Ибатуллин Р.Р. Технологические процессы разработки нефтяных мест. Р. Р. Ибатуллин технологические процессы разработки нефтяных месторождений 2010 г. Удк 622. 276. 1. 4
 Скачать 5.67 Mb.
|
|
3. Микробиологические Продукты жизнедеятельности интро- дуцированной пластовой микрофлоры Горячая вода Пар 4. Тепловые Продукты и процессы внутрипласто- вого горения сухое, влажное сверх- влажное 156 Волновые сверхвысокочастотные СВЧ, акустические, сейсмические 5. Физические Гидроразрыв пласта (ГРП) Газ, вода углеводородные газы, углекислый газ Газ, раствор ПАВ пена Щелочь, полимер, ПАВ Кислотный ГРП соляная кислота 6. Комбинированные Дисперсия твердых частиц, раствор полимера глина, полиакриламид Для оценки влияния МУН на эффективность извлечения нефти следует принять во внимание следующие основные параметры, определяющие этот процесс 1. Пластовые условия давление, температура. 2. Коллекторские свойства пласта - пористость, проницаемость, характеристики капилляров, неоднородность свойств. 3. Взаимодействие между пластовыми и закачиваемыми флюидами - капиллярные силы, межфазное натяжение, адсорбция, диффузия, диспергирование, вязкостная неустойчивость на границе вытеснения, фазовые переходы, разделение фаз, гравитационные силы. 3. Взаимодействие флюидов с породой – минералогический состав, адсорбция, относительная проницаемость, смачиваемость, насыщение. 4. Вязкостные силы – градиент давления. 5. Геометрия коллектора и расположение скважин В связи с большой сложностью и композиционностью пластовых процессов, точное количественное влияние какого-то отдельно взятого параметра на степень нефтеизвлечения оценить практически невозможно. Но при определении методов по целевому принципу можно выделить преимущественную направленность технологии - на увеличение коэффициента вытеснения или на увеличение охвата вытеснением. В качестве крайних точек всего диапазона методов для иллюстрации могут быть представлены методы основанные на применении дисперсий твердых частиц (глина в по- лимерно - дисперсной системе, древесное волокно - в волокнисто - дисперсной, осадкообразующие технологии - для увеличения охвата вытеснением, применение растворов водорастворимых НПАВ – для увеличения коэффициента вытеснения. В условиях поздней стадии разработки большая часть создаваемых и применяемых методов направлена как на увеличение коэффициента вытеснения, таки- коэффициента охвата или одновременно, 157 или последовательно. Примером может служить такие комбинированные технологии, как применение композиций на основе дисперсий маслораство- римых НПАВ. Таким образом, можно дать следующее наиболее общее определение МУН – это такие методы воздействия на пласт, которые позволяют получать дополнительные объёмы нефти по сравнению с базовыми вариантами (методами) разработки за тот же период времени. Тем самым применение МУН увеличивает извлекаемые запасы по сравнению с базовым вариантом разработки. На практике эти методы (МУН) нередко сами применяются в качестве базовых – это в первую очередь тепловые методы (внутрипластовое горение, парогравитационное воздействие. Схематично долю МУН в общей добыче из геологических запасов для условий месторождений девона Татарстана можно изобразить следующим образом (рис. 15.1): Рис. 15.1 Доля МУН в коэффициенте извлечения нефти (на примере терригенных отложений девона Ромашкинского месторождения) На сегодняшний день предложено множество классификаций МУН. В данном курсе будем использовать классификацию МУН по типу рабочего агента до 25% до 20% до 15% от 40% На естественных режимах Вторичные методы (заводнение) Третичные методы (МУН) Остаточная неизвлекаемая сегодняшними методами нефть 100% Геологические запасы 158 1. Гидродинамические МУН (waterflooding managment) – управление заводнением, включая нестационарное заводнение, изменение фильтрационных потоков . 2. Химические методы (ХМ) (chemical methods) – полимерное воздействие, ПАВ, щелочи, кислоты и т.д. 3. Тепловые методы (thermal methods) – закачка горячей воды, пара, внутрипластовое горение. 4. Газовые методы (gas methods) – закачка газа. 5. Микробиологические методы (microbial methods) – закачка или активация пластовой микрофлоры и (или) закачка метаболитов. 6. Физические методы (physical methods) – волновые методы, основанные на создании нелинейных волновых возмущений различных частот и амплитуд в пластовой среде и (или) закачиваемыми флюидами. В ряде случаев к методам увеличения нефтеотдачи относят и следующие виды воздействия на залежи и месторождения - разукрупнение объектов разработки - бурение горизонтальных скважин - гидроразрыв пласта. Но эти воздействия нередко только интенсифицируют процесс добычи, и относить их к МУН можно только после специального анализа по итогам воздействия. Правильнее такие методы, без которых иногда невозможно рентабельно разрабатывать месторождение, можно отнести к методам, обеспечивающим достижение экономически приемлемых величин коэффициента нефтеизвлечения по месторождению, не всегда приводящие к приросту величины конечного коэффициента нефтеизвлечения. 159 Достоинства и недостатки современных МУН. Критерии применимости МУН и этапы принятия решения об их применении Положительный результат применения МУН понятен из самого названия. Но, неизбежно, на пути к промышленному применению этих технологий существуют и значительные препятствия − большая наукоёмкость и высокая технологичность (прежде, чем применять тот или иной метод, необходимо провести немалое число лабораторных исследований, иногда приходится разрабатывать специальные виды оборудования для промысловой реализации − многие МУН энерго- и материалоёмкие; − часто стоимость промысловой реализации МУН высока (до 70 % затрат парогравитационного метода относится к промысловому обустройству, которое необходимо обеспечить до начала реализации метода − нередко эффект от применения отложен во времени, то есть период окупаемости может быть значителен − ряд МУН могут быть экологически опасны и др. Для каждого МУН определяются свои критерии применимости. Критерии применимости – это интервалы значений геолого-физических параметров, при которых может быть обеспечена (предполагается, что была получена ранее на стадии ОПР в подобных или аналогичных условиях) технологическая, а часто и экономическая, эффективность того или иного метода. Например, критерии применения для метода увеличения нефтеотдачи путем активации пластовой микрофлоры приведены в табл. 15.4 и на рис. 15.2. 160 Таблица 15.4 Критерии применимости микробиологического МУН на основе активации пластовой микрофлоры Характеристики пласта и флюидов Допустимый интервал Оптимальные значения Тип коллектора Поровый, трещинно- поровый Поровый Толщина продуктивного пластам не менее 1 3-10 Пористость, % 12-25 17-25 Проницаемость, мкм 2 больше 0,05 больше 0,2 Пластовое давление, МПа до 40,0 до 30,0 Температура пласта, о С 20-80 30-50 Общая минерализация пластовых вод, гл до 300 до 100 Общая минерализация закачиваемых вод, гл до 60 до 30 Содержание сульфатов в пластовой и закачиваемых водах, мг/л до 100 до 5 Обводненность, % 40-95 60-80 Вязкость нефти, мПа·с 1-100 3-20 Рис. 15.2 Этапы принятия решения о применении МУН Геолого-физическая информация Критерии применимости Лабораторные испытания Вычислительные эксперименты Оценочный расчёт экономической эффективности Этап 1 Этап 2 Опытно-промышленные работы Технико-экономические расчёты Этап 3 Промышленное внедрение Выбор МУН и объектов для их применения Выбор технологий увеличения нефтеизвлечения выполняется на основе анализа геологического строения пласта, характеристик коллектора и насыщающих его флюидов, потенциальных возможностей системы разработки и иных регламентирующих требований технологического процесса. При выборе вида воздействия для условий конкретной скважины у специалистов обычно возникают сложности, определяющиеся рядом факторов - некоторые технологические процессы в функциональном отношении предназначены для применения в сходных условиях - регламентами применения ряда технологий не определяется полный перечень критериев эффективного использования технологий - исторически сложившиеся технические и технологические предпочтения в практике работы предприятий-операторов на месторождении- используемая геолого-промысловая информация по конкретным скважинам не всегда полна, регулярна, точна. Поэтому успешность осуществления воздействия кардинально зависит от информированности, опыта и навыков работы промыслового геолога и разработчика-технолога, принимающих решение в конкретной ситуации. Для решения таких задач в настоящее время создаются программные средства, позволяющие не только подготовить проектные решения по оптимизации разработки залежи за счет применения технологий увеличения неф- теизвлечения, но и обеспечить промыслового специалиста рекомендациями по оперативному выбору вида воздействия на пласт в условиях конкретной скважины или участка. Известны традиционные аналитические технологии, основанные на детерминированных моделях принятия решения по заданному алгоритму. Необходимым условием применения детерминированных моделей принятия решения является полное и детальное определение порядка действий некоторым набором известных функций и параметров во всех возможных ситуациях. В силу сложности природных объектов, характеризуемых ограниченным количеством доступных измерению параметров, и схожести различных технологий МУН и ОПЗ практическая реализация решения задачи таким способом представляется затруднительной из-за невозможности одновременного охвата всего многообразия взаимосвязей разнородных компонентов. Использование методов искусственного интеллекта в задачах выбора МУН В мировой практике известны исследования в области применения аналитических технологий на основе искусственного интеллекта (ИИ) для задач выбора и оптимизации процессов разработки нефтяных месторождений, направленные на поиск решений по выбору оптимального метода увеличения нефтеотдачи. В условиях разработки крупных месторождений на поздней стадии основным методом воздействия является управление заводнением, а применение различных технологий увеличения нефтеизвлечения локализовано в ближайшей окрестности нагнетательных и добывающих скважин и призвано улучшить продуктивные характеристики системы пласт-скважина. Это значит, что объектом воздействия являются запасы нефти весьма малого природного объекта с индивидуальными характеристиками небольшого блока скважина спектр возможных вариантов применения технологий воздействия на пласт весьма широки разнообразен. Кроме того, при описании разработки нефтяных месторождений велика роль параметров, характеризуемых на уровне качественных понятий (наилучшее, наихудшее и другие. Проблема подбора вида воздействия для условий конкретной скважины относится к задачам классификации. Отметим, что задачи классификации (класса распознавания понятий по символам) плохо алгоритмизируются. 163 Поэтому часто такие задачи решают с использованием систем ИИ. По сравнению с технологиями, использующими алгоритмические модели, основным преимуществом информационных технологий, использующих модели ИИ, является способность совокупного учета влияния множества недоступных прямому выявлению функциональных и стохастических зависимостей. Нейросети В последнее время наблюдается активное развитие аналитических технологий искусственного интеллекта, основанных на имитации природных явлений, таких как мыслительная деятельность нейронов мозга или процесс естественного отбора. Их использование представляется предпочтительным в случаях выбора оптимального решения на основе анализа большого объёма разнородной и неполной информации, где жесткого алгоритмического решения добиться очень трудно или вообще невозможно. Наиболее перспективными из этих технологий представляются нейронные сети и генетические алгоритмы. Искусственная нейронная сеть (нейросеть) – это набор соединенных между собой самостоятельных узлов анализа (нейронов. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети. Нейросети способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Отличительное свойство нейросетей от экспертных систем состоит в том, что они не программируются не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. Это особенно актуально при работе с изучаемыми объектами, характеризующимися большим числом входных параметров со схожими признаками принадлежности к определенному виду. Нейронный метод обучения хорошо работает с многочисленными, разнородными данными. Результат представляет собой многовариантную ранжированную классификацию. Генетические алгоритмы Генетические алгоритмы предназначены для поиска оптимальных решений путем реализации идеи естественного отбора среди живых организмов в природе. Генетический метод обучения лучше себя проявляет с более определенными, нос менее насыщенными данными. В этом случае выдается результат в виде однозначного решения в отличие от нейронного метода. Генетические алгоритмы часто применяются совместно с нейронными сетями, позволяя создавать весьма быстрые, гибкие и эффективные инструменты анализа данных. В случае критического «недонасыщения» данными генетический метод откажется выдавать какую-либо рекомендацию, нейронный же метод выдаст рекомендацию в виде равномерного распределения классификации на все технологии, что не будет правильным решением. Таким образом, главными преимуществами нейросетей по сравнению с логическими и вычислительными методами принятия решений являются нестрогие требования к точности, полноте и непротиворечивости исходных данных. В ТатНИПИнефть были разработаны программные средства, основанные на нейронной сети, адаптированной к условиям разработки месторождений Татарстана и способной синтезировать рекомендации на основе обучения на примерах успешного опыта реализации геолого-технических мероприятий на аналогичных объектах. Пример выбора технологий на базе оболочки ИИ Опираясь на опыт промыслового применения 60 наиболее распространенных технологий (приложения 1, 2 табл. П 1.1, П 2.2), реализуемых на месторождениях Татарстана через нагнетательные и добывающие скважины, нами выделено четыре группы параметров (приложение 3 табл. П 3.3), включающие следующие данные по 165 1. Коллектору карбонатность, глинистость, проницаемость, нефтена- сыщенность, расстояние до водонасыщенного пласта, толщина нефтенасы- щенного пласта. 2. Пластовым флюидам температура, вязкость, содержание асфальтенов и смол, содержание парафинов, минерализация пластовой воды. 3. Системе заводнения соотношение добывающих и нагнетательных скважин, приемистость нагнетательной скважины, минерализация закачиваемой воды, производительность нагнетательной скважины, темп изменения приемистости скважины. 4. Системе отбора пластовое давление, плотность отбираемой воды, темп изменения плотности отбираемой воды, дебит жидкости, темп изменения дебита жидкости, коэффициент вариации дебитов жидкости, дебит нефти, обводненность отбираемой продукции, темп изменения обводненности отбираемой продукции, расстояние до контура нефтеносности, количество проведенных ранее воздействий по ОПЗ и водоограничению (ВИР) в добывающих скважинах. Кроме того, технологии охарактеризованы группой параметров, отражающих и другие особенности применения технологий затратность, успешность, технологическая эффективность, класс опасности реагента, продолжительность операций. Программные средства обучены в общей сложности на более чем 2200 примерах, отражающих корректные условия реализации воздействия рассматриваемыми технологиями (главным образом для пластов девонского горизонта ив меньшей степени отложений карбона. Выявлена степень влияния того или иного геолого-промыслового параметра на итоговое решение рис. 15.3, 15.4). 166 Рис. 15.3 Доля вклада параметров в обучение аналитической системы совершенствование заводнения) (дед) Рис. 15.4 Доля вклада параметров в обучение аналитической системы оптимизация отбора) (дед) Программные средства тестировались на предмет распознавания произвольно заданной выборки из обучаемого набора данных. Тестирование показало, что для условий девонского горизонта уверенно распознается более 167 98 % наборов данных, соответствующих заданным критериям применимости технологий, реализуемых через нагнетательные скважины, и более 99 % − через добывающие. Причем, если считать несущественной ошибку в распознавании данных, соответствующих заданным критериям применимости технологий, охарактеризованных идентичными диапазонами применимости, то удовлетворительно распознаются все наборы данных. Разница в уровне распознавания, как представляется, определяется большей неопределенностью характеристик четвертой группы в части условий эксплуатации, реагирующих на воздействие добывающих скважин. В части полноты перечня представляемых к оценке данных необходимо отметить следующее. Данные первой и второй групп параметров вполне доступны, так как регулярно замеряются ив установленном порядке пополняют штатные базы данных предприятий. Исключением является один из ключевых параметров − текущая нефтенасыщенность пласта. Этот параметр не замеряется впрямую, но может быть получен косвенными способами, например, на основе построения математической модели процесса разработки нефтяной залежи. Данные третьей и четвертой групп параметров также доступны, поскольку регулярно замеряются ив установленном порядке пополняют штатные базы данных. Однако определение на их основе ряда косвенных показателей (особенно, ключевых − дебита, обводненности) для технологий, реализуемых через нагнетательные скважины, вызывает затруднения из-за невозможности точной формализации расположения и взаимовлиянии скважин рассматриваемого участка нефтяной залежи и состояния выработанности его запасов. Это вызывает необходимость ручного ввода некоторой части исходных показателей на основе специального анализа промысловой ситуации. В результате исследований была показана особая важность для выбора большинства методов ряда параметров (рис. 15.3, 15.4), таких как проницаемость коллектора, вязкость нефти, нефтенасыщенность пласта, минерализация пластовой и закачиваемой воды, дебит скважин по нефти, приемистость скважин и обводненность продукции. |