Алгоритмы управления промыслом на поздней стадии разработки

Более половины добычи нефти Российской Федерации приходится на так называемые зрелые месторождения, характеризующиеся 3-4 стадиями разработки, высокой обводненностью и умеренными темпами падения добычи нефти. При этом истощение запасов влечет за собой высокие риски капиталоемких мероприятий, таких как бурение боковых стволов, проведение повторного ГРП, уплотняющее бурение. Большие объемы попутнодобываемой воды и непроизводительной закачки приводят к существенному росту себестоимости добычи нефти, что наиболее негативным образом сказывается на инвестиционной активности Недропользовотелей по данным активам. Соответственно при разработки таких месторождений ставится основная задача по оптимизации системы разработки в целях сокращения себестоимости добычи нефти.

Сложившиеся условия нефтедобычи требуют новых методов управления добычей на данных активах. Одним из которых и является активное применение современных методов анализа и обработки большого массива данных на основе методов машинного обучения и ИНС, что повышает объективность принимаемых решений, что в свою очередь позитивным образом сказывается на показателях добычи нефти и себестоимости её добычи.

Первый этап работ по нейросетевой оптимизации режимов эксплуатации скважин заключается в подготовке обучающей выборки. В качестве обучающей выборки используются первичные данные Шахматок — дебит жидкости, обводненность и приемистость воды.

На первом этапе из выборки данных исключаются интервалы истории, не соответствующие текущему интервалу перфорации, а также периоды работы добывающей скважины, осложненные ГТМ. Данный шаг необходим для того, чтобы искусственная нейронная сеть не устанавливала заведомо ложные связи между добывающими и нагнетательными скважинами или наоборот их отсутствие в следствие изменения показателей работы добывающих скважин не связанными с изменениями режимов закачки.

На втором этапе проводится поиск некондиционных данных (шумы и выбросы), значительно отличающихся от тренда, для этого используются стандартные алгоритмы фильтрации данных.

На третьем этапе очищенная выборка сглаживается в целях получить непрерывный вектор данных, который поступает в нейронную сеть в качестве обучающей выборки.

Результат — сформирована обучающая выборка данных.

На втором этапе на основе обучающей выборки данных проводится конструирование элементов заводнения. Элемент заводнения — группа скважин, включающая в себя одну добывающую и группу влияющих нагнетательных скважин. Элементы заводнения по сути определяю конструкцию ИНС, так как от количества элементов и количества нагнетательных скважины, входящих в элемент заводнения, зависит количество нейронов ИНС на каждом вычислительном слое.

Кластеризация элементов заводнения проводится из ряда основных условий. Нагнетательная скважина входит в элемент заводнения тогда и только тогда, когда выполнены условия:

— Нагнетательная скважина входит в заданный допустимый радиус поиска, обусловленный сформированной системой разработки.

— Между добывающей скважиной, входящей в элемент заводнения, и нагнетательной скважиной отсутствуют геологические нарушения и непроницаемые границы.

— Нагнетательная и добывающая скважины, входящие в один элемент заводнения, вскрывают хотя бы один одинаковый пропласток и имеют гидродинамически связанный между собой коллектор.

— Приемистость нагнетательных скважин, находящихся на границе допустимого радиуса поиска, имеет корреляционную связь с дебитом жидкости добывающей скважины, входящей в тот же элемент заводнения.

Результат — Сформированы кластера элементов заводнения.

После того, как сформированы элементы заводнения и определена конструкция ИНС, проводится её обучение. Обучение проводится отдельно по дебиту жидкости, в данном случае архитектура ИНС основывается на перцептроне. Обучение по доле нефти или обводненнсти проводится на основе архитектуры рекуррентной ИНС.

В качестве входного сигнала в ИНС подается приемистость нагнетательных скважин, а в качестве выходного дебит жидкости или обводненность по добывающей. Цель обучения ИНС — подбор весовых коэффициентов взаимовлияния скважин и временного лага таким образом, чтобы воспроизвести историю эксплуатации добывающих скважин с достаточной точностью. Если это удается, то ИНС считается обученной.

Результат — Определена функциональная зависимость описывающая влияние комбинации режимов эксплуатации нагнетательных скважин на суточную добычу нефти.

После обучения искусственной нейронной сети начинается этап поиска оптимальных режимов эксплуатации скважин. Однако, прежде чем провести расчеты, необходимо определить границы поиска, как интегрально по суммарной закачке и добыче жидкости, так и дифференциально по каждой скважине.

Интегральная или суммарная модель ограничений обусловлена возможностью системы поверхностного обустройства обеспечить тот или иной объем суммарной закачки воды или жидкости, а также текущим энергетическим потенциалом каждого участка. Интегральная модель ограничений может формироваться как по месторождению в целом, и быть обусловлена возможностями КНС и ДНС, так и отдельно по кустовым площадкам, и быть обусловлена возможностями водоводов.

Дифференциальная модель ограничений формируется уже отдельно по каждой добывающей и нагнетательной скважине и обусловлена продуктивностью для нагнетательной и возможностями ГНО для добывающей скважин.

Результат — Сформирована интегральная и дифференциальная модель ограничений для решения оптимизационной задачи.

Заключительным этапом расчетной части является этап решения оптимизационной задачи. Задача ставится в классической постановке: «Как распределить доступные ресурсы промысла (объемы закачки воды и добычи жидкости) наиболее оптимальным образом, обеспечивающим максимум добычи нефти?». Доступные ресурсы определяются ранее рассчитанной моделью ограничений, а поиск оптимального решение осуществляется методом инерционного градиентного спуска, с помощью которого последовательно определяется лучшее распределение режимов работы скважин, обеспечивающее максимум нефтедобычи.

Результат — сгенерированы оптимальные режимы эксплуатации добывающих и нагнетательных скважин.

После того, как определены оптимальные режимы эксплуатации скважин, основной задачей промысла становится их реализация и обеспечение непрерывного поддержания. Данная задача осложнена различными технологическими инверсиями, такими как порывы водоводов, остановки КНС/БКНС и водозаборных скважин, а также интерференцией в системе скважин. Для обеспечения целевых показателей уровня оптимизированности системы ППД необходим непрерывный контроль за режимами эксплуатации скважин, а также своевременное реагирование на выход скважины из режима.

Только реализация подавляющего большинства рекомендаций ИНС позволит в полной мере раскрыть потенциал технологии и обеспечить наращивание добычи нефти и снижение себестоимости добычи.

Результат — повышение добычи нефти и снижение её себестоимости.