Table of Contents

Интеграция моделей моделирования резервуаров с данными о месторождении представляет собой один из наиболее важных процессов в современной нефтяной инженерии и управлении резервуарами. Этот комплексный подход сочетает в себе сложное вычислительное моделирование с реальными измерениями для создания точных представлений о подземных резервуарах, что позволяет операторам принимать обоснованные решения, которые оптимизируют добычу, снижают эксплуатационные расходы и максимизируют извлечение углеводородов на протяжении всего срока службы нефтяного или газового месторождения.

Понимание моделирования резервного копирования и интеграции данных

Моделирование водохранилища — это область разработки резервуаров, в которой компьютерные модели используются для прогнозирования потока жидкостей (обычно нефти, воды и газа) через пористые среды. Эти сложные модели служат виртуальными лабораториями, где инженеры могут тестировать различные сценарии производства, оценивать стратегии восстановления и прогнозировать будущие характеристики резервуара без рисков и затрат, связанных с полевыми экспериментами.

В нефтегазовой отрасли моделирование пластов предполагает построение компьютерной модели нефтяного пласта, в целях совершенствования оценки запасов и принятия решений относительно освоения месторождения, прогнозирования будущей добычи, размещения дополнительных скважин и оценки альтернативных сценариев управления пластами.Интеграция данных месторождения в эти модели превращает их из теоретических конструкций в практические инструменты, отражающие фактические условия пласта.

"Модель водохранилища" - математическое представление конкретного объема породы, включающее в себя все "характеристики" исследуемого водоема. Ее можно рассматривать как концептуальную 3D-конструкцию единого водоема или в некоторых случаях нефтегазового месторождения. Точность и надежность этих моделей в значительной степени зависят от качества и количества данных, интегрированных в них.

Фонд: Статические и динамические данные

Данные о водохранилище делятся на две основные категории, которые должны быть интегрированы для создания всеобъемлющих имитационных моделей. Данные, полученные на месте, могут быть классифицированы как статические данные или динамические данные. Статические данные не изменяются со временем, например, проницаемость, пористость и т. д., в то время как динамические данные изменяются со временем, например, темпы производства, давление скважины и т. д.

Статические данные водохранилища

Статические данные обеспечивают геологическую основу и фундаментальные свойства породы, характеризующие водоем. Эти данные собираются из нескольких источников, в том числе: Геологические данные: Информация о горных образованиях, линиях разломов и пористости водоема. Эти данные часто получаются из сейсмических исследований, образцов ядра и журналов скважин. Дополнительные статические данные включают в себя такие нефтефизические свойства, как проницаемость, пористость и насыщение жидкости, которые определяют способность резервуара хранить и передавать жидкости.

Модель резервуара представляет физическое пространство резервуара массивом дискретных ячеек, очерченных сеткой, которая может быть регулярной или нерегулярной. Массив ячеек обычно трехмерный, хотя иногда используются 1D и 2D модели. С каждой ячейкой связаны значения таких атрибутов, как пористость, проницаемость и насыщенность воды. Это сетчатое представление формирует основу, на которой построены динамические симуляции.

Динамические данные водохранилища

Динамические данные фиксируют зависящее от времени поведение резервуара во время операций по добыче и впрыску. Данные о производстве: Исторические темпы производства, изменения давления и производительность скважины с течением времени. Это включает измерения скорости добычи нефти, газа и воды, давления на дне скважины, соотношения газойля, сокращения воды и объемы впрыска. Динамические данные обеспечивают критическую обратную связь, которая позволяет инженерам проверять и совершенствовать свои имитационные модели.

Динамическая природа нефтегазовых пластов лучше понимается, когда соответствующие данные, полученные или генерируемые в течение всего срока службы пласта, объединяются, визуализируются и анализируются совместно группами пластов.Объединив статические и динамические пластовые данные, интегрированный метод моделирования пластов предлагает очень эффективное средство достижения большей точности моделирования пласта.

Создание интегрированных моделей водохранилища

Процесс создания интегрированной модели резервуара включает в себя несколько этапов, каждый из которых требует тщательного внимания к качеству и согласованности данных. Модели основаны на измерениях, проводимых в полевых условиях, включая журналы скважин, сейсмические исследования и историю производства. Сейсмика для моделирования позволяет количественно интегрировать все данные поля в обновленную модель резервуара, построенную командой геологов, геофизиков и инженеров.

Геологическая модель строительства

Данные, полученные из различных источников, интегрируются детерминированными или геостатическими методами, или комбинацией обоих, для построения модели.Фаза геологического моделирования устанавливает структурную структуру, выявляет системы разломов, определяет стратиграфические слои и заселяет модель свойствами пород. Эта статическая геологическая модель обеспечивает основу для последующего динамического моделирования.

Эта модель представляет собой систему отсчета для расчета количества углеводородов на месте, а с другой стороны, формирует основу для инициализации динамической модели. Точная геологическая характеристика имеет важное значение, поскольку ошибки или неопределенности в статической модели распространяются через динамическое моделирование и в конечном итоге влияют на прогнозы производства.

Динамическая модель развития

Динамическая модель сочетает в себе статическую модель, зависящие от давления и насыщения свойства, расположение скважин и геометрию, а также расположение объектов для расчета распределения давления / насыщения в резервуаре и производственные профили по сравнению со временем. Это преобразование из статического в динамическое представление требует включения свойств жидкости, относительных отношений проницаемости и функций капиллярного давления, которые регулируют многофазное поведение потока.

После интеграции входных данных программное обеспечение применяет сложные математические модели для имитации потока жидкости через пористые среды (коллективная порода). Поток жидкостей в резервуарах регулируется Законом Дарси, который описывает движение жидкостей через пористые материалы, а также другими физическими законами, которые регулируют механику жидкости, теплообмен и термодинамику.

Типы моделей моделирования

Различные типы резервуаров и механизмы производства требуют специализированных подходов моделирования. Модель черного масла: упрощенная модель, используемая для обычных нефтяных резервуаров, где состав жидкости не изменяется значительно с давлением. Она моделирует нефть, газ и воду в виде трех различных фаз. Этот подход является вычислительно эффективным и подходит для многих обычных резервуаров.

Композиционный симулятор резервуаров вычисляет свойства PVT нефтяных и газовых фаз после их установки в уравнение состояния (EOS) в виде смеси компонентов. Затем симулятор использует установленное уравнение EOS для динамического отслеживания движения как фаз, так и компонентов в полевых условиях. Это достигается при повышенной стоимости во времени установки, времени вычислений и компьютерной памяти. Композиционные модели необходимы для резервуаров газового конденсата, летучих нефтяных систем и улучшенных процессов извлечения нефти, связанных с впрыском газа.

Историческое сопоставление: проверка моделей с данными полей

Сопоставление истории представляет собой критический мост между теоретическими моделями и реальностью поля. Сопоставление истории водохранилища относится к процессу непрерывной корректировки параметров модели водохранилища, так что его динамический отклик будет соответствовать данным исторического наблюдения, что является предпосылкой для составления прогнозов на основе модели водохранилища. Этот итеративный процесс гарантирует, что модели моделирования точно воспроизводят наблюдаемое поведение водохранилища, прежде чем использоваться для будущих прогнозов.

Процесс сопоставления истории

При переходе от статического к динамическому моделированию пластов важнейшей эталонной точкой служит прогнозирование исторических характеристик месторождения.Новости построенных геологических моделей часто не позволяют точно воспроизвести это историческое поведение, требующее корректировок; практика, известная как «соответствие истории». Процесс включает сравнение результатов моделирования с фактическими данными о производстве и систематическое регулирование параметров модели для минимизации расхождений.

Проект моделирования разрабатываемого месторождения обычно требует "соответствия истории", когда историческое производство и давление поля сравниваются с расчетными значениями. Параметры модели корректируются до тех пор, пока не будет достигнуто разумное соответствие на полевой основе и обычно для всех скважин. Обычно, при этом сопоставляются сокращения воды или соотношения воды и нефти и соотношения газа и нефти.

После завершения первоначального моделирования модель тонко настраивается с помощью процесса, называемого сопоставлением истории. На этом этапе программное обеспечение сравнивает результаты моделирования с фактическими производственными данными для корректировки модели и повышения ее точности. Если моделируемые результаты отличаются от реальных темпов производства или тенденций давления, параметры модели корректируются до тех пор, пока моделирование близко не сопоставит исторические данные.

Руководство против автоматического сопоставления истории

В нефтяной пластовой технике сопоставление истории относится к процессу калибровки, в котором модель моделирования резервуара проверяется путем сопоставления результатов моделирования с измерением наблюдаемых данных. Традиционная техника сопоставления истории выполняется вручную с помощью инженерии, в которой наиболее неопределенные наблюдаемые параметры изменяются до тех пор, пока не будет получено удовлетворительное соответствие между генерируемой моделью и исторической информацией.

Однако ручное сопоставление истории имеет значительные ограничения. В связи с этим ручное сопоставление истории было нормой, и, как следствие, инженеры-коллекторы часто вносили изменения в модели моделирования резервуара, которые приводили к модели, соответствующей истории, не соответствующей статическим данным и геологической информации и интерпретации. Таким образом, модель, полученная сопоставлением истории, часто давала ненадежные прогнозы будущих характеристик резервуара.

Автоматизированные методы сопоставления истории дают значительные преимущества. В методике сопоставления истории с помощью функции несоответствия моделируемые данные сравниваются с историческими данными с помощью функции несоответствия, объективной функции. Проблема сопоставления истории переводится в задачу оптимизации, в которой функция несоответствия является объективной функцией, ограниченной ограничениями модели. Объективная функция минимизируется с использованием соответствующего алгоритма оптимизации и, таким образом, результаты являются параметрами модели, которые наилучшим образом приближают скорости текучести и данные о давлении, записанные в течение срока службы резервуара.

Проблемы в истории совместить

Историческое сопоставление — это тип обратной задачи. Вместо использования набора переменных модели резервуара для прогнозирования производительности резервуара (проблема форварда), сопоставление истории использует наблюдаемое поведение резервуара для оценки переменных модели резервуара, которые вызвали поведение. Проблемы сопоставления истории почти всегда плохо поставлены в том смысле, что многие возможные комбинации параметров резервуара приводят к одинаково хорошим соответствиям историческим наблюдениям.

Важно признать, что сопоставление истории остается проблемой. В качестве обратной проблемы он включает в себя поиск параметров модели, которые согласуются с известными ответами на основе наблюдаемых входов. Неопределенный характер этой проблемы добавляет сложность и часто усугубляется несоответствиями данных или неопределенностью. Эта неуникальность означает, что несколько различных моделей резервуаров могут производить одинаково хорошие совпадения с историческими данными, подчеркивая важность включения геологических ограничений и предварительных знаний.

Передовые технологии интеграции

Сейсмическая интеграция Time-Lapse

Завершена методология и код автоматического сопоставления истории сейсморазведочных данных с временным интервалом. Сейсморазведочные данные с временным интервалом (4D) дают ценную информацию о движении жидкости и изменениях давления в резервуаре с течением времени. Интеграция этих данных с историей производства создает более полное понимание динамики резервуара и может значительно повысить надежность модели.

На последнем этапе сейсмоделирования моделирование потока продолжает процесс интеграции, внося в историю производства. Это обеспечивает дальнейшую валидацию статической модели против истории. Репрезентативный набор реализаций модели из геостатистической инверсии сопоставляет историю с производственными данными.

Количественная неопределенность

В результате может оказаться полезной одна модель, сопоставленная с историей, но ее вряд ли будет достаточно для планирования, поскольку она не позволяет оценить риск. Полное решение проблемы, связанной с сопоставлением истории, всегда должно включать оценку неопределенности свойств резервуара и прогнозов резервуара. Современные рабочие процессы все чаще используют ансамблевые подходы, которые генерируют несколько одинаково вероятных моделей, позволяя лицам, принимающим решения, количественно оценивать неопределенность и оценивать риск.

Инженеры повторяют процесс построения модели для создания моделей, которые наилучшим образом соответствуют истории производства, часто создавая ансамбль моделей, каждый с определенными вариациями, чтобы лучше понять неопределенность. Этот ансамбль подход обеспечивает диапазон возможных результатов, а не один детерминированный прогноз, что позволяет более надежно принимать решения в условиях неопределенности.

Машинное обучение и передовые алгоритмы

Сопоставление истории является важным этапом в процессе моделирования и моделирования резервуаров, где ставится цель найти описание резервуара, которое минимизирует разницу между наблюдаемой производительностью и выходом симулятора в течение исторического периода производства. Для автоматической задачи сопоставления истории с помощью характеристики резервуара был использован глобальный метод оптимизации, называемый адаптивным генетическим алгоритмом (AGA). AGA - относительно новая техника оптимизации, которая имеет адаптивные генетические операторы, которые динамически обновляют вероятности кроссовера и мутации в каждом поколении в соответствии с пригодностью населения для достижения оптимальных решений.

Продвинутые вычислительные методы продолжают развиваться, а нейронные сети и машинное обучение демонстрируют перспективы для повышения эффективности и точности сопоставления истории. Эти методы могут идентифицировать сложные закономерности в данных и ускорить процесс оптимизации, хотя они все еще совершенствуются для широкого коммерческого применения.

Сбор данных и управление качеством

Качество интегрированных моделей резервуаров в основном зависит от качества входных данных. В численном имитационном исследовании исторические данные о производстве/впрыске (коэффициенты добычи, газа и воды) должны подаваться в математическую модель. Конечно, данные о производстве/впрыске хорошего качества необходимы для надежного имитационного исследования с точки зрения прямых входных данных и эталонных данных для оценки точности фазы соответствия истории.

Приобретение производственных данных

Современные нефтегазовые операции используют сложные системы мониторинга для непрерывного сбора данных о добыче. Эти системы измеряют скорости потока, давления, температуры и составы жидкости в нескольких точках по всей производственной системе. Программы тестирования скважин предоставляют подробную информацию об отдельных характеристиках скважин, в то время как постоянные датчики скважин позволяют в режиме реального времени контролировать давление и температуру резервуара.

Тщательное понимание производственных данных и их интеграция с другими данными помогает инженерам-коллекторам разрабатывать более точные и полезные модели моделирования резервуаров. Чем лучше модели соответствуют фактическим условиям резервуара, тем лучше прогнозы будущего производства. Это подчеркивает важность инвестирования в высококачественные системы сбора данных и поддержания строгих процедур контроля качества данных.

Проверка данных и управление ошибками

Алгоритм максимизации ожиданий (ЭМ) успешно применяется для характеристики погрешности измерений как сейсмических данных, так и данных производства. Действующий алгоритм представляет собой модификацию алгоритма ЭМ, найденную в статистической учебной литературе. Этот модифицированный алгоритм группирует данные как по значению, так и по координатам и автоматически выбирает соответствующее количество групп, что приводит к значительно улучшенным оценкам ковариации погрешностей измерений, полученным с помощью алгоритмов сглаживания. Код успешно протестирован на большом количестве синтетических примеров, и дает хорошие приближения ковариации погрешностей измерений как для производственных, так и для временно-зависимых сейсмических данных.

Понимание и характеристика ошибок измерения имеет решающее значение для правильной интеграции данных.Все полевые измерения содержат некоторую степень неопределенности, и надлежащий учет этой неопределенности в процессе сопоставления истории приводит к более реалистичным и надежным моделям резервуаров.

Преимущества интегрированного моделирования водохранилищ

Улучшенная точность прогнозирования

Однако его создание является динамическим процессом, поскольку модель резервуара должна постоянно обновляться и пересматриваться, когда появляются новые данные или обнаруживаются несоответствия между прогнозируемым и реальным поведением резервуара. Этот непрерывный процесс обновления гарантирует, что модели остаются точными и актуальными на протяжении всего срока службы месторождения. По мере бурения новых скважин и получения дополнительных производственных данных модели могут быть усовершенствованы для улучшения их прогнозной способности.

При внедрении в программное обеспечение алгоритмы и технологии, разработанные в этом исследовательском проекте, обеспечат платформу для интеграции данных с процессом сопоставления истории, чтобы получить модель резервуара, соответствующую истории, которая согласуется со всеми данными и информацией. Это приведет к лучшим прогнозам будущего производства и количественной оценке неопределенности в прогнозируемых характеристиках резервуара.

Усиление процесса принятия решений

Он используется для улучшения оценки запасов, поддержки обоснованного принятия решений в отношении разработки месторождений, прогнозирования будущего производства, определения оптимального размещения скважин и оценки альтернативных сценариев управления резервуарами.Интегрированные модели позволяют инженерам оценивать несколько сценариев развития, сравнивать различные производственные стратегии и оценивать экономическую жизнеспособность различных вариантов перед совершением значительного капитала.

Постоянно меняющийся характер условий в нефтегазовом резервуаре может быть понят только тогда, когда все соответствующие данные совместно рассматриваются в общей среде. Только тогда можно изучать взаимодействия между различными дискретными типами данных и описывать резервуар в целом. Более точное описание резервуара снижает риск, сокращает время принятия решений и, следовательно, повышает эффективность управления полями.

Оптимизированные производственные стратегии

Динамическая модель может использоваться для моделирования в несколько раз всего срока службы резервуара, рассматривая различные схемы эксплуатации и условия эксплуатации для оптимизации плана истощения. Эта возможность позволяет операторам виртуально тестировать различные сценарии производства, выявляя стратегии, которые максимизируют восстановление при минимизации затрат и воздействия на окружающую среду.

Интегрированные модели помогают оптимизировать размещение скважин, определять оптимальные темпы добычи, разрабатывать эффективные программы поддержания давления и оценивать улучшенные методы извлечения нефти.Понимая, как резервуар реагирует на различные вмешательства, операторы могут вносить проактивные корректировки, которые улучшают общие эксплуатационные характеристики месторождения.

Снижение рисков и экономия затрат

Моделирование резервуаров, основанное на данных, устраняет разрыв между измеренными геоданными и геологической моделью, позволяя операторам исследовать неопределенности и минимизировать риски разведки. Выявляя потенциальные проблемы до их возникновения и оптимизируя производственные стратегии на основе надежных моделей, операторы могут избежать дорогостоящих ошибок и сократить эксплуатационные расходы.

Моделирование потока в сочетании с современной характеристикой пласта оказалось очень эффективным средством управления разработкой пластов при правильном применении.Инвестиции в строительство и поддержание интегрированных моделей пласта обычно окупаются многократно за счет улучшения рекуперации, снижения затрат на бурение и более эффективных операций.

Практические рабочие процессы внедрения

Подход коллективной команды

Успешная интеграция данных требует сотрудничества между несколькими дисциплинами. Геологи обеспечивают структурные и стратиграфические интерпретации, геофизики вносят сейсмические данные и интерпретации, петрофизики анализируют свойства пород и жидкости, а инженеры-резервуары строят и проверяют модели моделирования. Этот междисциплинарный подход гарантирует, что вся доступная информация надлежащим образом включена в интегрированную модель.

Когда данные интегрированы, визуализированы и проанализированы для изучения сложных взаимосвязей между недрами структур, атрибутов и исторической производительности, команды управления достигают более точного понимания производительности резервуара.Способность легко интегрировать соответствующие статические и динамические данные резервуара облегчает более быструю разработку более точных моделей резервуара, которые могут направлять оперативные решения для максимизации восстановления в будущем.

Программные и технологические платформы

Современное моделирование резервуаров опирается на сложные программные платформы, которые облегчают интеграцию данных, визуализацию и анализ. Эти платформы предоставляют инструменты для импорта данных из различных источников, построения геологических моделей, моделирования потоков, выполнения сопоставления истории и визуализации результатов. Возможность интеграции данных от нескольких поставщиков и форматов имеет важное значение для эффективных рабочих процессов.

Используя реестр данных, CoViz 4D легко объединяет и визуализирует широкий спектр статических и динамических данных резервуара, включая сейсмические объемы и атрибуты, моделирование резервуаров, журналы скважин, производство жидкости и данные мониторинга.Простота доступа к соответствующим данным и возможность совместной визуализации и анализа конкретных данных в контексте других данных недр повышает эффективность и точность моделей резервуара.

Итеративная модель Обновление

Рабочие процессы CoViz 4D управляют итеративными модификациями и визуализациями моделирования резервуаров. Команды, использующие Python и/или Jupyter Notebook, имеют возможность создавать настраиваемые скрипты для управления оценкой нескольких имитационных моделей. Рабочие потоки и скрипты облегчают более быструю оценку параметров, позволяя командам резервуаров значительно сократить время, необходимое для определения лучшей модели.

Создание эффективных рабочих процессов для обновления моделей имеет решающее значение, особенно для зрелых областей, где новые данные становятся доступными регулярно. Автоматизированные рабочие процессы могут значительно сократить время, необходимое для включения новых данных и обновлений прогнозов, что позволяет более оперативно управлять резервуарами.

Особые соображения по сложным водохранилищам

Естественно раздробленные водохранилища

Природное моделирование трещин (известное как двойная пористость и двойная проницаемость) является усовершенствованной функцией, которая моделирует углеводороды в плотных матричных блоках. Поток происходит от плотных матричных блоков к более проницаемым сетям трещин, которые окружают блоки, и к скважинам. Раздробленные резервуары представляют уникальные проблемы для интеграции данных, потому что сети трещин трудно охарактеризовать и могут доминировать в поведении потока.

Интеграция производственных данных с геологической и геофизической информацией особенно важна в трещинных резервуарах, где обычные данные ядра и журнала могут не адекватно представлять систему разрушения.Производственные испытания, анализ переходного давления и исследования трассеров предоставляют ценную информацию о связи и свойствах трещин, которые должны быть включены в имитационные модели.

Нетрадиционные водохранилища

Цель данного исследования заключается в применении многоступенчатой модели гидравлического разрыва для характеристики сложной геометрии разрыва и интеграции ее с моделью геомеханики резервуара и моделью моделирования резервуара для оптимизации обработки переломов и развития резервуара. Мы разработали сложную модель распространения гидравлического разрыва, которая может использоваться для моделирования распространения множественного перелома в нескольких скважинах с использованием и без учета горных тканей. Модель сочетает деформацию породы и поток жидкости в трещинах и горизонтальном стволе скважины. На основе данных полевой обработки гидравлического разрыва модель может генерировать сложную геометрию разрыва и применяться для прогнозирования производительности скважины, исследования помех скважин, оптимизации разрыва и оптимизации развития скважины родителей и детей.

Нетрадиционные резервуары, такие как сланцевая нефть и газ, требуют специализированных подходов к моделированию, которые учитывают гидравлические сети разрывов, геомеханические эффекты и сложное поведение жидкости.Интеграция микросейсмических данных, волоконно-оптических измерений и производственных данных помогает характеризовать стимулированный объем резервуара и оптимизировать конструкции завершения.

Зрелый полевой менеджмент

Надлежащая интеграция данных приобретает все большее значение по мере того, как созревают нефтяные месторождения и необходимо понимать изменяющиеся условия на месторождениях. Когда речь идет об анализе, данные о добыче нефти и газа являются неполными без соответствующих вспомогательных данных из всех соответствующих дисциплин. Это особенно верно для зрелых месторождений, которые часто имеют обильные данные в различных форматах и из нескольких источников.

Зрелые месторождения представляют как проблемы, так и возможности для интеграции данных. Хотя они обычно имеют обширную историю производства и обильные данные, эти данные могут существовать в различных форматах и уровнях качества. Наследственные данные должны быть оцифрованы, проверены и интегрированы с современными измерениями для создания всеобъемлющих моделей, которые поддерживают стратегии оптимизации в течение последнего срока службы, такие как бурение на заливках, повышение нефтеотдачи и оптимизация производства.

Будущие тенденции и новые технологии

Цифровые близнецы и интеграция в реальном времени

Концепция цифровых двойников — виртуальных копий физических активов, которые постоянно обновляются данными в режиме реального времени, — набирает обороты в управлении резервуарами. Эти динамические модели объединяют потоковые данные от датчиков, производственных систем и оборудования мониторинга для обеспечения современных представлений условий резервуара. Интеграция данных в режиме реального времени позволяет принимать активные решения и быстро реагировать на изменение условий на местах.

Передовые сенсорные технологии, включая постоянные системы мониторинга забоев, распределенное зондирование температуры и распределенное акустическое зондирование, обеспечивают беспрецедентные объемы данных о поведении резервуаров. Интеграция этих высокочастотных потоков данных в модели моделирования представляет как возможности, так и проблемы, требующие новых вычислительных подходов и стратегий управления данными.

Искусственный интеллект и машинное обучение

Алгоритмы машинного обучения все чаще применяются к задачам моделирования резервуаров и интеграции данных. Эти методы могут идентифицировать закономерности в больших наборах данных, ускорять процессы сопоставления истории и повышать точность прогнозирования. Нейронные сети могут служить прокси-моделями, которые приближают результаты сложного моделирования намного быстрее, чем традиционные численные тренажеры, что позволяет быстро оценивать несколько сценариев.

Подходы к глубокому обучению дают надежду на интеграцию различных типов данных и извлечение значимых связей, которые могут быть не очевидны с помощью обычного анализа. Однако эти методы требуют тщательной проверки и должны дополнять, а не заменять подходы к моделированию на основе физики.

Облачные вычисления и высокопроизводительные вычисления

Вычислительные требования интегрированного моделирования резервуаров продолжают расти по мере того, как модели становятся все больше и больше детализированы. Платформы облачных вычислений и высокопроизводительные вычислительные ресурсы позволяют инженерам запускать более крупные модели, выполнять более всесторонний анализ неопределенности и завершать исследования, соответствующие истории, быстрее, чем когда-либо прежде. Эти технологии демократизируют доступ к расширенным возможностям моделирования, делая сложные инструменты доступными для небольших операторов.

Параллельные вычислительные архитектуры позволяют выполнять одновременно несколько симуляционных заданий, что резко сокращает время, необходимое для рабочих процессов на основе ансамблей и исследований оптимизации. Эта вычислительная мощность позволяет более тщательно исследовать неопределенность и более надежно принимать решения.

Лучшие практики для успешной интеграции данных

Установите четкие цели

Перед началом исследования по моделированию водохранилищ четко определить цели и решения, которые будет поддерживать модель. Для различных целей могут потребоваться различные уровни детализации и различные типы данных. Модель, построенная для оценки запасов, может иметь различные требования, чем модель, предназначенная для оптимизации показателей водораздела или оценки вариантов повышения нефтеотдачи.

Понимание предполагаемого использования модели помогает определить приоритетность усилий по сбору данных и обеспечивает сосредоточение ресурсов на наиболее важных аспектах характеристики резервуара. Она также помогает установить соответствующие критерии принятия для сопоставления истории и количественной оценки неопределенности.

Поддерживать качество данных и документацию

Внедрить строгие процедуры контроля качества данных, чтобы гарантировать, что все данные, поступающие в модель, являются точными и надежными. Источники данных документов, этапы обработки и любые предположения, сделанные во время построения модели. Эта документация имеет важное значение для проверки модели, передачи знаний и будущих обновлений модели.

Создать системы управления данными, которые облегчают доступ к соответствующей информации при сохранении контроля версий и аудита. Надлежащая практика управления данными предотвращает ошибки, уменьшает дублирование усилий и обеспечивает эффективное сотрудничество между членами команды.

Почетные геологические ограничения

Хотя достижение хорошего соответствия истории важно, полученная модель должна оставаться геологически обоснованной и соответствовать всем имеющимся данным. Избегайте произвольных корректировок параметров, которые улучшают соответствие истории, но нарушают геологическое понимание или противоречат статичным данным. Лучшие модели объединяют динамические и статические данные таким образом, чтобы чтить оба типа информации.

Использование геологических знаний и предварительной информации для ограничения процесса сопоставления истории. Это помогает предотвратить переобучение производственным данным и гарантирует, что модель остается физически реалистичной. Методы регуляризации могут использоваться для поддержания согласованности с предыдущими геологическими моделями при достижении приемлемых совпадений с динамическими данными.

Определить и сообщить неопределенность

Признать, что все модели резервуаров содержат неопределенность, и приложить усилия для количественной оценки и передачи этой неопределенности лицам, принимающим решения. Используйте ансамблевые подходы для создания нескольких одинаково вероятных моделей, которые охватывают диапазон неопределенности. Представьте прогнозы в качестве распределения вероятностей, а не единичных детерминированных результатов.

Эта прозрачность помогает лицам, принимающим решения, понять риски, связанные с различными вариантами развития, и сделать более осознанный выбор.

Постоянное совершенствование

Рассматривать моделирование резервуаров как непрерывный процесс, а не как разовое исследование. По мере поступления новых данных от бурения, производства и мониторинга, обновлять модели для включения этой информации. Сравнить прогнозы моделей с фактическими результатами для определения областей, где модель может быть улучшена.

Установить циклы обратной связи, которые позволяют извлечь уроки из полевых операций для информирования об улучшении моделей. Этот непрерывный процесс обучения приводит к постепенному улучшению моделей и более эффективному управлению резервуарами с течением времени.

Приложения для тематических исследований

Оптимизация водного потопа

Интегрированные модели резервуаров играют решающую роль в оптимизации операций по затоплению. Сопоставляя исторические данные о впрыске воды и производстве, инженеры могут калибровать модели, чтобы точно представлять эффективность зачистки, поведение прорыва воды и оставшееся распределение насыщения масла. Эти калиброванные модели затем могут использоваться для оптимизации скорости впрыска, выявления возможностей бурения налива и модификации шаблонов проектирования, которые улучшают извлечение нефти.

Интеграция производственных данных помогает выявить барьеры потока, каналы высокой проницаемости и области плохой проходимости, которые могут быть не очевидны только из статических данных. Эта информация направляет оперативные решения, такие как распределение впрыска воды, сопряжение производителя-инжектора и обработка контроля соответствия.

Проекты по впрыску газа

Для проектов по впрыску газа, будь то для поддержания давления, циклирования газа или смешивания наводнений, интегрированные модели должны точно представлять сложное фазовое поведение и композиционные эффекты.Соответствие тенденций соотношения газ-масла, реакций давления и композиционных изменений, наблюдаемых в производимых жидкостях, помогает проверить способность модели прогнозировать производительность впрыска газа.

Эти модели поддерживают критические решения о составе газа для инъекций, скорости инъекций и размещении скважин. Они помогают прогнозировать время прорыва, оценивать различные стратегии инъекций и оптимизировать баланс между заменой пустоты и улучшенной рекуперацией нефти.

Хорошое размещение и планирование развития

Интегрированные модели определяют решения о размещении скважин путем определения областей с самым высоким оставшимся насыщением нефтью, оптимальными свойствами резервуара и благоприятными структурами дренажа. Путем моделирования различных местоположений скважин и стратегий завершения инженеры могут выбирать варианты, которые максимизируют чистую приведенную стоимость при управлении техническими и коммерческими рисками.

Для нетрадиционных резервуаров интегрированные модели помогают оптимизировать интервалы между скважинами, зоны посадки, проекты завершения и производственные стратегии. Для разработки экономических месторождений необходима возможность сопоставлять добычу из существующих скважин и использовать эти калиброванные модели для прогнозирования производительности будущих скважин.

Заключение

Интеграция моделей моделирования резервуаров с данными о месторождении представляет собой фундаментальное требование для эффективного управления резервуарами в современной нефтегазовой промышленности. Эта интеграция превращает теоретические модели в практические инструменты, которые точно представляют поведение резервуаров, обеспечивают надежные прогнозы и поддерживают обоснованное принятие решений на протяжении всего срока службы месторождения.

Процесс требует тщательного внимания к качеству данных, строгой проверки через сопоставление истории и надлежащей количественной оценки неопределенности.Успех зависит от междисциплинарного сотрудничества, надлежащего использования технологий и соблюдения передовой практики, которая учитывает как статические геологические ограничения, так и динамические производственные данные.

По мере развития технологий появляются новые возможности для более сложной интеграции данных, обновления моделей в реальном времени и расширенной поддержки принятия решений. Машинное обучение, цифровые двойники и высокопроизводительные вычисления расширяют возможности моделирования резервуаров, а также представляют новые проблемы в управлении данными и интерпретации.

Организации, которые инвестируют в создание надежных интегрированных моделей резервуаров, поддержание высококачественных данных и развитие квалифицированных междисциплинарных групп, позиционируют себя для оптимизации производства, максимизации извлечения и создания стоимости из своих углеводородных активов. Интеграция имитационных моделей с данными о месторождениях является не просто техническим упражнением, но стратегическим потенциалом, который обеспечивает конкурентное преимущество во все более сложной и сложной операционной среде.

Для получения дополнительной информации о технологиях разработки резервуаров и моделирования посетите Общество инженеров-нефтяников или изучите ресурсы в Департаменте энергетики США Управления по ископаемой энергии . Дополнительное техническое руководство можно найти через профессиональные организации, такие как Американская ассоциация геологов-нефтяников и академические учреждения, предлагающие программы нефтяной инженерии.