Нефтяные месторождения, вступившие на позднюю стадию разработки, характеризуются снижением уровня отборов нефти и зачастую разрабатываются с системой поддержания пластового давления (ППД). Система ППД представляет собой закачку воды или другого вытесняющего агента в пласт с целью поддержания пластового давления и вытеснения невыработанных запасов углеводородов. Система ППД позволяет не только сократить темпы снижения добычи нефти, но и повысить коэффициент извлечения нефти. Сложность в управлении системой ППД чаще всего заключается в большом количестве действующего фонда нагнетательных скважин и неопределенности распределения геолого-физических свойств пласта в межскважинном пространстве. Дополнительно сложность увеличивается при наличии техногенных ограничений в текущей инфраструктуре разрабатываемого объекта. В таком случае необходимо учитывать в целом связанную систему пласт – скважина – система поверхностного обустройства.
Классический процесс регулирования закачки предполагает значительные трудозатраты по анализу промысловой информации для подбора оптимальных режимов. Инженер-разработчик должен проанализировать информацию о:
- потерях базовой добычи по действующему добывающему фонду;
- компенсации отборов жидкости закачкой, что косвенно отражает информацию об энергетическом состоянии залежи;
- инструментальных замерах пластового давления;
- инфраструктурных ограничениях добычи и закачки.
Данная информация позволит инженеру выделить проблемные зоны и перейти к более детальному поскважинному анализу, который включает в себя следующие пункты:
- оценка взаимовлияния между нагнетательными скважинами;
- экспертная оценка рисков прорыва воды от нагнетательных скважин к добывающим;
- оценка потенциала для регулирования по каждой скважине;
- выдача рекомендаций по регулированию каждой нагнетательной скважины.
При таком подходе тратится большое количество человеческих и временных ресурсов: временной интервал от регистрации потерь нефти до выдачи рекомендаций занимает не меньше месяца. Поэтому чаще всего такого рода анализ выполняют исключительно на месячных данных добычи, не используя большой объем суточных данных. Для решения данной задачи создают большое количество инструментов-помощников, которые позволяют автоматизировать процесс принятия решений. Эти инструменты могут быть основаны как на различных эмпирических правилах инженеров-разработчиков, так и на физически содержательных моделях. Инструменты имеют свои особенности и ограничения, но не позволяют полностью исключить влияние человека на итоговый результат.
В данной работе описывается опыт применения алгоритмов машинного обучения и искусственного интеллекта для решения задачи оптимального управления закачкой в системе ППД на примере одного из месторождений ООО «РН–Уватнефтегаз».
Нейросетевые алгоритмы управления закачкой
Нейронные сети являются частным случаем методов машинного обучения. Ключевой особенностью данного метода является процесс самообучения на экспериментальных данных. В процессе обучения нейронные сети могут выявлять скрытые зависимости между параметрами и использовать их в дальнейшем для прогнозирования и оптимизации целевых управляющих параметров.
Идея применения методов машинного обучения для анализа промысловой суточной информации и автоматизированного определения взаимовлияния имеет большую популярность. На текущий момент уже существуют алгоритмы для управления закачкой на зрелых месторождениях [4]. По заявлениям авторов, эффект от применения технологий машинного обучения составляет 18 % [2]. Авторы в своих статьях поднимают проблемы сложности реализации рассчитанной программы работ и необходимость непрерывного взаимодействия с цеховыми геологами для достижения максимального результата. В разработанных алгоритмах можно выделить ограничения применимости инструментов, которые не позволяют полноценно исключить влияние человеческого фактора. К таким ограничениям можно отнести отсутствие учета в нейросетевых моделях энергетического состояния пласта и процесса интерференции добывающих скважин [4].
Начиная с 2022 года специалисты компании ООО «ТННЦ» проводят
научно-исследовательскую работу по применимости нейронных сетей для управления заводнением. Основываясь на результатах исследований и опыте коллег, сформированы алгоритмы прогнозирования и расчета оптимальных уровней закачки. Общая схема методики расчета представлена на рисунке 1
Рисунок 1. Принципиальная схема инструмента
Ключевая особенность алгоритмов – гибридный способ обучения нейронных сетей, что позволяет учесть физику процесса фильтрации, а также учесть энергетическое состояние пласта при обучении нейронных сетей. Дополнительно разработанные модели позволяют оценить интерференцию добывающих скважин. Но и у разработанных алгоритмов есть ограничения – малый период планирования добычи (1 квартал) и длительное время обучения нейросетевых моделей [11].
Апробация алгоритмов на участке реального месторождения
Апробация алгоритмов проводилась на активах компании ООО «РН-Уватнефтегаз». Для апробации выделено месторождение со следующими особенностями: объект переходит из III в IV стадию разработки и для дальнейшей выработки остаточных запасов необходимо проводить ГТМ, сопровождающиеся увеличением отборов жидкости. На месторождении отсутствует возможность для наращивания дополнительных отборов жидкости ввиду уже сложившейся максимальной нагрузки на инфраструктуру (рисунок 2).
РИСУНОК 2. Динамика показателей разработки месторождения
Сформирована задача – в условиях существующих инфраструктурных ограничений подготовить оптимизационные решения, направленные на повышение эффективности процессов закачки и отборов с целью общего снижения нагрузки на инфраструктуру месторождения с сохранением уровня добычи нефти.
Для решения задачи специалистами ООО «ТННЦ» выполнены оптимизационные расчеты с применением нейросетевых алгоритмов. Цель расчетов – снижение отборов жидкости и закачки, при сохранении текущего уровня добычи нефти. По результатам расчета сформирован диагностический профиль возможных интегральных решений (рисунок 3).
РИСУНОК 3. Диагностический профиль оптимизации по нейросетевым алгоритмам
Для апробации технологий сформированы варианты реализации опытно-промышленных работ (ОПР) с разными степенью рисков (таблица 1).
Таблица 1. Варианты ОПР
Для реализации выбран второй вариант с наименьшей степенью рисков. Планируемый эффект заключается в сокращении отборов жидкости на 54 тыс. м3 с дополнительной добычей нефти 5,6 тыс. т за счет снижения обводненности продукции за 5 месяцев работ.
Итоговая программа работ регулирования закачки представлена в таблице 2.
Для чистоты проведения эксперимента установлены следующими условия:
- полная реализация всех рекомендованных мероприятий по нагнетательным скважинам;
- режимы должны быть устойчивыми даже по смежным нагнетательным скважинам;
- на участке ОПР необходимо исключить проведение ГТМ.
Участок ОПР (рисунок 4) насчитывает 41 скважину: 20 реагирующих добывающих и 21 нагнетательную скважины, из которых 17 смежных с ОПР (по которым режим закачки зафиксирован) и 4 участвующих в ОПР
На рисунке 5 представлена динамика суммарных суточных показателей по добывающим и нагнетательным скважинам участка ОПР.
В период с августа по ноябрь 2023 года режимы по нагнетательным скважинам выдерживались, отмечалась стабильная работа добывающего фонда, фиксировался эффект от реализации сформированных рекомендаций. С ноября 2023 года на участке ОПР отмечается влияние внешних факторов подготовка скважин к ГТМ, изменение режимов по смежным с участком ОПР нагнетательным скважинам, фиксировались отказы ГНО.
За время проведения работ сокращение отборов жидкости составило 69 тыс. м3, при дополнительной добыче нефти 5,2 тыс. т. Цели ОПР достигнуты.
Масштабирование
В январе 2024 года на основе достигнутых результатов по участку ОПР принято решение масштабировать применение нейросетевых алгоритмов для регулирования закачки на месторождение в целом.
Цель расчетов не изменилась: в условиях существующих инфраструктурных ограничений подготовить оптимизационные решения, направленные на повышение эффективности процессов закачки и отборов с целью общего снижения нагрузки на инфраструктуру месторождения с сохранением уровня добычи нефти. В оптимизационных расчетах участвовали 615 действующих на момент начала работ (03.2024 г.) добывающих скважин и эксплуатационный нагнетательный фонд, насчитывающий 332 скважины, из которых 312 действующих (рисунок 8). На таком большом фонде дополнительная верификация с помощью других инструментов не проводилась. Все режимы приняты по результатам расчетов на нейросетевых алгоритмах.
Реализация мероприятий на месторождении осуществлялось с 25 февраля по 1 июня 2024 года. Итоговая программа работ состояла из 46 мероприятий по регулированию закачки воды в нагнетательных скважинах (рисунок 8).
Рисунок 6. Комплексная программа работ по оптимизации режимов приемистости нагнетательных скважин
В отличие от первого опыта применения нейронных сетей, характеризующегося малым фондом для регулирования, при реализации обширной программы работ по регулированию закачки возникает ряд технологических проблем, а именно:
а) в нагнетательных скважинах, работающих в единой системе – на одной кустовой площадке (КП) или кустовой насосной станции (КНС), возникает интерференция между скважинами в процессе регулирования закачки;
б) проведение смежных работ на скважинах, не связанных с регулированием закачки.
Данные факторы приводят к разбалансировке установленных режимов закачки, что негативно влияет на целевой эффект. Для нивелирования негативного влияния специалистами ООО «ТННЦ» проводился оперативный еженедельный мониторинг выполнения программы работ и анализ потерь и приобретений добычи нефти. При необходимости совместно со специалистами ООО «РН-Уватнефтегаз» определялись компенсационные мероприятия, позволяющие максимально реализовать рассчитанную программу по регулированию закачки.
По результатам работ выполнено 93 % (43 из 46) запланированных мероприятий на нагнетательном фонде. Три мероприятия не выполнены в связи с аварийным состоянием скважин. Оптимизированность (количество скважин, работающих в рекомендуемом режиме приемистости) нагнетательного фонда в среднем за период работ составила 61 %, что является хорошим показателем с таким объемом фонда.
Осложняющим фактором для оценки эффекта является проводимые в течении всего периода ГТМ, как на нагнетательном, так и на добывающем фонде. Для корректной оценки чистого эффекта от регулирования закачки из анализа были исключены все скважины с проведенными ГТМ. Очищенная динамика суточных показателей за период действия проекта представлена на рисунке 9.
За время проведения работ получен прирост базовой добычи нефти на величину 9,3 тыс. т при сокращении суточной закачки на 3 175 м3/сут.
Подводя итоги, полученные результаты применения алгоритмов машинного обучения и искусственного интеллекта в контексте решения задачи по оптимальному распределению уровней закачки между нагнетательными скважинами с целью поддержания и увеличения добычи нефти признаны успешными. По результатам работ принято решение о ежеквартальном применении алгоритмов для формирования рекомендаций по регулированию закачки.
Выводы
Разработанные алгоритмы позволили с минимальным участием человека определить оптимальные режимы закачки воды в нагнетательных скважинах, которые в дальнейшем были реализованы на участке ОПР и тиражированы на месторождении ООО «РН-Уватнефтегаз». Достигнутые в ходе выполнения работ результаты позволяют говорить о том, что нейросетевое управление заводнением является перспективным направлением для развития и применения в разработке нефтяных месторождений на поздней стадии выработки запасов.
Дальнейшее развитие алгоритмов связано с исследованием возможности повышения прогностической способности и увеличения длительности периода прогнозирования.
Литература
1. Басниев К.С., Кочина И.Н., Максимов В.М. Подземная гидромеханика. Учебник для вузов. – М.: Недра, 1993. С. 227–252.
2. Бриллиант Л.С., Горбунова Д.В., Завьялов А.С., Симаков Е.А., Бескурский В.В., Рябец Д.А. «Управление добычей на основе нейросетевой оптимизации режимов работы скважин на объекте БС8 Западно-Малобалыкского месторождения» // «Neftegaz.RU» – 2019. – № 6.
3. Бриллиант Л.С., Завьялов А.С., Данько М.Ю., Елишева А.О., Цинкевич О.В. «Методика тестирования алгоритмов прокси-моделирования» // Недропользование – ХХI век. – 2020. – № 4. – С. 128–137.
4. Бриллиант Л.С., Комягин А.И., Бляшук М.М., Цинкевич О.В., Журавлёва А.А. Патент «Способ оперативного управления заводнением пластов» // RU 2614338 C1.
5. Вершинин В.Е., Пономарев Р.Ю. «Long-Term Forecasting and Optimization of Non-Stationary Well Operation Modes Through Neural Networks Simulation» // SPE – 206529-MS.
6. Вершинин В.Е., Пономарев Р.Ю., Стрекалов А.В. «Neural Network as a Tool for Predicting and Controlling the Technological Regime of Production Wells» // SPE – 201937-MS.
7. Васильев А.Н., Тархов Д.А., Шемякина Т.А. Приближенные аналитические решения обыкновенных дифференциальных уравнений. Современные информационные технологии и ИТ-образование, 2016. – № 2–3, т. 12. с. 188–195.
8. Васильев А.Н., Тархов Д.А., Шемякина Т.А. Нейросетевой подход к задачам математической физики – СПБ.: 2015 – 260 с.
9. Иваненко Б.П. «Нейросетевое имитационное моделирование нефтяных месторождений и гидрогеологических объектов» // Томск: Издательский Дом ТГУ, 2014. – 188 с.
10. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Доклад. АН СССР, 1957. Т. 114, № 5, с. 953–956.
11. Пономарев Р.Ю., Зиазев Р.Р., Лещенко А.А., Вершинин В.Е., Мигманов Р.Р., Ивлев М.И. «Алгоритмы оперативного управления заводнением с применением физико-информированных нейронных сетей» // «Neftegaz.RU» – 2024. – № 6.
12. Потрясов А.А, Бриллиант Л.С., Печеркин М.Ф., Комягин А.И. «Автоматизация процессов управления заводнения на нефтяном месторождении» // Недропользование – ХХI век. – 2016. – № 6. – С. 114–123.
13. Ручкин А.А. Исследование особенностей оценки взаимовлияния скважин на примере модели CRM / А.А. Ручкин, С.В. Степанов, А.В. Князев, А.В. Степанов, А.В. Корытов, И.Н. Авсянко // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2018. Том 4. № 4. С. 148–168. DOI: 10.21684/2411-7978-2018-4-4-148-168.
14. Степанов С.В. Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования / С.В. Степанов, С.В. Соколов, А.А. Ручкин, А.В. Степанов, А.В. Князев, А.В. Корытов // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2018. Том 4. № 3. С. 146–164. DOI: 10.21684/241-1-7978-2018-4-3-146-164.
15. Стрекалов А.В., Хусаинов А.Т. «Математическое моделирование процессов нефтедобычи на основе нейронных сетей» // ТюмГНУ. 2013.
16. De Berg M., Van Kreveld M. Computational Geometry. Algorithms and Applications. Second, Revised Edition. Berlin: Springer-Verlag. – 2000. – P. 367.
17. Development of an artificial neural network model for prediction of bubble point pressure of crude oils. Southwest Petroleum University. 2018.
18. Emre Artun Characterizing Reservoir Connectivity and Forecasting Waterflood Performance Using Data-Driven and Reduced-Physics Models // SPE-180488-MS. 2016.
19. S. G. Ponnambalam, N. Jawahar, P. Aravindan A simulated annealing algorithm for job shop scheduling, Production Planning & Control: The Management of Operations, 10:8, 1999 г.,
с. 767–777.
