Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)


Для цитирования:

Персова М. Г., Соловейчик Ю. Г., Патрушев И. И., Насыбуллин А. В., Алтынбекова Г. Ж., Леонович Д. А. Оптимизация разработки нефтяных месторождений на основе 3D-модели пласта, полученной в результате автоадаптации // Известия Саратовского университета. Новая серия. Серия : Математика. Механика. Информатика. 2023. Т. 23, вып. 4. С. 544-558. DOI: 10.18500/1816-9791-2023-23-4-544-558, EDN: XGVLMB

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
30.11.2023
Полный текст:
(downloads: 444)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
004.94+517.95
EDN: 
XGVLMB

Оптимизация разработки нефтяных месторождений на основе 3D-модели пласта, полученной в результате автоадаптации

Авторы: 
Персова Марина Геннадьевна, Новосибирский государственный технический университет
Соловейчик Юрий Григорьевич, Новосибирский государственный технический университет
Патрушев Илья Игоревич, Новосибирский государственный технический университет
Насыбуллин Арслан Валерьевич, Альметьевский государственный нефтяной институт
Алтынбекова Гулайым Жанатовна, Новосибирский государственный технический университет
Леонович Дарьяна Александровна, Новосибирский государственный технический университет
Аннотация: 

В работе предлагается подход к оптимизации разработки нефтяных месторождений. Целевая функция включает взвешенные квадраты целевых показателей разработки и регуляризирующие добавки, в которых коэффициенты ищутся адаптивно. Регуляризирующие добавки обеспечивают выполнение ограничений на оптимизируемые параметры и быструю сходимость процесса оптимизации. При минимизации целевой функции выполняется линеаризация целевых показателей, и значения оптимизируемых параметров на очередной итерации ищутся путем решения системы линейных алгебраических уравнений (СЛАУ), получаемой из минимизации квадратичного функционала. Значения целевых показателей и их чувствительности к оптимизируемым параметрам вычисляются путем гидродинамического 3D-моделирования для модели месторождения, полученной в результате автоадаптации за период, предшествующий периоду оптимизации. Расчеты выполняются в распределенной вычислительной системе, состоящей из многоядерных персональных компьютеров. Для проведения апробации предлагаемого подхода была использована модель участка месторождения высоковязкой нефти Республики Татарстан. Оптимизация проведена с различными весовыми коэффициентами и желательными значениями добычи нефти в соответствующем целевом показателе. Показано, что оптимизированные планы обеспечивают более эффективную разработку нефтяного месторождения по сравнению с планом, использованным на практике. Вместе с этим оптимальный план, построенный по адаптированной  модели месторождения на ранней стадии разработки, оптимизирует разработку и для модели,  адаптированной на основе данных, полученных за весь период разработки месторождения. Это позволяет сделать вывод, что планы разработки, построенные по модели, адаптированной на основе данных, полученных за короткий срок, будут примерно в той же степени оптимизировать и характеристики добычи для реального месторождения. Время решения оптимизационных задач, содержащих около 500 параметров, в распределенной вычислительной системе составило около суток.

Благодарности: 
Работа выполнена при финансовой поддержке Министерства науки и высшего образования РФ (проект № FSUN-2020-0012).
Список источников: 
  1. Shirangi M. G., Durlofsky L. J. Closed-loop field development under uncertainty by use of optimization with sample validation // SPE Journal. Society of Petroleum Engineers. 2015. Vol. 20. P. 908–922. https://doi.org/10.2118/173219-PA
  2. de Brito D. U., Durlofsky L. J. Well control optimization using a two-step surrogate treatment // Journal of Petroleum Science and Engineering. 2020. Vol. 187. Art. 106565. https://doi.org/10.1016/j.petrol.2019.106565
  3. Bai Y., Hou J., Liu Y., Zhao D., Bing S., Xiao W., Zhao W. Energy-consumption calculation and optimization method of integrated system of injection-reservoir-production in high water-cut reservoir // Energy. 2022. Vol. 239. Art. 121961. https://doi.org/10.1016/j.energy.2021.121961
  4. Nasir Y., Yu W., Sepehrnoori K. Hybrid derivative-free technique and effective machine learning surrogate for nonlinear constrained well placement and production optimization // Journal of Petroleum Science and Engineering. 2020. Vol. 186. Art. 106726. https://doi.org/10.1016/j.petrol.2019.106726
  5. Negahdari Z., Khandoozi S., Ghaedi M., Malayeri M. R. Optimization of injection water composition during low salinity water flooding in carbonate rocks: A numerical simulation study // Journal of Petroleum Science and Engineering. 2022. Vol. 209. Art. 109847. https://doi.org/10.1016/j.petrol.2021.109847
  6. Tugan M. F., Weijermars R. Improved EUR prediction for multi-fractured hydrocarbon wells based on 3-segment DCA: Implications for production forecasting of parent and child wells // Journal of Petroleum Science and Engineering. 2020. Vol. 187. Art. 106692. https://doi.org/10.1016/j.petrol.2019.106692
  7. Alfarizi M. G., Stanko M., Bikmukhametov T. Well control optimization in waterflooding using genetic algorithm coupled with Artificial Neural Networks // Upstream Oil and Gas Technology. 2022. Vol. 9. Art. 100071. https://doi.org/10.1016/j.upstre.2022.100071
  8. Ng C. S. W., Ghahfarokhi A. J., Amar M. N. Production optimization under waterflooding with Long Short-Term Memory and metaheuristic algorithm // Petroleum. 2022. Vol. 9, iss. 1. P. 53–60. https://doi.org/10.1016/j.petlm.2021.12.008
  9. Tang L., Li J., Lu W., Lian P., Wang H., Jiang H., Wang F., Jia H. Well control optimization of waterflooding oilfield based on deep neural network // Geofluids. 2021. Vol. 2021. Art. 8873782. https://doi.org/10.1155/2021/8873782
  10. Jansen J. D., Douma S. D., Brouwer D. R., Van den Hof P. M. J., Bosgra O. H., Heemink A. W. Closed loop reservoir management // SPE Reservoir Simulation Symposium. The Woodlands, Texas, February 2009. Art. SPE-119098-MS. https://doi.org/10.2118/ 119098-MS
  11. Wang C., Li G., Reynolds A. C. Production optimization in closed-loop reservoir management // SPE Journal. 2009. Vol. 14, iss. 3. P. 506–523. https://doi.org/10.2118/109805-PA
  12. Awasthi U., Marmier R., Grossmann I. E. Multiperiod optimization model for oilfield production planning: Bicriterion optimization and two-stage stochastic programming model // Optimization and Engineering. 2019. Vol. 20. P. 1227–1248. https://doi.org/10.1007/s11081-019-09455-0
  13. Rodriguez A. X., Aristizabal J., Cabrales S., Gomez J. M., Medaglia A. L. Optimal waterflooding management using an embedded predictive analytical model // Journal of Petroleum Science and Engineering. 2022. Vol. 208. Pt. B. Art. 109419. https://doi.org/10.1016/j.petrol.2021.109419
  14. Dang C., Nghiem L., Nguyen N., Yang C., Chen Z., Bae W. Modeling and optimization of alkaline-surfactant-polymer flooding and hybrid enhanced oil recovery processes // Journal of Petroleum Science and Engineering. 2018. Vol. 169. P. 578–601. https://doi.org/10.1016/j.petrol.2018.06.017
  15. Zhao H., Xu L., Guo Z., Liu W., Zhang Q., Ning X., Li G., Shi L. A new and fast waterflooding optimization workflow based on INSIM-derived injection efficiency with a field application // Journal of Petroleum Science and Engineering. 2019. Vol. 179. P. 1186–1200. https://doi.org/10.1016/j.petrol.2019.04.025
  16. Xue X., Chen G., Zhang K., Zhang L., Zhao X., Song L., Wang M., Wang P. A divide-and-conquer optimization paradigm for waterflooding production optimization // Journal of Petroleum Science and Engineering. 2022. Vol. 211. Art. 110050. https://doi.org/10.1016/j.petrol.2021.110050
  17. Persova M. G., Soloveichik Y. G., Vagin D. V., Grif A. M., Kiselev D. S., Patrushev I. I., Nasybullin A. V., Ganiev B. G. The design of high-viscosity oil reservoir model based on the inverse problem solution // Journal of Petroleum Science and Engineering. 2021. Vol. 199. Art. 108245. https://doi.org/10.1016/j.petrol.2020.108245
  18. Soloveichik Y. G., Persova M. G., Grif A. M., Ovchinnikova A. S., Patrushev I. I., Vagin D. V., Kiselev D. S. A method of FE modeling multiphase compressible flow in hydrocarbon reservoirs // Computer Methods in Applied Mechanics and Engineering. 2022. Vol. 390. Art. 114468. https://doi.org/10.1016/j.cma.2021.114468
  19. Persova M. G., Soloveichik Y. G., Vagin D. V., Kiselev D. S., Sivenkova A. P., Grif A. M. Improving the computational efficiency of solving multisource 3-D airborne electromagnetic problems in complex geological media // Computational Geosciences. 2021. Vol. 25, iss. 6. P. 1957–1981. https://doi.org/10.1007/s10596-021-10095-6
  20. Насыбуллин А. В., Персова М. Г., Орехов Е. В., Шайдуллин Л. К., Соловейчик Ю. Г., Патрушев И. И. Моделирование ПАВ-полимерного заводнения на участке Бурейкинского месторождения // Нефтяное хозяйство. 2022. № 7. С. 38–42. https://doi.org/10.24887/0028-2448-2022-7-38-42
Поступила в редакцию: 
28.09.2022
Принята к публикации: 
20.11.2022
Опубликована: 
30.11.2023