RU2300632C1 - Способ оценки дебита горизонтальной скважины - Google Patents
Способ оценки дебита горизонтальной скважины Download PDFInfo
- Publication number
- RU2300632C1 RU2300632C1 RU2005138007/03A RU2005138007A RU2300632C1 RU 2300632 C1 RU2300632 C1 RU 2300632C1 RU 2005138007/03 A RU2005138007/03 A RU 2005138007/03A RU 2005138007 A RU2005138007 A RU 2005138007A RU 2300632 C1 RU2300632 C1 RU 2300632C1
- Authority
- RU
- Russia
- Prior art keywords
- horizontal well
- oil
- flow rate
- well
- production rate
- Prior art date
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
Предложение относится к нефтедобывающей промышленности, в частности к способам оценки технологических показателей разработки нефтяного месторождения горизонтальными скважинами (ГС). Техническим результатом изобретения является повышение эффективности и точности способа оценки дебита нефтяной ГС за счет расширения выбора исходных фактических параметров пласта и ГС, выявления основных критериев, влияющих на потенциальный дебит (ПД) с помощью нейросетевой системы искусственного интеллекта (НСИИ), адаптированной на фактическом материале конкретного нефтяного месторождения. Для этого способ включает определение проницаемости и пористости пласта по методам геофизических исследований ГС, расчет ее ПД с учетом различных геолого-физических условий, определение фактического дебита и сравнение его с ПД. Дополнительно определяют нефтенасыщенность пласта, расстояние ГС до водонефтяного контакта пласта, длину ствола ГС, тип и плотность растворов вскрытия пласта и технологию освоения ГС. Подбирают и вводят исходные фактические данные для обучения НСИИ и выбирают архитектуру НСИИ. Строят обучающие выборки из исходных фактических данных и осуществляют обучение НСИИ. Выявляют основные критерии, в наибольшей степени, влияющие на ПД нефтяной ГС. Затем рассчитывают ее ПД с помощью обученной НСИИ. 3 ил., 2 табл.
Description
Изобретение относится к нефтедобывающей промышленности, в частности к способам оценки технологических показателей разработки нефтяного месторождения горизонтальными скважинами (ГС).
Известен способ оценки установившегося притока (дебита) жидкости к горизонтальным, наклонным и многозабойным скважинам в однородном пласте ограниченной мощности (Борисов Ю.П. и др. Разработка нефтяных месторождений горизонтальными и многозабойными скважинами. М., Недра, 1964, стр.60-93).
Недостатком данного метода является то, что авторами были сделаны многие теоретические допущения, не были приняты во внимание некоторые геолого-физические параметры, влияющие на приток жидкости к горизонтальным скважинам.
Известен способ определения проницаемости пород после обработки данных каротажа с использованием нейронных сетей, которые имеют входной, промежуточный и выходной уровни, а также устройства, позволяющие с высокой степенью точности обрабатывать информацию, полученную при каротажных исследованиях скважины (Пат. США № 5251286 G06F 15/18, оп. 05.10.93). Способ не решает задачу определения потенциального дебита горизонтальной скважины.
Наиболее близким по технической сущности к предлагаемому способу является способ оценки дебитов нефтегазовых скважин (Пат. РФ № 2159849, Е21В 47/00, 49/00, оп. 27.11.2000. Бюл. № 33), включающий определение проницаемости, пористости пласта по методам геофизических исследований скважин, расчет потенциального дебита скважины с учетом различных геолого-физических условий, определение фактического дебита и сравнение его с потенциальным.
Расчет потенциального дебита скважины осуществляют по формуле Дюпюи с учетом разницы пластового и забойного давления и вязкости нефти и сравнивают фактический дебит с потенциальным.
Недостатком данного способа оценки дебита является то, что потенциальный дебит скважины рассчитывают на основе детерминированной математической модели разработки нефтяной залежи, построенной на формуле Дюпюи, которая не дает удовлетворительной точности прогнозного результата. Необходимым условием применения детерминированных моделей является полное и детальное определение порядка действий некоторым набором известных функций и параметров, т.е. требует полноты и точности исходных данных. В силу сложности природных объектов (нефтяного месторождения) практическая реализация решения задачи таким способом представляется затруднительной, т.к. при этом требуются весьма сложные математические модели. Разработка таких моделей представляет собой весьма трудоемкий процесс, который может занимать не один месяц. Также недостатком является то, что данное изобретение имеет низкую эффективность способа оценки дебита горизонтальной скважины при неполной информации о геолого-физических характеристиках пласта и параметрах работы скважины.
Технической задачей данного изобретения является повышение эффективности и точности способа оценки дебита горизонтальной нефтяной скважины за счет расширения выбора исходных фактических параметров пласта и скважины, выявления основных критериев, влияющих на потенциальный дебит с помощью нейросетевой системы искусственного интеллекта, адаптированной на фактическом материале конкретного нефтяного месторождения.
Поставленная задача решается способом оценки дебита нефтяной скважины, включающим определение проницаемости и пористости пласта по методам геофизических исследований скважин, расчет потенциального дебита горизонтальной скважины с учетом различных геолого-физических условий, определение фактического дебита и сравнение его с потенциальным.
Новым является то, что дополнительно определяют нефтенасыщенность пласта, расстояние горизонтальной скважины до водонефтяного контакта (ВНК) пласта, длину горизонтального ствола скважины, тип и плотность растворов вскрытия пласта и технологию освоения скважины, подбирают и вводят исходные фактические данные для обучения нейросетевой системы искусственного интеллекта, выбирают архитектуру нейросетевой системы, строят обучающие выборки из исходных фактических данных, осуществляют обучение нейросетевой системы, выявляют основные критерии, в наибольшей степени влияющие на потенциальный дебит горизонтальной скважины, рассчитывают потенциальный дебит горизонтальной скважины с помощью обученной нейросетевой системы искусственного интеллекта.
Нейросетевая система - это набор соединенных между собой самостоятельных узлов анализа. Отличительное свойство нейросетей состоит в том, что они не программируются, не используют никаких правил вывода для решения задачи, а обучаются делать это на примерах. Это особенно актуально при работе с изучаемыми объектами, характеризующимися большим числом входных параметров (проницаемость, пористость, длина ГС и др.). Прогнозируемый результат будет тем точнее, чем шире критериальная база исходных данных, созданная на основе геолого-физических параметров нефтяного месторождения. Нейросети способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Результат представляет собой многовариантную ранжированную классификацию.
По сравнению со способом оценки потенциального дебита на основе формулы Дюпюи основным преимуществом способа оценки потенциального дебита горизонтальной скважины с помощью нейросетевой системы искусственного интеллекта является способность совокупного учета влияния множества не доступных прямому выявлению функциональных зависимостей и оперативность осуществления прогноза технологических показателей по множеству скважин. В отличие от сложных математических моделей нейросети включают в себя большое число простых вычислительных элементов, работающих параллельно, которые способны приобретать, запоминать и использовать опытное знание. Изначально параллельная природа этих сетей обеспечивает вычисление с высокими скоростями и обработку большого объема информации.
Программные средства основаны на нейронной сети Neuro Shell фирмы Ward Systems Group, Inc.
Пример конкретного осуществления способа оценки дебита горизонтальной скважины № 4686 Бавлинского месторождения. Способ осуществляется следующей последовательностью операций:
1. Определяют по методам ГИС проницаемость, пористость и дополнительно нефтенасыщенность пласта, расстояние горизонтальной скважины до ВНК по всем горизонтальным скважинам данного месторождения (табл.1).
2. Собирают фактические данные по длинам горизонтального ствола нефтяных скважин, технологиям освоения, типам и плотностям растворов, используемых при вскрытии продуктивного пласта, пластовым и забойным давлениям горизонтальных скважин данного месторождения.
3. Вводят эти исходные данные для обучения нейросетевой системы искусственного интеллекта.
4. Выбирают архитектуру нейронной сети. Для обучения нейросетевой системы и оценки потенциального дебита горизонтальной скважины были использованы два типа архитектуры (алгоритма) нейронной сети: нейронный и генетический.
Приведены графические материалы, где показаны:
на фиг.1 - нейронный метод обучения; на фиг.2 - генетический метод обучения; на фиг.3 - основные критерии, влияющие на оценку потенциального дебита ГС.
Нейронный алгоритм дает меньшую точность, но более работоспособен при условии неполноценности исходных данных (фиг.1). Генетический алгоритм более точен, но критичен к неполноценности исходных данных (фиг.2). Нейронный метод дает точность предсказания ~ 80%, а генетический алгоритм - 99,9%. Поэтому прогноз строится по обобщенным результатам и представляет собой совокупный результат по обоим алгоритмам.
5. Строят обучающие выборки для создания критериальной базы данных. По исходным фактическим данным создается критериальная база данных, по которой происходит обучение нейросети. В данном конкретном примере использовали 10 исходных параметров для более 50 скважин данного месторождения, пробуренных на кизеловский горизонт (табл.1).
6. Обучают нейросетевую систему. В процессе обучения нейросети определяют степень влияния каждого параметра на итоговое решение и с учетом этого осуществляют более тонкую настройку нейронной сети. Затем обученная система проходит тестирование на предмет распознавания данных, на которых она была обучена. Степень влияния параметров настроенной сети на дебит горизонтальной скважины представлена в виде ранжированной классификации (фиг.3), где:
Lgs - длина горизонтальной скважины,
Type rast - тип раствора вскрытия,
Plotnost - плотность раствора вскрытия,
Kpor - пористость пласта,
Koil - нефтенасыщенность пласта,
Kpron - проницаемость пласта
VNK - расстояние до водонефтяного контакта,
Osvoenie - технология освоения,
Ppl - пластовое давление,
Pzab - забойное давление.
Как видно из графика (фиг.3), наиболее важными критериями, влияющими на точность оценки прогнозного дебита горизонтальной скважины № 4686, являются длина горизонтального ствола скважины, коэффициент проницаемости и нефтенасыщенность пласта. Следующими по значимости влияния на потенциальный дебит ГС критериями являются: расстояние горизонтальной скважины до ВНК, технология освоения скважины и коэффициент пористости пласта. Способ оценки дебита горизонтальной скважины тем эффективнее и точнее, чем больше подобных критериев (геолого-физических параметров).
7. Рассчитывают потенциальный дебит горизонтальной скважины № 4686. Результат представлен в табл.2. Потенциальный дебит составил 5,6 т/сут. После начала эксплуатации ГС был получен фактический дебит 5,8 т/сут. Точность оценки потенциального дебита ГС по предлагаемому способу составила 96,6%, а по прототипу - менее 80%.
Таким образом, предлагаемый способ позволяет увеличить эффективность и точность оценки потенциального дебита горизонтальной нефтяной скважины. Точный прогноз потенциального дебита горизонтальной скважины необходим при составлении проектов разработки нефтяных месторождений и в процессе эксплуатации их при прогнозировании добычи нефти как для отдельных скважин, так и суммарной добычи нефти для группы скважин.
| Таблица 1 | ||||||||||||
| № скв. | Горизонт | Дебит нефти, т/сут | Длина ГС, м | Тип раствора | Плотность раствора, г/см3 | Пористость, % | Нефтенасыщенность, % | Проницаемость, мД | ВНК, м | Технология освоения | Пласт. давление, МПа | Забойное давление, МПа |
| 3061 | Кизеловский | 0,3 | 270 | 2 | 1,02 | 9 | 55,9 | 1,6 | 12,4 | 6 | 10,4 | 5,8 |
| 3560 | Кизеловский | 0,6 | 187 | 1 | 1,35 | 11,5 | 62,5 | 2,1 | 16,7 | 1 | 6,3 | 4,0 |
| 3056 | Кизеловский | 1,7 | 251 | 2 | 1,02 | 9,9 | 61,6 | 2,8 | 13,2 | 4 | 6,7 | 4,4 |
| 3064 | Кизеловский | 2,1 | 100 | 2 | 0,98 | 9,8 | 61,6 | 1,6 | 14,9 | 5 | 7,8 | 7,2 |
| 3532 | Кизеловский | 2,5 | 209 | 1 | 1,18 | 12,2 | 64,1 | 4,0 | 13,2 | 1 | 6,1 | 5,5 |
| 3322 | Кизеловский | 2,5 | 339 | 2 | 1,02 | 10,8 | 67,3 | 2,7 | 11,5 | 4 | 8,1 | 6,6 |
| 3222 | Кизеловский | 2,5 | 247 | 2 | 1,02 | 9,3 | 63,8 | 2,7 | 12,8 | 1 | 7,7 | 5,4 |
| ..................... ..................... ..................... ..................... | ||||||||||||
| 3514 | Кизеловский | 5,9 | 330 | 1 | 1,23 | 9,5 | 64,5 | 10,0 | 8,7 | 2 | 9,9 | 3,8 |
| 3200 | Кизеловский | 5,9 | 354 | 3 | 1,02 | 9,5 | 57,7 | 10,3 | 18,1 | 7 | 7,0 | 4,4 |
| 3201 | Кизеловский | 6,3 | 273 | 1 | 1,20 | 11,5 | 64,0 | 10,9 | 10,7 | 1 | 6,6 | 5,7 |
| 4546 | Кизеловский | 6,3 | 517 | 2 | 1,02 | 11,1 | 65,6 | 0,8 | 23,2 | 6 | 8,1 | 7,0 |
| 4629 | Кизеловский | 8,6 | 376 | 2 | 1,02 | 10,2 | 62,0 | 0,6 | 12,1 | 4 | 5,8 | 5,4 |
| 4580 | Кизеловский | 11,1 | 637 | 3 | 1,02 | 12,4 | 62,6 | 10,0 | 27,7 | 6 | 9,2 | 7,0 |
| Таблица 2 | |||||||||||
| Потенциальный дебит нефти, т/сут | Фактический дебит нефти, т/сут | Длина ГС, м | Тип раствора | Плотность раст-ра, г/см | Пористость, % | Нефтенасыщенность, % | Проницаемость, мД | ВНК, м |
Технология освоения | Пласт. давление, МПа |
Забойное давление, МПа |
| 5,6 | 5,8 | 184 | 3 | 1,02 | 11,9 | 64,85 | 2,15 | 8,4 | 7 | 11 | 4,9 |
Claims (1)
- Способ оценки дебита горизонтальной нефтяной скважины, включающий определение проницаемости, пористости пласта по методам геофизических исследований скважин, расчет потенциального дебита скважины с учетом различных геолого-физических условий, определение фактического дебита и сравнение его с потенциальным, отличающийся тем, что дополнительно определяют нефтенасыщенность пласта, расстояние горизонтальной скважины до водонефтяного контакта пласта, длину горизонтального ствола скважины, тип и плотность растворов вскрытия пласта и технологию освоения скважины, подбирают и вводят исходные фактические данные для обучения нейросетевой системы искусственного интеллекта, выбирают архитектуру нейросетевой системы, строят обучающие выборки из исходных фактических данных, осуществляют обучение нейросетевой системы, выявляют основные критерии, в наибольшей степени влияющие на потенциальный дебит горизонтальной скважины, рассчитывают потенциальный дебит горизонтальной скважины с помощью обученной нейросетевой системы искусственного интеллекта.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2005138007/03A RU2300632C1 (ru) | 2005-12-06 | 2005-12-06 | Способ оценки дебита горизонтальной скважины |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2005138007/03A RU2300632C1 (ru) | 2005-12-06 | 2005-12-06 | Способ оценки дебита горизонтальной скважины |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2300632C1 true RU2300632C1 (ru) | 2007-06-10 |
Family
ID=38312529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2005138007/03A RU2300632C1 (ru) | 2005-12-06 | 2005-12-06 | Способ оценки дебита горизонтальной скважины |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2300632C1 (ru) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112228054A (zh) * | 2020-11-06 | 2021-01-15 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
| RU2768341C1 (ru) * | 2021-05-25 | 2022-03-23 | федеральное государственное автономное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Способ прогнозирования дебита скважин с учетом анизотропии проницаемости карбонатных горных пород |
-
2005
- 2005-12-06 RU RU2005138007/03A patent/RU2300632C1/ru not_active IP Right Cessation
Non-Patent Citations (1)
| Title |
|---|
| БУЗИНОВ С.И. и др. Исследования нефтяных и газовых скважин и пластов. - М.: Недра, 1984, с.59-62. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112228054A (zh) * | 2020-11-06 | 2021-01-15 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
| RU2768341C1 (ru) * | 2021-05-25 | 2022-03-23 | федеральное государственное автономное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Способ прогнозирования дебита скважин с учетом анизотропии проницаемости карбонатных горных пород |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amirian et al. | Integrated cluster analysis and artificial neural network modeling for steam-assisted gravity drainage performance prediction in heterogeneous reservoirs | |
| Syed et al. | Application of ML & AI to model petrophysical and geomechanical properties of shale reservoirs–A systematic literature review | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US20130124171A1 (en) | Systems and methods for predicting well performance | |
| Li et al. | Study on intelligent prediction for risk level of lost circulation while drilling based on machine learning | |
| Zhou et al. | Evaluating fracture-fluid flowback in Marcellus using data-mining technologies | |
| KR102170765B1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 | |
| Chaikine et al. | A machine learning model for predicting multi-stage horizontal well production | |
| Kong et al. | Machine learning-assisted production data analysis in liquid-rich Duvernay Formation | |
| Brantson et al. | Forecasting of horizontal gas well production decline in unconventional reservoirs using productivity, soft computing and swarm intelligence models | |
| Naderi et al. | Nonlinear risk optimization approach to water drive gas reservoir production optimization using DOE and artificial intelligence | |
| Sinha et al. | Multivariate statistical analysis for resource estimation in unconventional plays application to Eagle Ford shales | |
| CN112576238B (zh) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 | |
| RU2300632C1 (ru) | Способ оценки дебита горизонтальной скважины | |
| WO2019023255A1 (en) | DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION | |
| Wang et al. | Inferring the interwell connectivity of multilayer waterflooded reservoirs accounting for incomplete injection/production profiles | |
| Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
| Feng et al. | Interpretable Lost Circulation Analysis: Labeled, Identified, and Analyzed Lost Circulation in Drilling Operations | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
| Chen et al. | GINI coefficient: An effective way to evaluate inflow profile equilibrium of horizontal wells in Shengli Oil Field | |
| Motaei et al. | Smart proxy models art and future directions in the oil and gas industry: A review | |
| Chaikine | Machine Learning Applications for Production Prediction and Optimization in Multistage Hydraulically Fractured Wells | |
| Artun | Machine Learning Assisted Forecasting of Reservoir Performance | |
| Schiozer et al. | Integration of history matching and uncertainty analysis | |
| Wen et al. | Intelligent prediction and key factor analysis to lost circulation from drilling data based on machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20111207 |