Совершенствование методики расчета коэффициента сложности разработки месторождения

24.06.2018
Источник: Журнал «PROнефть»

Improvement approach for the reservoIr complexIty Index calculatIon

УДК 681.518 
    
Е.В. Белоногов, Д.С. Перец
Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)
 
Электронные адреса: Belonogov.EV@gazpromneft-ntc.ru, Perets.DS@gazpromneft-ntc.ru

Ключевые слова: коэффициент сложности разработки месторождений, оценка коэффициента извлечения нефти (КИН), машинное обучение, вероятностная оценка
 
E.V. Belonogov, D.S. Perets
Gazpromneft NTC LLC, RF, Saint-Petersburg

At this paper described a common approach for reservoir complexity index calculation for field development. This approach is a further evaluation of method that was described early in one of previous works. Reservoir complexity index which calculated based on probabilistic estimates and machine learning algorithms helps to get a potential achievable recovery factor estimation.

Keywords: reservoir complexity index, RF estimation, machine learning, probabilistic estimate
   
DOI: 10.24887/2587-7399-2018-2-71-74
 

Введение

Настоящая работа направлена на расширение существующих подходов к определению взаимосвязи индекса сложности разработки месторождений RCI (Reservoir Complexity Index) и коэффициента извлечения нефти (КИН). RCI – комплексный параметр, характеризующий совокупность свойств пласта и флюидов. Основы оценки этого параметра были описаны ранее в работе [1], в которой расматривается взаимозависимость RCI – КИН, полученная на основе регрессионного анализа результатов многовариантного 2D гидродинамического моделирования.

В данной работе авторы углубляют вышеописанный подход и, не делая априорных выводов о виде возможных зависимостей, ориентируются только на результаты работы гидродинамического симулятора и промысловые результаты. Рассмотрены все возможные варианты решения, которые анализируются при помощи алгоритмов машинного обучения.

Расчет индекса сложности разработки резервуара RСI

Для расчета индекса RCI необходимо учесть основные параметры, определяющие разработку месторождения. В данной статье авторами выбраны параметры, характеризующие разработку терригенного коллектора при заводнении: отношение вязкости нефти к вязкости воды mн/mв; коэффициент вытеснения Kвыт; абсолютная проницаемость пласта k; коэффициент неоднородности Дикстра-Парсонса Vdp.

Коэффициент Vdp, отражающий вертикальную неоднородность коллектора, определяется по формуле


где k0,5 – среднее значение проницаемости; k0,84 – значение проницаемости, соответствующее вероятности 84 %.

Vdp принимает значения от 0 до 1, где 0 соответствует полностью однородному по разрезу пласту, а 1 – полностью неоднородному [2].

Индекс сложности разработки месторождения вычисляется по следующей формуле:


где li – весовой коэффициент, показывающий степень влияния рассматриваемого параметра на результат; Ki – класс сложности параметра при кластеризации.

Показатель Ki определяется исходя из статистического анализа параметров активов компании, т.е. всех месторождений, соответствующих заявленным ранее критериям: терригенные, разрабатываемые при заводнении. Далее были получены статистические распределения значений анализируемых параметров, указанных выше, по пяти группам вероятности. В зависимости от того, в какую группу попадает значение параметра, назначается класс сложности Ki (см. таблицу).

Следует отметить, что предполагается увеличение сложности разработки месторождения с увеличением класса Ki. Соответственно распределения параметров, характеризующих разработку актива , следует рассматривать исходя из этого предположения. Например, чем выше проницаемость пласта, тем его проще разрабатывать, следовательно, класс сложности будет максимален при минимальных значениях параметра и т.д.

Основная сложность при вычислении RCI связана с расчетом весовых коэффициентов li . Был проанализирован накопленный опыт по определению индекса RCI. В работе [1] предложен алгоритм расчета, предполагающий известный вид зависимости между КИН и RCI в облаке возможных решений. Облако решений включает множество значений КИН, полученных на основе упрощенных 2D гидродинамических моделей (ГДМ), при варьировании набора ключевых параметров. Искомые весовые коэффициенты li определялись из уравнений регрессии при минимизации отклонения от априорной зависимости, т.е. решалась система уравнений


при минимизации следующей функции:

 


где a, b, c – параметры полиномиальной зависимости гидродинамической модели (ГДМ); КИНRCI, КИНmodel – КИН, полученный соответственно по априорной зависимости и по результатам расчета.

Таким образом подбираются весовые коэффициенты li, при которых сумма квадратичных отклонений минимальна. Следует отметить, что в настоящее время универсального алгоритма для расчета индекса сложности разработки месторождения не существует.

Основное отличие предлагаемого в статье подхода от описанных ранее заключается в том, что авторы не используют априорные предположения о виде зависимости RCI – КИН.

Последовательность проведения расчетов

В первую очередь была сформирована статистика по параметрам, выбранным для описания сложности разработки месторождения (см. таблицу). Затем построены статистические распределения каждого параметра. На основе полученных распределений созданы расчетные кейсы, покрывающие все возможные комбинации анализируемых параметров. Например, для параметров из таблицы было сформировано 3430 расчетных вариантов. Расчеты выполнялись на упрощенных ГДМ в корпоративном симуляторе. В результате получены значения КИН для каждой модели. Далее, используя алгоритмы машинного обучения, в данной статье – Random Forest (алгоритм случайного леса) [3], были получены искомые весовые коэффициенты li , необходимые для расчета RCI (рис. 1).


Рис. 1. Коэффициент значимости полученных весовых коэффициентов li

Random Forest – алгоритм машинного обучения, который является совокупностью решающих деревьев и представляет собой реализацию метода бэггинга над решающими деревьями (совокупность некоррелирующих деревьев на основе алгоритма CART), при обучении которых для каждого разбиения обучающая выборка признаков формируется из некоторого случайного подмножества признаков. Бэггинг – алгоритм разбиения исходных данных на подвыборки, т.е. при формировании обучающих выборок берется множество исходных данных, из которого случайным образом отбирается несколько подмножеств, содержащих такое же число примеров, как исходное. Отбор проводится случайно, поэтому набор примеров в выборках будет различным. Затем на основе каждой выборки строится несколько классификаторов, в данном случае – деревья решений, и их выходы комбинируются путем голосования. При таком подходе результат будет точнее любой одиночной модели, построенной на основе исходного набора данных [3].

Класс сложности Ki, каждого параметра определяется по таблице и варьируется от 1 до 5. Таким образом, были получены все, необходимые для расчета RCI параметры. По формуле (2) были рассчитаны значения RCI для каждого из синтетических кейсов. Облако значений КИН – RCI показано на рис. 2.


Рис 2. Облако значений КИН – RCI, полученное по результатам расчетов синтетических кейсов

Полученная взаимосвязь между КИН и RCI позволяет оценить разброс проектного значения КИН по оцениваемым участкам или активам. В связи с тем, что одному значению RCI соответствует интервал возможных значений КИН, следует использовать статистический анализ для оценки КИН. Так, на основе полученных результатов был проанализирован разброс КИН для значения RCI, равного 3 (рис. 3).


Рис. 3. Статистический анализ результатов для выбранного значения RCI

Была применена классическая схема анализа, подразумевающая выделение значений анализируемого параметра, соответствующего Р10, Р50 и Р90.

Таким образом, можно сделать вывод, что для значения RCI, равного 3, уровень P10 значения КИН составляет 0,74, P50 – 0,55, P90 – 0,41.

Заключение

В представленной работе описан универсальный подход к расчету комплексного индекса сложности разработки месторождения RCI, являющийся дальнейшим развитием ранее представленных в литературе методик.

Рассмотренный подход может быть использован для месторождений, расположенных в разных регионах. Разработанный алгоритм позволяет по значению RCI получить вероятностное распределение возможных значений КИН для объекта. 

Список литературы

1. Наугольнов М.В., Большаков М.С., Мейнарендс Р. Новый подход по оценке индекса сложности разработки месторождений Западной Сибири// SPE 187780-RU. – 2017.

2. Express method of oil recovery ratio estimation on the basis of oil reservoir statistical characteristics / A. Roschektaev, A. Yakasov, V. Krasnov, K. Toropov // SPE-136139-MS. – 2010.

3. Breiman L. Random forests, Statistics Department University of California Berkeley, CA 94720, 01.2001.

Reference

1. Naugol’nov M.V., Bol’shakov M.S., Meynarends R., New approach to estimate reservoir complexity index for West Siberian fields (In Russ.), SPE 187780-RU, 2017.

2. Roschektaev A., Yakasov A., Krasnov V., Toropov K., Express method of oil recovery ratio estimation on the basis of oil reservoir statistical characteristics

(In Russ.), SPE 136139-MS, 2010.

3. Breiman L., Random forests, Statistics Department University of California Berkeley, 2001.


Авторы статьи:  Е.В. Белоногов, Д.С. Перец
Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)

Источник:  Журнал «PROнефть»

Возврат к списку