Automated methodology for calculating key production indicators of oil field development for business planning model

Full Text

Введение

Нефтяная отрасль, как и любой другой бизнес, в первую очередь сосредоточена на извлечении прибыли, что является основным аспектом при разработке нефтяных месторождений. Одной из главных задач инженера-нефтяника является прогнозирование объёмов нефти и газа, которые можно извлечь из резервуара. Правильный выбор методологии критичен для обеспечения прогноза с минимальной погрешностью, что, в свою очередь, существенно для эффективного управленческого планирования. Важно минимизировать риски при принятии решений, учитывая текущее состояние разработки. Экстраполяция истории добычи давно признана практичным и обоснованным методом прогнозирования добычи нефти и газа.

Существуют разнообразные методы: от широко применяемого анализа кривых падения (англ. Decline Curve Analysis, далее – DCA) до метода цифрового моделирования с использованием специализированного програмного обеспечения [1]. Однако применение цифровых 3D геолого-гидродинамических моделей не всегда является возможным при прогнозировании добычи нефти на месторождении. Это связано с отсутствием необходимой информации, самих цифровых моделей, а также очень трудоемким процессом [2]. Еще одним важным фактором при прогнозировании основных показателей разработки является цель составляемого прогноза. Таким образом, в данной статье описан подход к автоматизированному планированию основных производственных показателй разработки при бизнес-планировании на нефтедобывающем предприятии.

В 1944–45 гг. в статьях Арпса были опубликованы материалы, содержащие несколько выдающихся уравнений, которые практически не изменились и до сих пор известны как уравнения Арпса [3]. Арпс классифицировал кривые падения на экспоненциальные, гиперболические и гармонические. Данная методика основана на эмпирических функциях, которые формируются согласно исторической статистике показателей разработки с использованием кривых падения, в т.ч. и уравнения Арпса. К ним относятся такие характеристики вытеснения, как логарифм водонефтяного фактора, экспоненциальный, логарифмический и степенной тренды снижения. Применение подобного подхода рекомендуется при значительной продолжительности прогнозного периода для набора статистических данных.

По изложенным причинам для формирования средне- и долгосрочных прогнозов разработки месторождений для бизнес-плана необходимо использовать физически более содержательные модели.

Автоматизированная методика

В области управления нефтяными компаниями прогнозирование показателей добычи имеет ключевое значение для оптимизации разработки месторождений и повышения экономических результатов. Традиционные методы расчёта основных производственных показателей разработки являются сложным процессом для инженеров-нефтяников.

В данной статье представлена автоматизированная методика, разработанная для решения вышеуказанных задач путём интеграции комплексных расчётов объёмов добычи нефти, добычи жидкости и закачки воды.

Предложенный метод использует аналитические модели и кривые вытеснения для создания надёжной основы для оценки ожидаемых показателей добычи на месторождении. Метод включает возможность выбора статистических моделей, что повышает его адаптивность к различным операционным условиям. Кроме того, метод оценивает действующий фонд скважин и коэффициент эксплуатации, предоставляя подробный учёт ввода и выбытия скважин из месяца в месяц. Столь детализированный подход позволяет точно прогнозировать ожидаемую добычу на пятилетний период.

Для учёта уникальных условий нефтяных месторождений данный способ позволяет использовать различные комбинации моделей и методов. Например, при наличии действующего фонда скважин менее 30 ед. или переходного фонда менее 50% от действующего фонда применяются альтернативные методы расчёта добычи нефти и жидкости. Такая гибкость необходима, т.к. традиционные методы определения процента падения могут быть ненадежными из-за недостаточной статистической выборки в подобных случаях. Более того, если темп роста обводнённости превышает 5% в год, вносятся корректировки для учёта продвижения фронта воды или других механизмов добычи, таких как, например, трещиноватые пласты.

В данном исследовании представлена комплексная методология расчёта ключевых показателей добычи при разработке нефтяных месторождений. Метод позволяет вести раздельный анализ и расчёт как базовой добычи, так и дополнительной, связанной с геолого-техническими мероприятиями (далее – ГТМ).

Базовая добыча оценивается на основе начального потенциального дебита, учитывая такие параметры, как календарные дни, коэффициенты эксплуатации, средний фонд скважин, средний удельный дебит и добыча от ГТМ. Расчёты дебитов жидкости и нефти основаны на статистических зависимостях и функциях исторической добычи, что обеспечивает надёжную основу для точного прогнозирования.

Средние удельные дебиты жидкости и нефти базового фонда подтягиваются из созданных форм записей, после чего рассчитываются экспоненциальный, логарифмический и степенной тренды. Под графиками каждого тренда отображаются коэффициенты функции зависимости, среди которых выбирается тип зависимости, наиболее точно описывающий поведение тренда дебита жидкости и нефти.

Годовое падение (DEC) по каждой функции определяется по следующим формулам (1–3):

1) Экспоненциальная функция (1):

$DE{C}_y^e=1-\exp \left(a*12\right),$ (1)

2) Логарифмическая функция (2):

$DE{C}_y^l=\left(a*\ln \left(13\right)\right)/q_j$ (2)

3) Степенная функция (3):

$DE{C}_y^p=1-{13}^a$ (3)

где а – коэффициент падения; y – индекс годового падения; e – индекс экспоненциального падения; l – индекс логарифимического падения; p – индекс степенного падения; q_j – дебит перед началом расчета.

Для прогноза дебита нефти за счёт обводнённости требуется учесть фактическое изменение дебита жидкости. В связи с этим рекомендуется выбрать зависимость, у которой наибольшая величина достоверности аппроксимации R².

Падение по обводнённости DEC_WC определяется по следующей формуле (4):

$DE{C}_{WC}=\frac{DE{C}_O-DE{C}_L}{1-DE{C}_L},$ (4)

где DEC_O – падение по нетфи; DEC_L – падение по жидкости.

Используя значение падения по обводнённости, обратным счётом вычисляется коэффициент a, который используется для расчёта добычи нефти на прогнозный период в формулах (1–3).

Для прогноза дебита жидкости в случае, если на планируемый год не прогнозируется снижение пластового давления по месторождению, прогнозное падение по жидкости DEC_L будет равно нулю.

Если фонд скважин более 30 ед. и текущая обводнённость более 70%, то для анализа допускается применение зависимости водонефтяного фактора lg(ВНФ) от накопленной добычи (5) [4]:

$\text{lg}{\left(ВНФ\right)}_n=a*N{p}_{n-1}+b_{\lg \left(ВНФ\right)0}$ (5)

где n – индекс для текущего периода; Np_n-1 – накопленная добыча нефти в предыдущем периоде; b_{(lg(ВНФ)0)} – экстраполированное значение lg(ВНФ) в начальный момент времени.

На рис. 1 представлен пример зависимости логарифма водонефтяного фактора от накопленной добычи нефти.

Рисунок 1. Зависимость водонефтяного фактора от накопленной добычи нефти

Figure 1. Dependence of the water-oil ratio on accumulated oil production

При этом в ходе расчёта учитываются динамика фонда скважин, потери базовой добычи от выбытия, динамика прогнозного коэффициента эксплуатации и расчёт закачки.

Закачка определяется по заданному уровню компенсации с учётом переводного коэффициента и удельного веса добываемой воды.

Коэффициент эксплуатации К_экспл – отношение суммарного времени работы скважин Т_отр к суммарному календарному времени среднедействующего фонда Т_кал (6):

${\text{К}}_{экспл}=\frac{{Т}_{отр}}{{Т}_{кал}}$ (6)

Суммарное отработанное время скважин Т_отр вычисляется по формуле (7):

${Т}_{отр}={Т}_{кал}-{Т}_{прос}$ (7)

где Т_прос – суммарное время простоя скважин, сут.

Простои скважин определяются с учётом запланированного межремонтного периода и норм времени на ремонт, количества ГТМ и соответствующих им норм времени, запланированных исследований, таких как гидродинамические и геофизические исследования скважин, а также статистики отключений электроэнергии и порывов выкидных линий. Кроме того, учитывается время на бурение и освоение, например, при зарезке боковых стволов.

Расчёт дополнительной добычи от ввода новых скважин производится отдельно для каждой группы скважин, которые были введены в эксплуатацию в конкретном месяце. Важно учитывать, что каждая группа скважин может иметь свои уникальные характеристики и условия эксплуатации, что влияет на общий объём добычи. Таким образом, процесс расчёта включает в себя детальный анализ данных и оценку потенциального прироста добычи для каждой группы, что позволяет получить более точные прогнозы.

Основные расчёты прогнозной дополнительной добычи от указанного ГТМ проводятся с учётом количества запланированных мероприятий на прогнозируемый период, количества дней работы скважин после выполнения ГТМ в первый месяц, а также пускового прироста нефти и жидкости. Эти факторы также влияют на точность прогноза и позволяют корректно оценить эффективность проведенных мероприятий, что в свою очередь способствует оптимизации производственных процессов и повышению общей добычи.

Таким образом, для определения темпов падения по видам ГТМ требуется провести статистический анализ данных дополнительной добычи от проведенных ГТМ. Основные расчёты прогнозной дополнительной добычи от указанного ГТМ выполняются по двум основным параметрам:

1) по расчётному изменению прироста нефти в течение 12 мес. после пуска. Для определения фактического прироста нефти К_i.неф выбирается по одному виду ГТМ (например, гидроразрыв пласта (далее – ГРП)), анализируются все скважины, на которых проведен ГРП за последние 24 мес., отработавшие подряд не менее 12 мес. после пуска с ГТМ (8). Затем суммарные дебиты за 12 мес. приводятся к одному месяцу пуска:

${К}_{i.неф}=\frac{{\displaystyle {\sum }_{i=1}^{12}{q}_{i.неф}}}{\sum q_{1.неф}}$ (8)

где q_i.неф – прирост нефти за анализируемый i-й месяц; q_1.неф – сумма приростов нефти за 1 мес. пуска;

2) по расчётному изменению прироста жидкости в течение 12 мес. после пуска. Фактические приросты жидкости рассчитываются аналогичным образом:

${К}_{i.жид}=\frac{{\sum }_{i=1}^{12}{q}_{i.жид}}{\sum q_{1.жид}}$ (9)

где q_i.жид – прирост жидкости за анализируемый i-й месяц; q_1.жид – сумма приростов жидкости за 1 мес. пуска.

Разработанная методология предлагает упрощённый способ оценки других ГТМ, используя схему, которая оптимально сочетает точность и эффективность. Это позволяет разделить прогнозируемую добычу нефти на базовую и дополнительную, что способствует более информированному бизнес-планированию и принятию решений в разработке нефтяных месторождений. Особое внимание уделяется новым скважинам, пробуренным в ходе разработки, для которых проводятся детализированные расчёты, чтобы точно определить показатели проектных добывающих и нагнетательных скважин. Остальные ГТМ оцениваются с использованием упрощенной методики.

Основные ГТМ, проводимые с целью получения дополнительной добычи на месторождениях, следующие:

- горизонтальные скважины;

- зарезка бокового ствола (вертикальные / наклонно-направленные);

- боковой ствол с горизонтальным окончанием;

- скважины с углублением (добуриванием) до существующих эксплуатационных объектов;

- ГРП (проппантный / кислотный);

- ввод из бездействия;

- ввод скважин из прочих категорий;

- переходы на выше- / нижележащие горизонты;

- интенсификация добычи нефти (далее – ИДН);

- ремонтно-изоляционные работы;

- реперфорация, приобщение и дострел;

- обработки призабойной зоны (далее – ОПЗ);

- ловильно-аварийные работы.

В рамках данной методики прирост не закладывается на прогноз от мероприятий, проводимых для поддержания базовой добычи нефти. Экономический эффект от мероприятий, проводимых для поддержания базовой добычи нефти, считается на основе недобора объёмов добычи нефти в случае отказа от проведения рассматриваемых ГТМ. В случаях одновременного применения на скважине нескольких ГТМ присваивание вида мероприятия скважине осуществляется согласно табл. 1.

Таблица 1. Рейтинг видов ГТМ

Table 1. Rating of workover types

Существует множество методов оценки прогнозных параметров, как было указано выше, однако даже самый простой 1D анализ требует значительных затрат времени и усилий. В связи с этим многие компании разрабатывают проекты по автоматизации процессов и расчётов, чтобы упростить выполнение сложных задач, таких как оценка показателя падения добычи. Это позволяет значительно сэкономить время и ресурсы, улучшая при этом точность и эффективность прогнозов.

Настоящая методика включает возможность использования информационных систем, в частности, была применена в модуле «Планирование добычи и мониторинг» (далее – модуль) информационной системы ABAI для подготовки исходных данных, мониторинга выполнения бизнес-плана, а также для расчёта ожидаемой добычи (рис. 2). Модуль автоматизирует множество процессов, связанных с анализом и обработкой данных, что позволяет получать более точные и обоснованные прогнозы, а также оптимизировать процессы планирования и управления ресурсами.

Рисунок 2. Реализация методики в информационной системе ABAI

Figure 2. Implementation of the methodology in the ABAI information system

В дочерних и зависимых организациях АО НК «КазМунайГаз» (далее – ДЗО) расчёты уровней добычи для бизнес-плана выполняются в табличных файлах, для которых большинство параметров необходимо вводить вручную. В то же время многие аналитические уравнения могут быть изменены без уведомления для других пользователей. Ежемесячное обновление данных файлов требует затрат времени на расчёты вспомогательных параметров и перенос данных между файлами. Эти факторы в совокупности могут привести к ошибкам при расчётах и усложнению бизнес-процессов. В связи этим была начата разработка специализированного программного инструмента на основе BigData.

В модуле 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 расчётов при бизнес-планировании.

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.

Первым этапом разработки является импорт и интеграция существующих программ и данных, связанных с ГТМ и бурением, а также расчётов базовой добычи. Эта опция 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 расчётам бизнес-плана и производственной программы. Введение системы версионности предполагает создание механизма для отслеживания, документирования и управления изменениями в расчётах. Это обеспечит высокий уровень прозрачности в управлении данными и позволит эффективно отслеживать изменения в расчётах, а также возвращаться к ранее сохранённым версиям при необходимости. Такая система способствует минимизации рисков, связанных с ошибками в планировании, и повышению общей надёжности расчётных процессов.

Сервис позволяет производить расчёты на различных уровнях структуры, начиная с отдельных геологических объектов и заканчивая планированием на уровне нефтедобывающих организаций. Интеграция с базой данных ABAI позволяет актуализировать расчёты на регулярной основе. Совместный доступ к результатам расчётов повышает скорость принятия решений при планировании производственных программ.

Архитектура сервиса разработана с учётом требований масштабируемости, надёжности и гибкости. Основные компоненты архитектуры включают:

1. Модуль интеграции данных. Этот компонент отвечает за импорт и консолидацию данных из различных источников, включая программы ГТМ, бурения и расчёты базовой добычи. Модуль реализован с использованием библиотек Python для работы с данными, таких как Pandas и NumPy, что обеспечивает эффективное преобразование и синхронизацию данных.
2. Модуль управления версиями. Модуль включает функционал для создания, хранения и восстановления различных версий расчётов.
3. 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 объёмов данных.
4. Интерфейс пользователя. Обеспечит удобный доступ к функционалу сервиса.
5. Система хранения данных. Используется реляционная база данных PostgreSQL, которая будет обеспечивать надёжное сохранение информации и быструю доступность данных для анализа и обработки.

Таким образом, модуль интеграции данных берёт на себя функции агрегации параметров из множества источников в едином сервисе. Автоматизация и цифровизация процессов приносят множество преимуществ:

- снижение влияния человеческого фактора и, как следствие, увеличение надежности и точности обработки данных;

- ускорение обработки данных: цифровизация позволяет значительно сократить время на сбор, обработку и анализ данных, что ускоряет принятие решений и реагирование на изменения в условиях добычи;

- повышение эффективности: автоматизированные системы позволяют оптимизировать процессы, сократить избыточные действия и ресурсы, что ведёт к более эффективному использованию времени и средств;

- улучшение прозрачности: цифровизация процессов и централизованное хранение данных обеспечивают лёгкий доступ к информации и полную прозрачность, что упрощает контроль и аудит;

- анализ больших объёмов данных: современные инструменты позволяют анализировать большие объёмы данных, выявлять закономерности и тренды, которые могли бы быть упущены при ручной обработке;

- масштабируемость: цифровые решения легко адаптируются к растущим объёмам данных и расширяющимся требованиям, что позволяет системе расти вместе с бизнесом;

- интеграция с другими системами: автоматизация и цифровизация позволяют интегрировать данные и процессы с другими системами и платформами, что улучшает взаимосвязь и координацию различных функциональных областей;

- устойчивость к сбоям: автоматизированные системы обеспечивают высокую степень устойчивости к сбоям и потерям данных благодаря встроенным механизмам резервного копирования и восстановления.

Эти преимущества способствуют значительному улучшению качества планирования, более быстрому реагированию на изменения и общему повышению конкурентоспособности компании. Все функции доступны для пользователей с любого рабочего компьютера через веб-приложение.

Таким образом, настоящий автоматизированный подход представляет собой значительный шаг вперед в прогнозировании добычи, предлагая комплексную, адаптируемую и детализированную методологию для эффективной разработки и управления нефтяными месторождениями. Кроме того, автоматизация расчётов существенно экономит время, позволяя быстро адаптировать прогнозы к изменяющимся условиям и оперативно принимать обоснованные решения.

Заключение

Данная методика применяется в ДЗО для создания пятилетнего бизнес-плана и последующего анализа его исполнения. Методика включает расчёт:

- базовой добычи нефти и жидкости;

- добычи нефти и жидкости по видам ГТМ;

- прогнозного показателя коэффициента эксплуатации.

Методика реализована в модуле «Планирование добычи и мониторинг» информационной системы ABAI с помощью специализированного программного сервиса на языке Python. Основные компоненты сервиса включают модуль интеграции данных, модуль управления версиями, аналитический модуль и удобный веб-интерфейс. Архитектура сервиса разработана с учётом масштабируемости и гибкости, что позволяет эффективно выполнять расчёты на различных уровнях и принимать оперативные решения при планировании производственных программ. Система хранения данных на базе PostgreSQL обеспечивает надежное и быстрое управление информацией. Использование библиотек, таких как Pandas и NumPy, предоставляет гибкость и надежность в интеграции и анализе данных. Разработан документ, описывающий основные алгоритмы методики и терминологию, связанную с процессом расчёта добычи в рамках бизнес-планирования.

Система контроля обеспечивает прозрачность и управляемость расчётов, минимизируя ошибки и повышая надежность процессов планирования.

ДОПОЛНИТЕЛЬНО

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Вклад авторов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией). Наибольший вклад распределён следующим образом: Жолдыбаева А.Т. – формирование методики, сбор материалов и написание статьи; Ибраев А.Е. – сбор, обработка и анализ данных для программирования и автоматизации методики, написание статьи.

ADDITIONAL INFORMATION

Funding source. This study was not sup-ported by any external sources of funding.

Competing interests. The authors declare that they have no competing interests.

Authors’ contribution. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work. The greatest contribution is distributed as follows: Assel T. Zholdybayeva – development of the methodology, material collection and article writing; Aktan Ye. Ibrayev – data collection, processing and analysis for programming and automating the methodology, and article writing.

About the authors

Assel T. Zholdybayeva

Author for correspondence.
Email: assel.zholdybayeva@stud.satbayev.university
ORCID iD: 0000-0002-1015-0593
Kazakhstan, Almaty

Aktan Ye. Ibrayev

Email: ak.ibrayev@kmge.kz
ORCID iD: 0009-0005-1731-7092
Kazakhstan, Almaty

References

Supplementary files

Supplementary Files

Action

1. JATS XML

Download

2. Figure 1. Dependence of the water-oil ratio on accumulated oil production

Download (272KB)

Indexing metadata

3. Figure 2. Implementation of the methodology in the ABAI information system

Download (1MB)

Indexing metadata