Автор:  Тырсин А.Н., Кащеев С.Е.
Название:  Моделирование взаимовлияния скважин для анализа эффективности систем заводнения на малых выборках данных
Выпуск:  111
Рубрика:  Управление техническими системами и технологическими процессами
Год:  2024
Библиография:  Тырсин А.Н., Кащеев С.Е. Моделирование взаимовлияния скважин для анализа эффективности систем заводнения на малых выборках данных // Управление большими системами. Выпуск 111. М.: ИПУ РАН, 2024. С.247-265. DOI: https://doi.org/10.25728/ubs.2024.111.10
Ключевые слова:  модель материального баланса, система заводнения, маска взаимовлияния скважин, энтропия, прогноз, емкостно-резистивная модель
Ключевые слова (англ.):  material balance model, flooding system, well interference mask, entropy, forecast, capacitance resistive model
Аннотация:  На завершающей стадии разработки нефтяных месторождений актуальной проблемой является поддержание приемлемых уровней добычи нефти путем оперативного управления заводнением. Сложность усугубляется все более растущим количеством функционирующих на месторождении скважин и изменчивостью процесса их взаимодействия. Это требует новых подходов, учитывающих указанные тенденции в нефтедобыче. Популярным подходом для анализа эффективности систем заводнения нефтяных месторождений в последние годы стало использование прокси-моделей семейства CRM (capacitance-resistive models, емкостно-резистивные модели), представляющих собой математические модели материального баланса. При этом решают обратную задачу для определения параметров модели. Однако малые размеры выборок данных и большое число функционирующих скважин в системе заводнения ограничивает эффективное практическое применение этого подхода. Цель статьи – повышение оперативности мониторинга систем заводнения за счет снижения размера обучающей выборки данных и расширение масштаба анализируемых систем от нескольких десятков до сотен скважин. Предложены два алгоритма, ориентированных на большие размерности и малые выборки данных. Они апробированы на модельных данных, в которых 60 нагнетательных, 160 добывающих скважин и 17 наблюдений. Приемистости нагнетательных скважин – это фактические данные с реальной системы заводнения, дебиты добывающих скважин – это модельные значения с учетом случайных ошибок, присутствующих на практике. Данные алгоритмы продемонстрировали приемлемые характеристики как по точности и быстродействию, так и по возможности их применения для прогноза нефтедобычи.
Аннотация (англ.):  At the final stage of oil field development, an urgent problem is to maintain acceptable levels of oil production through operational flooding management. The complexity is compounded by the increasing number of wells operating in the field and the variability of the process of their interaction. This requires new approaches that consider these trends in oil production. A popular approach for analyzing the effectiveness of oilfield flooding systems in recent years has been the use of proxy models of the CRM family (capacitance-resistive models), which are mathematical models of material balance. At the same time, the inverse problem is solved to determine the model parameters. However, the small size of the data samples and the large number of functioning wells in the flooding system limits the effective practical application of this approach. The purpose of the article is to increase the efficiency of monitoring water flooding systems by reducing the size of the training data sample and expanding the scale of the analyzed systems from several tens to hundreds of wells. Two algorithms focused on large dimensions and small data samples are proposed. They were tested on model data in which there were 60 injection and 160 production wells, and 17 observations and random errors were present. The injectivity of injection wells is actual data from a real water flooding system. The flow rates of production wells are model values, taking into account random errors present in practice. These algorithms have demonstrated acceptable characteristics both in terms of accuracy and speed, and if possible, their application for forecasting.

В формате PDF

Просмотров: 147, загрузок: 30, за месяц: 7.

Назад