Компьютерный способ и вычислительная система для прогнозирования расходных характеристик потока в стволе скважины, проникающей в подземный углеводородный пласт - RU2752074C2

Чертежи

Описание

Область техники

Настоящее изобретение относится к области анализа данных в нефтяной промышленности. Более конкретно, предлагаемый метод направлен на создание систем и способов прогнозирования расходных характеристик потока в стволе скважины с использованием методов машинного обучения. Способ позволяет прогнозировать расходные характеристики потока в стволе скважины и на забое, где эти характеристики обычно неизвестны. Среди прогнозируемых характеристик - физические параметры потока в стволе скважины, такие как забойное давление, забойный расход и забойная температура. Знание и контроль этих характеристик важны при запуске скважины (называемом также очисткой или освоением скважины) для предотвращения выхода за пределы допустимых значений забойного давления, забойного расхода и забойной температуры, который может привести к негативным последствиям. В случае использования технологии гидроразрыва пласта (ГРП) эти негативные последствия могут быть связаны с потерей проводимости ранее созданных трещин из-за возвратного потока пропанта, или разрушения пласта, или других неблагоприятных процессов.

Уровень техники

Изобретение включает в себя способ и систему прогнозирования характеристик нестационарного потока в стволе скважины. Среди расходных характеристик потока в стволе скважины, представляющих интерес для практического применения, рассматриваются давление, скорость потока, температура и объемные доли на фиксированных глубинах скважины. Знание этих характеристик важно применительно к проблеме освоения (или очистки) скважины, соединенной с трещинами ГРП, где наблюдаются быстропротекающие нестационарные многофазные скважинные процессы. В задаче связанной с освоением скважины прогнозирование расходных параметров скважины имеет решающее значение для запуска скважины с соблюдением безопасных рабочих параметров, для проектирования операций на поверхности (например, выбор подходящего размера штуцера) и для максимизации долгосрочного дебита скважины.

Как правило, расходные характеристики потока в стволе скважины оцениваются с использованием специализированного программного обеспечения, в котором для моделирования течений проводится численное решение начально-краевых задач механики жидкости и газа (более подробно см., например, V. DE HENAU AND G. D. RAITHBY, A Study of Terrain-Induced Slugging in Two-Phase Flow Pipelines, Int. J. Multiphase Flow, 21 (1995), стр. 365-379). В настоящем изобретении предложены альтернативный способ и система для определения расходных характеристик потока в стволе скважины на основе методов машинного обучения.

Краткое описание изобретения

Раскрыт способ прогнозирования расходных характеристик ствола скважины, пронизывающей подземный углеводородный пласт, который включает в себя методы машинного обучения, реализованные в вычислительной системе и применяемые для обработки скважинных накопленных исторических данных, собранных из различных источников.

Способ содержит сохранение в базе данных знаний в памяти запоминающего устройства первичных скважинных данных, полученных на множестве эксплуатируемых скважин и содержащих накопленные исторические статические параметры скважины, динамические параметры скважины, измеренные на поверхности, и накопленные исторические характеристики потока в стволе по меньшей мере одной скважины, измеренные во время запуска и добычи с помощью тех или иных элементов полевого оборудования, установленных на поверхности или внутри скважин.

Способ содержит также сохранение в базе данных знаний в памяти запоминающего устройства вторичных скважинных данных, содержащих входные статические параметры модельных скважин, параметры моделирования, используемые в качестве граничных условий на выходе из скважин, и вычисленные расходные характеристики потока в стволе скважин, полученные путем численного моделирования для множества сценариев наборов параметров.

Затем способ содержит выполнение посредством машинного обучения анализа указанных первичных скважинных данных, при этом указанный анализ выдает первые взаимосвязи между указанными статическими параметрами скважины, указанными динамическими параметрами по меньшей мере одной скважины, измеренными на поверхности, и указанными характеристиками потока в стволе скважины, измеренными внутри скважины. Также выполняется с помощью машинного обучения анализ упомянутых вторичных скважинных данных, при этом указанный анализ дает вторую взаимосвязь между указанными входными статическими параметрами модельных скважин, параметрами моделирования, используемыми в качестве граничных условий на выходе моделируемых скважин, и указанными рассчитанными расходными характеристиками потока в стволе скважин.

Способ содержит также ввод в полученную в результате машинного обучения модель статических параметров исследуемой скважины, пронизывающей подземный углеводородный пласт, динамических параметров исследуемой скважины, измеренных на поверхности, и прогнозирование с помощью указанной модели машинного обучения расходных характеристик потока в стволе исследуемой скважины, основанное на указанных первой и второй взаимосвязях.

Затем способ содержит в себя оценку того, удовлетворяют ли прогнозируемые расходные характеристики потока в стволе исследуемой скважины указанным требованиям безопасности рабочих параметров во время запуска и добычи исследуемой скважины, и на основе оценки, при необходимости, корректируются параметры управления наземным оборудованием для удовлетворения требований безопасной эксплуатации.

Вычислительная система прогнозирования расходных характеристик ствола скважины, пронизывающей подземный углеводородный пласт, содержит хранилище памяти для хранения базы данных знаний, содержащей накопленные исторические первичные скважинные данные, полученные на множестве эксплуатационных скважин и включающие указанные статические параметры, указанные динамические параметры по меньшей мере одной скважины, измеренные на поверхности, и указанные характеристики потока в стволе скважины, измеренные во время запуска и добычи с помощью тех или иных элементов полевого оборудования, установленных на поверхности или внутри скважин, и вторичные скважинные данные, включающие в себя входные статические параметры модельных скважин, параметры моделирования, используемые в качестве граничных условий на выходе из скважин, и вычисленные расходные характеристики потока в стволе скважин, полученные путем численного моделирования для множества сценариев наборов параметров.

Вычислительная система также содержит пользовательский интерфейс, адаптированный для приема пользовательских данных для статических и динамических параметров исследуемой скважины, пронизывающей подземный углеводородный пласт, и для прогнозирования с помощью указанной модели машинного обучения расходных характеристик потока в стволе исследуемой скважины.

Вычислительная система содержит, по меньшей мере, один процессор, связанный с хранилищем памяти и имеющий функции для выполнения инструкций а) по выполнению анализа упомянутых первичных скважинных данных, при этом упомянутый анализ создает первую взаимосвязь между упомянутыми накопленными историческими статическими параметрами скважины, упомянутыми накопленными историческими динамическими параметрами по меньшей мере одной скважины, измеренными на поверхности и упомянутыми накопленными историческими характеристиками потока, измеренных в стволе по меньшей мере одной скважины; б) по выполнению анализа упомянутых вторичных скважинных данных, при этом упомянутый анализ создает вторую взаимосвязь между указанными статическими параметрами модельных скважин, параметрами моделирования, используемыми в качестве граничных условий на выходе из скважин, и вычисленных рабочих характеристики потока в стволе скважин, полученные путем численного моделирования для множества сценариев наборов параметров; в) по вводу статических параметров исследуемой скважины, пронизывающей подземный углеводородный пласт, динамических параметров исследуемой скважины, измеренных на поверхности, и прогнозирования с помощью указанной модели машинного обучения расходных характеристик потока в стволе исследуемой скважины, основанное на указанных первой и второй взаимосвязях.

Вычислительная система также содержит а) компонент ввода, позволяющий использовать входные данные, предоставленные пользователем; б) компонент вывода, связанный с базой данных, причем выходная информация создается на основе операций построения и использования модели машинного обучения.

Краткое описание чертежей

Нижеследующее описание в сочетании с прилагаемыми чертежами проясняет характеристики и преимущества описанных реализаций.

Фиг. 1 показывает блок-схему последовательности операций в соответствии с одним или несколькими вариантами осуществления раскрываемого способа;

Фиг. 2 иллюстрирует вычислительную систему в соответствии с одним или несколькими вариантами осуществления раскрываемого способа;

Фиг. 3 показывает примеры функций расхода воды и нефти;

Фиг. 4 иллюстрирует пример функций давления в устье скважины (WHP) и забойного давления (ВНР) для выбранного сценария при численном моделировании;

Фиг. 5 иллюстрирует пример функций скоростей потока нефти, воды и газа на поверхности для выбранного сценария при численном моделировании;

Фиг. 6 показывает сравнение функций ВНР, полученных предсказанием алгоритма машинного обучения и расчетом при численном моделировании.

Подробное описание

Изобретение представляет собой способ прогнозирования расходных характеристик нестационарных многофазных потоков в стволе скважины с использованием методов машинного обучения. Такие многофазные потоки обычно образуются в нефтяных и газовых скважинах, когда флюид из пласта, несущего углеводороды, поступает в ствол скважины через перфорации во время запуска (освоения или очистки) и добычи.

Машинное обучение быстро развивается в последние годы и широко используется во многих приложениях. Оно оказалось особенно полезным при обработке больших объемов данных, прогнозировании и анализе временных рядов, распознавании изображений и речи, классификации медицинских данных и т.д.

Давление, скорость потока, температура и объемные доли фаз на фиксированных глубинах скважины являются расходными характеристиками потока в стволе скважины, представляющими интерес для практического применения. Знание этих характеристик важно применительно к проблеме возвратного потока из трещины или очистки, где наблюдаются быстропротекающие нестационарные многофазные скважинные течения. В задаче с возвратным потоком прогнозирование расходных характеристик потока скважины имеет решающее значение для запуска скважины с соблюдением безопасных рабочих параметров, для проектирования операций на поверхности (например, выбор подходящего размера штуцера) и для максимизации долгосрочного дебита скважины.

Во многих исследуемых скважинах датчики и измерители, позволяющие непосредственно определять расходные характеристики потока в стволе скважины, не устанавливаются по экономическим причинам ни во время запуска скважины, ни во время добычи. Следовательно, точный и систематический анализ накопленных исторических данных может дать возможность прогнозировать расходные характеристики ствола скважины для исследуемых скважин. Современные методы машинного обучения особенно хорошо подходят для обработки больших объемов данных и определения ключевых особенностей, которые делают такие прогнозы возможными. Такой способ и вычислительная система раскрываются в настоящем изобретении.

Расходные характеристики потока в стволе скважины являются нестационарными, особенно при запуске скважины. Следовательно, эти параметры должны быть предсказаны как временные ряды. В настоящем изобретении расходные характеристики потока в стволе скважины прогнозируются с использованием управляемой данными модели, основанной на алгоритме машинного обучения, обученном на накопленных исторических данных месторождения или результатах, полученных численным симулятором. Данные могут содержать информацию о геометрии ствола скважины и параметрах потока (скорость, давление), измеренных на поверхности и внутри ствола скважины, и другую доступную или вновь появляющуюся информацию. В другой конфигурации изобретения исторические данные представлены синтетическим набором результатов, полученных с использованием численного симулятора многофазных нестационарных скважинных течений. Методы машинного обучения могут быть использованы для изучения исторических данных, получаемых численным моделированием, и обеспечения прогнозов. Например, линейная или полиномиальная регрессия, многослойные нейронные сети, решающие деревья или другие методы могут использоваться для построения модели прогнозирования, управляемой данными.

Фиг. 1 показывает блок-схему последовательности операций в соответствии с одним или несколькими вариантами осуществления раскрываемого способа.

Раскрываемый способ предусматривает сохранение вычислительной системой в базе данных знаний в памяти запоминающего устройства а) первичных скважинных данных, полученных на множестве эксплуатируемых скважин и содержащих накопленные исторические статические параметры по меньшей мере одной скважины, динамические параметры скважины, измеренные на поверхности, и накопленные исторические характеристики потока в стволе скважины, измеренные во время запуска и добычи с помощью тех или иных элементов полевого оборудования, установленных на поверхности или внутри скважин, и б) вторичных скважинных данных, содержащих входные статические параметры модельных скважин, параметры моделирования, используемые в качестве граничных условий на выходе из скважин, и вычисленные расходные характеристики потока в стволе скважин, полученные путем численного моделирования для множества сценариев наборов параметров (блок 1).

В соответствии с одним вариантом осуществления изобретения накопленные исторические статические параметры скважины содержат, по меньшей мере, одну из групп, состоящих из петрофизических свойств углеводородсодержащих пластов, геологических свойств, геомеханических свойств, свойств флюида, конфигурации скважин и других измеримых параметров скважин и пластов. Измеренные накопленные исторические расходные характеристики потока на поверхности и в стволе скважины включают в себя, по меньшей мере, одну из групп, состоящих из потоков углеводородов, твердых частиц, пиковых значений дебита углеводородов и частиц, давления, температуры, объемных долей, продолжительности очистки скважины или возвратного потока.

В соответствии с другим вариантом осуществления изобретения динамические параметры по меньшей мере одной скважины, измеренные на поверхности, и параметры моделирования, используемые в качестве граничных условий на выходе из скважины, содержат, по меньшей мере, одну из групп, состоящих из вычисленных потоков углеводородов, твердых частиц, пиковых значений дебита углеводородов и частиц, давления, температуры, объемных долей, продолжительности очистки скважины или возвратного потока.

В соответствии с другим вариантом осуществления изобретения измеренные накопленные исторические расходные характеристики потока в стволе по меньшей мере одной скважины и вычисленные расходные характеристики потока в стволе по меньшей мере одной скважины содержат, по меньшей мере, одну из групп, состоящих из потоков углеводородов, пиковых значений дебита на поверхности, давления, температуры, объемных долей, распределения скоростей в скважине, свойств углеводородсодержащих пластов, продолжительности очистки скважины или возвратного потока.

В блоке 2 проводится анализ упомянутых первичных скважинных данных посредством системы машинного обучения, при этом указанный анализ дает первые взаимосвязи между указанными накопленными историческими статическими параметрами по меньшей мере одной скважины, указанными динамическими параметрами скважины, измеренными на поверхности, и указанными расходными характеристиками потока в стволе скважины, измеренными внутри ствола скважины; проводится анализ упомянутых вторичных скважинных данных посредством системы машинного обучения, при этом указанный анализ дает вторую взаимосвязь между указанными статическими параметрами входной скважины моделирования, параметрами моделирования, используемыми в качестве граничных условий на выходе из скважины, и указанными рассчитанными расходными характеристиками потока в стволе скважины.

В блоке 3 статические параметры исследуемой скважины, характеризующие подземный углеводородный пласт и скважину, проникающую в пласт, и динамические параметры исследуемой скважины, измеренные на поверхности, передаются пользователем в вычислительную систему через интерфейс. В соответствии с одним вариантом осуществления настоящего изобретения статические параметры исследуемой скважины, характеризующие подземный пласт, содержащий углеводороды, и исследуемую скважину, проникающую в пласт, могут включать, по меньшей мере, одну из групп, состоящих из петрофизических свойств углеводородсодержащих пластов, геологических свойств, геомеханических свойств, свойства флюидов, конфигурации скважины и других измеряемых параметров скважин и пластов. Измеренные динамические параметры исследуемой скважины включают, по меньшей мере, одну из групп, состоящих из потоков углеводородов, твердых частиц, пиковых значений дебита углеводородов на поверхности и частиц, давления, температуры, объемных долей, продолжительности очистки скважины или возвратного потока.

В блоке 4 сравнение статических параметров и измеренных на поверхности динамических параметров для исследуемой скважины, с накопленными для эксплуатируемых скважин историческими статическими параметрами и измеренными на поверхности динамическими параметрами, и полученными путем численного моделирования статическими и выходными устьевыми динамическими параметрами для различных сценариев набора статических и входных динамических параметров выполняется методами машинного обучения.

В блоке 5 расходные характеристики ствола скважины в упомянутой исследуемой скважине прогнозируются системой машинного обучения на основе полученных первой и второй взаимосвязей.

Прогнозируемые расходные характеристики потока в стволе скважины включают, по меньшей мере, одну из групп, состоящих из давления, температуры, фазовых скоростей, объемных долей в стволе скважины и на забое, продолжительности очистки или возвратного потока в скважине, суммарных дебитов и пиковых значений дебита углеводородов на поверхности, устьевое давление.

Рабочий процесс также может включать в себя оценку того, удовлетворяют ли прогнозируемые расходные характеристики потока в стволе скважины требованиям безопасности рабочих параметров во время запуска и добычи исследуемой скважины (блок 6), и на основе оценки, при необходимости, корректировки параметров управления наземным оборудованием для удовлетворения требований безопасной эксплуатации (Блок 7).

Вычислительная система может быть практически любого типа независимо от используемой платформы. Например, вычислительная система может представлять собой одно или несколько мобильных устройств (например, портативный компьютер, смартфон, смарт-часы, персональный цифровой помощник, планшетный компьютер или другое мобильное устройство), настольные компьютеры, серверы, блейд-серверы в корпусе сервера или любой другой тип вычислительного устройства или устройств, которое включает в себя, по меньшей мере, минимальную вычислительную мощность, память и устройства ввода-вывода для выполнения одного или нескольких вариантов осуществления изобретения.

На фиг. 2 показан пример вычислительной системы в соответствии с некоторыми вариантами осуществления изобретения. Вычислительная система может включать в себя систему 8 машинного обучения, содержащую процессор для анализа данных и генерации прогнозов, запоминающее устройство 9 и пользовательский интерфейс 10. Машинное обучение это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач (https://ru.wikipedia.org/wiki/Машинное_обучение).

Вычислительная система содержит запоминающее устройство 9 (например, оперативное запоминающее устройство (ОЗУ), кэш-память, флэш-память и т.д.), Одно или несколько запоминающих устройств (например, жесткий диск, оптический привод, такой как компактный диск, дисковод (CD) или универсальный цифровой дисковод (DVD), флэш-карта памяти и т.д.), а также множество других элементов и функций.

Инструкции программного обеспечения в форме машиночитаемого программного кода для выполнения одного или нескольких вариантов осуществления могут быть сохранены, полностью или частично, временно или постоянно, на постоянном машиночитаемом носителе, таком как CD, DVD, запоминающее устройство, дискета, флэш-память, физическая память. В частности, программные инструкции могут соответствовать машиночитаемому программному коду, который при исполнении процессором(ами) сконфигурирован для выполнения одного или нескольких вариантов осуществления способа.

Вычислительная система также содержит пользовательский интерфейс 10. Традиционный пользовательский интерфейс обеспечивает средство для одного или нескольких пользователей, чтобы предоставлять информацию в систему и извлекать из нее информацию. В качестве иллюстрации, интерфейс может представлять собой графический интерфейс пользователя на основе Windows (GUI), включающий клавиатуру, мышь и дисплей.

Приведенный ниже пример демонстрирует, как спрогнозировать выбранную расходную характеристику потока в стволе скважины, а именно временной ряд забойного давления BHP(t) из известных WHP(t), временные ряды поверхностных дебитов нефти Qo(t), воды Qw(t) и газа Qg(t). Анализ может быть распространен на другие расходные характеристики потока в стволе скважины (например, дебит, температура, объемные доли и другие). Все функции приведены в точках 0h, 0.1h, 0.2h, …, 50h (всего 50 часов и 501 точка).

Чтобы проиллюстрировать способ и систему, рассмотрим нестационарную задачу многофазного течения в стволе скважины. Набор данных генерируется с использованием симулятора нестационарного многофазного скважинного потока. Следующие параметры варьируются для запуска 2000 сценариев моделирования:

• Геометрия ствола скважины диаметром 0,057 м состоит из вертикального сегмента длиной 2845 м, соединенного с горизонтальным сегментом длиной 1310 м.

• По стволу горизонтального сегмента распределено 6 источников. Измеренные глубины (от поверхности) мест расположения источников имеют следующие значения: 3000 м, 3200 м, 3400 м, 3600 м, 3800 м, 4000 м.

• Для каждого источника значения расхода воды qw (t) и значения расхода нефти qo (t) приведены в виде случайных функций с точки зрения как времени запуска, так и амплитуды, см. Фиг. 3. Как видно из рисунка, в этом синтетическом примере распределение в форме колокола выбрано для определения динамики скорости притока воды. Динамика притока нефти аналогична динамике для воды в начале, пока скорость притока нефти не достигнет максимума и не останется на этом уровне. В практических приложениях динамика расхода этих исходных терминов определяется производительностью трещин и пласта.

• Скорость притока источника газа qg(t) установлена на ноль. Однако нефть содержит растворенный газ, который выходит из нефти внутри ствола скважины, так что результирующий поверхностный расход газа Qg(t) не равен нулю.

• Давление в устье скважины WHP(t) является случайной функцией. Генерация функций WHP(t) построена так, чтобы представлять изменчивость этой функции во время операций запуска в полевых условиях, где значение WHP(t) контролируется поверхностным штуцером, который может варьировать от малого открытия до полного открытия и выходное давление на штуцере, которое также может колебаться и дрейфовать в зависимости от давления сепаратора или давления в другом оборудовании, установленном после дросселя.

Типичный временной ряд WHP(t), являющийся входным граничным условием симулятора, и функция ВНР (t), являющаяся результатом расчета, показаны на Фиг. 4 для выбранного сценария из 2000 рассмотренных. На Фиг. 5 показаны поверхностные расходы Qo(t), Qw(t) и Qg(t), являющиеся результатами одного и того же расчета.

Построен алгоритм машинного обучения на основе нейронной сети, обладающей возможностями обучения и прогнозирования. На первом этапе этот алгоритм был обучен на наборе данных, состоящем из результатов численного моделирования 2000 сценариев, описанных выше. На втором этапе алгоритм был протестирован для прогнозирования неизвестного забойного давления для нового сценария моделирования, который не был частью описанного набора сценариев. Для этого нового сценария WHP(t), Qo(t), Qw(t) и Qg(t) были использованы в качестве входных данных для обученной нейронной сети. Нейронная сеть предсказала характеристику потока в стволе скважины, представляющую интерес в этом примере, а именно забойное давление. Сравнение прогноза нейронной сети с результатом численного моделирования для указанного нового сценария показано на Фиг. 6. Нормализованная среднеквадратическая ошибка (NRMSE) прогноза по отношению к численному результату моделирования ниже 5%. Прогнозируемое забойное давление оценивается по критерию безопасности рабочих параметров, и выполняются корректировки на устье скважины на входе в систему управления давлением за штуцером или графиком работы штуцера.

Реферат

Изобретение относится к области анализа данных в нефтяной промышленности и может быть использовано для прогнозирования расходных характеристик потока в стволе скважины с использованием методов машинного обучения. Предложен компьютерный способ прогнозирования расходных характеристик потока в стволе скважины, проникающей в подземный углеводородный пласт, включающий: сохранение в базе данных первичных скважинных данных, полученных из множества действующих скважин и содержащих накопленные для эксплуатируемых скважин исторические статические параметры и измеренные на поверхности динамические параметры и накопленные исторические характеристики потока в стволе по меньшей мере одной скважины, измеренные во время запуска и добычи одной или многими единицами полевого оборудования, установленных на поверхности или внутри скважин; сохранение в базе данных знаний вторичных скважинных данных, содержащих полученные путем численного моделирования статические и выходные устьевые динамические параметры и расходные характеристики потока в стволе скважины для различных сценариев набора статических и входных динамических параметров скважины; выполнение системой машинного обучения анализа указанных первичных скважинных данных; выполнение системой машинного обучения анализа указанных вторичных скважинных данных; ввод в систему машинного обучения статических параметров скважины, характеризующих исследуемую скважину, и динамические параметры исследуемой скважины, измеренные на поверхности; прогнозирование с помощью системы машинного обучения расходных характеристик потока в стволе скважины в указанной исследуемой скважине на основе полученных первой и второй взаимосвязей; оценку того, удовлетворяют ли прогнозируемые расходные характеристики потока в стволе скважины требованиям безопасности рабочих параметров при запуске и добыче исследуемой скважины, и на основе указанной оценки корректировку, при необходимости, параметров управления наземным оборудованием для удовлетворения требованиям безопасной эксплуатации. Предложенный способ позволяет прогнозировать расходные характеристики потока в стволе скважины и в забое, где эти характеристики обычно неизвестны. Раскрыта также система для осуществления указанного способа. 2 н. и 5 з.п. ф-лы, 6 ил.

Формула