Table of Contents

Введение: почему снижение кривой анализа имеет значение для сланцевой нефти

Анализ кривой упадка (DCA) был краеугольным камнем нефтяной инженерии более века. В обычных резервуарах метод обеспечивает простые прогнозы будущего производства и предполагаемого конечного восстановления (EUR). Однако рост добычи сланцевой нефти - где проницаемость измеряется в наноразмерах и скважинах завершается массивными гидравлическими методами разрыва - заставил отрасль пересмотреть и адаптировать эти классические методы. В сланцевых скважинах добыча резко снижается в первые несколько месяцев, прежде чем осесть в медленный, долгосрочный хвост. Неправильное толкование этого быстрого снижения может привести к недоинвестированию в завершение, плохие решения о интервале между скважинами или преждевременный отказ. Это тематическое исследование из Пермского бассейна иллюстрирует, как современный DCA, при правильном применении, помогает операторам максимизировать стоимость активов, оптимизировать распределение капитала и уменьшить неопределенность в производительности резервуара.

Основы анализа кривой упадка

Модели общего спада

Три классические модели снижения формируют основу DCA, каждая из которых определяется соотношением между скоростью производства (q) и временем (t). Модель экспоненциального снижения предполагает постоянную скорость снижения, которая типична для скважин, работающих в режиме стабилизированного потока. Гармоническое снижение модель применяется, когда скорость снижения уменьшается линейно со скоростью производства. Гиперболическое снижение модель — безусловно, наиболее актуальная для сланцев — позволяет скорости снижения уменьшаться с течением времени в соответствии с параметром b, который колеблется между 0 и 1. В математических терминах гиперболическое уравнение:

q(t) = q i * (1 + b * D i * t)^(-1/b)

где q i — начальная скорость, D i — начальная скорость снижения, а b определяет кривизну.Для обычных водохранилищ b редко превышает 1, но в сланцевых, b может быть больше 1, поскольку в потоке преобладает переходный дренаж из сложной сети разломов, а не поток с преобладанием границ, для которого были разработаны классические модели Arps.

Почему сланцевая промышленность требует специализированных подходов

Сланцевые резервуары обладают тремя уникальными характеристиками, которые бросают вызов традиционному DCA. Во-первых, сверхнизкая проницаемость означает, что переходные давления распространяются медленно, сохраняя скважину в переходном потоке в течение многих лет или даже десятилетий. Во-вторых, сложная геометрия трещин — созданная человеком с несколькими стадиями гидравлического разрыва — создает высокопроводящий путь, который доминирует на ранних этапах производства, но быстро истощается. В-третьих, неоднородность в нескольких масштабах (от разломов в масштабе бассейна до микроскопического распределения керогена) вводит изменчивость, которую одна модель часто не может захватить. Поскольку параметр b в гиперболической модели может быть больше 1 для переходного потока, инженеры должны быть осторожны, чтобы применить конечную скорость снижения (часто 5-10% в год), чтобы избежать переоценки EUR. Эта модификация является стандартной практикой в современном сланцевом DCA.

Тематическое исследование: Пермский бассейн Shale Wells

Сбор данных и методология

Независимый оператор с более чем 200 горизонтальными скважинами в бассейне Мидленда Пермского бассейна поставлял данные о добыче, собранные ежедневно в течение 36-месячного периода. В набор данных входили данные о скорости добычи нефти, газа и воды, а также измерения давления на дне скважины, где это было доступно. Команда собрала данные в стандартизированный формат, убрала выбросы, вызванные сокращением или закрытием скважин, и нормализовала производство по боковой длине и загрузке пропанта. Используя программное обеспечение для кривой коммерческого снижения, они выполнили пакетную посадку гиперболических моделей на каждую скважину, что позволило оптимизировать параметр b между 1,0 и 2.0. Для скважин с сильными помехами водосреза, они использовали многофазный DCA, прогнозируя нефть отдельно и регулируя ограничения на обработку воды.

Гиперболические модели упадка с терминальным упадком

Рабочий процесс команды включал разделение истории производства на два сегмента: ранний период «флеш» (первые 3 месяца), когда модель игнорировала данные из-за переменных условий возврата потока, и основной период производства, начинающийся с 4 месяца. Они настроили программное обеспечение для применения минимальной предельной скорости снижения 5% в год, когда гиперболическая скорость снижения упала ниже этого порога. Это помешало модели генерировать бесконечный EUR для скважин со значениями b около 2.0. После установки они вычислили вероятностный диапазон EUR с использованием моделирования Монте-Карло по параметрам модели, с значениями P10, P50 и P90, служащими конечным выходом для каждой скважины.

Результаты: Key Insights

Анализ позволил сделать несколько практических выводов:

  • Раннее снижение может быть смягчено целевым преломлением. Уэллс, который показал необычно крутой темп снижения (D i > 0,8 в месяц) в первый год, был сильным кандидатом на преломление, поскольку модель показала, что стимулированная сеть переломов не полностью вышла на водохранилище.
  • Ну, расстояние значительно влияет на форму снижения. Уэллс с расстоянием менее 500 футов показал вогнутые профили снижения с значениями b ниже 1,2, что предполагает помехи и ранний поток с преобладанием границ. Оператор использовал это понимание для увеличения расстояния до 750 футов в новых прокладках, улучшив на одну скважину EUR в среднем на 15%.
  • Загрузка проппанта влияет на долгосрочный хвост. Колодцы с более высокими концентрациями пропанта (выше 2000 фунтов/фут) показали более постепенное снижение хвоста (b > 1,6) и более высокое конечное восстановление, даже после корректировки на боковую длину. Это усилило решение оператора увеличить загрузку пропанта в будущих завершениях.

В ходе исследования также было выявлено, что старые скважины, пробуренные до 2018 года, часто имели неполные данные о давлении, что вводило неопределенность в предположение о снижении терминала. Для этих активов команда продемонстрировала чувствительность к коэффициенту терминала от 3% до 10% в год, что создало диапазоны EUR, охватывающие 20%. Полученная карта неопределенности побудила оператора расставить приоритеты скважин с более высокой уверенностью для проектов вторичного восстановления.

Расширенные возможности Shale DCA

Beyond Arps: современные модели прогнозирования

Хотя гиперболическое снижение остается отраслевым стандартом, появилось несколько альтернатив для решения уникальных режимов потока в сланцевой нефти. Модель Дуонга, разработанная специально для плотного газа и сланцевой нефти, предполагает, что в потоке преобладает линейный поток от трещин в скважине. Его соотношение скорости и времени:

q(t) = q 1 * t^(-n) (с дополнительным параметром перехвата)

Модель Дуонга часто обеспечивает лучшую подгонку для долгосрочного хвоста сланцевых скважин, особенно когда параметр b в гиперболической модели превышает 1,5.Другой подход — растянутое экспоненциальное снижение, который применяет кумулятивную функцию распределения для учета большого количества независимо истощающихся стадий перелома. А логистическая модель роста рассматривает производство как процесс роста, где окончательное восстановление конечно и снижение модулируется сигмоидной функцией. Каждая из этих моделей имеет свои сильные стороны: Duong прост и часто соответствует раннему и среднему сроку службы, в то время как растянутый экспоненциальный обрабатывает переменные этапы вкладов.На практике многие операторы используют модельный ансамбль для генерации диапазона прогнозов, затем применяют веса на основе исторического качества соответствия.

Влияние гидравлического разрыва на снижение поведения

Форма кривой убывания сланцевой скважины глубоко привязана к конструкции завершения. Число стадий разрушения, интервал между кластерами и распределение пропанта контролируют степень стимулированного объема резервуара (SRV). Яма с 60 стадиями и 6 кластерами на стадию, покрывающую 10 000 футов боковой, будет иметь иную сигнатуру снижения, чем яма с 40 стадиями и 5 кластерами. Данные из исследования Пермского бассейна показали, что скважины с большим количеством стадий (выше 50) показали более мелкое начальное снижение (D i между 0,4 и 0,6) и значение b около 1,5, тогда как скважины с меньшим количеством стадий имели D i выше 0,8. Кроме того, эффективность кластера, которая способствует течению, может быть выведена путем сравнения раннего снижения с количеством стадий. Если параметр b ниже, чем ожидалось для числа этапов, это может указывать на то, что кластеры не все вносят одинаковый вклад, нахождение, которое может побудить диагностическое тестирование с

Включая геологическую неоднородность

Не все сланцы идентичны. Общий органический углерод, содержание глины и естественная плотность трещин варьируются в зависимости от игры и даже в пределах одной площадки. Оператор тематических исследований включил петрофизические данные журнала (например, гамма-луч, удельное сопротивление, звуковой) в многомерную регрессию для прогнозирования параметров b и D i для новых скважин. Модель включала такие функции, как соотношение хрупких минералов к глине и наличие карбонатных стрингеров. Результатом была прогностическая модель DCA, которая могла оценить параметры снижения для небуровых мест, улучшая ожидаемую стоимость программы бурения. Аналогичный подход используется некоторыми операторами в Eagle Ford и Bakken, как сообщается в отраслевой литературе.

Практические рекомендации для операторов

Оптимизация хорошо пространного

Основываясь на тематическом исследовании и передовой практике отрасли, операторы должны использовать DCA для оценки компромисса между плотностью и на скважину EUR. Анализируя кривые снижения скважин в существующих колодцах, можно определить интервал, при котором интер-колодец интерференция становится экономически вредной. Общее правило заключается в том, что для оправдания более близкого расстояния, на скважину EUR должен упасть не более чем на 10-15% по сравнению с более широким интервалом, в то время как увеличенная чистая приведенная стоимость (NPV) от большего количества скважин должна компенсировать более высокие капитальные затраты. Модель DCA также может моделировать «будущие» сценарии снижения для гипотетических конфигураций интервала путем корректировки коэффициента терминального снижения и параметра b на основе смещенной скважины.

Оценка успеха стимуляции

DCA обеспечивает экономически эффективный способ оценки качества гидравлических методов обработки разрыва без дорогостоящих измерений скважины. Хорошо, что не оправдывает ожиданий - показывая, что D i значительно выше кривой типа - вероятно, страдает от плохого восстановления жидкости, неэффективного распространения переломов или недостаточного размещения пропанта. Сравнивая фактическое снижение с смоделированным снижением, операторы могут принимать ранние решения о повторном фрейсировании потенциальных скважин. В тематическом исследовании показано, что повторное фрейсирование скважин со значениями D i выше 0,7 произвело постепенный прирост в размере 10-25%, с лучшими результатами в скважинах, где b изначально был ниже 1,5.

Определение времени отказа

Когда сланцевая скважина становится неэкономической? Традиционный ДЦА использует минимальную экономическую ставку — часто основанную на эксплуатационных расходах за баррель и текущих ценах на нефть — для оценки даты отказа. Однако в сланцевой скважине длинный хвост означает, что даже низкоскоростные скважины могут быть положительным денежным потоком в течение многих лет, если затраты на подъем низкие. Оператор в этом случае использовал более тонкий подход: он сравнил кривую снижения с кумулятивным дисконтированным денежным потоком, идентифицируя точку, в которой предельная операционная стоимость превысила предельный доход в месяц. Этот момент обычно происходил через 10-15 лет после того, как скважина достигла конечного снижения примерно на 5% в год, но сильно менялся с предположениями о ценах на нефть. Для дорогостоящих скважин (с высоким сокращением воды) экономический предел был достигнут ранее. Выпуск ДЦА был интегрирован в электронную таблицу, чтобы сформировать динамичный график отказа, обновляемый ежеквартально.

Ограничения и будущие направления

Работа с качеством данных и вмешательством

DCA так же хорош, как и входные данные. Операторы сланцевой добычи часто сталкиваются с такими проблемами, как разрывы данных от временных затворов, изменения в настройках удушья и комминглинг производства от нескольких боковых или скамей. Для пермского тематического исследования команде пришлось отфильтровать несколько месяцев данных во время спада цен на нефть в 2020 году, когда скважины были свернуты. Они использовали технику нормализации: они предполагали, что во время свертывания падение скважины продолжило ту же тенденцию, что и раньше, и они сместили исторические данные вперед к закрытому периоду. Это вводит неопределенность, особенно если затвор сам изменил почти ветропитание насыщения. Помехи от детских скважин на той же площадке также усложняют DCA - снижение может резко обостриться, когда новая офсетная скважина выходит в сеть. Операторы должны отмечать события помех в своей базе данных DCA и исключать эти периоды времени из соответствия или модели помех в качестве отдельного термина истощения.

Интеграция с машинным обучением

С большими наборами данных, которые сейчас распространены в цифровых нефтяных месторождениях, методы машинного обучения используются для дополнения традиционных DCA. Рэндомные леса и нейронные сети могут прогнозировать параметры снижения непосредственно от завершения и геологических переменных, сокращая время, затрачиваемое на ручное подгонку кривых. Один подход обучает модель на тысячах скважин, чтобы узнать отображение между входами (счет стадии, пропант на фут, пористость, проницаемость, давление) и параметры снижения (q i, D i, b), затем использует эту модель для прогнозирования новых скважин. Преимущество заключается в скорости и согласованности, но метод слеп к физическим режимам потока и может производить нефизические результаты, если данные обучения содержат смещения. Гибридные рабочие процессы, которые используют машинное обучение для оценки параметров и основанный на физике DCA для проверки, появляются в качестве золотого стандарта. Некоторые поставщики теперь предлагают облачные решения, которые автоматически подходят для нескольких моделей и сообщают о доверительных интервалах.

Еще одним захватывающим направлением является интеграция диагностических тестов на впрыск переломов (DFIT) и микросейсмических данных в DCA. Давление резервуара, проницаемость и напряжение закрытия, полученные из DFIT, могут быть использованы для ограничения параметров D i и b гиперболической модели через упрощенную модель резервуара. Например, скважина в зоне с более высокой проницаемостью будет иметь более низкое значение b и более быстрое начало с преобладанием границ. Оператор тематических исследований начал использовать данные DFIT из подмножества скважин для калибровки DCA, что снизило неопределенность в евро на 15% для этих колодцев.

Заключение

Анализ кривой убывания остается важным, экономически эффективным инструментом для управления активами сланцевой нефти. В тематическом исследовании Пермского бассейна показано, что, адаптируя классические модели - используя гиперболическое снижение с b > 1 и конечную скорость снижения - операторы могут получить действенную информацию о интервале скважин, времени преломления и эффективности стимуляции. Однако DCA не является универсальным решением. Сланцевые резервуары требуют тщательной обработки переходных потоков, помех и качества данных. Благодаря включению передовых моделей, таких как Duong, использование машинного обучения для прогнозирования параметров и связь DCA с геофизическими и нефтефизическими данными, операторы могут уменьшить неопределенность и принимать более уверенные решения. Поскольку сланцевые игры продолжают развиваться, будущее DCA заключается в интегрированных рабочих процессах, которые сочетают эмпирическую кривую, соответствующую пониманию физики резервуара и инженерии завершения.