Методика подбора аналогов моделей PVT пластового флюида и экспресс-оценка параметров PVT для новых активов

UDK: 622.276.031.011.43
DOI: 10.24887/0028-2448-2023-12-36-39
Ключевые слова: машинное обучение, PVT, флюид, аналоги, метамодель, гидродинамическая модель, интегрированная модель
Авт.: В.В. Ким (Группа компаний «Газпром нефть»), Н.О. Матрошилов (Новосибирский гос. университет), К.А. Печко (Группа компаний «Газпром нефть»), А.А. Афанасьев (Группа компаний «Газпром нефть»), М.В. Симонов (Группа компаний «Газпром нефть»)

В нефтегазовой отрасли в процессе разработки месторождения актуальной задачей является создание PVT моделей, способных описывать изменения физико-химических свойств пластовых флюидов при различных термобарических условиях в пласте и скважине, а также в системе сбора и транспорта. Ошибки в PVT модели могут привести к значительным потерям: на объектах с различными типами нефти плановый показатель NPV на год может не достигать экономического предела 0,5–2,9 %. В связи с этим важно уже на ранних этапах разработки месторождения достоверно воспроизводить свойства углеводородных смесей. Использование качественных PVT моделей на ранних этапах разработки месторождения позволяет также сократить затраты на проведение дополнительных испытаний и анализа флюидов, так как модели могут предоставить достаточно точные данные для принятия решений. Характерной особенностью новых активов является отсутствие необходимых для PVT моделирования результатов лабораторных исследований флюидов. Это обусловливает высокую степень неопределенности, а процесс принятия важных стратегических решений занимает продолжительное время. Для решения данной проблемы предложено реализовать новый подход к подбору аналогов модели PVT и оперативного создания PVT модели Black Oil с помощью алгоритмов машинного обучения, а также создать единую базу уже разработанных метамоделей PVT. Результатом работы алгоритма станут рекомендации, которые позволят специалистам в оперативном режиме решать задачи, связанные с PVT свойствами, в гидродинамической модели с сохранением ее прогностической способности.

Список литературы

1. Серебрякова Д.А., Маргарит А.С. Развитие технологий моделирования PVT-Свойств в Блоке Разведки и Добычи ПАО «Газпром Нефть» // PROнефть. Профессионально о нефти. – 2018. – № 3. – C. 75–77.

2. Application of Machine Learning in Integrated Modeling of the Oil and Gas Fields / K. Pechko, A. Afanasyev, N. Brovin [et al.] //Third EAGE Digitalization Conference and Exhibition. – European Association of Geoscientists & Engineers, 2023. – P. 1–4.

3. Брусиловский А.И. Фазовые превращения при разработке месторождений нефти и газа. – М: Грааль, 2002. – 575 с.

4. Ющенко Т.С., Брусиловский А.И. Поэтапный подход к созданию и адаптации PVT-моделей пластовых углеводородных систем на основе уравнения состояния // Георесурсы. - 2022. – Т. 24. – № 3. – С. 164–181. – https://doi.org/10.18599/grs.2022.3.14

5. Whitson C.H., Brule M.R. Phase behavior, – SPE Monograph. - V. 20. - Rechardson, Texas, 2000. - 233 p.



Внимание!
Купить полный текст статьи (русская версия, формат - PDF) могут только авторизованные посетители сайта.