Введение в анализ кривой снижения при гидравлическом разрыве

Анализ кривой упадка (DCA) уже давно является краеугольным камнем разработки пластов, и его применение к гидравлически разбитым скважинам представляет уникальные проблемы и возможности. В отличие от обычных скважин, которые часто демонстрируют предсказуемое экспоненциальное снижение, раздробленные резервуары, особенно в плотных нефтяных и сланцевых газах, обычно следуют режиму транзитного потока, который может сохраняться в течение многих лет. Такое поведение делает выбор правильной модели и обеспечение качества данных первостепенным для надежных прогнозов. DCA позволяет операторам оценивать окончательное восстановление (EUR), оценивать эффективность завершения и оптимизировать планы разработки месторождений. При правильном применении DCA становится мощным инструментом для максимизации стоимости активов в нетрадиционных проектах.

1.Фонд: Высококачественные производственные данные

Точный DCA начинается с тщательно проверенных производственных данных. Проекты гидроразрыва часто испытывают раннюю очистку от потока и сворачивание объектов, которые могут маскировать истинное снижение, вызванное резервуарами. Лучшая практика требует, чтобы аналитики:

  • Валидатные измерительные и сепараторные записи против калибровочных приборов и отчетов о распределении - один выброс может исказить показатель снижения.
  • Исключите периоды и дни закрытия с эксплуатационными нарушениями (например, сбои компрессора, ограничения трубопровода) из набора данных регрессии.
  • Нормализовать изменения обратного давления , используя данные о протекающем давлении в нижнем отверстии (BHFP), когда они доступны. Преобразовать протекающие скорости в эквиваленты постоянного давления, чтобы устранить эффект переменного просадки.

Многие операторы считают, что использование 30-дневного среднего значения сглаживает эффекты переходных завершений при сохранении долгосрочной тенденции. Для горизонтальных скважин с несколькими стадиями убедитесь, что производство правильно распределяется на каждую стадию разрушения, если используется датчик забоя. Исследование, проведенное Обществом инженеров-нефтяников (SPE), подчеркивает, что несоответствие данных является единственным крупнейшим источником ошибок в DCA для нетрадиционных скважин (см. SPE-187024 ).

2.Выбор модели: за пределами стандартных арф

Классические уравнения Arps (экспоненциальные, гиперболические, гиперболические с терминальным снижением) остаются популярными, но проекты гидроразрыва часто требуют модификаций для захвата линейного и билинейного потока.

Экспоненциальное снижение

Применимо только после того, как скважина достигает граничного потока - распространена при переломах с высокой проницаемостью или после многих лет производства. Редко подходит для раннего срока эксплуатации ДКА в нетрадиционных скважинах.

Гиперболическое снижение (Arps)

Наиболее широко используемая модель для раздробленных скважин. В-фактор (от 0 до 1) описывает, как быстро замедляется скорость снижения. В-фактор, превышающий 1, физически нереален для потока с преобладанием границ, но часто соответствует ранним переходным данным. Используйте терминальный коэффициент снижения (например, 5-10% в год) после определенного отсечения, чтобы избежать переоценки EUR.

Модель Duong

Разработана специально для раздробленных резервуаров, где доминирует линейный поток. Модель Дуонга использует лог-лог линейный тренд скорости по сравнению со временем и часто лучше подходит к данным раннего и среднего времени. Многие операторы теперь применяют гибридный подход: Дуонг в течение первых 1-3 лет, затем переход к ограниченной гиперболической модели.

Другие методы

  • Растянутая экспоненциальная (SEPD) — фиксирует поведение закона власти, наблюдаемое в сланцевой нефти.
  • Логистическая модель роста — иногда используется для целых агрегатов поля.
  • Машинное обучение — при содействии DCA — формирующаяся тенденция с использованием случайных лесов или нейронных сетей для прогнозирования параметров снижения от завершения и свойств резервуара.

Тщательное сравнение моделей обеспечивается журналом нефтяных технологий SPE (выберите статью) [FLT: 1]. Ключевой вывод: всегда тестируйте по крайней мере три модели на первые 6-12 месяцев данных и выберите одну с самой низкой ошибкой корневого среднего квадрата (RMSE) на задерживающемся наборе проверки.

3. Регулярные обновления и адаптивный прогноз

Проекты гидроразрыва динамичны - операции по рефракции, бурение наливных скважин и изменение ограничений объекта - все это изменяет поведение снижения.

  • Месячная перекалибровка модели в течение первых двух лет, затем ежеквартально после.
  • Используйте окно данных о производстве (например, последние 18 месяцев), чтобы оставаться чувствительным к последним тенденциям.
  • Мониторинг остаточных значений модели при систематических отклонениях.Если модель последовательно преувеличивает прогнозы в течение трех месяцев подряд, подозреваем изменение производительности резервуара или объекта.
  • Сохранить все версии моделей для аудита, почему изменились прогнозы - это важно для резервных бронирований и общения с инвесторами.

Многие операторы автоматизируют этот рабочий процесс с помощью таких платформ, как Directus (предмет первоначальной статьи), для управления производственными конвейерами данных и запуска автоперехода при появлении новых ежемесячных данных. Это гарантирует, что лица, принимающие решения, всегда работают с самыми текущими оценками EUR.

4. Включение внешних и эксплуатационных факторов

Чистые производственные кривые игнорируют реальность. Надежный DCA для проектов гидроразрыва пласта должен быть адаптирован для:

Завершение изменений дизайна

Колодцы, которые получают большие объемы пропанта или более плотный интервал между этапами, часто показывают более резкое раннее снижение, но более высокий показатель EUR. Фактор в параметрах завершения с использованием многовариантного подхода DCA (например, создание различных групп моделей на основе загрузки пропанта).

Родительско-детское взаимодействие

Заполните скважины, пробуренные рядом с существующими производителями, могут снизить эффективную проводимость трещин и изменить снижение. Если ваш набор данных включает в себя детские скважины, отрегулируйте коэффициент b вниз на 0,1-0,3 на основе смещения интервала скважин.

Сокращение и рыночные факторы

Когда скважины задыхаются из-за волатильности цен на газ или ограничений мощности на вынос, кривая снижения становится выпуклой. Используйте деконволюцию давления скорости для восстановления неограниченной формы снижения. Комиссия железных дорог Техаса предоставляет руководящие принципы для корректировки сокращенных производственных записей; см. Ресурсы данных о добыче RRC .

Экологические и нормативные изменения

Новые правила по сжиганию, обезвреживанию воды или сейсмической активности могут привести к оперативным изменениям. Всегда вести журнал таких событий и применять основанные на сценариях DCA (низкие/средние/высокие случаи) для количественной оценки неопределенности.

5. Решение общих проблем

Даже опытные аналитики попадают в ловушки. Вот наиболее частые ошибки в ДСА для проектов гидроразрыва пласта:

  • Игнорирование волатильности данных в раннем возрасте: Первые 60-90 дней преобладают очистка от переломов и обратная связь — исключите их из модели, если вы не используете специализированную модель обратной связи.
  • Переоборудование с высокими b-факторами: B-фактор >2 часто маскирует плохое качество данных или неуместную модель. Всегда наносите на график производную кривой убывания, чтобы проверить на неустойчивое поведение.
  • Не подтверждая другим методом: Сравните результаты DCA с балансом материала или моделированием. Если показатель DCA EUR более чем на 30% выше оценки, основанной на моделировании, пересмотрите предположения.
  • Используя фиксированные конечные скорости снижения: Вместо этого используйте основанную на данных минимальную скорость снижения, полученную из аналогичных зрелых скважин в том же бассейне.

Классическим примером для избежания этих ловушек является статья Патзека, Сапутелли и других «Анализ кривой упадка для нетрадиционных водохранилищ» ( SPE 162543).

6. Передовые методы: интеграция DCA с машинным обучением и байесовскими методами

По мере роста объемов данных отрасль выходит за рамки детерминированной кривой. Анализ кривой упадка Байеса позволяет включить предварительные знания (например, типичные диапазоны EUR для данной игры) и обновляет прогноз по мере поступления новых данных. Выход - это распределение вероятности, а не одно значение - бесценное для принятия решений на основе риска.

Модели машинного обучения могут прогнозировать параметры снижения непосредственно по атрибутам завершения (например, количество этапов, тип жидкости, интервал кластера). Эти модели обучаются исторической производительности скважин и могут снизить неопределенность DCA для новых скважин без какой-либо истории производства. Однако они требуют тщательной проверки на основе данных, не относящихся к выборке. Журнал нефтяной науки и техники опубликовал несколько тематических исследований по этому гибридному подходу.

7. Практический рабочий процесс по внедрению DCA в проекты гидроразрыва пласта

  1. Поступление данных: Включите данные о ежедневном производстве, давлении и завершении в центральную базу данных (например, Directus).
  2. Начальный выбор модели: Запустите серию моделей-кандидатов (экспоненциальных, гиперболических с b=0,5-1,2, Duong, SEPD) на первые 12 месяцев данных. Ранг по AIC или RMSE.
  3. Калибровка с аналоговыми скважинами: Для новых скважин семено DCA с параметрами из смещенных скважин с аналогичными конструкциями завершения.
  4. Ежемесячное автоматическое обновление: Напишите двигатель DCA для переоборудования каждые 30 дней и пометьте скважины, где EUR изменился более чем на 10%.
  5. Количественная неопределенность: Генерировать прогнозы P10, P50 и P90 с использованием моделирования Монте-Карло по параметрам модели.
  6. Обзор инженерной команды: Каждый квартал представляет панель результатов DCA наряду с фактическими производственными аномалиями.

8. Заключение

Анализ кривой упадка остается незаменимым инструментом для управления проектами гидроразрыва пласта при условии, что он применяется с дисциплиной и признанием его ограничений. Настаивая на качественных данных, выбирая соответствующую модель снижения (часто комбинацию Duong и ограниченную гиперболику), регулярно обновляя прогнозы и корректируя внешние факторы, инженеры могут генерировать надежные прогнозы, которые направляют проекты завершения, оптимизацию производства и финансовое планирование. Рост автоматизированных платформ данных и интеграции машинного обучения только усиливает ценность хорошо выполненной программы DCA. Поскольку нетрадиционные резервуары продолжают расти в важности, освоение этих лучших практик отделит высокоэффективные активы от остальных.

Для дальнейшего чтения техническая бумажная библиотека SPE предлагает сотни соответствующих исследований, и междисциплинарное сотрудничество между инженерами резервуара и учеными данных является ключом к разблокированию следующего уровня точности прогноза.