Исследование вероятностных моделей для прогнозирования эффективности технологии пропантного гидравлического разрыва пласта
- 1 — д-р геол.-минерал. наук Пермский национальный исследовательский политехнический университет ▪ Scopus ▪ ResearcherID
- 2 — ведущий инженер Филиал ООО «ЛУКОЙЛ-Инжиниринг» «ПермНИПИнефть» в г.Перми ▪ Orcid ▪ Elibrary ▪ Scopus
Аннотация
Для решения задач, сопровождающих разработку методов прогнозирования, предложен вероятностный метод анализа данных. На примере карбонатного объекта рассмотрено применение вероятностной методики прогнозирования эффективности технологии пропантного гидравлического разрыва пласта (ГРП). Выполнен прогноз прироста дебита нефти скважин с использованием вероятностного анализа геологических и технологических данных в разные периоды выполнения ГРП. С помощью данного метода размерные показатели были переведены в единое вероятностное пространство, что позволило выполнить сравнение и построить индивидуальные вероятностные модели. Проведена оценка степени влияния каждого показателя на эффективность ГРП. Вероятностный анализ показателей в разные периоды выполнения ГРП позволил выявить универсальные статистически значимые зависимости. Данные зависимости не меняют своих параметров и могут быть использованы для прогнозирования в разные периоды времени. Определены критерии применения технологии ГРП на карбонатном объекте. С использованием индивидуальных вероятностных моделей рассчитаны комплексные показатели, на основе которых построены регрессионные уравнения. С помощью уравнений выполнен прогноз эффективности ГРП на прогнозных выборках скважин. Для каждой из выборок рассчитаны коэффициенты корреляции. Прогнозные результаты хорошо коррелируются с фактическими приростами (значения коэффициентов корреляции r = 0,58-0,67 по экзаменационным выборкам). Вероятностный метод, в отличие от других, обладает простотой и прозрачностью. С его использованием и при тщательном подборе скважин для применения технологии ГРП вероятность получения высокой эффективности значительно возрастает.
Введение. Прогнозирование временного ряда является одной из распространенных форм постановки задачи прогнозирования, решение которой играет важнейшую роль в процессах стратегического планирования. Применение каких-либо из существующих в настоящее время математических моделей и методов прогнозирования временных рядов тесно связано со спецификой предметной области. Задача прогнозирования временного ряда решается на основе создания модели прогнозирования, приемлемо описывающей исследуемый процесс.
Рассматриваемый класс временных рядов с регулярными постоянными компонентами используется в предметных областях, в которых существенно влияние различных факторов. Примером такой сферы является нефтяная промышленность, где прибыль компании, страны зависит от уверенности в выполнении планов по добыче нефти. Выполнение планов по добыче нефтизависит от множества факторов: технологических, обусловленных технологией добычи нефти; технических, зависящих от применяемых технических средств для интенсификации добычи нефти и геологических, обусловленных структурой пространства, где располагаются остаточные запасы нефти. Для прогнозирования динамики работы скважины [17, 18, 21] используют совокупность геолого-физических факторов, характеризующих залежь или район скважины.При наличии временных рядов данного класса в разных сферах решение задачи прогнозирования является важной научно-технической задачей.
По состоянию на 01.01.2020г. разработаны и применяются следующие статистические и структурные модели прогнозирования временных рядов: регрессионные модели прогнозирования [6, 9 - 11]; модели, использующие генетические алгоритмы [3]; модель на нейронных сетях [4, 14, 15]; на классификационно-регрессионных деревьях [1]; на марковских процессах [13]; на основе кластеризации [5, 8]; на основе самоорганизующихся карт (карты Кохонена) [2]; на основе нечеткой логики [7], [12]; на байесовских сетях [13].
Все статистические и структурные модели прогнозирования временных рядов имеют свои преимущества и недостатки.
Регрессионные модели и методы. К достоинствам данных моделей относят простоту, гибкость, а также единообразие их анализа. При использовании линейных регрессионных моделей результат прогнозирования может быть получен быстрее, чем при использовании остальных моделей. Кроме того, преимуществом является прозрачность моделирования, т.е. доступность для анализа всех промежуточных вычислений. Основным недостатком нелинейных регрессионных моделей является сложность определения вида функциональной зависимости, а также трудоемкость определения основных параметров модели, участвующих в расчетах.
Нейросетевые модели и методы. Основным достоинством нейросетевых моделей является нелинейность, т.е. способность устанавливать нелинейные зависимости между будущими и фактическими значениями процессов. Другие важные достоинства: адаптивность, масштабируемость и единообразие анализа и проектирования. Недостатки: отсутствие прозрачности моделирования, сложность выбора архитектуры, высокие требования к непротиворечивости обучающей выборки, сложность выбора алгоритма обучения и ресурсоемкость процесса обучения.
Модели на базе классификационно-регрессионных деревьев. Достоинства данного класса моделей: масштабируемость (за счет которой возможна быстрая обработка сверхбольших объемов данных), быстрота и однозначность процесса обучения дерева, а также возможность использования категориальных внешних факторов. Недостатки: неоднозначность алгоритма построения структуры дерева, сложность определения момента прекращения дальнейшего ветвления.
Судить о точности прогнозирования приведенных моделей прогнозирования не представляется возможным. Точность прогнозирования того или иного процесса зависит не только от модели, но и от опыта исследователя, от того, насколько хорошо он разобрался в устройстве той или иной модели прогнозирования, от доступности данных и многих других факторов. Однако можно сгруппировать основные недостатки существующих методов прогнозирования: большое число свободных параметров, требующих идентификации; различные размерности, используемые при прогнозировании показателей; недоступность промежуточных вычислений, выполняющихся в «черном ящике»; сложность оценки индивидуальной степени влияния используемых показателей на выходное значение, т.е.зачастую бывает трудно определить, какие из показателей имеют наибольшее влияние на выходной показатель и ранжировать их.
Задача прогнозирования временных рядов актуальна для многих предметных областей и является важной частью повседневной работы компаний ООО «ЛУКОЙЛ-Пермь». Для решения данных задач предлагается рассмотреть возможности использования вероятностного метода, который достаточно подробно изложен в работах [16, 19, 22, 23]. В данной работе выполнен прогноз прироста дебита нефти
По состоянию на 01.01.2019 г. на объекте В3В4 выполнено 66 операций пропантного ГРП сосредним начальным приростом дебита нефти 7,1т/сут. Разделим выборку скважин на два класса: класс I с приростом нефти
где,
Критерий tp позволил сократить первоначально имеющееся количество показателей до нескольких.
Основные геолого-технологические показатели:
• Геологические параметры: коэффициенты пористости mпор %; продуктивности Кпрод, м3сут МПа; проницаемости ближней зоны пласта КПЗПпрон, мкм2; проницаемости удаленной зоны пласта КУЗПпрон, мкм2; пьезопроводности γ, см2·с; скин-фактор S; значения гамма-каротажа GK, мкр/ч; значения гамма нейронного гамма-каротажа NGK, мкр/ч; скрытая эффективная нефтенасыщенная толщина hэф, м; глубина залегания пласта относительная Hотн, м; абсолютная Hабс, м.
• Технологические параметры: текущее пластовое давление в скважине PплМПа; накопленная с начала эксплуатации скважиныдобыча нефти Qн.н, т; добыча воды Qв.н, т.
Предлагается выполнить вероятностный анализ данных и построить вероятностные модели по геологическим и технологическим показателям скважин, сформированным в периоды: 2014-2015 (20 скв.); 2014-2016 (29 скв.); 2014-2017 (50 скв.); 2014-2018 гг. (66 скв.).
Первоначально планируется построить вероятностную модель по скважинам 2014-2015гг., т.е. каждый геолого-технологический параметр N, имеющий размерность (МПа, мкм2, т и т.д.), перевести в безразмерную величину. Перевод размерных величин в безразмерные позволит сравнивать показатели в едином вероятностном пространстве между собой. По результатам анализа по каждому показателю построим вероятностное уравнение:
Вероятностное уравнение позволит определить критерии применения технологии ГРП и ранжировать показатели по степени влияния на фактический прирост дебита нефти
Рассмотрим методику построения индивидуальных вероятностных моделей на примере текущего пластового давления в скважине
Следуя используемой методике,на первом этапе построения вероятностной модели по даннымпоказателя
Для исследования соотношений доли значений, попавших в различные интервалы варьирования
На следующем шаге вычисляем вероятность принадлежности группы к классу:
где
Результаты расчетов представлены в табл.1.
Таблица 1
Распределение значений вероятностей P(Pпл) принадлежности групп к классам
Скважины | Интервалы варьирования пластового давления |
|||||
3,5-4,9 | 5,0-6,3 | 6,4-7,7 | 7,8-9,1 | 9,2-10,5 | 10,6-11,9 | |
Класс I при |
0,053 | 0,263 | 0,289 | 0,158 | 0,132 | 0,053 |
Класс II при |
0,143 | 0,321 | 0,286 | 0,143 | - | 0,071 |
Далее рассчитаем условную вероятность для каждой группы:
В каждом интервале вычисляются вероятности принадлежности к скважинам класса I. После этого интервальные вероятности принадлежности к классу I сопоставляются со средними интервальными значениями показателя Pпл. По величинам P(Pпл) и Pпл высчитывается парный коэффициент корреляции r и строится уравнение регрессии. Последующая корректировка построенных моделей выполняется с условием, что среднее значение вероятностей для скважин,где ГРП эффективно, должно быть больше 0,5, а скважин, где ГРП малоэффективно, меньше 0,5. Вероятностная модель имеет следующий вид:
В табл.2 представлены модели геолого-технологических параметров по каждой из выборок. Показано, что значения вероятностей по всем показателям изменяются в пределах 0,160-0,840. Это свидетельствует о том, что все показатели с различными размерностями при помощи построенных уравнений регрессии были переведены в единое вероятностное пространство. Выполняемые вычисления для построения индивидуальных вероятностных моделей доступны для специалиста и, в отличие от других методов, не содержат скрытых процессов.
Таблица 2
Вероятностные модели принадлежности к классу I (по выборкам)
Выборка скважин | Вероятностное уравнение | Область применения уравнения | Диапазон изменения вероятности | ||
Геологические параметры | |||||
2014-2015 | -6,2 | -1,3 | 0,190 | 0,810 | |
2014-2016 | -6,2 | -1,3 | 0,297 | 0,703 | |
2014-2017 | -6,6 | -0,2 | 0,377 | 0,623 | |
2014-2018 | -6,6 | 3,8 | 0,292 | 0,708 | |
2014-2015 | 1,2 | 6,3 | 0,194 | 0,806 | |
2014-2016 | 1,2 | 6,3 | 0,160 | 0,840 | |
2014-2017 | 1,1 | 6,3 | 0,238 | 0,782 | |
2014-2018 | 1,1 | 6,6 | 0,252 | 0,748 | |
2014-2015 | |
3 | 6 | 0,378 | 0,622 |
2014-2016 | |
3 | 7 | 0,274 | 0,726 |
2014-2017 | |
2,5 | 7 | 0,290 | 0,710 |
2014-2018 | |
2,5 | 7 | 0,340 | 0,660 |
2014-2015 | |
1036 | 1252 | 0,307 | 0,761 |
2014-2016 | |
1036 | 1288 | 0,413 | 0,690 |
2014-2017 | |
1036 | 1288 | 0,446 | 0,497 |
2014-2018 | |
1036 | 1288 | 0,413 | 0,539 |
2014-2015 | 14,3 | 18,5 | 0,348 | 0,652 | |
2014-2016 | 11,4 | 18,5 | 0,425 | 0,575 | |
2014-2017 | 11,4 | 19,1 | 0,213 | 0,786 | |
2014-2018 | 11,4 | 19,4 | 0,377 | 0,612 | |
2014-2015 | 27 | 617 | 0,3454 | 0,640 | |
2014-2016 | 17 | 617 | 0,421 | 0,601 | |
2014-2017 | 17 | 617 | 0,297 | 0,717 | |
2014-2018 | 6 | 669 | 0,480 | 0,526 | |
2014-2015 | |
0,39 | 8,54 | 0,338 | 0,662 |
2014-2016 | |
0,21 | 8,54 | 0,366 | 0,634 |
2014-2017 | |
0,21 | 8,54 | 0,447 | 0,553 |
2014-2018 | |
0,07 | 8,54 | 0,447 | 0,553 |
2014-2015 | |
848 | 876 | 0,403 | 0,622 |
2014-2016 | |
848 | 876 | 0,255 | 0,745 |
2014-2017 | |
844 | 876 | 0,418 | 0,428 |
2014-2018 | |
840 | 876 | 0,394 | 0,404 |
2014-2015 | |
0,006 | 0,192 | 0,4460 | 0,530 |
2014-2016 | |
0,002 | 0,192 | 0,371 | 0,649 |
2014-2017 | |
0,002 | 0,192 | 0,470 | 0,515 |
2014-2018 | |
0,002 | 0,206 | 0,491 | 0,498 |
2014-2015 | 1,4 | 4 | 0,488 | 0,512 | |
2014-2016 | 1,4 | 4 | 0,453 | 0,547 | |
2014-2017 | 1,2 | 4 | 0,442 | 0,558 | |
2014-2018 | 1,2 | 4 | 0,429 | 0,571 | |
2014-2015 | |
0,003 | 0,069 | 0,449 | 0,550 |
2014-2016 | |
0,001 | 0,069 | 0,479 | 0,520 |
2014-2017 | |
0,001 | 0,069 | 0,480 | 0,540 |
2014-2018 | |
0,001 | 0,19 | 0,392 | 0,621 |
Технологические параметры | |||||
2014-2015 | |
91 | 6747 | 0,382 | 0,648 |
2014-2016 | |
91 | 16513 | 0,426 | 0,591 |
2014-2017 | |
91 | 16513 | 0,452 | 0,551 |
2014-2018 | |
91 | 16513 | 0,399 | 0,548 |
2014-2015 | |
939 | 49280 | 0,228 | 0,711 |
2014-2016 | |
939 | 49280 | 0,396 | 0,589 |
2014-2017 | |
939 | 59862 | 0,461 | 0,520 |
2014-2018 | |
841 | 59862 | 0,455 | 0,574 |
2014-2015 | |
3,5 | 8,4 | 0,408 | 0,592 |
2014-2016 | |
3,5 | 10,6 | 0,274 | 0,726 |
2014-2017 | |
3,5 | 13,2 | 0,231 | 0,770 |
2014-2018 | |
3,5 | 13,2 | 0,222 | 0,778 |
На рис.2 представлены универсальные зависимости, обладающие одинаковыми свойствами во всех выборках. Цветами выделены универсальные зависимости по выборкам скважин периодов: 2014-2015 (красный), 2014-2016 (желтый), 2014-2017 (зеленый), 2014-2018 гг. (синий). Универсальные зависимости будут обладать данными свойствами при увеличении количества скважин в выборке (2019, 2020, 2021, ...). Например, при вероятностном анализе выборки скважин 2014-2015гг. наблюдалось, что с увеличением значений NGK отмечалось увеличение эффективности ГРП P(NGK)→ 1. Добавление новых данных по скважинам из выборок 2016, 2017, 2018гг. не приводит к изменению зависимости. В табл.2 показано, что

На рис.3 цветными точкамиобозначены нечеткие зависимости по выборкам скважин периодов: 2014-2015, 2014-2016, 2014-2017, 2014-2018гг. Глубина залегания пласта значительно влияет на эффективность ГРП в период 2014-2015гг., при увеличении значений tg


Вероятностный метод анализа данных обладает «прозрачностью», так как на практике получилось построить вероятностные модели и оценить степень влияния показателей на выходной показатель
Определены наиболее информативные параметры, влияющие на выходной параметр. Выявлены универсальные зависимости, ранжированы по углу наклона tg
Для достижения прироста дебита нефти 7 т/сут необходимо, чтобы вероятность была более 50%. Следовательно, значения критериев применения технологии ГРП располагается в пределах 0,5-1д.ед. (P(N) ≥ 0,5). Таким образом (P(N) = 0,5 соответствует минимальному значению параметра, (P(N) → 1 соответствует максимальному. Универсальные показатели должны соответствовать критериям применения технологии ГРП на карбонатном объекте В3В4:значения гамма-каротажа NGK = 4,1-6,3 мкр/ч; вскрытая эффективная нефтенасыщенная толщина
Прогнозирование прироста дебита нефти. С целью совместного использования индивидуальных вероятностей по геолого-технологическим показателям вычисляется обобщенная (комплексная) вероятность
Прогнозный прирост дебита нефти
Данная регрессионная модель учитывает значения
На рис.4 показано, что рассчитанные значения прироста дебита нефти достаточно хорошокоррелируется с фактическими приростами дебитов, значения коэффициентов корреляции r = 0,58-0,67 по экзаменационным выборкам скважин. Наибольшее расхождение прогнозных данных с фактическими наблюдается при прогнозировании приростов в период 2016-2018гг., максимальное отклонение 2,9т/сут, в других выборках отмечается наименьшее отклонение. Наименьшее расхождение при прогнозировании приростов дебитов нефти в обучающей выборке скважин 2014-2018 гг.
Заключение. Главными достоинствами вероятностного метода анализа являются простота и прозрачность. Данный метод позволил значительно сократить число свободных переменных,перевести размерные показатели в единое вероятностное пространство.
Описание построения индивидуальных вероятностных моделей позволило показать прозрачность данного метода и отсутствие скрытых процессов. С помощью tg
Метод рекомендуется использовать для прогнозирования эффективности применения других технологий: перфорационных методов, радиального бурения, кислотных обработок и др.