] Операторы могут оценить десятки концепций разработки — различные интервалы между скважинами, глубины посадки, конструкции стимуляции, время сжатия — в виртуальной среде, сводя к минимуму дорогостоящие испытания и ошибки. Один симуляционный забег, сравнивающий расстояние между 40 акрами и 80 акрами, может сэкономить миллионы в ненужных скважинах. Один оператор в формации Монтни использовал моделирование потока для уменьшения интервала между скважинами с 10 до 8 скважин на секцию, увеличив EUR на 12% без дополнительного бурения.
  • Улучшенное сопоставление истории: Итеративно регулируя параметры модели до тех пор, пока моделируемые давления и скорости не будут соответствовать наблюдаемым данным, инженеры строят калиброванный инструмент, который более надежно прогнозирует оставшуюся резервную базу. Сопоставление истории также определяет, какие неопределенные параметры наиболее влияют на извлекаемые объемы, направляя будущее получение данных. Например, если модель показывает, что относительные конечные точки проницаемости доминируют над неопределенностью, команда может расставить приоритеты специального базового анализа по сравнению с дополнительным сейсмическим.
  • Регуляторное и финансовое соответствие:] Многие регуляторы ценных бумаг и фондовые биржи теперь ожидают, что заявки на доказанные запасы будут поддерживаться динамическим моделированием, особенно для сложных резервуаров, где детерминированные кривые снижения неадекватны. Комиссия по ценным бумагам и биржам США (SEC) явно позволяет проводить оценки на основе моделирования в соответствии с ее модернизированными правилами отчетности, а сторонние аудиторы регулярно запрашивают доказательства моделирования.

Эти преимущества напрямую связаны с эффективностью капитала. Североамериканская компания E&P недавно сообщила, что интеграция композиционного моделирования на основе полного поля в свой сланцевый портфель Marcellus сократила количество мест заполнения, необходимых для поддержания производства плато, на 15%, просто потому, что модель выявила хорошо заживающие помехи, которые пропустили статические карты. Избежавшие затрат на бурение одни только оправдывали инвестиции в моделирование многократно. В другом примере оператор Пермского бассейна использовал модель с двойной пористостью, сопоставленную с историей, для оптимизации интервала между скважинами в образовании Wolfcamp, что привело к увеличению предполагаемого конечного восстановления на секцию на 25% по сравнению с первоначальным планом развития.

Вероятностный прогноз с динамическим моделированием

Единые детерминированные оценки резервов все чаще рассматриваются как недостаточные для инвестиционных решений с высокими ставками. Вероятностное прогнозирование с использованием моделей потока генерирует ряд результатов, которые отражают базовую пространственную изменчивость и неопределенность данных. Этот подход обычно включает в себя построение нескольких геологических реализаций (часто 100-500) с использованием геостатистических методов, а затем запуск симулятора на подмножестве для снижения вычислительной нагрузки. Результаты обрабатываются в кумулятивные функции распределения (CDF) для ключевых показателей, таких как EUR, пиковая ставка и продолжительность плато.

Методы на основе ансамблей, такие как методы, использующие выборку цепей Маркова Монте-Карло (MCMC), позволяют модели обновляться по мере ассимиляции производственных данных. Эта байесовская структура обеспечивает строгий способ количественной оценки того, как новая информация снижает неопределенность. Например, после трех лет добычи диапазон P90-P10 для плотного газового месторождения может сузиться с 200 Bcf до 80 Bcf, обеспечивая уверенность в приверженности расширению объекта. Вероятностный подход также согласуется с требованиями SEC для доказанных, вероятных и возможных категорий запасов, где диапазоны, полученные в результате моделирования, могут быть непосредственно отображены на эти классы запасов.

Интеграция моделей потоков жидкости с подповерхностными рабочими процессами

На практике моделирование потоков жидкости не является самостоятельным мероприятием. Оно вписывается в более широкий жизненный цикл активов, который начинается с геофизической интерпретации и распространяется на продолжающееся наблюдение за производством. Типичный интегрированный рабочий процесс протекает следующим образом:

  1. Постройте статическую модель:] Сейсмическая инверсия, журналы скважин и основные данные определяют структурные поверхности, сети разломов и 3D-сеть, заполненную фациями, пористостью и насыщением воды. Геостатистические методы, такие как последовательное гауссовское моделирование или многоточечная статистика, заполняют свойства между скважинами, соблюдая пространственные корреляции.
  2. Масштабируемость для симуляционной сетки: Поскольку полная мелкомасштабная геоклеточная сетка может содержать десятки миллионов ячеек, свойства повторно отбираются на более грубую ортогональную сетку, которая сохраняет ключевые характеристики потока, обеспечивая при этом разумное время работы. Методы масштабирования на основе потока (например, использование растворителей давления для вычисления эффективной проницаемости) сохраняют важные функции подключения, которые простое усреднение размазало бы.
  3. Назначение динамических свойств: На тип породы на основе функций насыщения-высоты или схем типизации пород назначаются проницаемость, относительные кривые проницаемости и функции капиллярного давления. Модели ПВТ инициализируются с составом жидкости и градиентами давления, а инициализация равновесия обеспечивает модель в гравитационном и капиллярном равновесии.
  4. Историческое соответствие: Модель запускается с историческими данными о производстве и впрыске. Инженерное суждение, иногда с помощью автоматизированных алгоритмов (например, эволюционных алгоритмов или методов, основанных на прокси), корректирует неопределенные параметры — пропускаемость по умолчанию, прочность водоносного горизонта, относительные конечные точки проницаемости — до тех пор, пока смоделированная производительность не соответствует полевым измерениям в пределах приемлемой допуска. Хорошее сопоставление истории обычно направлено на ошибки RMS менее 5% на скоростях полевого уровня и давлении в скважине в пределах 100 psi.
  5. Прогноз: После калибровки модель используется для запуска случаев прогнозирования, включая множественные стохастические реализации для количественной оценки неопределенности в оставшихся резервах. Они часто выражаются как профили P10, P50 и P90, а диапазон используется для оценки риска при принятии инвестиционных решений. Также выполняется чувствительность к конкретным параметрам (например, подсчет скважин, дата сжатия).
  6. Постоянное обновление: По мере появления новых скважин, данных о сейсмическом давлении 4D или давлении с замедлением, модель перематывается, чтобы сохранить свою прогнозную уверенность. Колодец, который выходит в сеть с более высоким, чем ожидалось, соотношением газ-вода может указывать на немоделированную водную ногу, что вызывает пересмотр нефтефизической модели и обновление резерва.

Этот циклический процесс гарантирует, что оценки запасов являются живыми числами, а не одноразовыми расчетами. Он также создает цифровой двойник резервуара, доступный для нескольких дисциплин - геологов, бурильщиков, инженеров объектов - позволяя кросс-функциональную оптимизацию плана разработки месторождения. Многие операторы теперь встраивают инженеров-симуляторов в команду геофизиков, чтобы сократить петлю обратной связи между интерпретацией и моделированием.

Тематическое исследование: уточнение запасов газа Северного моря с помощью динамического моделирования

Стареющая газовая инфраструктура Северного моря и сложная геология сделали его испытательным полигоном для продвинутого моделирования потока. В одном крупном пермско-ротлигендском месторождении оператор исторически полагался на баланс материала p/Z для оценки исходного газа на месте от простого графика давления до кумулятивного производства. Однако данные о добыче показали, что некоторые скважины испытывают более резкое снижение, чем прогнозировалось балансом материала, намекая на разделение. Была построена полнопольная численная модель, включающая 3D сейсмические атрибуты, основанные на ядре тенденции проницаемости в дюнах и междюнных фазах, и анализ уплотнения разлома на основе соотношения сланцевого выгребного газа. Соответствие истории показало, что полосы высокой проницаемости в гребне структуры были преимущественно дренирующими газом, оставляя значительные объемы в зонах с низкими проницаемостями, оказывающих влияние на эти фланги, могли получить доступ к дополнительным 50 Bcf извлекаемых запасов, невидимых для статического анализа. Кроме того, моделирование показало, что время притока воды из водо

Применение в нетрадиционных сланцевых газовых водохранилищах

Модели потоков жидкости особенно сильно влияют на сланцевые газы, где нанопроницаемость, сложные сети разрывов и явления адсорбции отличают их от обычных резервуаров. Двухпористость или составы с двойной проницаемостью представляют собой контраст между плотной матрицей (где газ медленно течет путем диффузии и десорбции) и высокопроводящими естественными или гидравлическими разрывами. Моделирование стимулированного объема породы в виде дискретной сети разрывов (DFN) или эквивалентной пористой среды с повышенной проницаемостью и объемом пор обеспечивает более физико-обоснованную оценку долгосрочного восстановления, чем простое гиперболическое снижение.

В игре Хейнсвилла операторы использовали сопряженные геомеханические модели потока, чтобы предсказать, как разрывы с течением времени спадают, пока давление поры уменьшается, показывая, что начальные высокие скорости маскируют быструю потерю проводимости из-за стресс-зависимой проницаемости. Это понимание привело к изменениям в конструкции завершения - большие объемы пропанта и более глубокое размещение - что смягчило потерю проводимости и улучшило EUR на 15% в последующих скважинах. В Marcellus композиционное моделирование многолуночных колодцев показало, что взаимодействия между соседними стадиями создают субоптимальные модели истощения, направляя операторов к принятию различных этапов интервала и кластерного дизайна. Обзор сланцевого газа AAPG обеспечивает более широкий контекст на этих типах резервуаров.

Проблемы в реализации надежных моделей потоков жидкости

Несмотря на свою мощность, модели потока жидкости сталкиваются с несколькими практическими препятствиями, которые могут подорвать надежность, если не управлять ими.

  • Интенсивность и качество данных: Модель хороша только в том случае, если данные ассимилируются. Неточные распределения проницаемости, плохо определенные конечные точки относительной проницаемости или неправильные составы жидкости распространяют неопределенность в прогнозы. Поля с редким контролем скважины или ограниченным ядром могут давать несколько неуникальных совпадений истории, каждое из которых имеет различные последствия резервирования. Применяется принцип Парето: несколько входов (например, проницаемость, пропускаемость по вине, относительная форма проницаемости) доминируют над неопределенностью, и операторы должны сосредоточить сбор данных на этих ключевых факторах.
  • Неуникальность и сверхпараметризация:] Многие проблемы сопоставления истории имеют более регулируемые параметры, чем измерения. Инженеры должны применять геологический реализм для ограничения диапазонов параметров и избегать моделей, которые соответствуют истории, но не имеют прогностической ценности. Например, если модель соответствует производству путем произвольной корректировки прочности водоносного горизонта, но требуемый объем водоносного горизонта геологически нереален (например, в 100 раз больше объема резервуара), прогноз будет ненадежным.
  • Вычислительные требования: Полнопольные модели с миллионами ячеек и описаниями композиционной жидкости могут потребовать большого времени кластерных вычислений, особенно для неопределенности Монте-Карло, которая работает со 100-500 реализациями. Несмотря на достижения в GPU-ускоренных решателях и облачной инфраструктуре, время выполнения может ограничивать количество протестированных сценариев. Операторы часто прибегают к прокси-моделям (например, моделям поверхности отклика) для ускорения количественной оценки неопределенности.
  • Артефакты апскалирования:] Перенос мелкомасштабной неоднородности в более грубую симуляционную сетку неизбежно теряет некоторые детали, особенно в тонких перегородках или раздробленных зонах. Потоковое масштабирование помогает, но моделисты должны быть бдительными в отношении того, по-прежнему ли огрубленная сетка соблюдает динамическую связь, которая контролирует поток газа. В многоуровневых системах ошибки апскалирования могут создавать искусственные вертикальные барьеры, которые не существуют в реальности, что приводит к чрезмерно оптимистичным запасам в некоторых слоях и пессимистично в других.
  • Человеческий опыт:] Строительство, калибровка и интерпретация моделирования резервуаров требует сочетания геологии, нефтефизики, химической инженерии и численных методов. Нехватка опытных недропользователей может привести к чрезмерной зависимости от автоматизированных рабочих процессов с черным ящиком, которые могут пропустить критическое физическое поведение. Обучение следующего поколения инженеров и геоученых основам моделирования является постоянной отраслевой проблемой.

Решение этих проблем требует структурированной структуры управления неопределенностью. Вместо того, чтобы создавать единую детерминированную резервную цифру, команды все чаще используют ансамблевые подходы, которые запускают несколько моделей с различными, но одинаково правдоподобными исходными допущениями, производя ряд результатов, которые лучше информируют инвестиционные решения. Рабочие процессы, которые интегрируют байесовскую инверсию с моделированием, могут количественно определять заднюю вероятность различных резервных результатов, обеспечивая обоснованную основу для отчетности P10/P50/P90.

Будущие направления: машинное обучение и цифровые близнецы

Стык моделирования потока жидкости и машинного обучения открывает новые рубежи в прогнозировании запасов газа. Суррогатные модели глубокого обучения, обученные тысячам полнофизических симуляционных прогонов, могут эмулировать сложное нелинейное поведение потока с большей скоростью на несколько порядков. Эти суррогаты позволяют операторам выполнять тестирование сценариев в реальном времени и оптимизацию управления скважиной, не дожидаясь полного запуска симулятора. Физики-информированные нейронные сети встраивают управляющие дифференциальные уравнения непосредственно в сетевую архитектуру, обеспечивая согласованность с массой и сохранением импульса. Такие инструменты используются для автоматизации сопоставления истории, обрамляя его как байесовскую проблему вывода, где заднее распределение неопределенных параметров напрямую дает вероятностные оценки резерва. Нарождающаяся тенденция заключается в использовании генеративных состязательных сетей (GAN) для создания реалистичных 3D геологических моделей для моделирования на основе количественной оценки неопределенности.

Облачные вычисления демократизируют доступ к крупномасштабному моделированию. Малые независимые теперь могут создавать массивные параллельные вычислительные кластеры по требованию, заменяя локальные кластеры, когда-то эксклюзивные для супермажоров. Это уравновешивает игровое поле и поощряет более широкое внедрение динамических методов бронирования запасов. Параллельно концепция «цифрового двойника» набирает обороты: непрерывно обновляемая модель в реальном времени генерирующего газового поля, которая поглощает данные о потоковом давлении, температуре и скорости. По мере поступления новых измерений модель автоматически перекалибровывает и производит обновленные прогнозы запасов, преодолевая разрыв между недрами и ежедневными операциями. Некоторые операторы внедрили цифровые двойники, которые выполняют автоматическое сопоставление истории каждые 24 часа, предупреждая инженеров об аномалиях, указывающих на то, что новый отсек становится активным или замыкается набор разломов. Объединяя эти тенденции, будущий газовый актив, вероятно, будет управляться посредством интегрированных рабочих процессов, связанных с физическим моделированием потока с распознаванием образов, основанных на данных, обеспечивая более четкое и более

Практические рекомендации по внедрению моделирования потока

Для команд, переходящих от статических методов, часто лучше всего работает поэтапный подход. Начните с модели материального баланса, чтобы установить базовый уровень и выявить несоответствия, которые требуют более детального исследования. Затем создайте модель сектора вокруг производственной области для развития навыков и тестирования предположений моделирования перед масштабированием до полнопольной модели. Инвестируйте в повышение квалификации и поддержку специализированного программного обеспечения. Важно обеспечить, чтобы каждая модель подвергалась независимой экспертной оценке и чтобы ее прогнозы периодически подтверждались против фактического производства. Цель состоит не в том, чтобы преследовать идеальные числовые совпадения, а в создании проверяемого, обновляемого представления недр, которое улучшается с течением времени.

Рассмотрим создание процесса «модельного созревания» с воротами: от модели быстрого скрининга (на основе кривой типа) до модели сектора, до модели с полной историей месторождения, до полностью интегрированной модели активов с количественной оценкой неопределенности. Каждое врата требует документально подтвержденного уровня качества данных и уверенности в модели до прогрессирования. Выделите время для анализа чувствительности: выявите три-пять неопределенности, приводящих к резервным номерам и программам сбора данных проектирования (например, анализ ядра, тесты скважин, 4D-сейсмика) для снижения этих неопределенностей экономически эффективно. По мере того, как отрасль движется к более низкой проницаемости, более сложным газовым ресурсам, способность совершенствовать прогнозы запасов газа через моделирование потока жидкости отделит операторов, которые эффективно бронировают и управляют своими активами от тех, кто последовательно неправильно оценивает их.

В ландшафте волатильные цены на газ и растущий контроль за раскрытием запасов, динамический подход обеспечивает защитную, воспроизводимую основу для присвоения чисел к тому, что Земля фактически даст. Он превращает оценку запасов из статической инвентаризации фигуры в инструмент управления, который направляет последовательности бурения, инвестиции в объекты и портфель решений. Привязывая прогнозы в фундаментальной физике транспортировки жидкости, компании могут ориентироваться в присущей неопределенности недр с большей уверенностью и коммерческим успехом. Стоимость создания тщательного исследования моделирования - обычно несколько сотен тысяч долларов для среднего размера месторождения - блеск по сравнению со стоимостью одной сухой дыры или плохо спланированной инвестиции в инфраструктуру. Моделирование потоков жидкости не роскошь; это существенная практика для любого оператора, серьезно относящегося к максимизации стоимости активов природного газа. Исследуйте рекомендации по оценке запасов SPE и связанные исследования в Журнале нефтяной науки и техники для дальнейшего чтения.