авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |   ...   | 5 |

Геотехнологические основы регулирования разработки нефтяных месторождений с трудноизвлекаемыми запасами

-- [ Страница 2 ] --

Структурирование запасов продуктивных толщ Урало-Поволжья показало, что доля ТрИЗ увеличилась на 44 %. По месторождениям Башкортостана рост доли ТрИЗ, с учетом только критерия «выработанности» составил по залежам в терригенных коллекторах 43% от НГЗ и 9% от НИЗ, по залежам в карбонатных коллекторах 25% от НГЗ и 10% от НИЗ. Трудноизвлекаемые запасы содержатся во всех стратиграфических комплексах, по этой причине их освоенность различна. Слабой выработкой характеризуются залежи с высокой вязкостью нефти. Увеличение доли ТрИЗ в терригенных коллекторах отмечается в основном в залежах нефти с малой нефтенасыщенной толщиной и низкой проницаемостью коллектора.

Таблица 1- Структура запасов по тектоническим элементам

Таким образом, анализ структуры трудноизвлекаемых запасов показал, что при использовании критериев оценки по Э. М. Халимову,
Н. Н. Лисовскому, их доля составляет более 75–80 %, по причине учета степени выработанности извлекаемых запасов (коэффициент использования запасов более 70 %).

Во второй главе выполнена классификация продуктивных отложений различными методами. Оценена сходимость результатов группирования с использованием искусственных нейронных сетей, метода главных компонент и кластерного анализа. Дана характеристика выделенных классов продуктивных отложений. Отмечены особенности использования статистических методов обработки геолого-технологической информации. Разработана методика классификации продуктивных толщ при различных вариациях геолого-физической и физико-химической информации пластовых систем.

Вопросы прогнозирования добычи нефти, выявления особенностей и факторов, влияющих на добычу нефти, всегда имели большое значение в процессах контроля и регулирования разработки месторождений нефти и газа. Предлагаемая система разработки обосновывается геологическим строением месторождения и имеющимся опытом разработки сходных по геолого-физическим и технологическим параметрам залежей.

В настоящее время по очень значительному количеству месторождений Урало-Поволжья накоплен большой объем информации как по геологическому строению, так и по технологическим показателям разработки. Обобщение, систематизация и, как следствие, возможная классификация эксплуатационных объектов месторождений по геотехнологическим параметрам пластовых систем позволяют обоснованно и оперативно выделять в группы схожие объекты разработки и уже в конкретных группах выявлять технологии разработки залежей, которые были успешно реализованы.

Задачи выявления и идентификации объектов одного иерархического уровня решаются с использованием различных методов математической статистики. Широкое использование получили дисперсионный и кластерный анализы, метод главных компонент (МГК), метод группового учета аргумента и т.д. Все статистические методы основаны на вычислении различных статистических характеристик и проверке их надежности. Выбор и применение того или иного метода чаще всего определяется удобностью и «привычностью» его использования, а не всегда точностью и оперативностью.

Для обоснования и выбора адекватного статистического метода обработки исходной геолого-технологической информации была проведена классификация продуктивных объектов с использованием МГК, кластерного анализа и активно развивающихся интеллектуальных методов, таких как искусственные нейронные сети (ИНС).

Группирование объектов разработки имеет целью выделение групп объектов, близких по условиям залегания, геолого-физическим и физико-химическим свойствам пластов и насыщающих их флюидов.

В качестве объектов исследования были отобраны 1427 продуктивных объектов разработки центрально-восточной части Волго-Уральской НГП, адми­нистративно находящихся в Башкортостане, Татарстане и в Пермском крае.

Для объектов, приуроченных к терригенным и карбонатным коллекторам, идентификацию проводили отдельно. В группировании участвовал 681 объект в терригенных коллекторах и 746 — в карбонатных. Сходство объектов определяли по таким параметрам, как: коэффициенты проницаемости, пористости, нефтенасыщенности, песчанистости; плотности и вязкости пластовой нефти; эффективной нефтенасыщенной толщине; содержанию АСПВ; площади нефтеносности и глубине залегания.

Выполненное группирование объектов исследования различными способами показало, что по всем трем методам эксплуатационные объекты распределились на 4–5 основные группы. С помощью МГК и кластерного анализа выделено по пять групп объектов, с использованием ИНС — четыре группы объектов.

Сопоставление результатов группирования различными методами показывает, что полученные характеристики групп имеют достаточно высокую схожесть. Это объясняется тем, что более 30 % объектов как терригенных, так и карбонатных коллекторов выделено в определенные группы по каждому способу группирования, т. е. более 50 объектов каждой группы повторяют результаты группирования по всем трем методам идентификации.

Сравнение и оценка параметров отдельных групп и анализ распределения объектов по группам позволили выделить четыре класса продуктивных объектов, имеющих свои характеристики (рисунок 1). Кроме того, анализ группирования позволяет определить и убедиться, какие параметры оказали определяющее влияние на формирование классов при использовании различных методов.

Объекты первого класса сформировались под влиянием следующих параметров: глубины залегания объектов; коэффициентов пористости, проницаемости и нефтенасыщенности; содержания АСПВ (таблица 2). Влияние этих параметров обусловлено тем, что их средние значения являются либо минимальными, либо максимальными для группы, определенной различными способами идентификации, т. е. коэффициент пористости является минимальным как для первой группы, определенной по ИНС и МГК, так и для второй группы, определенной по кластерному анализу.

Рисунок 1 — Схема корреляции групп эксплуатационных объектов
в терригенных коллекторах

Второй класс включает вторую группу по ИНС и четвертые группы по МГК и кластерному анализу. Общими минимальными значениями для данных групп являются глубина залегания, а максимальными — параметры, характеризующие коллекторские свойства и неоднородность (пористость, проницаемость, коэффициент песчанистости), а также свойства нефти (вязкость, содержание серы).

Третий класс объектов сформировался по результатам совпадения 3-й группы по ИНС, 5-й — по МГК и 1-й — по кластерному анализу. Основными и общими показателями, характеризующими этот класс, являются минимальные толщинные характеристики и минимальные значения коэффициента песчанистости.

Таблица 2 Сопоставление средних значений параметров по группам, полученных различными методами идентификации объектов в терригенных коллекторах

Для выделения четвертого класса рассмотрены четыре различные группы: 4-я — по ИНС, 2-я — по МГК, 2-я и 3-я — по кластерному анализу. Во второй и третьей группах кластерного анализа присутствуют общие объекты, которые выделены также в группы по ИНС и МГК. Значительное большинство объектов этих групп характеризуется минимальными значениями площади нефтеносности, вязкости и плотности нефти, а также максимальными значениями общей и эффективных толщин.

По результатам классификации можно отметить следующее:

— около 80 % продуктивных объектов распределены по группам в не зависимости от способа группирования;

— результаты группирования, полученные различными методами, достаточно хорошо коррелируются между собой;

— максимальное совпадение в группах получено по 242 объектам терригенных и 237 объектам карбонатных отложений. Эти объекты образуют однородные группы, которые занимают определенные, плотные и ограниченные зоны как в осях главных компонент, так и на дендрограмме в кластерном анализе.

Выделенные особенности рассмотренных групп объектов позволяют решать ряд различных задач проектирования и анализа разработки, а также выбора и обоснования методов увеличения нефтеотдачи пластов на основании успешного использования определенной технологии на одном объекте и прогноза его эффективности — на другом.

Группирование тремя независимыми методами позволило не только более объективно и точно выделить самостоятельные классы, но и отметить ряд особенностей:

— при классификации большого количества объектов, которые характеризуются значительным набором геотехнологических параметров, необходимо использовать несколько независимых методов группирования объектов. Это позволит более точно и объективно выделить идентичные объекты и определить центры групп;

— использование нескольких методов группирования позволит выявить близость «сомнительных» объектов к той или иной группе;

—методы МГК и нейросетевое моделирование (НСМ) позволяют оценить степень влияния отдельных (входных) параметров при группировании. Это достигается путем анализа весовых коэффициентов в ИНС и коэффициентов в уравнениях МГК;

— выделение однородных групп по МГК выполняется в осях главных компонент. Достаточным условием для этого является суммарная дисперсия, которая для первых трех компонент должна составлять не менее 65–70 %. Выделение однородных групп при очень большом количестве объектов в осях главных компонент субъективно, так как визуально сложно в большой совокупности выделить близкие объекты по нескольким координатным сеткам;

— методология ИНС самостоятельно предлагает оптимальное количество групп и достаточно четко показывает, после нескольких этапов обучения, к какой группе или группам принадлежит объект исследования;

— кластерный анализ удобнее использовать при группирование малого количества объектов, характеризующихся ограниченным количеством параметров.

Методика классификации залежей нефти с использованием независимых методов при различных объемах геолого-физической и физико-химической информации пластовых систем

На результаты классификации значительное влияние оказывают качество и объем исходной информации. Для более достоверного распределения объектов по группам разработана методика классификации, направленная на выбор способа группирования при определенном наборе исходной информации.

Процесс классификации объектов, прежде всего, требует проверки и оформления исходной матрицы данных. Известно, что объем исходной информации влияет на результаты классификации. Исходя из этого, а также из целей группирования предлагаемая последовательность выделения однотипных групп проводится различными методами. Детальный схематичный порядок группирования предложен на рисунке 2, но сама процедура группирования имеет некоторые особенности.

При группировании небольшого количества объектов удобно использовать кластерный анализ. Схожие объекты исследования на построенной дендрограмме располагаются в непосредственной близости, т. е. образуют один кластер. Суть данного метода в том, что два объекта, принадлежащих одной и той же группе (кластеру), имеют коэффициент

  Схема классификации объектов различными статистическими методами при-6

Рисунок 2 — Схема классификации объектов различными статистическими методами при различных условиях представления исходной информации

сходства, который меньше некоторого порогового значения. Пороговое значение отображает дистанция на дендрограмме, и чем больше величина дистанции, тем ниже коэффициент сходства.

Если необходимо выполнить классификацию большого количества объектов и при этом выявить параметры, оказывающие значительное влияние на процедуру идентификации, рекомендуется использовать нейросетевой метод или МГК. Использование МГК в отличие от ИНС может быть обусловлено тем, что исполнитель сам желает участвовать в непосредственном выделении групп и их центров (типичных объектов) в осях главных компонент. При таком подходе необходимо оценивать субъективный фактор отнесения объекта к определенной группе. Этого можно избежать, если определить центры группирования и вычислить расстояние от рассматриваемого объекта до центров групп, и там, где это расстояние будет меньше, он будет больше всего схож с объектами этой группы. ИНС ограничивает влияние исследователя на процесс классификации. При выполнении процедуры группирования нейросетевой алгоритм расписан таким образом, что он предоставляет варианты последующих действий (например, ИНС предлагает оптимальное количество классов, на которые он может разделить всю совокупность данных). После неоднократного обучения выборки нейросеть показывает, к какой группе относится объект или с какими группами объектов он более схож.

Сложнее выполнять классификацию при большом объеме данных. Здесь для наиболее объективных результатов недостаточно ограничиваться одним методом классификации. Поэтому в методике предлагается использовать независимые способы идентификации объектов (ИНС, МГК, кластерный анализ). Особенностью и сложностью использования нескольких методов является конечное сопоставление групп и выявление основных общих характеристик. Особое внимание нужно обратить на группы объектов, которые повторяют результаты классификации по всем независимым методам. Основные характеристики выделенных классов будут определены на основе особенностей объектов этих групп.

Использование данного методического подхода к классификации объектов повысит достоверность выделения однотипных объектов. В пределах отдельных классов появляется обоснованная возможность к тиражированию успешного опыта по использованию технологий, способов и методов, направленных на повышение эффективности выработки запасов углеводородов.

В третьей главе по результатам системного геолого-технологического анализа разработки месторождений нефти с различными категориями трудноизвлекаемых запасов обоснован комплекс мероприятий и рекомендаций по регулированию их разработки.

Анализ исследований, выполненный в предыдущих разделах, показал, что среди множества эксплуатационных объектов с трудноизвлекаемыми запасами выделяются наиболее характерные особенности месторождений, которые:

— характеризуются:

а) высокой выработкой запасов (КИЗ более 70) и приурочены к определенному геоструктурному элементу;

б) высокой вязкостью нефти;

— разрабатываются на естественном природном режиме (мелкие месторождения нефти);

— имеют обширную водонефтяную зону и значительную долю запасов, расположенных в карбонатных коллекторах.

Наиболее показательными месторождениями с вышеуказанными характеристиками являются: месторождения Бирской седловины, Мухарметовское (восточный склон Татарского свода), Степноозерское (Мелекесская впадина) и месторождения северной части Башкирского свода. На примере этих месторождений в работе представлена методика выполнения системного геолого-технологического анализа с целью оптимизации воздействия на различные категории ТрИЗ.

Повышение эффективности выработки запасов нефти мелких месторождений в условиях слабой геологической изученности (на примере Мухарметовского месторождения)

Для разрабатываемых средних и крупных месторождений данные, полу­ченные в результате дополнительных геолого-разведочных работ, по распро­странению пород-коллекторов, наличию слабопроницаемых зон, по изменению нефтенасыщенности и эффективной нефтенасыщенной толщины, уточнению контуров ВНК и т.д., в большинстве случаев оказывают незначите­льное влияние на систему разработки. Аналогичные мероприятия по доразведке или уточнению геологического строения продуктивных горизонтов мелких место­рождений могут привести к пересмотру всей сложившейся системы разработки.

Изменение представления о геологическом строении, в частности геолого-физических характеристик продуктивных пластов, ведет к пересмотру подсчетных параметров разрабатываемых объектов. Даже в случае изменения запасов углеводородов, не превышающем 10 % для мелких месторождений, пересмотр способа эксплуатации и системы размещения скважин весьма вероятен. Соответствующий пересмотр системы разработки месторождения был выполнен на Мухарметовском месторождении Республики Татарстан.

Успешность глубокого бурения по Мухарметовскому месторождению, содержащему высоковязкие нефти, составила 40 %. Данное состояние нельзя охарактеризовать как удовлетворительное. Дополнительные геолого-разведочные работы позволили по-иному отобразить геологическое строение продуктивных залежей.

Данные исследования показали существенное изменение и различие в строении залежей, а в частности — в расположении контуров нефтеносности. В результате переинтерпретации исходной информации и построения новых геологических моделей контуры залежей в пашийских, бобриковских и кизеловских отложениях значительно изменились, а, соответственно, изменились площади и объемы нефтенасыщенных пород. Отметим и слабую изученность визейских врезовых зон, тектонических нарушений.

В связи со слабой изученностью геологического строения и различий в построении новых геологических моделей продуктивных залежей успешность дальнейшего эксплуатационного бурения без проведения дополнительных геолого-разведочных работ оценивается как низкая, что может повлечь за собой высокий финансовый риск для недропользователя (таблица 3, рисунки 3–4).

Таблица 3 Изменение запасов по результатам пересмотра геолого-физических материалов

Продуктивные горизонты Изменения, полученные после проведения геологического уточнения, %
по площади по запасам
Пашийский (Д1-а) –7,1 –44,7
Кизеловский (Скз-1) Увеличение в 4,3 раза Увеличение в 3,1 раза
Бобриковский (C1bb-1) 64,0 -5,9
По месторождению 5,7


Pages:     | 1 || 3 | 4 |   ...   | 5 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.