Анализ кривой снижения биогенных газовых запасов: уникальные проблемы и решения

Расширяющаяся роль анализа кривой упадка в прогнозировании биогенного газа

Анализ кривой упадка (DCA) долгое время служил краеугольным камнем прогнозирования добычи в нефтегазовой отрасли. Его полезность зависит от соответствия исторических данных о скорости времени математической функции, а затем экстраполирует эту тенденцию в будущее для оценки запасов и принятия решений по разработке. Для обычных резервуаров с установленной механикой истощения метод является эффективным и достаточно точным. Однако растущее значение биогенных газовых резервуаров - особенно в контексте углеродно-нейтральных энергетических стратегий и захвата свалочного газа - требует нового изучения предположений DCA. Биогенный газ, генерируемый посредством микробного метаногенеза, ведет себя иначе, чем термогенный газ из-за его мелкого возникновения, режима давления и постоянного потенциала генерации. Применение стандартных кривых снижения Arps (экспоненциальных, гиперболических, гармонических) без признания этих различий может привести к серьезным ошибкам прогноза. В этой статье рассматриваются уникальные проблемы, которые биогенные резервуары накладывают на DCA и представляют индивидуальные решения моделирования, которые улучшают прогностическую надежность.

Основы DCA и их применение в нетрадиционных водохранилищах

Традиционная ДЦА опирается на эмпирические отношения, впервые формализованные Дж.

В нетрадиционных резервуарах, таких как сланцевый газ или плотная нефть, b-фактор может превышать 1, сигнализируя о длительном переходном потоке и необходимости модифицированных моделей (например, экспоненциальная модель закона мощности или модель растянутого экспоненциального упадка). Фундаментальная предпосылка всех моделей DCA заключается в том, что движущая физика - истощение, геометрия резервуара и свойства жидкости - остается неподвижной в течение прогнозируемого периода. Биогенные газовые резервуары нарушают эту предпосылку несколькими способами, делая слепое применение уравнений Arps недостаточным. Чтобы понять, почему, сначала нужно оценить конкретные характеристики микробных накоплений метана и как они отличаются от своих термогенных аналогов, как подробно изложено через ресурсы, доступные из Управления энергетической информации США .

Почему биогенные газовые водохранилища нарушают правила DCA

Активное генерирование и динамическое давление пор

Биогенный газ образуется в результате анаэробного разложения органического вещества метаногенными археями. Этот процесс происходит при низких температурах (<100°C) и часто при неглубокой глубине (<1000 метров) условий. В отличие от термогенного газового резервуара, где газ существует в качестве локального ресурса, который просто производится и истощается, биогенная система может пополняться за счет постоянной микробной активности, пока сохраняется органический субстрат и соответствующие условия окружающей среды. На свалках и некоторых мелких установках метана угольного пласта новая генерация газа происходит одновременно с экстракцией, создавая квазиустойчивое состояние, при котором долгосрочное производство не соответствует какой-либо простой модели истощения. Кроме того, биогенные резервуары часто насыщены водой и требуют обезвоживания до начала значительного производства газа. Двухфазный поток (вода и газ), который следует, создает профиль очень переменной скорости, который стандартные методы DCA, ориентированные на нефть, не могут воспроизвести.

Геологическая неоднородность в нескольких масштабах

Биогенные резервуары обычно находятся в мелководных, неконсолидированных или плохо консолидированных отложениях или в угольных пластах, которые имеют чрезвычайно изменчивую систему разрывов (расщепления). Структура пор может варьироваться от макропор в песчаных каналах до микро- и мезопор в угольной матрице. Эта многомасштабная неоднородность означает, что проницаемость резко варьируется как по бокам, так и по вертикали. Модель DCA, которая опирается на одно эффективное значение проницаемости из теста скважины, будет пропускать вклады различных блоков потока, которые становятся активными в разное время. Кроме того, многие биогенные газовые скважины пробурены в кластерах, и эффекты интерференции между соседними скважинами могут изменять сигнатуру потока, в которой доминирует граница, которую DCA предполагает. Эти сложности хорошо документированы в литературе, в том числе в публикациях из Геологическая служба США .

Четыре основные проблемы анализа кривой снижения в биогенном газе

Эти фундаментальные различия проявляются в четырех конкретных проблемах, которые искажают результаты ДЦА и требуют специализированного лечения.

1. Нерегулярные производственные профили изменяемой генерации газа

Метаболическая активность метаногенов зависит от таких факторов, как температура, рН, содержание влаги и доступность питательных веществ. В среде полигона, например, генерация газа следует колоколообразной кривой в течение нескольких десятилетий, с пиком, который может произойти через годы после первоначального захоронения. Если скважина начинает производство во время восходящей части этой кривой, полученный профиль скорости-времени показывает длительный период увеличения или стабильного производства до любого снижения. Традиционный DCA, который предполагает монотонное снижение с пика, будет неправильно интерпретировать эту тенденцию как замедленное начало снижения, что приводит к чрезмерно завышенным оценкам запасов. Даже после начала снижения сезонные колебания температуры и изменения в таблице воды могут ввести синусоидальные изменения, которые маскируют основной сигнал истощения. Нерегулярность - это не случайность, а сигнал от биологической и гидрологической системы - сигнал, который должен быть смоделирован явно, а не рассматриваться как шум.

2. Раннее быстрое снижение, сопровождаемое расширенной стабилизацией

Многие биогенные газовые скважины демонстрируют характерный двухсегментный профиль: крутое первоначальное снижение, продолжающееся от нескольких недель до нескольких месяцев, за которым следует длительный период очень постепенного снижения или почти постоянной скорости. Раннее резкое снижение отражает производство свободного газа, накопленного в районе ближнего ствола или в пределах индуцированных трещин. Как только этот «пустой» газ восстанавливается, скважина вынуждена полагаться на газ, высвобождаемый из матрицы, и вновь генерируемый биогенный газ, который прибывает к гораздо более низкой, но более устойчивой скорости. Если инженер применяет экспоненциальную или гиперболическую модель снижения к ранним данным, прогнозируемое окончательное восстановление будет слишком низким, потому что модель предполагает, что крутое снижение продолжается бесконечно. В действительности, резервуар переходит к другому режиму потока, где скорость снижения почти равна нулю. Это явление особенно ярко проявляется в мелководных угольных метановых скважинах, которые были обезвожены, а затем испытывают длинное плато добычи газа, как наблюдается в игре Сан-Хуан Бассейн Ратон. Общество инженеров-нефтяников

3. Неоднородность потока и изменение эффективной проницаемости

Биогенные газовые резервуары часто состоят из гетерогенных отложений, таких как илы, пески и глиняные линзы, переплетенные с богатыми органическими швами. Различные слои обладают различными значениями проницаемости, и по мере истощения слои с более низкой проницаемостью могут только начать вносить газ после того, как полоса с более высокой проницаемостью частично истощается, и падение давления распространяется дальше в матрицу. В угольном метановом резервуаре сеть расщепления обеспечивает пути потока с высокой проницаемостью, которые первоначально полны воды. Поскольку обезвоживание снижает давление пласта, газ десорбирует от угольной матрицы в расщелины, и относительная проницаемость газа увеличивается с течением времени. Эта эволюция в системе потока означает, что поведение снижения изменяется таким образом, что не захватывается статичным b-фактором. Инженеры могут наблюдать b-фактор, который уменьшается с течением времени или даже становится отрицательным, бессмысленный результат в структуре Arps, но реальное проявление изменения относительной проницаемости. Эти явления обсуждаются в современной нефтефизической литературе, и сравнения между типами резервуаров можно

4. цензурированные и скудные производственные истории

Биогенные газовые проекты часто меньше по масштабу, чем обычные нефтяные и газовые месторождения, и их история добычи может быть относительно короткой. Типичная свалочная газовая скважина может иметь только два-три года данных до того, как прогноз требуется. Мелкие угольные метановые скважины в новых играх могут иметь еще меньше. При таком ограниченном окне доминирует раннее двухфазное поведение потока, оставляя мало доказательств долгосрочного поведения истощения. Попытка соответствовать трехпараметрической гиперболической модели (qi, Di, b) таким данным дает не уникальное решение, где множественные комбинации параметров производят почти идеальные соответствия историческим данным, но дико расходятся в прогнозных годах. Эта проблема равновесности усугубляется, когда данные о добыче регистрируются ежемесячно, а не ежедневно, маскируя переходные эффекты. Результатом является высокая степень неопределенности в прогнозах DCA, часто с доверительным интервалом 10-90, который охватывает несколько порядков величины. Опираясь на такие прогнозы для инвестиций или нормативных решений без количественной оценки неопределенности опасно.

Решения и лучшие подходы к моделированию для биогенного газа DCA

Решение вышеперечисленных задач требует выхода за рамки простой подгонки кривой Arps и включения как дополнительных источников данных, так и более гибких математических моделей. Следующие подходы доказали свою эффективность на практике.

Настраиваемые модели снижения с изменяющимися во времени параметрами

Стандарт DCA предполагает, что номинальная скорость убывания Di остаётся постоянной или следует простому закону мощности. Для биогенных резервуаров часто выгодно использовать модели, позволяющие изменяться экспоненте убывания с течением времени. Модель Дуонга (разработанная изначально для раздробленных сланцев) предлагает большую гибкость. Модель Дуонга, в частности, предполагает, что скорость убывания следует закону мощности времени. Для свалочного газа модель LandGEM явно включает константу распада отходов первого порядка, представляющую метаногенез, заменяя эмпирическую скорость убывания физически значимым параметром. Инженеры должны оценивать несколько моделей и выбирать ту, которая не только соответствует историческим данным, но и выравнивается с известным механизмом убывания пласта. Избыточная подгонка предполагает, что более простые модели с меньшим количеством настраиваемых параметров предпочтительнее, когда данные скудны, при условии, что они захватывают существенную физику.

Численное моделирование как дополнение к DCA

Для резервуаров со значительной неоднородностью или где скорость генерации зависит от времени, численное моделирование резервуаров является единственным надежным методом прогнозирования. Моделирование с двойной пористостью или с двойной проницаемостью может захватывать взаимодействие между системой склеивания с высокой проницаемостью (или песчаным каналом) и матрицей с низкой проницаемостью, где биогенный газ либо хранится, либо генерируется. В условиях полигона моделирование может включать в себя температурно- и влагозависимой метаболической модели, которая генерирует газ с течением времени. В то время как создание такой модели является более трудоемкой, чем подгонка кривой, оно обеспечивает физически согласованную структуру, которая может быть откалибрована по составу газа, производству воды и данным о давлении. Как только модель сопоставляется с историей, она может генерировать прогнозы производства для любого операционного сценария. Результаты моделирования также могут использоваться для разработки кривых типа, которые информируют более простые модели типа DCA для других скважин в поле. Например, кривая типа на основе моделирования для определенного ранга и глубины угля может обеспечить ожидаемую форму снижения, позволяя параметрам DCA быть привязан

Интегрированная ассимиляция данных и расширение машинного обучения

Учитывая ограниченную историю производства, характерную для биогенных проектов, необходимо интегрировать все имеющиеся источники данных.

  • Геологические данные: Сейсмические атрибуты, журналы скважин, проницаемость ядра и карты фаций, которые определяют блоки потока.
  • Геохимические данные: Газоизотопный состав (δ13C, δD), подтверждающий биогенное происхождение и обеспечивающий понимание пути генерации метана (ацетопластика против гидрогенотрофии).
  • Микробиологические данные: Секвенирование ДНК и метаболические анализы, которые количественно оценивают популяцию метаногена и его потенциал активности.
  • Данные о работе: Давление в скважине, соотношение воды и газа и объемы впрыска/добычи, которые показывают динамику фазы жидкости.

Модели регрессии машинного обучения, такие как Random Forest или Gradient Boosting, могут быть обучены на многолуночном наборе данных для прогнозирования b-фактора и начальной скорости снижения на основе этих входных функций. Такие модели, управляемые данными, могут обеспечить предварительную оценку параметров DCA, уменьшая неопределенность при установке на отдельные данные скважины. Модель также может отмечать скважины, которые отклоняются от ожидаемого поведения, сигнализируя о потенциальных механических проблемах или разбивке по частям. Со временем, по мере поступления большего количества производственных данных, модель машинного обучения может быть переобучена, а прогнозы DCA обновлены. Этот итеративный процесс создает постоянно улучшающуюся систему прогнозирования, которая учится из всей истории поля, а не только из конкретной скважины в анализе.

Вероятностная оценка DCA и неопределенность

Для того чтобы справиться с высокой степенью неопределенности прогноза, присущей биогенным резервуарам, детерминированный ДЦА (единая кривая) должен быть заменен вероятностным подходом.

  • Монте Карло моделирование: Назначение функций распределения параметров DCA (qi, Di, b) ограничено наблюдаемыми данными и любыми предшествующими знаниями. Запустите тысячи симуляций для генерации распределения вероятностей конечного восстановления.
  • Марковская цепь Монте-Карло (MCMC): Байесовский подход, который обновляет распределения параметров по мере поступления новых данных. Это особенно подходит для случая с ограниченными данными, поскольку предотвращает переобучение кодированием предыдущих убеждений.
  • Бутерброс: Для скважин с достаточным количеством данных, многократно отбирайте исторические данные с заменой, подгоняйте модель DCA к каждому повторному образцу и компилируйте полученные прогнозы в распределение.

Вероятностный ДСА предоставляет лицам, принимающим решения, диапазон возможных результатов, а не одно число. Это имеет решающее значение при оценке экономической жизнеспособности проекта по биогенному газу - если Р90 (10-й процентиль запасов) ниже порога проекта, инвестиции могут быть не оправданы, даже если Р50 (медиана) кажется привлекательным.

Практические последствия для управления водохранилищем

Принятие этих передовых методов ДЦА имеет прямые преимущества для повседневного управления резервуарами. Во-первых, это позволяет оптимизировать интервал между скважинами. Если модель ДЦА определяет длительный период стабилизации, это предполагает, что скважины могут быть разнесены дальше, потому что каждая скважина с низкой скоростью истощает большую площадь. Во-вторых, лучшие прогнозы улучшают контракты на продажу газа, поскольку операторы могут с большей уверенностью брать на себя обязательства по объемам поставок. В-третьих, признавая влияние микробной активности на производство, операторы могут разрабатывать методы стимуляции или стратегии впрыска питательных веществ для повышения выработки газа. Например, введение разбавленного раствора питательных веществ (например, источника фосфора) может оживить уменьшающуюся популяцию метаногенов и повысить скорость добычи газа, эффективно сбрасывая кривую снижения. Это пример активного управления резервуаром, которое невозможно с чисто термогенным газовым полем. Мониторинг скорости добычи после таких вмешательств обеспечивает обратную связь для уточнения модели ДЦА, создавая петлю между операциями и прогнозированием.

Непрерывное обновление модели как основной практики

Возможно, наиболее важной наилучшей практикой для ДЦА в биогенных газовых резервуарах является рассмотрение прогноза как живого документа, а не одноразового упражнения. Поскольку резервуар биологически активен и подвержен изменениям окружающей среды, модель, которая идеально подходит для первого года производства, может отставать в последующие годы, поскольку микробное сообщество адаптируется или меняются внешние условия. Операторы должны планировать ежеквартальные обзоры моделей, где последние данные о производстве дополняются и параметры ДЦА перематываются или переимулируются. Эта практика, известная как «прокат DCA», улавливает отклонения на ранней стадии и позволяет вносить коррективы в план разработки месторождения до возникновения значительных финансовых потерь. Она также гарантирует, что диапазон неопределенности уменьшается с течением времени по мере удлинения истории производства, давая инвесторам и регулирующим органам большую уверенность в прогнозах проекта. Этот динамический подход к прогнозированию широко пропагандируется в руководствах по наилучшей практике в отрасли, таких как опубликованные Комитетом по запасам нефти и газа SPE .

Заключение

Анализ кривой упадка для биогенных газовых резервуаров требует фундаментального отхода от традиционных методов, основанных на Arps. Динамическая природа микробного метаногенеза в сочетании с геологической гетерогенностью и преобладанием двухфазного потока создает производственные профили, которые не следуют за простым монотонным истощением. Признание этих уникальных проблем является первым шагом к разработке более надежных прогнозов. Настраиваемые модели снижения, такие как модели с растянутой экспоненциальной или Duong, обеспечивают математическую гибкость, необходимую для захвата наблюдаемого поведения. Численное моделирование предлагает физически закрепленную альтернативу, когда этого требует сложность системы. Интеграция геологических, геохимических и микробиологических данных - и использование машинного обучения для ассимиляции этих данных - уменьшает проблему равновесия, присущую историям с разной скоростью. Наконец, принятие вероятностной структуры и практика непрерывного обновления модели гарантирует, что прогнозы остаются полезными и заслуживающими доверия в течение жизни проекта. Обнимая эти решения, инженеры могут раскрыть весь потенциал биогенных газовых ресурсов, способствуя надежному производству энергии из источника, который является как об