Применение GPU-технологий для оптимизации разработки нефтяных месторождений

UDK: 681.518.:622.276

DOI: 10.24887/0028-2448-2025-12-128-132

Ключевые слова: гидродинамическое моделирование, разработка нефтяных месторождений, метод граничных элементов (МГЭ), графические процессоры (GPU), параллельные вычисления, технология CUDA, ускорение гидродинамических расчетов

Авт.: Б.М. Латыпов, к.т.н. (Уфимский гос. нефтяной технический университет); Е.В. Юдин, к.ф.-м.н.( Группа компаний «Газпром нефть»); В.А. Купавых, к.т.н. (Уфимский гос. нефтяной технический университет); З.А. Богданов (ООО «НЕДРА»); С.И. Когаков (ООО «ОЙЛ ЭНД ГЭС ПРОДАКШН ТУЛС»); Н.С. Марков, к.ф.-м.н. (ООО «НЕДРА»)

Статья посвящена разработке и промышленной апробации графических процессоров (GPU) - ускоренной системы гидродинамического моделирования нефтяных месторождений, основанной на методе граничных элементов. В работе рассматриваются ограничения традиционных центральных процессоров (CPU), достигших пределов масштабируемости, и обосновывается переход к параллельным вычислительным архитектурам. Предложенная трехуровневая архитектура объединяет Python-уровень управления, C++-гибридный слой и CUDA-подсистему массово-параллельных расчетов. Метод граничных элементов обеспечивает естественную декомпозицию задачи, позволяя разделить вычисление вкладов всех источников и граничных сегментов и тем самым эффективно распределить нагрузку на тысячи потоков GPU. Промышленные испытания проведены на четырех моделях месторождений, различающихся сложностью, числом скважин и размером расчетной сетки. Использование GPU дает возможность достичь ускорения в 40-124 раза по сравнению с CPU, при этом погрешность в режиме двойной точности не превышала 2-2,5 %, а в одинарной – оставалась в пределах 3-5 %, что соответствует требованиям инженерной практики. Система продемонстрировала линейную масштабируемость и высокую эффективность даже при увеличении модели на порядок. Полученные результаты подтверждают, что предложенная архитектура позволяет выполнять оперативные гидродинамические расчеты в режиме, близком к режиму реального времени, и может быть рекомендована для решения задач анализа, планирования и оптимизации разработки нефтяных месторождений.

Список литературы

1. Bayat M., Killough J.E. An Experimental Study of GPU Acceleration for Reservoir Simulation // SPE-163628-MS. – 2013. – https://doi.org/10.2118/163628-MS

2. An improved multistage preconditioner on GPUs for compositional reservoir simulation / L. Zhao, S. Li, C.S. Zhang [et al.] // CCF Transactions on High Performance Computing. – 2023. – V. 5. – No. 2. – P. 136–151. – https://doi.org/10.1007/s42514-023-00136-0. – EDN: PDDULZ

3. A Massively Parallel Reservoir Simulator on the GPU Architecture / U. Middya, A. Manea, M. Alhubail [et al.] // SPE-203918-MS. – 2021. – https://doi.org/10.2118/203918-MS. – EDN: CHCPPU

4. From Mega-Cell to Giga-Cell Reservoir Simulation / A.H. Dogru, L.S.K. Fung, T.M. Al-Shaalan [et al.] // SPE-116675-MS. – 2008. – https://doi.org/10.2118/116675-MS

5. A Next-Generation Parallel Reservoir Simulator for Gi-ant Reservoirs / A.H. Dogru, L.S.K. Fung, U. Middya [et al.] // SPE-119272-MS. – 2009. – https://doi.org/10.2118/119272-MS

6. Adding GPU Acceleration to an Industrial CPU-Based Simulator, Development Strategy and Results / H. Cao, R. Zaydullin, T. Liao [et al.] // SPE-203936-MS. – 2021. – https://doi.org/10.2118/203936-MS. – EDN: HSHVMQ

7. A GPU-Based, Industrial Grade Compositional Reservoir Simulator / K. Esler, R. Gandham, L. Patacchini [et al.] // SPE-203929-MS. – 2021. – https://doi.org/10.2118/203929-MS. – EDN: NEWYHL

8. Khrapov S.S., Khoperskov A.V. Smoothed-Particle Hydrodynamics Models: Implementation Features on GPUs // Communications in Computer and Information Science. – 2018. – V. 793. – P. 266–277. – https://doi.org/10.1007/978-3-319-71255-0_21

9. End-to-end neural network approach to 3D reservoir simulation and adaptation / E. Illarionov, P. Temirchev, D. Voloskov [et al.] // Journal of Petroleum Science and Engineering. – 2022. – V. 208. – https://doi.org/10.1016/j.petrol.2021.109332. – EDN: YVVFMK

10. Reduced Order Reservoir Simulation with Neural-Network Based Hybrid Model / P. Temirchev, A. Gubanova, R. Kostoev [et al.] // SPE-196864-MS. – 2019. – https://doi.org/10.2118/196864-MS. – EDN: MOKGPU

11. Petrosyants M., Illarionov E., Koroteev D. Speeding up the reservoir simulation by real time prediction of the initial guess for the Newton-Raphson’s iterations // Computational Geosciences. – 2024. – V. 28. – P. 477–493. – https://doi.org/10.1007/s10596-024-10284-z. – EDN: VWXQSU

12. GPUs, a New Tool of Acceleration in CFD: Efficiency and Reliability on Smoothed Particle Hydrodynamics Methods / A.C. Crespo, J.M. Dominguez, A. Barreiro [et al.] // PLoS ONE. – 2011. – V. 6. – No. 6. – https://doi.org/10.1371/journal.pone.0020685

13. Toward Cost-Effective Reservoir Simulation Solvers on GPUs / C. Feng, S. Shen, H. Liu [et al.] // Advances in Applied Mathematics and Mechanics. – 2016. – V. 8. – No. 6. – P. 971–991. – https://doi.org/10.4208/aamm.2014.m842. – EDN: XUSGIJ

14. Deep Neural Networks Predicting Oil Movement in a Development Unit / P. Temirchev, M. Simonov, R. Kostoev [et al.] // Journal of Petroleum Science and Engineering. – 2019. – V. 180. – P. 1019–1029. – https://doi.org/10.1016/j.petrol.2019.06.016

15. Takahashi T., Hamada T. GPU-accelerated boundary element method for Helmholtz’ equation in three dimensions // International Journal for Numerical Methods in Engineering. – 2011. – V. 80. – No. 10. – P. 1295–1321. – https://doi.org/10.1002/nme.2661

16. Yudin E.V., Gubanova A.E., Krasnov V.A. The method of express estimation of pore pressure map distribution in reservoirs with faults and wedging zones //

SPE-191582-18RPTC-MS. – 2018. – https://doi.org/10.2118/191582-18RPTC-MS

17. Юдин Е.В. Моделирование фильтрации жидкости в неоднородных средах для анализа и планирования разработки нефтяных месторождений: дисс. ... канд. физ.-мат. наук. – М., 2014. – 173 с. – EDN: SVANZH

18. Юдин Е. В., Губанова А.Е., Краснов В.А. Метод оценки интерференции скважин с использованием данных технологических режимов их эксплуатации // Нефтяное хозяйство. – 2018. – № 8. – С. 64–69. – https://doi.org/10.24887/0028-2448-2018-8-64-69. – EDN: XWBUKT