ОБЪЕДИНЕНИЕ ЛИДЕРОВ НЕФТЕГАЗОВОГО СЕРВИСА И МАШИНОСТРОЕНИЯ РОССИИ
USD 92,26 -0,33
EUR 99,71 -0,56
Brent 0.00/0.00WTI 0.00/0.00

PROнефть: Прогноз показателей добычи из пластов баженовской свиты на основе статистических зависимостей и методов машинного обучения (статья)

Т.Н. Шевчук1, О.Ю. Кашников1, к.т.н., М.А. Мезенцева2, И.В. Байков1, Т.С. Каримов2, Р.И. Гатин1, П.В. Ломовицкий3, Д.А. Коробицын2
1 ООО «Газпромнефть-Технологические партнерства»,
2 ООО «ФИЗТЕХ Геосервис»,
3 Инжиниринговый центр МФТИ

Электронный адрес: Kashnikov.OYu@gazprom-neft.ru

Ключевые слова: баженовская свита, прогноз добычи нефти, низкопроницаемые пласты, трудноизвлекаемые запасы, МГРП, машинное обучение, ГДМ

В статье рассмотрены результаты фактической эксплуатации и прогноз добычи из горизонтальных скважин с многозонным гидроразрывом пласта (МГРП) на пластах баженовской свиты Пальяновской площади Красноленинского месторождения (ХМАО). Особенностью данных коллекторов является высокая степень неопределенности их геолого-геомеханических свойств. Основные цели работы – выявление зависимости продуктивности скважин (дебит, накопленная добыча) от основных геолого-технологических факторов и разработка инструмента прогнозирования показателей добычи для скважин, разрабатывающих пласты баженовской свиты. В ходе выполнения работ проанализировано более 2000 возможных зависимостей между геологическими и геомеханическими свойствами пласта, а также между технологическими факторами и показателями работы скважин. По результатам анализа определены основные ключевые комплексные факторы (длина горизонтальной секции, количество стадий ГРП, средний тоннаж проппанта и расход жидкости разрыва), определяющие показатели работы эксплуатационных скважин. На основе построенных статистических зависимостей и методов машинного обучения обоснован подход по оценке прогнозных показателей работы скважин (стартовый дебит, накопленная добыча нефти). Представленные в статье материалы характеризуют первые результаты этапа «Выбор» при реализации технологического эксперимента на Пальяновской площади Красноленинского месторождения.

PRODUCTION FORECAST FOR BAZHEN FORMATION RESERVOIRS ON THE BASIS OF STATISTICAL ANALYSES AND MACHINE LEARNING TECHNIQUES

PRONEFT''. Professional'no o nefti, 2020, no. 4 (18), pp. 63-68

T.N. Shevchuk1, O.Yu. Kashnikov1, M.A. Mezentseva2, I.V. Baykov1, T.S. Karimov2, R.I. Gatin1, P.V. Lomovitskiy3, D.A. Korobitsyn2
1 «Gazpromneft –Technological Partnerships» LLC,
2 LLC «Phystech Geoservice»,
3 Engineering Center MIPT

E-mail: Kashnikov.OYu@gazprom-neft.ru

Keywords: Bazhen formation, production forecast, tight sands, hard-to-recover reserves, multi-stage fracking, machine learning, simulation models

The paper reviews actual production results and production forecasting for horizontal wells completed using multistage hydraulic fracturing in Bazhenov formation of Palyan area, Krasnoleninskoye oilfield (HMAO). The key feature of these reservoirs is high degree of uncertainty in geological and geomechanical properties. The primary purpose of this study is to provide both identification of correlation between well productivity index (rates, cumulative production) and general geological-technological factors and software development for production forecasting of Bazhen formation wells. In the course of the works, more than 2000 probable correlations between geological and geomechanical formation properties as well as between technological factors and well performance have been analyzed. Main key complex parameters (length of horizontal section, number of frac stages, average tonnage of proppant and fracturing fluid back-production) that govern producing well performance have been determined in this analysis. The approach for evaluation of forecast well performance (initial rate, cumulative oil production) is provided on the basis of obtained statistical correlations and machine learning techniques. Approaches described in this paper summarize the first results of the phase «Select» in progress of pilot project on Palyan area, Krasnoleninskoye oilfield

DOI:  10.7868/S2587739920040096

 

ВВЕДЕНИЕ

Прогнозирование показателей работы скважин в условиях нетрадиционных коллекторов продолжительное время является актуальным вопросом в разработке нефтегазовых пластов и на сегодняшний день не имеет достаточно эффективных подходов в решении [1, 2]. Сверхнизкопроницаемые (< 0,0001мкм2 ) пласты баженовской свиты Пальяновской площади Красноленинского месторождения характеризуются рядом неопределенностей как геологических, так и геомеханических свойств, что серьезно осложняет их разработку и прогнозирование показателей работы эксплуатационных скважин. В статье рассмотрены и предложены методы прогнозирования показателей добычи нефти для скважин с применением МГРП. Цели работы: 1. Установление зависимостей, определяющих показатели добычи от ряда основных геолого-технологических факторов. 2. Разработка инструмента прогнозирования показателей добычи для проектного фонда скважин. 

НА ОСНОВЕ ПОСТРОЕННЫХ СТАТИСТИЧЕСКИХ ЗАВИСИМОСТЕЙ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ОБОСНОВАН ПОДХОД ПО ОЦЕНКЕ ПРОГНОЗНЫХ ПОКАЗАТЕЛЕЙ РАБОТЫ СКВАЖИН (СТАРТОВЫЙ ДЕБИТ, НАКОПЛЕННАЯ ДОБЫЧА НЕФТИ).

Решались следующие задачи: 1. Анализ исходной информации по фактически пробуренному фонду скважин и формирование единой матрицы данных. 2. Поиск ключевых геолого-технологических факторов, оказывающих влияние на работу скважин. 3. Построение статистических моделей и моделей машинного обучения, описывающих работу скважин. 4. Подготовка прогноза добычи нефти по проектному фонду скважин.

ФОРМИРОВАНИЕ МАТРИЦЫ ДАННЫХ И ПЕРВИЧНЫЙ АНАЛИЗ ПАРАМЕТРОВ

Анализируемый фонд скважин характеризуется большим диапазоном количественных и качественных характеристик, применяемых технологических параметров, геологических и геомеханических свойств. С целью эффективного проведения анализа была сформирована матрица данных для

9.1.JPG

19 скважин, которая включает более 350 параметров со значением для каждой скважины в разделах: показатели по добыче, геологогеомеханические параметры, результаты ГДИ, бурение, МГРП и др. Матрица способствует проведению более детального анализа работы скважин, выявлению зависимостей влияния различных параметров на показатели работы скважин. Первичный анализ матрицы включал построение зависимостей показателей добычи от параметров матрицы и выявление корреляций. Для анализа были использованы стартовые дебиты и накопленные показатели добычи нефти по скважинам за 90, 180 и 360 дней. Сформировано более 2000 зависимостей, из которых большинство имеют низкую сходимость, со степенью достоверности аппроксимации R2 менее 0,5. Предполагалось выявить корреляции продуктивности скважин с такими параметрами, как расстояние до разломов, профиль горизонтальной секции, тип закачиваемой в пласт жидкости и др. Построенные зависимости не имеют явных корреляций. 

В месте с тем построенные зависимости показали коэффициенты корреляции (R2 = 0,6 … 0,7) показателей добычи по скважинам с технологическими параметрами МГРП: – количество стадий МГРП; – длина горизонтальной секции (ГС); – средний и общий тоннаж проппанта; – доля проппанта фракции 30/50; – объем жидкости, закачанной вместе с проппантом; – средний расход жидкости ГРП; – площадь SRV (расчетный параметр, характеризующий стимулированный объем пласта). Также отмечено влияние профиля концентрации проппанта на объем жидкости, закачиваемой вместе с проппантом. Все перечисленные факторы являются технологическими, при этом ожидаемого влияния геологических и геомеханических параметров, таких как модуль упругости и коэффициент Пуассона, на продуктивность скважины обнаружено не было. Это можно объяснить как отсутствием на сегодняшний день эффективного подхода к интерпретации и осреднению геолого-геомеханических свойств по дренируемому объему пласта и их сравнительно незначительной изменчивостью в пределах одного продуктивного объекта, так и подавляющим влиянием технологических факторов на показатели добычи. Следует отметить, что выявленные зависимости не в полной мере объясняют показатели добычи, поэтому необходим комплексный анализ влияния параметров матрицы

 

т9.1.JPG

КОМПЛЕКСНЫЙ АНАЛИЗ МАТРИЦЫ

Для построения комплексных характеристик найденные влияющие факторы объединялись в группы, от которых строились зависимости показателей добычи. По результатам комплексирования были определены комплексные параметры (1 и 2), имеющие связь с показателями добычи на уровне R2 = 0,8 … 0,9. Составные части комплексных параметров и их физический смысл представлены в табл. 1 и на рис. 1. На рис. 2 и 3 представлены найденные зависимости стартового дебита нефти и накопленной добычи нефти за 360 дней от комплексных параметров. Скважины разделены на группы по стадиям технологического эксперимента (ТС0-4), при этом каждая стадия характеризуется собственным набором технологических (длина горизонтального ствола, количество стадий ГРП, скорость закачки и др.) и геологических (геологическая зона проводки скважины, пачка) параметров. Обнаружено влияние типа закачиваемой в пласт жидкости на формирование площади SRV – расчетного параметра, определяемого в ходе численного моделирования в симуляторе ГРП. Скважины, на которых применялась ксантановая жидкость разрыва, выпадают из общей зависимости площади SRV от совокупного влияния технологических параметров (рис. 4), что может быть обосновано наличием отдельной зависимости для скважин на ксантановой жидкости. Было проверено влияние совокупности геологических параметров матрицы данных на улучшение сходимости рассмотренных корреляций с технологическими параметрами. Проверка заключалась в сравнении коэффициентов корреляций зависимостей показателей добычи от: – комплексного технологического параметра; – комплексного технологического и геологического параметра. Наличие геологических факторов, таких как пористость, нефтенасыщенность в комплексных параметрах, практически не изменяет качество сходимости корреляций. В связи с этим последующие прогнозные расчеты будут основаны на корреляциях, включающих только технологические факторы.

9.2.JPG

9.3.JPG

9.4.JPG

ПОСТРОЕНИЕ РЕГРЕССИОННЫХ МОДЕЛЕЙ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

Задачами машинного обучения в работе были поиск закономерностей и выбор наилучшего решения без дополнительной экспертной оценки. В случае обучения регрессионных моделей по прецедентам имеется множество объектов (параметров матрицы) и множество возможных ответов (показатели добычи). Предполагается наличие неизвестной зависимости между ответами и объектами. Известна только конечная совокупность прецедентов – пар «объект, ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить неявную зависимость – построить алгоритм, способный для любого возможного входного объекта выдать достаточно точный классифицирующий ответ[3]. Взадаче регрессии задано пространство объектов имножество целевых переменных. Существует неизвестная целевая зависимость y, значения которой известны только на объектах обучающей выборки. Требуется построить преобразование a, которое аппроксимирует целевую зависимость y и может быть использовано для прогноза целевых переменных на новых объектах. Регрессионная модель была реализована на языке Python с использованием библиотеки scikit-learn. Наличие в матрице коллинеарных признаков контролируется регуляризацией Лассо. Качество модели оценивается по принципу кросс-валидации с представлением R2 -score. Для каждой целевой переменной было рассмотрено множество моделей, в результате выбраны модели с R2 -score более 0,75 и низкий риск переобучения. В табл. 2 представлены регрессионные модели с соответствующими признаками.

т9.2.JPG

т9.3.JPG

В табл. 3 представлено сравнение коэффициентов корреляции по результатам машинного обучения и построения статистических зависимостей. В большинстве случаев параметры совпадают с результатами статистического анализа. Вместе с тем построение моделей машинного обучения показывает больший набор влияющих параметров. Например, такие параметры, как сжимаемость породы, минимальное расстояние до разлома, литотип породы и др., вносят вклад в результат регрессии в отличие от зависимостей, рассмотренных в статистическом анализе, но их значимость проявляется совместно с технологическими параметрами. При этом методы машинного обучения используются при наличии достаточного количества данных. Так, целевая переменная, характеризующая накопленную добычу нефти за 360 дней по результатам анализа, не применима для построения регрессионной модели.

ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЕЙ ДОБЫЧИ НЕФТИ И ЖИДКОСТИ ПРОЕКТНОГО ФОНДА СКВАЖИН

Прогнозирование показателей добычи нефти осуществлялось на основе выявленных корреляций и представляет диапазоны значений, рассчитанных с использованием метода доверительного интервала со скользящим стандартным отклонением. На основе доверительного интервала в диапазоне фактических значений комплексного параметра рассчитывалось изменение интервала по имеющейся зависимости тренда выявленной корреляции. В результате определены диапазоны прогнозируемых показателей добычи по результатам выявленных корреляций комплексного анализа матрицы. Прогнозирование включало ретроспективный анализ, заключающийся в построении прогнозного коридора значений по ряду фактических скважин. На рис. 5 и6 представлены результаты прогнозирования на примере стартового дебита нефти и накопленной добычи нефти за 360дней. Найденные комплексные закономерности показали высокую степень сходимости с фактическими значениями показателей добычи

9.5.JPG

9.6.JPG

по скважине №219 (ТС4), что в дальнейшем с высокой степенью достоверности позволит оценивать показатели добычи проектного фонда скважин.

ЗАКЛЮЧЕНИЕ

 

Проведен анализ влияния геолого-технологических факторов на показатели добычи, а также предложен подход к прогнозированию добычи нефти скважин баженовской свиты по методу доверительного интервала со скользящим стандартным отклонением. Прогноз показателей (дебит нефти, накопленная добыча) представлен в виде вероятностных диапазонов, изменяющихся по степенной зависимости от величины влияния геолого-технологических факторов. С целью эффективного проведения анализа сформирована матрица данных, включающая более 350 параметров, характеризующих геологические, геомеханические и технологические факторы. Основное влияние на продуктивные характеристики скважин оказывают технологические факторы, характеризующие количественные и качественные параметры закачиваемых в пласт жидкостей и проппанта при ГРП. Обнаружена корреляция между типом жидкости ГРП и величиной стимулированного объема пласта (SRV), которая влияет на показатели добычи нефти анализируемого фонда. Сформированы комплексные параметры, характеризующие добычу нефти по скважинам. Наряду со статистическим методом построения корреляций рассмотрены регрессионные модели машинного обучения, реализованные на языке Python. Установлено, что параметры, влияющие на показатели добычи, в большинстве случаев совпадают с результатами статистического анализа. На основе проведенного анализа выполнена оценка показателей добычи нефти для проектного фонда скважин. Ретроспективный анализ проверки прогнозных показателей и на фактически действующей скважине показал сходимость результатов. Подходы по оценке параметров, влияющих на формирование добычи, и прогнозных показателей при работе со сверхнизкопроницаемыми коллекторами высокой степени неопределенности их геолого-геомеханических свойств, рассмотренные в статье, будут способствовать дальнейшему развитию методической основы для работы с другими объектами подобной сложности. 

Список литературы

      1. D.Ilk, DeGolyer, MacNaughton, Jenkins C.D., DeGolyer, MacNaughton, Blasingame T.A. Texas A&M University. Production analysis in unconventional reservoirs – Diagnostics, Challenges, and Methodologies. Society of petroleum engineers. SPE144376. 2011.

 

      2. Velasco R., Panja P., Deo M. New production performance and prediction tool for unconventional reservoirs. Unconventional Resources Technology Conference (URTeC). 2016. – doi: 10.15530/urtec-2016-2461718

 

      3. Seber G.A.F., Lee A.J. Linejnyj regressionnyj analiz [Linear regression analysis]. – Auckland: John Wiley & Sons, 2012. – Т. 329.

 

References

      1. Ilk D., Jenkins C.D., Blasingame T.A. Production Analysis in Unconventional Reservoirs – Diagnostics, Challenges, and Methodologies. North American Unconventional Gas Conference and Exhibition, 14–16 June, The Woodlands, Texas, USA. 2011.

 

      2. Velasco R., Panja P., Milind D. New Production Performance and Prediction Tool for Unconventional Reservoirs. Unconventional Resources Technology Conference (URTeC). 2016. doi: 10.15530/urtec-2016-2461718

 

    3. Seber G.A.F., Lee A.J. Linejnyj regressionnyj analiz [Linear regression analysis]. Auckland, John Wiley & Sons, 2012. Vol. 329.

 

Дополнительная информация

  • Автор: Т.Н. Шевчук1, О.Ю. Кашников1, к.т.н., М.А. Мезенцева2, И.В. Байков1, Т.С. Каримов2, Р.И. Гатин1, П.В. Ломовицкий3, Д.А. Коробицын2

Идет загрузка следующего нового материала

Это был последний самый новый материал в разделе "Upstream"

Материалов нет

Наверх