Вспомогательный метод анализа данных для оптимизации размещения скважин в условиях неопределенности
Автор: Карбушов Ч.С.
Журнал: Научный форум. Сибирь @forumsibir
Рубрика: Природопользование
Статья в выпуске: 1 т.5, 2019 года.
Бесплатный доступ
Оптимизация размещения скважин является одной из наиболее сложных проблем в нефтегазовой отрасли. Несмотря на то, что было предложено несколько методов оптимизации, наиболее часто основным методом остается ручная оптимизация инженерами - разработчиками. Предлагаемый здесь процесс использует обученный алгоритм машинного обучения на смоделированных данных для оценки производительности возможных местоположений и конфигураций скважин.
Размещение скважин, алгоритмы машинного обучения, разработка нефтяных месторождений, выработка нефтяного пласта
Короткий адрес: https://sciup.org/140242206
IDR: 140242206
Текст научной статьи Вспомогательный метод анализа данных для оптимизации размещения скважин в условиях неопределенности
Методология. В данной работе представлена методология решения проблемы планирования разработки, в основном для неразработанных месторождений, хотя аналогичный рабочий процесс может быть применен и к уже разрабатываемым месторождениям. Первым шагом в планировании разработки месторождения является проведение исследования для включения геологических, сейсмических и данных о флюидах в имитационную модель пласта [4].
Предполагается, что у нас естьсхема разработки идеального месторождения, в которой инженерами было решено, какие скважины использовать горизонтальные либо вертикальные, какое общее количество скважин, и предполагается, чтоопреде-лена область исследования для каждой скважины и ее эксплуатационные ограничения [3]. Область исследования может в конечном итоге охватить всё месторождение, но, особенно на морских месторождениях, зона ограничения может быть определена на основе местоположения платформы. После того, как область исследования для скважины определена, вторым шагом является создание возможных траекторий.
Генерация траекторий скважин. Алгоритм поиска основан на системном подходе грубой силы. Все места для тестирования должны быть предварительно определены.
Рис. 1. Возможные схемы для горизонтальных скважин.
На практике это достигается путем предоставления правил для шаблона поиска, и алгоритм будет размещать дополнения в модели пласта на основе этих правил. Сам поисковый паттерн основан на круговой концепции с устьем скважины в центре. Правила устанавливаются с учетом компромисса между вычислительной производительностью, разрешением исследования, желаемой конструкцией скважины и ограничениями бурения. Необходимо определить местоположение устья скважины, внутренние и внешние радиусы исследо- вания для начала и конца завершения, азимуты направлений исследования, диапазон провалов, максимальную длину завершения и определения целевой зоны. Целевая зона определяется как ячейка свойств резервуара за ячейкой и указывает, в какие ячейки можно и нельзя поместить завершение. Некоторые примеры возможных схем скважин для горизонтальных скважин показаны на рис. 1.
Получение и расчет характеристик скважин. Следующий шаг - определение свойств, используемых для определения каждой траектории скважины. Различают два набора свойств: свойства, вычисляемые вдоль ячеек, пересекаемых траекторией скважины, и свойства, рассчитанные на связанных телах, пересекаемых траекториями. Связанное тело в пласте определяется как набор ячеек, соединенных друг с другом, по крайней мере, одной ячейкой с проницаемостью, превышающей заданный порог.
Понятие связанного тела является основным для данного подхода, поскольку оно предоставляет информацию о площадях дренажа для каждой скважины без необходимости оценивать ее при помощи моделирования; тем не менее, калибровка порогового значения проницаемости, используемого для вычисления соединенных тел, должна проводиться в соответствии с осушенными участками, наблюдаемыми с использованием моделирования в заполненном месторождении.
Элементы вдоль скважины вычисляются путем суммирования или усреднения свойств ячеек, пересекаемых скважиной, тогда как для характеристик связанных тел свойства всех связанных тел, пересекаемых скважиной, суммируются или усредняются. Соответствующие признаки для каждой траектории скважины затем вычисляются для каждой отдельной реализации модели. Обратите внимание, что для очень больших моделей с миллионами ячеек это может занять много времени; поэтому на этом этапе может потребоваться выбор уменьшенного числа геологических реализаций. Затем для каждой комбинации траекторий вычисляется среднее значение каждого признака для всех реализаций. На данном этапе может быть принято решение о том, применять ли отсечение к значениям некоторого среднего значения. Например, может быть принято решение не располагать скважины слишком близко друг к другу или не располагать скважины слишком близко к водоносному горизонту.
(K-Means)) используется для выбора N конфигураций, которые являются наиболее удаленными признаками, что должно позволить алгоритму машинного обучения изучить самые разные конфигурации скважин, что позволит быть алгоритму более точным [2]. Затем выбранные конфигурации моделируются для всех выбранных реализаций.
Конструкция модели машинного обучения. Теперь все компоненты доступны для начала обучения модели машинного обучения для оценки новых конфигураций скважин. Входными данными для модели являются различные характеристики, рассчитанные для каждой скважины, а выходными данными является выходная мощность пласта, которая обычно представляет собой совокупную добычу нефти, коэффициент извлечения или чистую приведенную стоимость в определенное время в будущем. Тем не менее, обратите внимание, что, если цель состоит в том, чтобы предсказать совокупную добычу для месторождения, необходимо будет использовать характеристики, оцененные для каждой скважины. Обычно для каждой скважины рассматривается от пяти до 10 характеристик; следовательно, если на месторождении имеется более пяти скважин, количество объектов может стать довольно большим. Кроме того, накопительная функция будет сложной и трудной для изучения. Чтобы упростить задачу обучения, каждая совокупная добыча для каждой скважины будет изучаться независимо. Таким образом, проблема упрощается, и система получает больше информации, поскольку она информируется о добыче каждой отдельной скважины, а не только об общей добыче на месторождении.
Затем можно протестировать различные алгоритмы машинного обучения, чтобы найти лучшую модель (это исследование проверили алгоритмы нейронный сетей, случайный лес (randomforest) и повышение градиента). Чтобы оценить точность каждого метода, данные делятся на обучающий набор и тестовый набор, составляющий 80 и 20% от общего набора данных, соответственно. После проверки модели ее можно использовать для оценки миллионов новых конфигураций скважин. В зависимости от количества конфигураций скважин, все они могут быть оценены либо может быть использован метод оптимизации, чтобы найти наилучшие возможные конфигурации. Алгоритм машинного обучения является лишь приближением результата симулятора; поэтому он будет использоваться для определения определенного числа наилучших решений (обычно несколько десятков), которые затем будут оцениваться с помощью симулятора пласта.
Выводы. Представлен новый рабочий процесс для анализа данных, который поможет инженерам-разработчикам в поиске оптимальных мест расположения скважин для неразработанных месторождений. Этот метод основан на эвристических определениях геологических особенностей, которые можно использовать для обучения алгоритмов регрессии машинного обучения для прогнозирования окончательного совокупного производства новых траекторий путем обучения их разумным числом моделей пласта (несколько тысяч). Геологическая неопределенность, обеспечиваемая различными возможными геологическими реализациями, также принимается во внимание. Возможность такого подхода была доказана на месторождении синтетической нефти с тремя горизонтальными скважинами для оптимизации.
Список литературы Вспомогательный метод анализа данных для оптимизации размещения скважин в условиях неопределенности
- Patel K. et al. Machine Learning in Oil & Gas Industry: A Novel Application of Clustering for Oilfield Advanced Process Control//SPE Middle East Oil and Gas Show and Conference. Society of Petroleum Engineers, 2019.
- Velmurugan T., Santhanam T. Computational complexity between K-means and K-medoids clustering algorithms for normal and uniform distributions of data points//Journal of computer science. 2010. Vol. 6, № 3. С. 363.
- Abdelkarim A. B. et al. Horizontal Well Placement Benefits of High Resolution Images in Real Time, Case Study from UAE//Second EAGE/SPE Geosteering and Well Placement Workshop. 2018.
- Bogush A., Tilke P., Samson B. A. Well Placement Plan Optimization: pf. 15745435 США. 2018.