Анализ кривой снижения в контексте нетрадиционных газовых запасов: ключевые идеи

Анализ кривой снижения в контексте нетрадиционных газовых запасов: ключевые идеи

Анализ кривой упадка (DCA) является одним из наиболее широко используемых методов в проектировании резервуаров для прогнозирования добычи и оценки конечного восстановления. Первоначально разработанный для обычных резервуаров с относительно простыми режимами потока, DCA был адаптирован для решения сложного поведения нетрадиционных газовых резервуаров, таких как сланцевый газ, плотные газовые пески и метан угольного пласта. Эти нетрадиционные системы демонстрируют уникальные производственные характеристики & #8212; Быстрое первоначальное снижение, расширенный переходный поток и сильная зависимость от проектирования завершения & #8212; что бросает вызов традиционным моделям снижения. Эта статья обеспечивает углубленное исследование анализа кривой упадка в контексте нетрадиционных газовых резервуаров, охватывающих фундаментальные принципы, конкретные проблемы, передовые подходы к моделированию и интеграцию современных подходов к моделированию. Цель состоит в том, чтобы вооружить инженеров и аналитиков действенными идеями для более надежного прогнозирования добычи и оценки запасов в этих ресурсных играх.

Основы анализа кривой упадка

По своей сути анализ кривой убывания включает в себя подгонку исторических производственных данных к математической функции, которая описывает, как скорость уменьшается с течением времени. Три классические модели убывания Arps формируют основу:

Уравнение Арпса выражается как: \( q(t) = \frac{q i}{(1 + b D i t)^{1/b}} \) для гиперболического снижения, где \( q i \) — начальный номинальный темп снижения, \( D i \) — начальный номинальный показатель снижения.В нетрадиционных резервуарах гиперболическая модель (с b<1) часто обеспечивает разумное соответствие в течение раннего переходного периода потока, но не фиксирует возможный переход к потоку с преобладанием границ или эффекты сложных сетей разрушения. Поэтому инженеры должны понять основные предположения и ограничения каждой модели, прежде чем применять их к нетрадиционным газовым скважинам.

Оценка резервов по ДЦА основывается на экстраполяции установленной кривой на экономическую предельную ставку или определенный временной горизонт. Кумулятивное производство при отказе определяет предполагаемое окончательное восстановление (EUR). Однако неопределенность в евро для нетрадиционных активов может быть существенной, что делает вероятностные подходы и анализ чувствительности важными компонентами любого строгого рабочего процесса ДЦА.

Уникальные вызовы в нетрадиционных водохранилищах

Нетрадиционные газовые резервуары представляют несколько особенностей, которые усложняют анализ кривой убывания. В отличие от обычных резервуаров, где поток быстро достигает граничных (псевдоустойчивых) условий, нетрадиционные скважины могут демонстрировать длительные периоды переходного (неустойчивого) потока, длящегося месяцы или даже годы. В течение этого времени площадь дренажа не фиксирована, и стандартные модели Arps могут переоценивать EUR, если применяются преждевременно.

Сложные сети разрыва и многоступенчатая стимуляция

Горизонтальное бурение в сочетании с многоступенчатым гидроразрывом создает стимулированный объем резервуара (SRV), содержащий сеть первичных и вторичных трещин. Взаимодействие матрицы (с ультранизкой проницаемостью) и сети трещин регулирует производственный профиль. В раннем спаде преобладает очистка от трещин и истощение SRV, в то время как более позднее производство извлекает из окружающей матрицы. Это поведение двойной пористости не захватывается простыми уравнениями Arps без модификации.

Идентификация режима потока

Критически важно определить преобладающий режим потока. Общие режимы в нетрадиционном газе включают двулинейный поток (доминирует проводимость разрыва), линейный поток (от матрицы до трещин) и поток с преобладанием границ. Методы анализа с переходной скоростью (RTA), такие как сопоставление кривой типа на логарифмических графиках скорости по сравнению со временем или использование квадратного корня времени для линейного потока, обеспечивают большую диагностическую мощность, чем только DCA. Многие практикующие специалисты объединяют RTA с DCA для повышения надежности прогнозирования.

Качество данных и искажения в раннем времени

Данные о добыче из нетрадиционных скважин часто страдают от затворов, изменений в обратном давлении, инициирования искусственного подъема и загрузки жидкости. Эти эксплуатационные события могут маскировать истинное снижение, вызванное резервуаром. Чистая предварительная обработка данных & #8212; включая коррекцию поверхностных условий, удаление выпадений и нормализацию до постоянного давления в донных скважинах & #8212; является предпосылкой для значимого DCA. Первые несколько месяцев производства особенно чувствительны, поскольку они содержат самое резкое снижение, но также и самый шум от обратного потока жидкости завершения.

Модифицированные методы кривой упадка для нетрадиционных газов

Для устранения недостатков классических моделей Arps было предложено несколько альтернативных методов кривой убывания специально для нетрадиционных резервуаров.

Duong’s Модель

Duong (2011) представил модель, основанную на наблюдении, что многие скважины сланцевого газа демонстрируют длительный линейный период потока, где скорость добычи следует за снижением мощности закона во времени: \( q(t) = q 1 t^{-m} \) с \(m \) обычно между 0,5 и 1,0. Модель Duong’ также включает параметр \(a \), который учитывает снижение соотношения потерь с течением времени. Эта модель часто производит лучшие ранние совпадения и более консервативные оценки EUR, чем гиперболическая модель. Однако она может не работать хорошо в тех случаях, когда пограничные эффекты появляются в течение истории производства.

Растянутое экспоненциальное сокращение производства (SEPD)

Valkó и Lee (2010) предложили растянутую экспоненциальную модель, которая характеризует распределение характерных времен убывания в гетерогенном резервуаре. Скорость производства задается \( q(t) = q 0 \exp(-(t/\tau)^\beta)\), где \( \beta \) (между 0 и 1) описывает степень субдиффузивного поведения. SEPD имеет теоретическую основу в физике потока в гетерогенных пористых средах и часто обеспечивает отличные соответствия как для раннего, так и для позднего времени. Он также дает конечные оценки EUR, избегая бесконечной проблемы хвоста, наблюдаемой при гиперболическом упадке при b≥1.

Модель экспоненциального права (PLE)

Модель PLE (иногда называемая модифицированной гиперболической моделью) сочетает в себе снижение степенного закона в ранние времена с экспоненциальным хвостом в поздние времена. Она определяется как \( q(t) = q 0 \exp(-(t/\tau)^n)\), где \(n \) является экспонентой. Эта модель может вместить широкий диапазон форм упадка и плавно переходит к экспоненциальному распаду, когда достигается поток с преобладанием границ.

Обоснование использования нескольких моделей

Ни одна модель не является универсально применимой. Такие факторы, как проницаемость резервуара, длина трещины, интервал между скважинами и длина истории, все влияние, которое модель обеспечивает наиболее надежный прогноз. Расчетный рабочий процесс включает в себя установку нескольких моделей (например, Duong, SEPD, PLE, гиперболический с b<1) и сравнение полученных дистрибутивов EUR. Перекрестная валидация, анализ чувствительности и интеграция с геомеханическими и петрофизическими данными помогают определить наиболее правдоподобный диапазон.

Ключевые идеи для точного анализа кривой упадка в сланцевом и плотном газе

Опираясь на передовой опыт отрасли и последние исследования, следующие выводы могут значительно улучшить результаты DCA для нетрадиционных газовых резервуаров.

1. приоритет качества данных и предварительной обработки

Необходимо тщательно проверять данные о сыром производстве. Необходимо решать такие вопросы, как несогласованные интервалы отчетности (например, ежедневные и ежемесячные), недостающие периоды и изменения условий эксплуатации. Нормализация ставок до постоянного давления в донных скважинах (с использованием нормированных показателей давления) устраняет влияние переменного сокращения. Использование только данных из периодов стабильного потока (без затворов) снижает шум. Многие операторы в настоящее время используют автоматизированные процедуры очистки данных, которые перед анализом отмечают аномалии.

2. Сосредоточьтесь на анализе раннего времени для калибровки

В течение первых 6-18 месяцев кривая убывания содержит наибольшую информацию о свойствах резервуара и трещины. Соответствие этих ранних данных модели переходного потока (например, линейный наклон потока на графике скорости vs. квадратный корень времени) обеспечивает ограничения на половину длины и проницаемость трещин. Сочетание этих полученных параметров с DCA дает более физически последовательный прогноз, чем чисто эмпирическая подгонка кривой.

3. Включите вероятностное прогнозирование

Учитывая высокую неопределенность в нетрадиционных резервуарах, детерминированные прогнозы могут вводить в заблуждение. Вероятностный подход использует распределение параметров модели (например, b, Di, qi) и их корреляции для генерации оценок P10, P50 и P90 EUR. Моделирование Монте-Карло или байесовский вывод могут быть применены. Такие инструменты, как руководящие принципы отчетности о вероятностных резервах SPE обеспечивают основу для передачи неопределенности в результатах DCA.

4. Совместить DCA с анализом скорости

ДЦА и РТА дополняют друг друга. РТА обеспечивает механистическое понимание режимов потока и свойств резервуара (проницаемость, кожа, полудлина перелома), в то время как ДЦА предлагает практическую основу для экстраполяции. Использование параметров, полученных из РТА, для ограничения параметров модели снижения повышает надежность прогноза. Многие программные платформы теперь интегрируют обе технологии в единый рабочий процесс.

5.Подтверждение с помощью аналоговой статистики скважин и бассейнов

Ни одна скважина не существует изолированно. Изучение производственного поведения соседних скважин или скважин в аналогичных формациях обеспечивает проверку здравомыслия для прогнозов DCA. Кривые типов, построенные из популяции скважин в одной и той же игре, могут служить предварительным ожиданием. Статистические методы, такие как иерархическая кластеризация или машинное обучение, могут группировать скважины с аналогичными характеристиками снижения и улучшать прогностическую мощность анализа.

6. Учет помех скважины и бурения заливки

По мере развития месторождений, заполнение скважин вызывает истощение давления и помехи разрушения с существующими добывающими скважинами. Это может ускорить скорость снижения материнских скважин. ДСА, выполняемый на отдельных скважинах без учета полевых эффектов, может переоценить EUR. Для учета этих взаимодействий необходимо комплексное моделирование активов или моделирование с сопряженными резервуарами, особенно в плотно пробуренных горизонтальных разработках.

Роль машинного обучения и расширенной аналитики

Рост доступности данных от высокочастотного наблюдения за скважинами (даунхолеры, волоконная оптика, автоматизированное измерение) открыл дверь для машинного обучения, чтобы расширить традиционные DCA. В то время как классические модели требуют явных предположений о режимах потока, алгоритмы ML могут изучать шаблоны непосредственно из производственных временных рядов и вспомогательных данных (параметры завершения, геологические атрибуты).

Нейронные сети и глубокое обучение

Рекуррентные нейронные сети (RNN) и сети с длинной кратковременной памятью (LSTM) были применены к прогнозированию добычи нефти и газа. Эти модели могут захватывать временные зависимости и сложные нелинейные отношения. При обучении на сотнях скважин они могут производить точные краткосрочные и среднесрочные прогнозы, не полагаясь на предварительно определенное уравнение снижения. Однако они требуют больших наборов данных, тщательной разработки функций и проверки, чтобы избежать переобучения. Объяснение остается проблемой & #8212; операторы должны понять, почему изменился прогноз, особенно для отчетности о запасах.

Градиентное увеличение и случайные леса

Методы сборки деревьев популярны для прогнозирования EUR на основе статических особенностей (длина колодца, масса расклинивающего материала, свойства формирования). Эти модели могут идентифицировать наиболее влиятельные драйверы производительности скважины и обеспечивать вероятностные результаты. Они также обрабатывают недостающие данные и смешанные переменные типы более надежно, чем традиционная регрессия. Типичный рабочий процесс использует модели на основе дерева для оценки предыдущего EUR, который затем уточняется DCA на фактических данных о производстве на раннем этапе.

Автоматический выбор модели и оптимизация параметров

Машинное обучение может автоматизировать выбор лучшей модели DCA для каждой скважины. Обучая классификатор на исторических данных, который включает фактическое окончательное восстановление (известное из более позднего производства), алгоритм может рекомендовать использовать ли гиперболические, Duong или SEPD модели на основе ранних моделей. Аналогично, эволюционные алгоритмы могут оптимизировать параметры выбранной модели, чтобы минимизировать ошибку прогноза в окне проверки.

Практическое применение и будущие направления

Анализ кривой упадка остается незаменимым для планирования разработки месторождений, экономической оценки и финансовой отчетности нетрадиционных газовых активов. Интеграция передовой аналитики, лучшее понимание физики потоков и постоянное улучшение качества данных делают DCA более надежным, чем когда-либо.

Стратегии развития на местах

Менеджеры портфелей используют результаты DCA для выявления высокоэффективных скважин, оптимизации интервалов и оценки общей ресурсной базы для площадки или секции. Сравнение поведения снижения различных конструкций завершения (например, кластерного интервала, объема жидкости) помогает улучшить стимуляцию будущих скважин. DCA также лежит в основе расчета темпов снижения, используемых в корпоративном прогнозировании производственных целей.

Резервная отчетность в рамках SEC и PRMS

Компании, торгуемые на бирже, должны сообщать о доказанных, вероятных и возможных запасах с использованием строгих методов. DCA является общепринятой методикой классификации запасов при правильном применении и документировании. Использование нескольких моделей и вероятностных методов все чаще признается регулирующими органами в качестве лучшей практики. Система управления нефтяными ресурсами (PRMS) SPE (FLT: 1) предоставляет руководящие принципы о том, как DCA вписывается в рабочий процесс оценки запасов, подчеркивая необходимость согласованности, надежности и прозрачности.

Мониторинг и прогнозирование в реальном времени

С распространением периферийных вычислений и облачной аналитики теперь можно запускать DCA в режиме реального времени. Автоматизированные рабочие процессы, которые ежедневно проглатывают производственные данные, предварительно обрабатывают их, подгоняют модели кандидатов и генерируют прогнозы, позволяют инженерам быстро выявлять неэффективные скважины или неожиданные тенденции к снижению. Оповещения могут быть вызваны, когда фактическое производство расходится с прогнозом за порогом, что вызывает дальнейшее расследование или вмешательство.

Будущие направления

Следующая волна инноваций в DCA для нетрадиционного газа, вероятно, будет включать гибридные модели, которые сочетают физические ограничения (например, баланс материала, механику распространения трещин) с коррекцией на основе данных. Цифровые двойники скважин и резервуаров, которые включают DCA в качестве одного компонента самокалибровочной модели, находятся на горизонте. Кроме того, использование расширенного анализа временных рядов (например, вейвлет-трансформаций, суррогатов Фурье) может выявить скрытые закономерности в производственных данных, которые улучшают долгосрочные прогнозы. По мере созревания машинного обучения интерпретируемые модели, такие как символическая регрессия, могут создавать новые аналитические уравнения снижения, которые являются точными и физически значимыми.

Заключение

Анализ кривой упадка остается краеугольным камнем прогнозирования добычи и оценки запасов нетрадиционных газовых резервуаров, но его применение требует тщательной адаптации к уникальной физике и сложностям этих систем. Путем объединения тщательного понимания режимов потока, выбора соответствующих модифицированных моделей (Duong, SEPD, PLE), интеграции анализа с переходной скоростью и охвата вероятностных и машинного обучения подходы, инженеры могут генерировать более надежные прогнозы. Качество данных, ранний анализ и валидация против полевых статистических данных являются необоротными шагами в любом надежном рабочем процессе. Поскольку отрасль продолжает извлекать ценность из нетрадиционных ресурсов, эволюция DCA от чисто эмпирического инструмента к информации, физико-ограниченной методологии будет иметь важное значение для оптимизации восстановления и управления рисками. Продолжение исследований и междисциплинарное сотрудничество между инженерами резервуара, учеными данных и геофизиками будет стимулировать следующее поколение инструментов анализа снижения.