1
- Authors: Zholdybayeva A.1, Ibrayev A.Y.2, Ibrayev A.Y.2
-
Affiliations:
- Satbayev University
- KMG Engineering
- Section: Original studies
- URL: https://vestnik-ngo.kz/2707-4226/article/view/108771
- DOI: https://doi.org/10.54859/kjogi108771
- ID: 108771
Cite item
Full Text
Abstract
1
Keywords
Full Text
Введение
Применение цифровых 3Д геолого-гидродинамических моделей не всегда является возможным при прогнозировании добычи нефти на месторождении. Это связано с отсутсвием необходимой информацией, самих цифровых моделей, а также иногда очень трудоемким процессом (1). Еще одним важным фактором при прогнозировании основных показателей разработки является цель составляемого прогноза. Таким образом в данной статье описан подход к автоматизированному планированию основных показателй разработки для бизнес-плана нефтедобвающего предприятия. Методика основана на эмпирических функциях, которые формируются согласно исторической статистике показателей разработки. Подобный подход рекомендуется при продолжительности прогнозного периода для набора статистических данных.
По изложенным причинам для формирования средне- и долгосрочных прогнозов разработки ме сторождений для бизнес-плана необходимо исполь- зовать физически более содержательные модели.
Автоматизированная методика
Для большей достоверности планирования с уче том изменяющихся условий разработки месторож- дений необходимо использовать физически содержательные модели, основанные на статистике параметров, из которых складывается дебит нефти (2). Практический опыт показывает, что почти в каждом нефтедобывающием предприятии в течение года создается порядка 100 вариантов прогноза добычи на следующую пятилетку, применение цифровых гидродинамических моделей месторождений бывает невозможным. Поэтому было предложено использовать аналитические модели нулевой размерности.
Данная автоматизированная методика расчета показателей разработки нефтяных месторождений, обладает такими преимуществами как интегрированный расчет добычи нефти, жидкости и закачки воды; использование аналитических моделей и кривые вытеснения; многовариантность расчета - возможность выбора из нескольких статистических моделей; расчет действующего фонда скважин и коэффициента эксплуатации; подробная модель выбытия и прибытия скважин с учетом неоднородности базового фонда; возможность расчета прогнозной или ожидаемой добычи; срок планирования пять лет.
Для учета условий разработки и эксплуатации для разных месторождений могут применяться различные варианты комбинаций моделей и методик. Например, применение других методов, при расчете уровней добычи нефти и жидкости, можно осуществлять если действующий фонд скважин меньше 30 единиц, при переходящем фонде меньше 50% от действующего фонда. В данном случае определение процентов падения может быть некорректным, ввиду недостаточной статистической выборки.Если темп роста обводненности свыше 5% в год, ввиду продвижения фронта воды или при реализации иных механизмов добычи (трещиноватые коллектора и др.).
Прогнозная добыча нефти для бизнес-плана де- лится на базовую и дополнительную от ГТМ. Среди ГТМ выделяются новые скважины из бурения, по которым ведется более подробный расчет с определением показателей разработки по проектным добывающим и проектным нагнетательным скважинам. Остальные ГТМ рассчитываются по более простой схеме.
Базовая добыча рассчитывается исходя из расчетного входного потенциального дебита на начало прогнозоного периода, который зависит от количества календарных дней, коэффициента эксплуатации, среднедействующего фонда, среднего уплотненного дебита, добычи от ГТМ, средневзвешенного по добыче нефти отработанное время фонда с ГТМ за месяц предшествующий месяцу начала прогноза. Далее дебиты жидкости и нефти рассчитываются, исходя из статистической зависимости или с использованием функции lg(ВНФ) от накопленной добычи нефти.
Уплотненные средние дебиты жидкости и нефти базового фонда подтягиваются из созданных форм записей, после рассчитываются экспоненциальный, логарифмический и степенной тренды. Под графиками каждого тренда отображаются коэффициенты функции данной зависимости, из которых выбитрается тип зависимости, который наиболее точно описывает поведение тренда дебита жидкости и нефти.
Годовое падение по каждой функции определяется по следующим формулам.
Экспоненциальная функция:
〖DEC〗_y^e=1-exp(a*12) (1)
Логарифмическая функция:
〖DEC〗_y^l=(a*ln(13))/〖DEC〗_j^ (2)
Степенная функция:
〖DEC〗_y^p=1-13_^a (3)
Для прогноза дебита нефти за счет обводненности требуется учесть фактическое изменение дебита жидкости. В связи с этим рекомендуется выбрать зависимость у которой наибольшая величина достоверности аппроксимации «R2».
Падение по обводненности:
〖DEC〗_WC^ =(〖DEC〗_O^ -〖DEC〗_L^ )/(〖1-DEC〗_L^ ) (4)
Из падения по обводненности обратным счетом вычисляется коэффициент «а», который используется для расчета добычи нефти на прогнозный период.
Для прогноза дебита жидкости в случае, если на планируемый год не прогнозируется снижение пластового давления по месторождению, то прогнозное «DECL» (падение по жидкости) будет равно нулю.
Если фонд скважин более 30 единиц и текущая обводненность более чем 70%, то для анализа допускается применение зависимости Lg(ВНФ) от накопленной добычи:
〖lg(ВНФ)〗_n^ =a*〖Np〗_(n-1)^ +b_(lg(ВНФ)0)^ (5)
При этом в ходе расчета учитывается динамика фонда скважин, потери базовой добычи от выбытия, динамика прогнозного коэффициента эксплуатации и расчет закачки.
Расчет дополнительной добычи от ввода новых скважин осуществляется для каждой группы скважин, введенных в определенном месяце.
Основные расчеты прогнозной дополнительной добычи от указанного ГТМ ведутся исходя из количество запланированных мероприятий на прогнозируемый период, количетсво дней работы после ГТМ в первый месяц, пусковой прирост нефти и жидкости.
Для определения темпов падения по видам ГТМ требуется провести статистический анализ данных дополнительной добычи от проведенных ГТМ. Основные расчеты прогнозной дополнительной добычи от указанного ГТМ выполняются по двум основным параметрам.
По расчетному изменению прироста нефти в течение 12 месяцев после пуска. Для определения фактического прироста нефти выбирается по одному виду ГТМ (например – ГРП) и анализируются все скважины, на которых проведен ГРП за последние 24 месяца отработавшие подряд не менее 12 месяцев после пуска с ГТМ. Привести к 1 месяцу пуска.
По расчетному изменению прироста жидкости в течение 12 месяцев после пуска. Для определения фактического прироста жидкости выбирается по одному виду ГТМ (например – ГРП) и анализируются скважины, на которых проведен ГРП за последние 24 месяца отработавшие подряд не менее 12 месяцев после пуска с ГТМ. Привести к 1 месяцу пуска.
Для подготовки исходных данных, мониторинга выполнения бизнес-плана, а также для расчета ожи- даемой добычи применяется Информационная система ABAI, разрабатываемая ТОО «КМГ Инжиниринг». ABAI – это полномасштабный Big Data проект с применением искусственного интеллекта.
В информационной системе Абай был разработан специализированный программный сервис на языке Python. Основной целью данного сервиса является обеспечение комплексной автоматизации и интеграции процессов обработки данных, а также внедрение системы контроля версий для повышения точности и прозрачности расчетов при бизнес-планировании.
Первым этапом разработки является импорт и интеграция существующих программ и данных, связанных с ГТМ и бурением, а также расчётов базовой добычи. Эта функциональность позволит объединить ранее разработанные инструменты и алгоритмы в единое программное окружение, обеспечивая консолидацию данных и упрощение их дальнейшего использования. Таким образом, данные, полученные из различных источников, будут централизованы и доступны для последующего анализа и интерпретации.
Важнейшей составляющей сервиса является система контроля версий, которая будет применяться к расчетам бизнес-плана и производственной программы. Введение системы версионности предполагает создание механизма для отслеживания, документирования и управления изменениями в расчетах. Это обеспечит высокий уровень прозрачности в управлении данными и позволит эффективно отслеживать изменения в расчетах, а также возвращаться к ранее сохранённым версиям при необходимости. Такая система способствует минимизации рисков, связанных с ошибками в планировании и повышению общей надёжности расчетных процессов.
Язык Python выбран для разработки данного сервиса благодаря его мощным возможностям и широкому набору библиотек, предназначенных для работы с данными. Python предоставляет гибкость и удобство, необходимые для создания сложных и масштабируемых решений в области обработки данных и автоматизации. С его помощью возможно построение надёжных и эффективных алгоритмов для интеграции программ и обеспечения контроля версий.
Сервис позволяет производить расчеты на различных уровнях структуры, начиная с отдельных геологических объектов и заканчивая планированием на уровне нефтедобывающих организаций. Интеграция с базой данных ABAI позволяет актуализировать расчеты на регулярной основе. Совместный доступ к результатам расчетов повышает скорость принятия решений при планировании производственных программ.
Архитектура сервиса разрабатывается с учётом требований масштабируемости, надёжности и гибкости. Основные компоненты архитектуры включают:
Модуль интеграции данных: Этот компонент отвечает за импорт и консолидацию данных из различных источников, включая программы ГТМ, бурения и расчёты базовой добычи. Модуль будет реализован с использованием библиотек Python для работы с данными, таких как Pandas и NumPy, что обеспечит эффективное преобразование и синхронизацию данных.
Модуль управления версиями: Модуль управления версиями включает функционал для создания, хранения и восстановления различных версий расчетов.
Аналитический модуль: Включает инструменты и алгоритмы для анализа и обработки данных, а также для генерации отчетов и визуализаций. Этот компонент будет использовать библиотеки для визуализации данных, а также аналитические инструменты для обработки больших объемов данных.
Интерфейс пользователя: Для взаимодействия с пользователями разработан веб-интерфейс, который обеспечит удобный доступ к функционалу сервиса.
Система хранения данных: Для хранения и управления данными используется реляционная база данных, такая как PostgreSQL. Система хранения данных будет обеспечивать надежное сохранение информации и быструю доступность данных для анализа и обработки.
Заключение
Данная методика используется в дочерних организациях АО «НК «КазМунайГаз» для разработки пятилетних бизнес-планов и оценки их выполнения. Она реализована в Информационной системе ABAI с помощью специализированного программного сервиса на языке Python, который автоматизирует и интегрирует процессы обработки данных, а также внедряет систему контроля версий. Это позволяет централизовать данные, хранить их и управлять версиями расчетов, что улучшает точность и прозрачность планирования.
Основные компоненты сервиса включают модуль интеграции данных, модуль управления версиями, аналитический модуль и удобный веб-интерфейс. Система хранения данных на базе PostgreSQL обеспечивает надежное и быстрое управление информацией. Использование Python и его библиотек, таких как Pandas и NumPy, предоставляет гибкость и надежность в интеграции и анализе данных.
Система контроля версий обеспечивает прозрачность и управляемость расчетов, минимизируя ошибки и повышая надежность процессов планирования. Архитектура сервиса разработана с учетом масштабируемости и гибкости, что позволяет эффективно выполнять расчеты на различных уровнях и принимать оперативные решения при планировании производственных программ. В КМГИ имеется документ, описывающий основные алгоритмы методики и терминологию, связанную с процессом расчета добычи в рамках бизнес-планирования.
About the authors
Assel Zholdybayeva
Satbayev University
Author for correspondence.
Email: assel.zholdybayeva@stud.satbayev.university
ORCID iD: 0000-0002-1015-0593
PhD Candidate
Petroleum Engineering
KazakhstanAktan Ye. Ibrayev
KMG Engineering
Email: ak.ibrayev@kmge.kz
Kazakhstan, Astana
Aktan Ye. Ibrayev
KMG Engineering
Email: ak.ibrayev@kmge.kz
Kazakhstan, Astana