Аннотация
Представленный в работе способ оценки коэффициента нефтеотдачи основан на известном методе машинного обучения – классификации методом k-средних. Для выбора необходимого количества значимых параметров использовано понятие силуэта выборки. Значимые параметры подбираются эмпирически, исходя из опыта разработки залежей данного региона. Для набора нефтяных месторождений Урало-Поволжской провинции выполнен расчет по подбору кластеров, учитывая значимость пластовых параметров для коэффициента нефтеотдачи. Таким образом, предварительно сопоставив любое месторождение (коллектор) одному из кластеров, имеется возможность оценить его потенциальную нефтеотдачу.
Ключевые слова
Проницаемость, нефть, скважина, вероятность, большие данные, классификация, моделирование, коэффициент нефтеотдачи.
Abstract
Oil recovery estimation is the most important tasks after calculation of oil in place and thereafter in oil development plans. There are a lot of appropriate methods for such estimation — displacement coefficient, sweep efficiency, waterflood efficiency, using final well water cut, with respect to fluid mobilities, reservoir thickness and porosity, absolute and relative permeability. Often such parameters are taken from similar nearest reservoirs due to lack of the data. Reservoir simulation is another method for oil recovery estimation although it has many shortcomings.
Oil recovery estimation presented in this paper is based on widely known k-means unsupervised machine learning algorytms. Silhouette technics is used for choosing main clusters. Parameter euristics based on local Volga-Ural region data is diveded by clusters for oil recovery. Reservoir classification methodology can dramatically improve ultimate recovery estimation.
Keywords
Permeability, reservoir, well, big data, classification, model, oil recovery.
Актуальность вопросов определения конечной нефтеотдачи пластов в последнее время существенно возросла. Связано это как с с истощением действующих месторождений и ухудшением общей структуры запасов, так и с вводом в эксплуатацию месторождений из нераспределенного фонда, где оценки требуются еще до начала эксплуатации. Выполняющие подобную работу региональные научно-исследовательские институты нефтедобычи используют как широко известные методы оперативной оценки, так и свои наработанные адаптированные к специфическим условиям методические подходы к оценке коэффициента извлечения нефти (КИН). Для обоснования и количественной оценки КИН на стадии поисков и разведки нефтяных месторождений характеризующейся ограниченной исходной геологической и экономической информации в настоящее время разработано достаточно много методических подходов оперативной оценки КИН. При проведении переоценки запасов нефти и газа месторождений нераспределенного фонда в силу ограниченной исходной геологической и экономической информации целесообразно применять экспресс — подходы для обоснования и количественной оценки коэффициента извлечения нефти.
Проведенный анализ экспресс — методов определения коэффициента извлечения нефти при подсчете запасов на ранних стадиях освоения нефтяных месторождений показывает [1], что величина нефтеизвлечения из пласта определяется горно-геологическими условиями залегания, характеристикой физико-химических свойств нефти и технологией ее добычи. КИН зависит от режима залежи, литологии и типа коллектора, степени неоднородности и коллекторских свойств пластов, вязкости нефти, размеров водонефтяных зон, применяемых систем разработки и др. Столь большое количество параметров, зачастую связанных между собой, а также большое количество имеющихся данных по уже законченным эксплуатацией месторождениям, делает оправданным применение различных методов машинного обучения [2,3], в частности, в рамках задач классификации .
Исходя из проведенного анализа зависимости нефтеотдачи от природных и технологических показателей выявлены наиболее геологические и технологические факторы влияния на коэффициент нефтеизвлечения:
• Объем извлекаемой нефти зависит от геолого-физических условий строения коллекторов, технологических и технических возможностей, экономических ограничений.
• Наиболее существенное влияние на КИН оказывают геолого-физические параметры пласта и свойства нефти [4,5]: вязкость, фильтрационные свойства коллекторов, неоднородность пласта (песчанистость и расчлененность), эффективная нефтенасыщенная толщина, величина водяной зоны, начальная водонасыщенность. Эти факторы контролируют около 75% наблюдаемой изменчивости нефтеотдачи.
• Технологические показатели играют подчиненную роль и существенного влияния на нефтеотдачу не оказывают.
• Существует четкая зависимость между плотностью сетки скважин и нефтеотдачей. Участки залежи, имеющие разреженную плотность сетки скважин, характеризуются меньшей конечной нефтеотдачей.
• Существует зависимость коэффициента нефтеизвлечения от структуры запасов. Ухудшение последней играет значительную роль в снижении средних значений КИН.
• При разработке залежей при водонапорном режиме коэффициент нефтеотдачи зависит от соотношения объемов нефтяной и газовой фаз. С увеличением объема газовой фазы проектная нефтеотдача снижается.
Для формализации описанных выше экспертных оценок далее существенно используется понятие кластеризации.
Кластеризация методом k-средних [6] является одним из так называемых неконтролируемых методов машинного обучения, в котором исходные данные разбиваются на группы по совокупности определенных признаков. Для расчетов был использована авторский блок программ для кластеризации (реализация на языке Python).
Было рассмотрено 188 пластов с различных месторождений Урало-Поволжья, на заключительной стадии разработки. С учетом вышеописанных факторов экспертно были выбраны такие параметры, как коэффициент вытеснения, отношение подвижностей фаз, тип коллектора, проницаемость, начальная нефтенасыщенность, расчлененность, песчанистость, плотность сетки скважин. Кластеризация методом k-средних дает 5 крупных кластеров (таблица 1). Методом силуэта были отброшены дополнительные кластеры. В каждый кластер вошло от 20 до 50 месторождений (рис.1) . Необходимо отметить, что данная выборка не является слишком представительной, однако в методических целях данного количества элементов вполне достаточно. Данная выборка должна быть расширена при получении новой информации о пластах и их конечной нефтеотдачи.

Рис.1. Распределение пластов по кластерам

Таблица 1

Основные кластеры, полученные методом k-средних

            В качестве проверки использовалась другая выборка месторождений с известной нефтеотдачей (20 пластов). В 90% случаев наблюдалось попадание в нужный кластер. В 10% случаев попадание было в соседний кластер и связано это по-видимому с тем, что система разработки на этих месторождениях была в целом нехарактерной для региона (режим газовой шапки, разработка возвратным фондом скважин).
Следует отметить, что в целом полученная кластеризация совпадает с выводами, обозначенными ранее – участвующие параметры являются определяющими для КИН. Практическое применение данного метода состоит в том, что любое месторождение из заданной нефтегазоносной провинции с известными параметрами можно отнести к одному из кластеров, а следовательно, и оценить его нефтеотдачу. Ключевым моментом подобных исследований является наличие значительного количества законченных разработкой месторождений, количество которых с каждым годом растет. Поэтому на первое место для успешности методов машинного обучения выступает обобщение и систематизация исходных данных, полученных от разных недропользователей и регионов [13]. Другие применения методов машинного обучения к задачам моделирования пластовых систем можно найти в работах [7,8].
Список используемых источников информации:
1. Баишев Б.Т. О подсчете извлекаемых запасов нефти для категорий С1 и С2// Недропользование – XXI век. – 2009. – № 4.- С. 35-41.
2. Zangl G., Hannerer J. Data Mining: Applications in the Petroleum Industry. Katy, TX, Round Oak Publishing, 2003. 222 p.
3. Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques, USA, Elsevier, 2012. 703 p.
4. Гавура В.Е. Геология и разработка нефтяных и газонефтяных месторождений. – М.: ВНИИОЭНГ, 1995.
5. Тугарова М.А. Породы-коллекторы: Свойства, петрографические признаки, классификации: Учебно-методич. пособие. — СПб., 2004. — 36 с.
6. Foreman J.W. Data Smart: Using Data Science to Transform Information into Insight, USA, Wiley, 2013. 432 p.
7. Колесов В.В., Курганов Д.В. Расчет рейтинга скважин-кандидатов при уплотняющем бурении с помощью машинного обучения на промысловых данных (метод опорных векторов) // Вестник Самарского государственного технического университета. Серия Технические науки, 2019, №1 (61), С.6-19.
8. Курганов Д.В. Расчет эффекта от перевода добывающей нефтяной скважины в нагнетательный фонд в рамках управления разработкой нефтяным месторождением // Управление большими системами, 2019, вып. 81, С.147-167.