Цифровой графический мониторинг энергетического состояния нефтяных залежей; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 335, № 5
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering: сетевое издание/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 335, № 5.— 2024.— С. 131-141 |
|---|---|
| Main Author: | |
| Other Authors: | , |
| Summary: | Актуальность работы обусловлена тем, что контроль энергетического состояния залежей является неотъемлемой составляющей общей системы мониторинга разработки месторождений углеводородов. Традиционным способом контроля энергетического состояния залежей является построение карт изобар, при этом в качестве исходных данных используются материалы гидродинамических исследований скважин при неустановившихся режимах. В существующих технико-экономических условиях следует считать невозможной даже условно одновременную остановку всего фонда скважин для фактических определений пластового давления. Данного недостатка лишены косвенные методы определения пластового давления. В этой связи представляется актуальным сопоставление непосредственного и косвенных методов определения пластового давления при использовании их данных для анализа энергетического состояния залежей углеводородов. Цель: сравнительная оценка непосредственного и косвенных методов определения пластового давления при анализе энергетического состояния залежей (при построении карт изобар). Объект: турнейско-фаменские карбонатные залежи нефти месторождений Пермского края. Методы: гидродинамические исследования скважин, анализ истории добычи по скважинам (модуль Topaze (Kappa Workstation)), методы машинного обучения (модульный сервис Data Stream Analytics (DSA)), картопостроение, корреляционный анализ. Результаты. Разновременность гидродинамических исследований скважин не позволяет выполнить достоверную оценку текущего энергетического состояния залежей, в отличие от косвенных методов определения пластового давления, практическая реализация которых позволяет получать искомую величину на любую дату. Однако при условно одинаковой высокой прогностической способности косвенных методов приоритетными следует считать рассматриваемые методы машинного обучения, что обусловлено такими их преимущественными характеристиками, как низкая продолжительность вычислительных операций, минимальный набор исходных данных, интегрированный сервис картопостроения Relevance. Control of energy state of reservoirs is an integral part of the overall system for monitoring the development of hydrocarbon deposits. The traditional way to control the energy state of reservoirs is to build isobar maps, while the input data are the materials of well tests in unsteady conditions. In the current technical and economic conditions, it should be considered impossible even conditionally simultaneous shutdown of the entire well stock for the actual determination of reservoir pressure. This shortcoming is devoid of indirect methods for determining reservoir pressure. In this regard, it seems relevant to compare direct and indirect methods for determining reservoir pressure when using their data to analyze the energy state of hydrocarbon deposits. Aim. Comparative assessment of direct and indirect methods for determining reservoir pressure in the analysis of the energy state of deposits (when constructing isobar maps). Object. Tournaisian-Famenian carbonate deposits of oil from the fields of the Perm Krai. Methods. Well tests, analysis of production history by wells (module Topaze (Kappa Workstation)), machine learning methods (modular service Data Stream Analytics (DSA)), mapping, correlation analysis. Results. Well tests carried out at different times do not allow a reliable assessment of the current energy state of reservoirs, in contrast to indirect methods for determining reservoir pressure, the practical implementation of which allows obtaining the desired value for any date. However, with conditionally the same high predictive ability of indirect methods, the considered methods of machine learning should be considered a priority. This is due to their advantageous characteristics, such as low duration of computational operations, a minimum set of initial data, an integrated mapping service Текстовый файл |
| Language: | Russian |
| Published: |
2024
|
| Subjects: | |
| Online Access: | https://earchive.tpu.ru/handle/11683/82090 https://doi.org/10.18799/24131830/2024/5/4328 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=673017 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 673017 | ||
| 005 | 20250115172638.0 | ||
| 090 | |a 673017 | ||
| 100 | |a 20240610d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Цифровой графический мониторинг энергетического состояния нефтяных залежей |d Digital graphic monitoring of energy condition of oil reservoirs |z eng |f Захаров Лев Андреевич, Пономарева Инна Николаевна, Мартюшев Дмитрий Александрович | |
| 320 | |a Список литературы: с. 139-140 (25 назв.) | ||
| 330 | |a Актуальность работы обусловлена тем, что контроль энергетического состояния залежей является неотъемлемой составляющей общей системы мониторинга разработки месторождений углеводородов. Традиционным способом контроля энергетического состояния залежей является построение карт изобар, при этом в качестве исходных данных используются материалы гидродинамических исследований скважин при неустановившихся режимах. В существующих технико-экономических условиях следует считать невозможной даже условно одновременную остановку всего фонда скважин для фактических определений пластового давления. Данного недостатка лишены косвенные методы определения пластового давления. В этой связи представляется актуальным сопоставление непосредственного и косвенных методов определения пластового давления при использовании их данных для анализа энергетического состояния залежей углеводородов. Цель: сравнительная оценка непосредственного и косвенных методов определения пластового давления при анализе энергетического состояния залежей (при построении карт изобар). Объект: турнейско-фаменские карбонатные залежи нефти месторождений Пермского края. Методы: гидродинамические исследования скважин, анализ истории добычи по скважинам (модуль Topaze (Kappa Workstation)), методы машинного обучения (модульный сервис Data Stream Analytics (DSA)), картопостроение, корреляционный анализ. Результаты. Разновременность гидродинамических исследований скважин не позволяет выполнить достоверную оценку текущего энергетического состояния залежей, в отличие от косвенных методов определения пластового давления, практическая реализация которых позволяет получать искомую величину на любую дату. Однако при условно одинаковой высокой прогностической способности косвенных методов приоритетными следует считать рассматриваемые методы машинного обучения, что обусловлено такими их преимущественными характеристиками, как низкая продолжительность вычислительных операций, минимальный набор исходных данных, интегрированный сервис картопостроения | ||
| 330 | |a Relevance. Control of energy state of reservoirs is an integral part of the overall system for monitoring the development of hydrocarbon deposits. The traditional way to control the energy state of reservoirs is to build isobar maps, while the input data are the materials of well tests in unsteady conditions. In the current technical and economic conditions, it should be considered impossible even conditionally simultaneous shutdown of the entire well stock for the actual determination of reservoir pressure. This shortcoming is devoid of indirect methods for determining reservoir pressure. In this regard, it seems relevant to compare direct and indirect methods for determining reservoir pressure when using their data to analyze the energy state of hydrocarbon deposits. Aim. Comparative assessment of direct and indirect methods for determining reservoir pressure in the analysis of the energy state of deposits (when constructing isobar maps). Object. Tournaisian-Famenian carbonate deposits of oil from the fields of the Perm Krai. Methods. Well tests, analysis of production history by wells (module Topaze (Kappa Workstation)), machine learning methods (modular service Data Stream Analytics (DSA)), mapping, correlation analysis. Results. Well tests carried out at different times do not allow a reliable assessment of the current energy state of reservoirs, in contrast to indirect methods for determining reservoir pressure, the practical implementation of which allows obtaining the desired value for any date. However, with conditionally the same high predictive ability of indirect methods, the considered methods of machine learning should be considered a priority. This is due to their advantageous characteristics, such as low duration of computational operations, a minimum set of initial data, an integrated mapping service | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |o сетевое издание |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 672944 |9 672944 |t Т. 335, № 5 |d 2024 |v С. 131-141 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a пластовое давление | |
| 610 | 1 | |a гидродинамические исследования скважин | |
| 610 | 1 | |a анализ добычи | |
| 610 | 1 | |a методы машинного обучения, | |
| 610 | 1 | |a карта изобар | |
| 610 | 1 | |a formation pressure | |
| 610 | 1 | |a well tests | |
| 610 | 1 | |a production analysis | |
| 610 | 1 | |a machine learning methods | |
| 610 | 1 | |a isobar map | |
| 700 | 1 | |a Захаров |b Л. А. |g Лев Андреевич | |
| 701 | 1 | |a Пономарева |b И. Н. |g Инна Николаевна | |
| 701 | 1 | |a Мартюшев |b Д. А. |g Дмитрий Александрович | |
| 801 | 0 | |a RU |b 63413507 |c 20240611 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/82090 |z https://earchive.tpu.ru/handle/11683/82090 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2024/5/4328 |z https://doi.org/10.18799/24131830/2024/5/4328 | |
| 942 | |c CF | ||