RU2020125337A - Способ и система моделирования динамики нефтегазовых пластов - Google Patents

Способ и система моделирования динамики нефтегазовых пластов Download PDF

Info

Publication number
RU2020125337A
RU2020125337A RU2020125337A RU2020125337A RU2020125337A RU 2020125337 A RU2020125337 A RU 2020125337A RU 2020125337 A RU2020125337 A RU 2020125337A RU 2020125337 A RU2020125337 A RU 2020125337A RU 2020125337 A RU2020125337 A RU 2020125337A
Authority
RU
Russia
Prior art keywords
input data
data
neural network
latent space
computer
Prior art date
Application number
RU2020125337A
Other languages
English (en)
Other versions
RU2020125337A3 (ru
Inventor
Максим Владимирович Симонов
Андрей Станиславович Маргарит
Алексей Владимирович Ахметов
Павел Георгиевич Темирчев
Дмитрий Анатольевич Коротеев
Анна Евгеньевна Губанова
Денис Михайлович Орлов
Дмитрий Сергеевич Волосков
Егор Александрович Илларионов
Original Assignee
Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр»
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» filed Critical Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр»
Priority to RU2020125337A priority Critical patent/RU2020125337A/ru
Priority to PCT/RU2021/050246 priority patent/WO2022025806A1/ru
Publication of RU2020125337A3 publication Critical patent/RU2020125337A3/ru
Publication of RU2020125337A publication Critical patent/RU2020125337A/ru

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Claims (66)

1. Компьютерно-исполняемый способ моделирования динамики нефтегазовых пластов, выполняемый с помощью по меньшей мере одного процессора, при этом способ содержит этапы, на которых:
- получают набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта;
- выполняют нормализацию входных данных отдельно для каждого типа характеристик входных параметров;
- осуществляют перевод нормализованных входных данных в латентное пространство с понижением размерности;
- осуществляют построение прогноза данных о распределении флюидов и давлений в латентном пространстве в заданном временном диапазоне, где прогноз осуществляется решением дифференциального уравнения в частных производных;
- выполняют перевод прогноза из латентного пространства в начальное пространство с получением данных о распределении флюидов и давлений по вычислительным ячейкам в заданном временном интервале, при этом повышают размерность с помощью сверточной нейронной сети.
2. Способ по п.1, характеризующийся тем, что набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта, включает в себя по крайне мере следующие параметры:
- описание 3D расчетной сетки;
- распределение ФЕС по ячейкам залежи;
- данные о флюидной системе;
- данные о распределении флюидов и давлений по вычислительным ячейкам в начальный момент времени;
- данные о системе разработки, включающие по меньшей мере траектории скважин и давление на их забое.
3. Способ по п.1, характеризующийся тем, что решение дифференциального уравнения в частных производных выполняется с помощью метода глубокого обучения.
4. Способ по п.1, характеризующийся тем, что перевод нормализованных входных данных в латентное пространство с понижением размерности осуществляется путём сжатия и при этом определяется сжимающее отображение, приводящее к минимальной потере информации о состоянии залежи.
5. Способ по п.1, характеризующийся тем, что перевод нормализованных входных данных в латентное пространство с понижением размерности осуществляется для каждой вычислительной ячейки.
6. Способ по п.1, характеризующийся тем, что повышают размерность с помощью сверточной нейронной сети, которая автоматически подбирает количество нейросетевых слоев для выполнения прогноза.
7. Способ по п.1, характеризующийся тем, что осуществляют перевод нормализованных входных данных в латентное пространство с понижением размерности с использованием сверточной нейронной сети, осуществляющей динамическую подстройку.
8. Способ по п.1, характеризующийся тем, что получают набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта реальных месторождений и их сегментов.
9. Способ по п.1, характеризующийся тем, что нормализацию входных данных выполняют путем вычитания среднего значения и деления на стандартное отклонение.
10. Способ по п.1, характеризующийся тем, что в сверточной нейронной сети, используемой для повышения размерности, используются слои Voxel Shuffle.
11. Способ по п.2, характеризующийся тем, что данные о флюидной системе, задаются в виде ОФП-таблицы и PVT-таблицы, содержащих зависимость объемного коэффициента флюида и вязкости от давления и газосодержания.
12. Способ по п.2, характеризующийся тем, что в описании 3D расчетной сетки указывается число ячеек в каждом из направлений координатной оси и координаты угловых точек каждой ячейки.
13. Система моделирования динамики нефтегазовых пластов, содержащая по меньшей мере один процессор и по меньшей мере одно запоминающее устройство, хранящее машиночитаемые инструкции, которые при их выполнении процессором выполняют следующие этапы:
- получают набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта;
- выполняют нормализацию входных данных отдельно для каждого типа характеристик входных параметров;
- осуществляют перевод нормализованных входных данных в латентное пространство с понижением размерности;
- осуществляют построение прогноза данных о распределении флюидов и давлений в латентном пространстве в заданном временном диапазоне, где прогноз осуществляется решением дифференциального уравнения в частных производных;
- выполняют перевод прогноза из латентного пространства в начальное пространство с получением данных о распределении флюидов и давлений по вычислительным ячейкам в заданном временном интервале, при этом повышают размерность с помощью сверточной нейронной сети.
14. Система по п.13, характеризующаяся тем, что набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта, включает в себя по крайне мере следующие параметры:
- описание 3D расчетной сетки;
- распределение ФЕС по ячейкам залежи;
- данные о флюидной системе;
- данные о распределении флюидов и давлений по вычислительным ячейкам в начальный момент времени;
- данные о системе разработки, включающие по меньшей мере траектории скважин и давление на их забое.
15. Система по п.13, характеризующаяся тем, что решение дифференциального уравнения в частных производных выполняется с помощью метода глубокого обучения.
16. Система по п.13, характеризующаяся тем, что перевод нормализованных входных данных в латентное пространство с понижением размерности осуществляется путём сжатия и при этом определяется сжимающее отображение, приводящее к минимальной потере информации о состоянии залежи.
17. Система по п.13, характеризующаяся тем, что перевод нормализованных входных данных в латентное пространство с понижением размерности осуществляется для каждой вычислительной ячейки.
18. Система по п.13, характеризующаяся тем, что повышают размерность с помощью сверточной нейронной сети, которая автоматически подбирает количество нейросетевых слоев для выполнения прогноза.
19. Система по п.13, характеризующаяся тем, что осуществляют перевод нормализованных входных данных в латентное пространство с понижением размерности с использованием сверточной нейронной сети, осуществляющей динамическую подстройку.
20. Система по п.13, характеризующаяся тем, что получают набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта реальных месторождений и их сегментов.
21. Система по п.13, характеризующаяся тем, что нормализацию входных данных выполняют путем вычитания среднего значения и деления на стандартное отклонение.
22. Система по п.13, характеризующаяся тем, что в сверточной нейронной сети, используемой для повышения размерности, используются слои Voxel Shuffle.
23. Система по п.14, характеризующаяся тем, что данные о флюидной системе, задаются в виде ОФП-таблицы и PVT-таблицы, содержащих зависимость объемного коэффициента флюида и вязкости от давления и газосодержания.
24. Система по п.14, характеризующаяся тем, что в описании 3D расчетной сетки указывается число ячеек в каждом из направлений координатной оси и координаты угловых точек каждой ячейки.
25. Машиночитаемый носитель, содержащий компьютерную программу, при исполнении которой на компьютере процессор выполняет следующие операции:
- получают набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта;
- выполняют нормализацию входных данных отдельно для каждого типа характеристик входных параметров;
- осуществляют перевод нормализованных входных данных в латентное пространство с понижением размерности;
- осуществляют построение прогноза данных о распределении флюидов и давлений в латентном пространстве в заданном временном диапазоне, где прогноз осуществляется решением дифференциального уравнения в частных производных;
- выполняют перевод прогноза из латентного пространства в начальное пространство с получением данных о распределении флюидов и давлений по вычислительным ячейкам в заданном временном интервале, при этом повышают размерность с помощью сверточной нейронной сети.
26. Машиночитаемый носитель по п.25, характеризующийся тем, что набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта, включают в себя по крайне мере следующие параметры:
- описание 3D расчетной сетки;
- распределение ФЕС по ячейкам залежи;
- данные о флюидной системе;
- данные о распределении флюидов и давлений по вычислительным ячейкам в начальный момент времени;
- данные о системе разработки, включающие по меньшей мере траектории скважин и давление на их забое.
27. Машиночитаемый носитель по п.25, характеризующийся тем, что решение дифференциального уравнения в частных производных выполняется с помощью метода глубокого обучения.
28. Машиночитаемый носитель по п.25, характеризующийся тем, что перевод нормализованных входных данных в латентное пространство с понижением размерности осуществляется путём сжатия и при этом определяется сжимающее отображение, приводящее к минимальной потере информации о состоянии залежи.
29. Машиночитаемый носитель по п.25, характеризующийся тем, что перевод нормализованных входных данных в латентное пространство с понижением размерности осуществляется для каждой вычислительной ячейки.
30. Машиночитаемый носитель по п.25, характеризующийся тем, что повышают размерность с помощью сверточной нейронной сети, которая автоматически подбирает количество нейросетевых слоев для выполнения прогноза.
31. Машиночитаемый носитель по п.25, характеризующийся тем, что осуществляют перевод нормализованных входных данных в латентное пространство с понижением размерности с использованием сверточной нейронной сети, осуществляющей динамическую подстройку.
32. Машиночитаемый носитель по п.25, характеризующийся тем, что получают набор входных данных, описывающих характеристики гидродинамической 3D-модели пласта реальных месторождений и их сегментов.
33. Машиночитаемый носитель по п.25, характеризующийся тем, что нормализацию входных данных выполняют путем вычитания среднего значения и деления на стандартное отклонение.
34. Машиночитаемый носитель по п.25, характеризующийся тем, что в сверточной нейронной сети, используемой для повышения размерности, используются слои Voxel Shuffle.
35. Машиночитаемый носитель по п.26, характеризующийся тем, что данные о флюидной системе, задаются в виде ОФП-таблицы и PVT-таблицы, содержащих зависимость объемного коэффициента флюида и вязкости от давления и газосодержания.
36. Машиночитаемый носитель по п.26, характеризующийся тем, что в описании 3D расчетной сетки указывается число ячеек в каждом из направлений координатной оси и координаты угловых точек каждой ячейки.
RU2020125337A 2020-07-30 2020-07-30 Способ и система моделирования динамики нефтегазовых пластов RU2020125337A (ru)

Priority Applications (2)

Application Number Priority Date Filing Date Title
RU2020125337A RU2020125337A (ru) 2020-07-30 2020-07-30 Способ и система моделирования динамики нефтегазовых пластов
PCT/RU2021/050246 WO2022025806A1 (ru) 2020-07-30 2021-07-29 Способ и система моделирования динамики нефтегазовых пластов

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2020125337A RU2020125337A (ru) 2020-07-30 2020-07-30 Способ и система моделирования динамики нефтегазовых пластов

Publications (2)

Publication Number Publication Date
RU2020125337A3 RU2020125337A3 (ru) 2022-01-31
RU2020125337A true RU2020125337A (ru) 2022-01-31

Family

ID=80036611

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020125337A RU2020125337A (ru) 2020-07-30 2020-07-30 Способ и система моделирования динамики нефтегазовых пластов

Country Status (2)

Country Link
RU (1) RU2020125337A (ru)
WO (1) WO2022025806A1 (ru)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492213B (zh) * 2022-04-18 2022-07-01 中国石油大学(华东) 基于小波神经算子网络模型剩余油饱和度和压力预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2321064C2 (ru) * 2004-06-03 2008-03-27 Мурманский государственный технический университет Способ построения обратимой трехмерной гидродинамической модели земли, калибруемой в реальном времени в процессе бурения
RU2582482C1 (ru) * 2012-03-30 2016-04-27 Лэндмарк Графикс Корпорейшн Система и способ для автоматического локального измельчения сетки в системе моделирования резервуара
US11379640B2 (en) * 2019-01-16 2022-07-05 Saudi Arabian Oil Company Reservoir regions management with unstructured grid reservoir simuation model

Also Published As

Publication number Publication date
RU2020125337A3 (ru) 2022-01-31
WO2022025806A1 (ru) 2022-02-03

Similar Documents

Publication Publication Date Title
CN109948841B (zh) 一种基于深度学习的水驱开发油田剩余油分布的预测方法
CN102141084B (zh) 基于膜厚可变的静压推力轴承间隙油膜温度与厚度关系数值模拟方法
Cheng et al. A rigorous compressible streamline formulation for two-and three-phase black-oil simulation
CN109424362B (zh) 计算底水油藏单井控制原油储量的方法及系统
CN106355003B (zh) 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统
CN109829217B (zh) 压裂性裂缝油藏产能模拟方法及装置
CN106886046B (zh) 确定缝洞型气藏未投产区块可动用储量的方法
CN109763800A (zh) 一种油田分层注水量预测方法
CN106250984A (zh) 油井的油水关系模式的判断方法及装置
WO2013147875A2 (en) System and method for automatic local grid refinement in reservoir simulation systems
Liu et al. Coupled discrete unified gas kinetic scheme for the thermal compressible flows in all Knudsen number regimes
RU2020125337A (ru) Способ и система моделирования динамики нефтегазовых пластов
CN115455851A (zh) 一种多相流油藏数值模拟定压边界条件的处理方法
CN110410070A (zh) 一种确定水驱油藏水淹规律的方法
CN110863818B (zh) 一种剩余油/气分布的描述方法及装置
Shevtsov et al. Development of the material balance model to account for changes in the well productivity index
CN106526694A (zh) 一种致密油藏识别方法及装置
CN109063346B (zh) 考虑动态开裂的孔隙喉道网络模型的驱替模拟方法及装置
Du et al. A Fully Automated Adaptive Sampling Strategy for Reduced-Order Modeling of Flow Fields
CN111307652B (zh) 吸附气量的确定方法及装置
CN110441204A (zh) 一种基于数字岩心模拟的致密储层压裂液伤害数字化评价方法
Akhmetzianov et al. Optimal Management of Oil Field Development in the Buckley–Leverett Model
Ayeni Empirical modeling and simulation of edgewater cusping and coning
CN117217131B (zh) 一种油藏数值模拟方法、装置、设备和存储介质
Pradas et al. Dynamical scaling of imbibition in columnar geometries