УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ
на главную написать письмо карта сайта


јвтор:   урганов ƒ.¬.
Ќазвание:  –асчет эффекта от перевода добывающей нефт€ной скважины в нагнетательный фонд в†рамках управлени€ разработкой нефт€ным месторождением
¬ыпуск:  81
–убрика:  ”правление техническими системами и технологическими процессами
√од:  2019
Ѕиблиографи€:   урганов ƒ.¬. –асчет эффекта от перевода добывающей нефт€ной скважины в нагнетательный фонд в†рамках управлени€ разработкой нефт€ным месторождением // ”правление большими системами. ¬ып. 81. ћ.: »ѕ” –јЌ, 2019. —.147-167. DOI: https://doi.org/10.25728/ubs.2019.81.6
 лючевые слова:  нейросетевой анализ, алгоритм Ћевенберга†Цћарквардта, анализ компонентного состава, природный газ
 лючевые слова (англ.):  big data, machine learning, support vector machines, injection, oil rate, well
јннотаци€:  ѕрименение алгоритмов машинного обучени€ (ћќ) €вл€етс€ перспективным направлением дл€ прин€ти€ решений при управлении таким сложным процессом, как разработка нефт€ного месторождени€. —ущественным условием применени€ этих алгоритмов €вл€етс€ наличие обширной цифровой базы с†представительными результатами, позвол€ющей провести обучение модели. ¬ работе рассмотрено применение одного из методов ћќ Ц опорных векторов Ц дл€ прин€ти€ решени€ о переводе скважины из добывающего в†нагнетательный фонд и оценен эффект подобного перевода с точки зрени€ прироста добычи жидкости. –асчеты выполнены дл€ крупного месторождени€ в «ападной —ибири. ¬ алгоритме также существенным образом примен€етс€ диаграмма ¬ороного, хорошо зарекомендовавша€ себ€ как приближение к зоне дренируемых запасов скважины. ћетодика прин€ти€ решени€ позвол€ет комплексировать такие параметры, как параметры проведенных гидроразрывов пласта, начальную продуктивность, текущее энергетическое состо€ние потенциального участка работ, не прибега€ к†фильтрационному моделированию, которое в данном случае не позвол€ет уточнить или подтвердить параметры пластовой системы. »спользуетс€ две модели: перва€ модель обучаетс€ на фильтрационно-емкостных параметрах участка и определ€етс€ суммарный прирост добычи дл€ участка, с помощью второй модели рассчитываетс€ распределение приростов по конкретным скважинам участка. ¬тора€ модель существенно использует аппарат имитационного гидропрослушивани€, позвол€ющий без остановок и потерь на скважинах определ€ть св€зность коллектора и линии тока. ћетод будет особенно перспективен в осложненных коллекторах, например, в двухпоровой среде, где св€зь между пластовыми параметрами и промысловыми показател€ми разработки традиционными методами установить затруднительно, а также при наличии техногенных трещин, в†частности, от гидроразрыва пластов.
јннотаци€ (англ.):  Machine learning, namely supervised learning models is widely used for decision making in oil field development. An essential condition for methodТs application is the availability of digital databases with representative results which allows adequate model training. In this paper SVM-rank model is applied for injectivity prediction of infill wells for giant Western Siberian oilfield. Ranking algorithm also uses Voronoi diagram, proven as an approximation to the well drainage area. Complex method allows combine different reservoir and production parameters: productivity of surrounding wells, area pressure, frac parameters etc without common reservoir dynamics model, which in this particular case is not able to clarify and confirm the parameters of the reservoir system. There is double model used: the first model utilizes productivity and capacity reservoir parameters, the second one uses correlation analysis between infill candidate and surrounding production wells. The method can be particularly useful in complicated reservoirs, e.g. in dual porosity ones, where the relationship between formation parameters (permeability, porosity, saturation) and production rates is unclear and cannot be set by traditional development analysis, particularly in frac environment.

¬ формате PDF
ќбсудить статью в »нтернет-конференции по проблемам управлени€

ѕросмотров: 55, загрузок: 12, за мес€ц: 10.

Ќазад

»ѕ” –јЌ © 2007. ¬се права защищены