Освоение месторождений углеводородов со сложным геологическим строением обусловливает необходимость создания достоверной геологической модели. В статье представлена методика вариативного построения геологической модели, позволяющая спрогнозировать распространение продуктивных песчаных тел. Это возможность повысить шансы успешного заложения и бурения скважин, и обеспечить экономическую рентабельность разработки месторождения.
Ключевые слова: неопределенности параметров залежи, многовариантное геологическое моделирование, анализ неопределенностей и рисков, погрешности.
The development of hydrocarbon fields with a complex geological structure leads to create а reliable geological model. The article presents the technique of variable construction of the geological model, which allows to predict the distribution of productive sand bodies. This is an opportunity to increase the chances of successful well drilling and to ensure the economic profitability of field development.
Keywords: uncertainty of reservoir parameters, multivariate geological modeling, analysis of uncertainties and risks, errors.
Наши знания о геологическом строении месторождений нефти и газа никогда не являются исчерпывающими. На этапе разведки и опытно-промышленной эксплуатации обычно мы имеем дело с малым количеством скважин и набором сейсмических данных с ограниченной разрешающей способностью. Также, на сегодняшний день большинство разрабатываемых месторождений имеет сложное геологическое строение, залежи которых сложены переслаивающимися, невыдержанными по латерали породами различных типов. Так как в силу объективных причин мы не можем построить единственно верную математическую модель месторождения, необходимо получить представительный набор моделей, которые могут иметь место при имеющихся у нас данных и представлениях о строении месторождения, а затем строить прогнозы на основе этого ансамбля и его характеристик [9].
Таким образом, многовариантное трехмерное геологическое моделирование является одной из самых объективных технологий, которое имеет представительную многовариантность и позволяет учитывать неопределенность наших знаний о геологических объектах.
Детерминированные методики геологического моделирования выдают одно значение начальных запасов, которое используется при проектировании разработки месторождения. При этом детерминистские модели не способны выдать объективное заключение о погрешности расчета начальных запасов. В то же время, начальные запасы никогда не могут быть определены с абсолютной точностью. По разным реализациям стохастической геологической модели получаются различные значения запасов, каждое из которых имеет место быть для данного месторождения.
Ансамбль реализаций геологической модели позволяет:
– оценить среднее (математическое ожидание) значение начальных запасов и погрешность (доверительный интервал) его определения;
– использовать вероятностное распределение начальных запасов в качестве входного параметра стохастических экономических моделей;
– применять ансамбль реализаций геологической модели или выборку из него при проведении многовариантных гидродинамических, технологических и экономических расчетов;
– получать интегральные карты, отражающие надежность геологических построений в различных частях залежи.
В настоящее время технологии стохастического моделирования качественно отработаны и широко применяется для следующих этапов геологического моделирования:
– построение структурного каркаса модели;
– построение литологической модели — трехмерного пространственного распределения пород различных литотипов;
– построение петрофизической модели — трехмерного пространственного распределения коллекторских свойств и начального насыщения пород.
Важным источником неопределенности в геологической модели месторождения часто является неоднозначность структурных построений, так как именно они контролируют положение контуров нефтегазоносности и во многом определяют начальные запасы.
Технология Horizons программных продуктов Schlumberger и Roxar основана на современных двумерных модификациях широко известного метода крайгинг (kriging) и позволяет выполнить следующее:
1.Оценить наиболее вероятные глубины структурных горизонтов в каждой точке модели. Основным преимуществом перед интерполяционными методиками является присущее методу крайгинг снижение весов точек, расположенных в областях с низкой плотностью данных.
2.Оценить среднее квадратичное отклонение (погрешность) глубин структурных горизонтов в каждой точке модели.
3.Построить ансамбль реализаций стохастической структурной модели залежи. Получаемые при этом реализации часто оказываются более реалистичными по сравнению с моделями, построенными традиционной интерполяцией, так как позволяют моделировать возможные флуктуации структурных поверхностей с латеральным размером меньше расстояния между скважинами [9].
Также оценить погрешности структурных построений можно путем вычисления стандартного отклонения абсолютных глубин, определенных по сейсмической карте в точках пластопересечения с траекториями скважин, от абсолютных отметок соответствующих маркеров Z0 по скважинным данным. Возможно также применение способа оценки среднего квадратического отклонения от линии регрессии при использовании линейной регрессионной зависимости Z0(Т0) или ΔZ(Т0) для структурных построений. Распространенными способами оценки погрешности являются методы cross-validation (эталонной выборки) и jack-knife (поочередного отбрасывания контрольных точек из всего множества пар) [10].
Одним из основных источников неопределенности геологических моделей является литологическая модель. Геологи вынуждены моделировать пространственное распределение пород-коллекторов, основываясь на достаточно редкой сетке скважин и сейсмических данных, разрешающая способность которых ограничена.
Этапы многовариантного моделирования куба литологии заключаются в следующем:
- Для каждого литолого-генетического типа пород задаются вероятностные распределения морфологических характеристик осадочных тел (длина, ширина, толщина, ориентация и др.).
- Скважинные данные переносятся на трехмерную сетку (Upscalling).
- Объем сетки случайным образом (метод Монте-Карло) заполняется телами различных литотипов в соответствии с имеющимися скважинными данными, а также заданными пользователем формами осадочных тел каждого типа, вероятностными распределениями размеров тел, параметрами взаимодействия между различными телами и др.
Последний этап повторяется требуемое число раз с различными параметрами инициализации метода Монте-Карло и в результате получаем представительный ансамбль реализаций литологической модели.
Переходя к петрофизическому моделированию мы имеем дело с данными, позволяющими с достаточной надежностью оценить степень изменчивости моделируемого параметра (вероятностное распределение, дисперсия), его среднее значение и коррелированность (вариограмма или co-kriging). Для использования этих данных в программных продуктах Schlumberger и Roxar реализован модуль стохастического петрофизического моделирования Petrophysical modeling/Contsim. Использование такого модуля позволяет:
– гибко учитывать сейсмические и геологические тренды при моделировании коллекторских свойств;
– статистически корректно учитывать корреляционные связи между различными петрофизическими параметрами;
– проводить раздельное моделирование по каждому литологическому типу пород;
– получать ансамбли стохастических реализаций трехмерных распределений петрофизических свойств [9].
Как отмечалось выше, практическое использование стохастических моделей возможно благодаря их представительной многовариантности. При этом если генерация нескольких реализаций (многовариантность) на любом этапе геологического моделирования не представляет серьезной проблемы, то получение именно представительного ансамбля часто является сложной задачей. Инженеру, занимающемуся построением модели, необходимо провести детальный анализ имеющихся исходных данных и определить, какие именно составляющие модели могут внести существенную неоднозначность в построения и применить для получения этих составляющих модели технологии многовариантного стохастического моделирования.
В настоящее время недоучет особенностей строения толщи приводит к ошибкам при подсчете запасов, построении традиционной трехмерной геологической модели и проектировании разработки [5]. Таким образом, для принятия более обоснованных решений возрастает значимость достоверности геологической модели, позволяющей прогнозировать положение абсолютных отметок пласта и распространение геологических неоднородностей по площади и разрезу [8].
Литература:
- Андронов Ю. В. Исследование применения ансамблей нейронных сетей для повышения качества решения задач регрессии / Ю. В. Андронов, А. В. Стрекалов // Нефтегазовое дело. — 2015. — № 13(1). — С. 50–55.
- Андронов Ю. В. Оценка прогнозирующих способностей многослойного персептрона с различными функциями активации и алгоритмами обучения / Ю. В. Андронов, В. Н. Мельников, А. В. Стрекалов // Геология, геофизика и разработка нефтяных и газовых месторождений. — 2015. -№ 9. — С. 18–20.
- Глумов Д. Н. Критерии оценки и развития режима течения многофазной системы для численных гидродинамических моделей / Д. Н. Глумов, А. В. Стрекалов // Электронный научный журнал «Нефтегазовое дело». — 2016. — № 6. — С. 117–197.
- Грачев C. И. Особенности моделирования трещинопоровых коллекторов в свете фундаментальных проблем гидромеханики сложных систем. / С. И. Грачев, А. В. Стрекалов, А. В. Саранча // Фундаментальные исследования. — 2016. — № 4 (часть 1). — С. 23–27.
- Дерюшев А. Б.. Опыт трехмерного геологического моделирования перспективных структур с применением результатов сейсмо- и литолого-фациального анализов / А. Б. Дерюшев // Вестник ПНИПУ. Геология. Нефтегазовое и горное дело. — 2013. — № 7. — С. 18–26.
- Иванов А. В. Оптимизация технологических режимов добычи газоконденсата на Бованенковском НГКМ / А. В. Иванов, В. Д. Стратов, А. В. Стрекалов // Современные проблемы науки и образования. — 2015. — № 1.
- Морозов В. Ю. Технология регулирования систем поддержания пластового давления нефтяных промыслов (монография) / В. Ю. Морозов, А. В. Стрекалов // Санкт-Петербург. Недра. — 2014.
- Мутаев С. З. Построение сейсмофациальной модели в условиях сложноготектонического строения и преобладания горизонтальных скважин / С. З. Мутаев, Е. Н. Налинин, О. С. Генераленко, О. А. Хохрина // Территория Нефтегаз. — 2018. — № 5. — С. 18–24.
- Рыбников А. В. Стохастические геологические модели — методы, технологии, возможности / А. В. Рыбников, Г. Г. Саркисов (Компания Roxar) // Нефтяное хозяйство. — 2001. — № 6. — С. 22–25.
- Ставинский П. В. Анализ неопределенностей и рисков при оценке запасов и планировании бурения скважин (на примере месторождений Юганского региона) / П. В. Ставинский, Д. Н. Левин, А. А. Прудников, Е. М. Бирун // Научно-технический вестник ОАО «НК «Роснефть». — 2011. — № 23. — С. 6–10.
- Стрекалов А. В. Применение нелинейных законов фильтрации природных поровых коллекторов в гидродинамических моделях / А. В. Стрекалов, А. В. Саранча // Фундаментальные исследования. — 2015. — № 11.Часть 6. — С. 1114–1119.
- Стрекалов А. В. Результаты применения моделей вычислительного комплекса немезида-гидрасим на пластах Ван-Еганского месторождения / А. В. Стрекалов, А. В. Саранча // Известия высших учебных заведений. Нефть и газ. — 2016. — № 1. — С. 74–85.
- Стрекалов А. В. Стохастико-аналитическая модель гидросистемы продуктивных пластов для исследования проводимостей между скважинами / А. В. Стрекалов, А. Т. Хусаинов, С. И. Грачев // Научно-технический журнал «Известия вузов. Нефть и газ». — 2016. — №.4. — С.37–44.