Основные нефтяные месторождения России открыты в прошлом столетии и на сегодняшний день перешли на завершающую стадию разработки. Эксплуатация сопровождается сниженными темпами добычи нефти, падением пластового давления, ростом обводненности продукции скважин и увеличением затрат. На передний план выходит поиск актуальных методов повышения эффективности разработки и сокращения себестоимости добычи, благодаря чему в мировой практике сформировался тренд на цифровизацию отрасли. Достижения технологий машинного обучения и Big Data, создание цифровых двойников (математической копии, описывающей технологические процессы, а в некоторых случаях и группу связанных между собой процессов [1]) и роботизация производственных процессов активно используются как в западных, так в российских нефтяных компаниях. 

Лидирующие позиции по адаптации информационных технологий и автоматизации процессов нефтедобычи занимают «ЛУКОЙЛ», «Газпром нефть», «Сургутнефтегаз», «Татнефть» и «Роснефть». При этом цифровые решения охватывают широкий спектр задач:  стратегическое планирование, поверхностное обустройство, поиск продуктивных залежей, повышение эффективности добычи, логистику и безопасность на производстве.

К примерам можно отнести отечественные решения, созданные в период реализации программы «Цифровая экономика Российской Федерации»:

1) применение виртуальных анализаторов для прогнозирования показателей на основании проведенных ранее лабораторных тестов,

2) аналитические платформы и самообучающиеся цифровые двойники, позволяющие формировать стратегии принятия решений на основе детализированных 3D-моделей каждого элемента на предприятии, вплоть до клапанов задвижек и ступенек лестниц,

3) цифровые модели сейсморазведки,

4) нейросетевая модель для подбора геолого-технических мероприятий на скважинах и др. [2]

В качестве отдельной задачи можно выделить повышение эффективности разработки с помощью управления режимами работы нагнетательных скважин. Такой процесс называется управление заводнением и состоит в перераспределении закачки воды нагнетательных скважин в пласт с целью увеличения суммарной добычи нефти и поддержания пластового давления. Для месторождений, находящихся на поздних стадиях разработки, оптимизация системы заводнения является одним из методов повышения эффективности. Это связано с влиянием закачки как на энергетическое состояние, так и на выработку запасов нефти и обводненность продукции за счет изменения кинематики потоков. [3]

Известно несколько цифровых моделей управления заводнением – различные нейронные сети, регрессионные модели и физически содержательные аналитические модели. Несмотря на концептуальное различие технологий, в основе каждой лежат массивы данных с разных источников месторождения. На сегодняшний день большинство месторождений оснащены системами сбора данных, то есть датчиками, автоматически считывающими информацию со скважин и передающими ее в корпоративную базу. При этом наблюдается ситуация, когда вся работа с полученными данными ограничивается визуальным анализом отдельных параметров. Наличие таких систем требует создания инструментария для анализа, систематизации и использования всего потенциала собранного массива данных.

Проиллюстрирую, с какими сложностями может столкнуться геолог с промысла в попытке решить проблему оптимизации закачки и насколько эффективны нейронные сети в качестве такого инструмента.

Рассмотрим участок месторождения, состоящий из трех нагнетательных и трех добывающих скважин, где каждая нагнетательная скважина может иметь семь различных режимов закачки. Общее число различных комбинаций режимов закачки нагнетательных скважин оценивается по формуле из комбинаторики, то есть 7³ = 343. Каждая комбинация режимов будет иметь свои потенциальные уровни добычи нефти. Если нагнетательных скважин будет 10, то вариативность увеличивается до 282 миллионов – и выбрать оптимальную комбинацию аналитически становится сложно. Найти лучшее решение в данном случае помогут методы оптимизации – алгоритмы нахождения оптимального значения некоторой функции.

Основная проблема заключается в том, что для решения оптимизационной задачи нужны не только коэффициенты взаимовлияния скважин, но также установление функциональных зависимостей между показателями эксплуатации добывающих и нагнетательных скважин. Эта задача не решается с помощью регрессионного анализа, а без установления связей невозможно применить методы оптимизации. Выходом из ситуации будет использование нейронной сети, позволяющей воссоздать функциональные зависимости между скважинами на основе исходного массива данных.

В качестве первого известного решения выступает прокси-модель – искусственная нейронная сеть по формированию функциональных зависимостей между параметрами добывающих скважин (дебит жидкости и обводненность) и нагнетательных скважин (закачка воды). На их основе решается оптимизационная задача с целью подбора режимов работы нагнетательных скважин, дающих максимальный потенциал по добыче нефти. Перераспределение потоков позволяет вовлечь слабо дренируемые запасы нефти в разработку, сократить объемы попутно-добываемой воды и обводненность продукции, тем самым снизить операционную себестоимость добычи нефти.

Вторым инструментом, позволяющим использовать весь потенциал массива больших данных для оптимизации заводнения, является объединение физически содержательной аналитической модели CRM (Capacitance Resistive Models) и искусственной нейронной сети. Применение модели CRM в совокупности с нейронной сетью дает возможность получить зависимости между параметрами эксплуатации добывающих скважин и закачкой нагнетательных скважин с учетом забойного давления, динамического уровня и процессов интерференции (взаимодействия и взаимовлияния скважин) между добывающими скважинами. Учет забойных давлений и динамического уровня формирует модель ограничений закачки нагнетательных скважин, благодаря чему снижается вероятность выхода из строя насосного оборудования добывающих скважин. Итогом решения оптимизационной задачи выступают режимы закачки нагнетательных скважин.

Третье решение – комбинация нейронной сети и физически содержательной модели INSIM-FT (Interwell Numerical Simulation Front Tacking models). С помощью INSIM-модели в совокупности с нейронной сетью проводится адаптация параметров добывающих и нагнетательных скважин с учетом функций относительных фазовых проницаемостей, что повышает точность модели. В качестве оптимизируемых параметров для нагнетательных скважин – закачка, для добывающих – забойное давление и параметр для подбора геолого-технического мероприятия по повышению нефтеотдачи. В результате модель генерирует оптимальные режимы закачки нагнетательных скважин и группы геолого-технических мероприятий на всем фонде.

Основным результатом применения приведенных решений становится оптимальное распределение режимов закачки воды, благодаря которому сокращается себестоимость добычи нефти и продлевается рентабельный период разработки. При этом основным преимуществом нейросетевого управления режимами закачки является сравнительная дешевизна интеграции, поскольку внедрение не требует капитальных затрат на покупку дорогостоящего оборудования либо химических реагентов. Помимо прочего, промысловые геологи получают в свое распоряжение инструмент анализа огромного потока данных, генерируемых на современных месторождениях.

Фото на обложке: Unsplash

---

Список литературы:

[1] Стариков М. А., Невкин А. А. Анализ промышленного применения алгоритмов нейросетевого моделирования в нефтяной и газовой промышленности.

[2] Нефтегаз. Ежемесячное информационно-аналитическое издание. Дайджест 2.

[3] Степанов С. В., Бекман А. Д., Ручкин А. А., Поспелова Т. А. Сопровождение разработки нефтяных месторождений с использованием моделей CRM. – Тюмень, 2021.