Методика Оценки Гидродинамической Связности Скважин На Основе Промысловых Данных Для Задач Оптимизации Системы Поддержания Пластового Давления

Поддержание пластового давления (ППД) путём заводнения остаётся основным методом воздействия на залежь на большинстве разрабатываемых месторождений. Эффективность системы ППД определяется не столько суммарным объёмом закачиваемой воды, сколько рациональностью её распределения между нагнетательными скважинами. Ключевым условием такого распределения является знание структуры гидродинамической связности — того, какая доля воды, закачиваемой в конкретную нагнетательную скважину, поступает к каждой из окружающих добывающих скважин. Количественная оценка взаимовлияния скважин по данным об их работе (динамике дебитов, приёмистостей и давлений) представляет собой обратную задачу, решение которой требуется в первую очередь для регулирования закачки [4].

Особую сложность задача приобретает на объектах поздней стадии разработки, где из-за неоднородности коллектора формируются каналы преимущественной фильтрации, по которым значительная часть закачиваемой воды поступает к уже обводнённым добывающим скважинам, практически не вытесняя нефть. Наличие таких высокопроводящих каналов и распределение фильтрационных потоков фиксируются прямыми промысловыми исследованиями [2].

Традиционно сведения о связности получают по результатам трёхмерного гидродинамического моделирования (ГДМ), построение и адаптация которого требуют детальной геологической основы и значительных вычислительных ресурсов. Альтернативой выступают прокси-модели, характеризующие свойства пласта исключительно на основании исторических данных эксплуатации скважин [4]. Целью настоящей работы является изложение методики восстановления матрицы межскважинной связности по доступным промысловым данным, сравнение применимых для этого моделей и обоснование процедуры физической верификации результата.

Основой методики служат временные ряды месячных эксплуатационных рапортов: объёмы закачки по нагнетательным скважинам, дебиты жидкости и нефти и обводнённость по добывающим скважинам. Дополнительно привлекаются данные о пластовом и забойном давлении.

Подготовка данных является наиболее трудоёмким этапом создания модели. Она включает синхронизацию рядов по единой временной шкале, очистку от заведомо ошибочных значений и заполнение пропусков с сохранением физического смысла рядов, а также нормализацию разнородных по диапазону величин. Отдельного внимания требует учёт геолого-технических мероприятий, изменяющих режим работы скважин, их игнорирование искажает результаты моделирования разработки, поэтому соответствующие периоды должны выделяться и корректно учитываться [1].

Корректность подготовки критична потому, что задача оценки связности относится к классу обратных и может характеризоваться существенной неоднозначностью решения [4]. Систематические ошибки замеров и недоучёт мероприятий приводят к появлению ложных связей, не имеющих физической природы, в связи с чем при восстановлении связности применяют помехоустойчивые методы оценки.

Под связностью понимается нормированная величина, характеризующая долю отклика добывающей скважины, приходящуюся на изменение закачки конкретной нагнетательной скважины. Совокупность таких величин по всем парам «нагнетательная — добывающая скважина» образует матрицу связности. Для её восстановления применимы три класса моделей.

Статистические регрессионные методы. Базовый подход связывает флуктуации закачки нагнетательных скважин с флуктуациями отборов добывающих скважин с помощью многомерной линейной регрессии с ограничениями, дополненной фильтрами, учитывающими запаздывание отклика; полученные коэффициенты зависят преимущественно от геологии и взаимного расположения скважин и не зависят от режимов закачки и отбора [6]. Для повышения надёжности при наличии помех в промысловых данных применяются специальные помехоустойчивые алгоритмы оценки связности. Статистические методы нетребовательны к объёму данных и дают легко интерпретируемый результат, однако описывают связи преимущественно в линейном приближении.

Ёмкостно-резистивная модель (CRM). Модель описывает интерференцию скважин на основе уравнения материального баланса участка дренирования и определяет для каждой пары скважин два параметра: коэффициент связности (долю закачки, поддерживающую добычу) и постоянную времени, характеризующую запаздывание и аккумулирующую способность межскважинной зоны [5]. Модель имеет ясную физическую основу и пригодна для оперативной оценки взаимовлияния, однако содержит больше настраиваемых параметров и потому требовательнее к качеству и объёму данных; неоднозначность обратной задачи при этом сохраняется [4].

Нейросетевая оценка чувствительности. Подход предполагает обучение рекуррентной сети (LSTM) на временных рядах промысловых данных для построения отображения между закачкой нагнетательных и дебитами добывающих скважин с последующим расчётом чувствительности прогнозного дебита к изменению закачки методами глобального анализа чувствительности. Подход улавливает нелинейные зависимости и долговременную динамику, однако требует значительного объёма обучающих данных и на коротких промысловых рядах уступает по устойчивости статистическим методам.

Выбор модели определяется длиной истории разработки и размером фонда скважин. На объектах с короткой историей и малым числом скважин наиболее устойчивые и физически непротиворечивые оценки дают статистические методы и CRM, тогда как нейросетевые подходы раскрывают преимущества при длительной истории наблюдений и большом фонде.

Восстановленная по промысловым данным матрица связности отражает статистические зависимости и нуждается в проверке на физическую достоверность. Наиболее надёжным инструментом такой проверки служат индикаторные (трассерные) исследования, при которых в нагнетательную скважину закачивается меченая жидкость, а её появление фиксируется в окружающих добывающих скважинах. Метод позволяет напрямую определить гидродинамическую связь между нагнетательной и добывающими скважинами, оценить распределение фильтрационных потоков и выявить высокопроводящие каналы [2].

Сопоставление расчётной матрицы с результатами трассерных исследований позволяет установить, воспроизводит ли модель реальные каналы фильтрации, а не случайные корреляции в данных. Совпадение наиболее сильных связей, выявленных независимым промысловым экспериментом, с расчётными служит критерием достоверности модели в той её части, которая определяет управленческие рекомендации. Практическая значимость восстановленной и верифицированной матрицы состоит в том, что она позволяет выявить нагнетательные скважины, закачка которых преимущественно расходуется на циркуляцию воды через обводнённые добывающие скважины, и обоснованно перераспределить объёмы закачки в пользу продуктивно работающих направлений без увеличения суммарного объёма нагнетания.

Изложенная методика позволяет количественно оценить гидродинамическую связность скважин по данным регулярной промысловой отчётности без построения полномасштабной гидродинамической модели. Последовательность включает подготовку и очистку промысловых временных рядов, восстановление матрицы связности одной из трёх рассмотренных моделей и её физическую верификацию по трассерным данным.

Сравнение моделей показывает, что выбор подхода должен опираться на объём и качество исходных данных: для объектов с короткой историей разработки предпочтительны устойчивые статистические оценки связности и CRM, тогда как нейросетевые модели целесообразны при значительном массиве обучающих данных. Полученная матрица связности является основой для последующей оптимизации распределения закачки в системе ППД и применима на многопластовых объектах поздней стадии разработки.