Бесплатный автореферат и диссертация по наукам о земле на тему

Анализ эффективности использования постоянно действующих моделей при проектировании разработки нефтяных месторождений и их адаптация к реальным геолого-промысловым условиям

ВАК РФ 25.00.17, Разработка и эксплуатация нефтяных и газовых месторождений

Автореферат диссертации по теме "Анализ эффективности использования постоянно действующих моделей при проектировании разработки нефтяных месторождений и их адаптация к реальным геолого-промысловым условиям"

На правах рукописи

□□3456 192

МЕРКУРЬЕВ ЕГОР АЛЕКСАНДРОВИЧ

АНАЛИЗ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ ПОСТОЯННО ДЕЙСТВУЮЩИХ МОДЕЛЕЙ ПРИ ПРОЕКТИРОВАНИИ РАЗРАБОТКИ НЕФТЯНЫХ МЕСТОРОЖДЕНИЙ И ИХ АДАПТАЦИЯ К РЕАЛЬНЫМ ГЕОЛОГО-ПРОМЫСЛОВЫМ УСЛОВИЯМ

Специальность 25.00.17 - «Разработка и эксплуатация нефтяных и газовых месторождений»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

о 5 № т

Уфа-2008

003456192

Работа выполнена в ГОУ ВПО «Уфимский государственный нефтяной технический университет».

Научный руководитель доктор геолого-минералогических наук.

профессор Токарев Михаил Андреевич.

Официальные оппоненты: доктор технических наук, профессор

Пономарев Александр Иосифович; кандидат технических наук Шарафутдинов Ирик Гафурович.

Ведущая организация НПО «Нефтегазтехнология».

Защита состоится 26 декабря 2008 года в 11-00 на заседании совета по защите докторских и кандидатских диссертаций Д 212.289.04 при ГОУ ВПО «Уфимский государственный нефтяной технический университет» по адресу: 450062, Республика Башкортостан, г. Уфа, ул. Космонавтов, 1.

С диссертацией можно ознакомиться в библиотеке Уфимского государственного нефтяного технического университета.

Автореферат разослан_ ноября 2008 года.

Ученый секретарь совета

Ямалиев В.У.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

Проектирование разработки нефтяных месторождений неотрывно связанно с математическими моделями, которые описывают физические процессы, происходящие в пласте. Использование математических моделей позволяет понять причину изменения показателей разработки и выработать дальнейший план мероприятий по увеличению добычи нефти. Первоначально были разработаны простые математические модели с большими допущениями, которые давали достоверные результаты в узком диапазоне исходных данных. Модели нефтяных месторождений постоянно улучшались, повышалась их точность, учитывалось большее количество различных факторов, внедрялись новые математические алгоритмы. Это приводило к увеличению времени, необходимого для построения моделей. С появлением ЭВМ продолжительность создания моделей значительно снизилась, кроме того, был значительно увеличен объем задач, решаемых с помощью моделей. Современные гидродинамические симуля-торы (Eclipse, Roxar, ТРИАС) имеют большой набор математических моделей для описания химических и физических процессов, протекающих в пласте (например, решение многофазной фильтрации). Главным достоинством и отличием новых моделей от более ранних стала адаптация расчетных параметров к истории разработки месторождения. Основным принципом современных постоянно действующих моделей (ПДМ) является утверждение, что если результаты расчетов совпадают с историей разработки месторождения, значит, прогнозные показатели будут максимально приближены к реальности.

Проектирование разработки нефтяного месторождения с помощью постоянно действующих моделей можно разделить на два этапа - адаптация и прогнозирование. На этапе адаптации осуществляется подгонка параметров модели к истории разработки. Основной проблемой адаптации постоянно действующих моделей является неопределенность и отсутствие контроля некоторых данных таких, как пластовое давление, насыщенность и коэффициент продуктивности. Анализ неопределенности исходных данных и снижение уровня

неоднозначности постоянно действующих моделей на сегодняшний день является актуальной проблемой.

Кроме адаптации на этапе прогнозирования производится расчет различных вариантов разработки месторождения. Каждый вариант разработки представляет собой определенный план различных геолого-технических мероприятий (ГТМ), который заносится в модель в виде даты проведения ГТМ и параметров скважины после ГТМ, и надежность расчетных показателей во многом зависит от точности расчета эффективности геолого-технических мероприятий. И если учесть, что разработка большого количества нефтяных месторождений России ведется на основе постоянно действующих моделей, разработка метода, повышающего надежность прогнозных показателей, является крайне актуальным направлением.

Цель работы

Изучение эффективности применения постоянно действующих моделей; принципов, заложенных в современные ПДМ и создание нового подхода к адаптации гидродинамических моделей. Разработка методов расчета прогнозных показателей.

Основные задачи исследования

1 Анализ современных постоянно действующих моделей и эффективности их применения для разработки нефтяных месторождений.

2 Изучение процесса адаптации современных ПДМ, определение путей снижения неопределенности адаптации с целью повышения надежности расчета прогнозных показателей разработки нефтяных месторождений.

3 Разработка нового метода расчета коэффициента продуктивности скважин, который позволит учитывать различные геологические и технологические факторы, влияющие на характеристики призабойной зоны скважины и добываемой продукции.

Методы решения поставленных задач

При анализе эффективности ПДМ проводился обзор литературных источников, в ходе работы были проведены обширные исследования алгоритмов современных постоянно действующих моделей (Eclipse, TempestMore).

При изучении процесса адаптации применялись аналитические и статистические методы исследования промыслового и геолого-физического материала; модели нефтяных месторождений, созданные в программном продукте Eclipse компании Schlumberger.

Модели оценки продуктивности скважин разрабатывались с привлечением промыслового материала, с широким применением методов математического моделирования, методов теории вероятности и математической статистики, аналитическим и расчетным путем.

Научпая новизна:

1 Установлено влияние неопределенности моделирования коллектор-ских свойств, масштабирования геологической модели и моделирования распределения нефтенасыщенности на погрешность показателей разработки, рассчитанных при помощи постоянно действующих моделей нефтяных месторождений Оренбургской области.

2 Разработаны новые математические модели на основе искусственных нейронных сетей (ИНС) для оценки коэффициента продуктивности и определения технологической эффективности геолого-технических мероприятий.

3 Предложен новый методический подход расчета вариантов разработки нефтяных месторождений на основе ПДМ и рассчитанной при помощи ИНС динамики коэффициента продуктивности скважины после проведения ГТМ.

Практическая ценность работы

Разработана и внедрена в НГДУ «Бузулукнефть» ОАО «Оренбургнефть» система оценки рисков при бурении новых скважин на основе геологических и гидродинамических моделей адаптированных с учетом коэффициентов продуктивности скважин, рассчитанных при помощи ИНС.

Разработанные модели, на основе математического аппарата ИНС, для оценки проектных показателей разработки нефтяных месторождений, определения технологической эффективности геолого-технических мероприятий, используются в производственном процессе добычи нефти в ООО «Бугуруслан-нефть»

Апробация работы

Основные положения и результаты диссертационной работы докладывались: 56-й и 58-й научно-технических конференциях студентов, аспирантов и молодых ученых (г.Уфа, УГНТУ, 2005, 2007), третьей корпоративной научно-практической конференции молодых специалистов ТНК-ВР (г. Москва, 2006).

Публикации результатов работы

По теме диссертации опубликовано 7 печатных работ, в том числе 4 статьи, тезисы 3 докладов.

Объем и структура работы

Диссертация состоит из введения, 4 глав, списка использованной литературы, содержащего 108 источников. Текст изложен на 146 страницах машинописного текста, включающих 56 рисунков, 9 таблиц и 2 приложения.

Работа выполнена на кафедре «Разработка и эксплуатация нефтегазовых месторождений» Уфимского государственного нефтяного технического университета под руководством заслуженного деятеля науки Республики Башкортостан, доктора геолого-минералогических наук, профессора М. А. Токарева.

Автор выражает особую благодарность научному руководителю профессору М.А. Токареву, коллективу кафедры «Разработка и эксплуатация нефтегазовых месторождений» Уфимского государственного нефтяного технического университета и лично заведующему кафедрой профессору Ю.В. Зейгману за постоянное внимание к работе, ценные советы, замечания, оказанную помощь и поддержку при написании диссертационной работы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении содержится общая характеристика работы, обоснована её актуальность, поставлена цель и определены задачи исследований, показаны научная новизна и практическое значение.

В первой главе рассматриваются основные виды математических моделей, использующихся для прогнозирования показателей разработки нефтяных месторождений. Определены области их применения при различных геолого-технологических условиях.

Значительный вклад в решение вопросов моделирования разработки нефтяных месторождений внесли следующие ученые: B.C. Орлов, И.Д. Амелин,

В.С Ковалев, X. Азиз, Э. Сеттари, Д.В. Булыгин, Г.Б. Кричлоу, Б.И. Леви, Р.Д. Каневская, А.Х. Мирзаджанзаде, М.М. Хасанов, А.И. Акулышш, Сазонов Б.Ф и др.

Отдельно рассмотрены современные постоянно действующие модели, их возможности и преимущества перед другими типами моделей.

Основной целью проектирования разработки нефтяного месторождения является точное прогнозирование показателей разработки. На сегодняшний день известно множество решений данной задачи. К наиболее известным и широко применяемым методам можно отнести кривые вытеснения, уравнение материального баланса, корреляционные зависимости. Ранние модели нефтяных месторождений позволяют точно спрогнозировать динамику основных показателей разработки - добычу нефти и воды, обводненность и т.д. Как правило, такие расчеты проводятся в масштабах нефтяных пластов и участков месторождений. Для более детального анализа разработки месторождений используют постоянно действующие модели (ПДМ). В современных моделях большое внимание уделяется прогнозу показателей скважины, что значительно повышает эффективность использования ПДМ при анализе разработки нефтяного месторождения.

Характерной чертой постоянно действующих моделей является их адаптация к фактическим замерам на скважинах. Поэтому работу с ПДМ можно разделить на два этапа - адаптация и прогноз. На первом этапе известны фактические показатели разработки, и параметры модели подбираются таким образом, чтобы расчетные показатели совпадали с историей разработки. Суть такого подхода заключается в том, что погрешность расчета прогнозных показателей будет соответствовать погрешности адаптации. Поэтому точность прогноза показателей разработки во многом зависит от адаптации модели.

Качество адаптации определяется двумя факторами: отклонением рассчитанных от фактических показателей и количеством параметров, по которым ведется адаптация. В настоящее время этими параметрами являются дебит нефти, воды, обводненность и забойное давление скважин. Но месторождение представляет собой сложную систему и существует ещё несколько параметров, отражающих динамику происходящих в нефтяном пласте процессов. К таким параметрам можно отнести пластовое давление, насыщенность, коэффициент продуктивности скважин. Использование этих показателей при адаптации значительно повышает качество постоянно действующих моделей. Но замеры фактического пластового давления, коэффициента продуктивности скважин и насыщенности связаны с остановкой скважин и длительностью процесса, поэтому количество исследований ограничено и замеров недостаточно для использования их при адаптации моделей. В связи с этим необходимо разработать методических подход, позволяющий использовать дополнительные параметры для снижения неопределенности адаптации постоянно действующих моделей.

Расчет прогнозных показателей разработки при помощи ПДМ также связан с определенными трудностями. Дальнейшее развитие месторождения связано с проведением геолого-технических мероприятий (ГТМ) и для корректного прогноза необходимо рассчитывать эффективность ГТМ. Для её оценки в большинстве случаев используется изменение коэффициента продуктивности, но в современных гидродинамических симуляторах отсутствует механизм расчета коэффициента продуктивности скважин и его динамики после ГТМ. По-

этому разработка математических моделей для расчета коэффициента продуктивности скважины и его динамики существенно повысит точность прогноза постоянно действующих моделей.

Во второй главе описываются основные аспекты современного геологического моделирования. Был проведен сравнительный анализ современных геологических моделей и моделей трубок тока и оценены достоинства и недостатки каждой из моделей. Хотя в моделях трубок тока нет ярко выраженной геологической модели, тем не менее, очень интересно провести аналогию с ПДМ, чтобы понять основные принципы современного геологического моделирования.

Создание геологической модели можно разбить на несколько этапов:

- построение каркаса модели (grid);

- заполнение ячеек свойствами;

- укрупнение ячеек для гидродинамического моделирования (upscaling).

Основными исходными данными для геометрического моделирования

являются структурные поверхности кровли, подошвы, отбивки пласта в скважинах и координаты разломов. Геометрия пласта в ПДМ описывается при помощи ячеек, а в более ранних моделях - в виде трубок тока. Их сравнительная характеристика представлена в таблице 1.

Таблица 1 - Характеристика геометрических моделей

Ячейки Трубки тока

Искажение геометрии фильтрационных потоков Точное описание фильтрационных потоков

Описание трехмерных потоков Двухмерность модели

Описание практически любой геометрии пласта Приближенная геометрия пласта

Визуализация месторождения Отсутствие визуализации

Сложность вычислений Простота расчетных схем

Следующим этапом в построении геологической модели является моделирование свойств.

В ходе работы был проведен анализ математических методов моделирования коллекторских свойств на примере терригенного пласта Б2 бобриковско-го горизонта Пронькинского месторождения. Анализ показал высокую зависимость расчетных показателей от параметров крикинга, использующегося при распределении свойств в геологической модели. Отклонение расчетной накопленной добычи воды в моделях по некоторым вариантам составило 30 %, а по отдельным скважинам отклонения по добычи нефти достигали 71 %. Максимальная неопределенность связана с краевыми зонами и с зонами значительной площадной неоднородности. На разбуренных участках отклонения между вариантами незначительные и не превышают 3 %.

Распределение нефтепасыщенности в пласте оказывает менее сильное влияние на расчет показателей разработки. Даже при погрешности модельного распределения по сравнению с геофизическими исследованиями в 13,9 % расчетная добыча жидкости совпадает с промысловыми замерами.

Кроме распределения свойств, также анализировалась погрешность, возникающая при масштабировании геологической модели, которая составила 5%, но следует отметить, что вычислительные эксперименты проводились на модели пласта Б2 бобриковского горизонта, коэффициент расчлененности которого на Пронькинском месторождении составляет 2,3; в случае более расчлененного коллектора погрешность значительно больше.

После проведенного анализа можно с уверенностью сказать, что точность математических методов, использующихся в геологическом моделировании, во многом зависит от изученности и неоднородности коллекторских свойств месторождения. И очевидно, что основным критерием качества геологической модели является степень расхождения между фактическими и расчетными показателями разработки. Для повышения точности прогноза показателей разработки требуется такой алгоритм адаптации, который максимально снизит неопределенность геологического моделирования.

В третьей главе проведен анализ моделей трубок тока и постоянно действующей модели, реализованной в программном продукте Eclipse. В основе каждой модели лежит уравнение Лапласа. В моделях трубок тока используется уравнение Лапласа для установившегося режима в двумерном пространстве. Такие допущения существенно облегчают решение задачи прогнозирования показателей разработки.

Для прогнозирования показателей разработки в постоянно действующих моделях используется закон Дарси и уравнение материального баланса.

В этом случае, кроме геологической модели, на расчетные показатели разработки оказывают сильное влияние такие параметры гидродинамической модели, как законтурная область пласта и призабойная зона скважин. От свойств этих параметров во многом зависит количество жидкости, поступающей в пласт, и соответственно распределение пластового давления. Интервалы перфорации скважин и водоносные горизонты характеризуются значительной степенью неопределенности из-за отсутствия достоверной информации об их свойствах, вследствие чего свойства призабойной зоны скважин и законтурной области пласта подвергаются значительным изменениям при адаптации постоянно действующих моделей, что в свою очередь приводит к неопределенности прогнозирования показателей разработки.

Из этого следует, что помимо неопределенности, возникающей при геологическом моделировании в современных гидродинамических моделях, существует ряд параметров, таких как законтурная область пласта и призабойная зона скважин, приводящих к многовариантности.

При использовании уравнения материального баланса пластовое давление во многом зависит от начальных запасов нефти, на величину которых непосредственно влияет пористость. Но пластовое давление также входит в закон Дарси и появляется возможность контролировать распределение свойств при помощи сравнения расчетных показателей разработки и промысловых замеров. В то же время пластовое давление, согласно материальному балансу, зависит от закачки и добычи жидкости и, следовательно, от коэффициента продуктивно-

сти (приемистости) скважины, Поэтому для точной адаптации модели один из параметров - пластовое давление или коэффициент продуктивности (приемистости) скважин - должен обязательно сопоставляться с фактическим замером. В этом случае неопределенность адаптации значительно снижается.

Четвертая глава посвящена вопросам адаптации постоянно действующей моделей и уточнению расчета прогнозных покзателей. Основным недостатком адаптации постоянно действующих моделей является неопределенность исходных данных, вызванная отсутствием сопоставимых замеров пластового давления и коэффициента продуктивности.

Запишем уравнение притока жидкости в скважину в общем виде:

£?» +ви -Рщб)

где ¡0,, бя ~ Дебит воды и нефти,

Кпрод ~ коэффициент продуктивности скважины, Рт, Рзаб - пластовое и забойное давление.

Из уравнения (1) вполне резонно допустить, что совпадение £?„+£?„ - добычи жидкости, а также забойного давления Рза6 может быть при различных комбинациях коэффициента продуктивности и пластового давления.

Все это приводит к тому, что адаптация при различных вариантах может быть идеальной, но прогноз будет сильно отличаться друг от друга (рисунок 1).

адаптация вс*х вариан^*Х"»>

............... /..........7...../.

г Л 1

............../............./.../..... N.

/ У /

.........[..„.у/..../.................

■ 1 ,.'''

800 ТОО 600 600 «о

300 200 100 о

17402/2005

240312006 10110)2009 В|>«ыя

—Дебит н*ф-и (нем. Кпрвд) • Дебит нефти (история)

- - -Дебит на£тн (лм пл. даелеиие) Фоннце неопределенности

Рисунок 1 - Адаптация добычи нефти пласта Б2 Ново-Долговского месторождения

На рисунке видно, что до вертикальной черты модель идеально подогнана, но прогноз для разных вариантов отличается.

Рисунок 2 - Алгоритм адаптации постоянно действующих моделей

Чтобы снизить неопределенность адаптации необходимо, чтобы один из членов уравнения (1) - пластовое давление или коэффициент продуктивности -был задан явно.

Сопоставить фактическое пластовое давление и расчетное довольно трудно, так как замер проводится в остановленной скважине, а расчетное пластовое давление - это давление на контуре работающей скважины. То есть происходит искажение расчетного пластового давления воронкой депрессии.

Определение коэффициента продуктивности - менее трудоемкая задача и поэтому в работе предлагается изменить подход к адаптации постоянно действующих моделей. В ходе работы был опробован следующий алгоритм адаптации постоянно действующих моделей показанный на рисунке 2; результаты сравнения двух алгоритмов приведены на рисунке 3.

Суточная добыча нефти Пасмуровского месторождения

15/07/2004 11/01/2005 10/07/2005 06/01/2006 05/07/2006 01/01/2007

Время

-Дебит нефти (новы й алгоритм) -Факт

- - - - Дебит нефти (старый алгоритм)

Рисунок 3 - Сравнение расчета прогнозных показателей разработки Пасмуровского месторождения, пласт Д1 с применением нового алгоритма адаптации модели

Для расчета коэффициента продуктивности была разработана программа, основанная на математическом аппарате нейронных сетей. Использование ней-

ронных сетей позволяет учесть большое количество факторов, влияющих на коэффициент продуктивности. Схематично ИНС показана на рисунке 4.

Рисунок 4 - Схема искусственной двухслойной нейронной сети для расчета динамики коэффициента продуктивности скважины, в качестве входного вектора используются результаты геофизических исследований скважины (ТИС)

В качестве входного вектора (х¡, Х2, хз...х^ могут быть использованы любые параметры скважины, которые влияют на коэффициент продуктивности. В работе в качестве таких параметров для прогнозирования коэффициента продуктивности используются результаты геофизических исследований скважин -гамма каротаж (ГК) и нейтронный гамма каротаж (НТК). Для этого перфорированный интервал пласта делится на п слоев. По каждому слою рассчитывается масштабированное среднеарифметическое или средневзвешенное значение каротажа. Непосредственное использование результатов ГИС исключает погрешность, возникающую при расчете пористости и проницаемости породы. Если рассчитывается динамика коэффициента продуктивности скважины, то ИНС имеет несколько выходов. Использование динамики коэффициента продуктивности скважины совместно с постоянно действующими моделями позволяет существенно повысить точность прогнозирования эффективности геолого-технических мероприятий. В этом случае учитываются основные процессы,

происходящие в пласте после ГТМ: падение пластового давления, вследствие увеличения отборов жидкости; изменение обводненности продукции; снижение коэффициента продуктивности скважины из загрязнения призабойной зоны.

Обучающая выборка для настройки сети составлялась из коэффициентов продуктивности скважин, полученных после интерпретации кривых восстановления давления (КВД), при расчете динамики К^ использовались результаты исследований скважин на установившемся режиме.

Для расчетов применялась активационная функция сишоидального типа

/шгт~' т ■, (2)

1+е.

где х-(х],х2х}...хл) - входной вектор,

м>т - транспонированный вектор весовых коэффициентов.

Для нахождения весов скрытого слоя (\у) и выходного слоя (\У) использовался алгоритм обратного распространения ошибки. Чтобы оценить погрешность расчета К^д (или дебита нефти) при помощи ИНС используется тестовая выборка из скважин, не участвующих при обучении сети, с известными значениями коэффициента продуктивности скважины или дебита нефти (таблица 2).

Таблица 2 - Сопоставление расчетных и фактических значений К,

№ скважины Пласт Месторшеденив Расчет Факт Погрешность, %

Расчет коэффициента продуктивности скважин мЗ/сут/атм

409 Т1 Самодуровское 0.5 0.5 17.39

215 Т1 Самодуровское 0.0 0.7 12.50

2Б4 Т1 Самодуронсков 0.3 0.4 14.23

420 Т1 Самодуровское 0.Б 0.Б 0.00

Расчет ДЕбита нес пи, т/сут

Б53 Зл1-2 Самодуровское 4Б.Б 47.0 0.В5

780 Зл1-2 Самодуровское 47.1 42.0 12.14

Б43 Зл1-2 Самодуровское Э.1 В.5 7.0Б

420 Зл1-2 Самодуровское 4.5 2.3 95.Б5

421 Зл1-2 Самодуровское 12.Б 12.3 2.44

422 Зл1-2 Самодуровсков 5.Б 5.0 12,00

424 Зл1-2 Самодуровсков 5.9 4.6 20.2Б

Б41 . Зл1-2 Самодуровсков Б.4 9.1 7.БЭ

Существенное влияние на точность прогноза ИНС оказывает ее архитектура - количество нейронов в скрытом слое. На сегодняшний день нет четких рекомендаций по определению архитектуры двухслойной нейронной сети. Поэтому для определения оптимального числа нейронов в скрытом слое были проведены расчеты коэффициента продуктивности скважины на различных моделях ИНС. Результаты расчета приведены на рисунке 5.

10 15 20 25

Количество нейронов в скрытом слое

Рисунок 5 - Основные параметры ИНС для расчета эффективности кислотной обработки забоя скважин Самодуровского месторождения

Из рисунка видно, что уже при шести нейронах в скрытом слое достигается высокая точность вычислений КпрОД (погрешность равна 9,6%) и скорость обучения (около одной секунды).

Также в четвертой главе проведен сравнительный анализ математической модели искусственной нейронной сети (ИНС) и модели корреляционного анализа (таблица 3). Для анализа были определены регрессионные зависимости между коэффициентом продуктивности и показаниями радиоактивного каротажа (3) и (4).

Для определения коэффициента продуктивности скважины при переводе на вышележащие горизонты уравнение регрессии выглядит следующим образом:

Кщод = -0.115+0.511 •ГК,+2.026'*ГКГ 1.168*ГК3-0.5*НГК, +0.108*НГК2 + +0.426*НГК3, (3)

где ГК— значение гамма каротажа ([- номер слоя),

НТК; - значение нейтронного гамма каротажа 0 - номер слоя). Для расчета коэффициента продуктивности скважины после проведения кислотного гидроразрыва пласта (ГРП).

Кпрод = 0.09+0.916 Кирове +0.378*ГК1+0.319*ГК2-0.941*ГК3+0.236*НГК1 + +0.120*НГК2 - 0.258*НГК3, (4)

где Кпрод^о - коэффициент продуктивности скважины до обработки. В результате была получена таблица 3, из которой видно, что точность ИНС более чем в два раза выше уравнения регрессии.

Таблица 3 - Сравнение ИНС и модели корреляционного анализа

Нг объекта Коэффициент продуктивности мЗ/сут/атм. Погрешность, %

Факт ИНС Уравнение регрессии ИНС Уравнение регрессии

Перевод скважин на вышележащие горизонты

1 П.Б1 0.51 0.45 15.9% 25.4%

2 аза 0.33 0.БВ В.Б% 123.9%

3 0.1В 0.24 0.2Б ЗБ.7% 45.7%

4 0.Ю 0.11 12.3% 31.1%

5 0.17 0.15 0.20 10.3% 1В.9%

6 0.10 ООН 0.19 54.0% 4.2%

Проведение кислотных ГРП

1 0.19 0.23 0.34 22.1% В2.6%

2 0.51 0.4В 0.47 5.2% Б.Б%

3 0.59 0.Б5 0.50 9.5% 1.В%

4 0.20 0.24 0.52 17.6% 154.4%

5 0.90 0.42 0.70 53.3% 22.1%

Среднее 0.36 0.31 0.41 22.4% 49.5%

Следует отметить, что лучшие результаты по сравнению с регрессионными моделями, были получены ИНС для обучающих выборок с коэффициентом

вариации Кпрод более 50%. Поэтому разработанные модели на основе ИНС рекомендуется использовать при значительной неоднородности коллекторских свойств нефтяного пласта.

С целью повышения точности расчетов была разработана программа, основанная на алгоритме метода главных компонентов (МГК), для преобразования вектора исходных данных. В этом случае вектор исходных данных заменяется новым вектором признаков - первые, из которых оказывают наиболее сильное влияние на расчетный параметр. При этом сокращается время обучения искусственной нейронной сети и значительно повышается точность прогноза. С использованием МГК точность расчетов возросла более чем в три раза, (таблица 4).

Таблица 4 - Сопоставление расчетных и фактических значений К,

№ скважины Месторождение Пласт Коэффициент продуктивности Погрешность, %

без МГК МГК факт без МГК МГК

749 Самодуровское Т1 0.13 0.16 0.17 22.16 4.31

757 Самодуровское Т1 0.11 0.15 0.13 15.30 15.30

773 Самодуровское Т1 0.08 0.14 0.16 41.43 12.50

789 Самодуровское Т1 0.35 0.47 0.57 25.53 17.54

750 Самодуровское Т1 0.21 0.33 0.32 36.27 2.97

Среднее 33.50 10.50

Разработанные математические модели и адаптированные ПДМ используются в ООО «Бугурусланнефть» для расчета эффективности геолого-технических мероприятий. Сопоставление прогнозных и фактических показателей разработки представлено на рисунке 6.

На рисунке показана суммарная динамика добычи нефти и жидкости по пяти скважинам Самодуровского месторождения после проведения кислотной обработки. Максимальная погрешность расчета дебита нефти составила 7,8 %. При расчете использовалась гидродинамическая модель пласта Т1 Самодуровского месторождения построенная в программном продукте Eclipse 100 и динамика коэффициента продуктивности скважин рассчитанная при помощи ИНС.

Входной вектор для ИНС формировался на основе данных радиоактивного каротажа и значения коэффициента продуктивности до обработки.

Месяц после ГТМ

—•—Фактический дебит жидкости —д—Фактический дебит нефти -■••-■- Прогнозный дебит жидкости ■ ■ -д- ■ - Прогнозный дебит нефти месяц ГТМ

Рисунок 6 - Сопоставление прогнозного и фактического суммарного эффекта от проведения кислотных обработок на скважинах Самодуровского месторождения

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

1 Установлено, что эффективность использования ПДМ при разработке нефтяного месторождения зависит от количества адаптируемых параметров. Использование забойного давления скважины, дебита нефти и воды в качестве адаптируемых параметров недостаточно для построения точной модели.

2 Установлено, что наибольшее влияние на погрешность расчета добычи нефти постоянно действующими моделями оказывает распределение пористости. При использовании различных настроек крикинга (радиус влияния, тип модели) для расчета пористости, погрешность прогнозных показателей разработки месторождений Оренбургской области достигала 71 %.

Разработан алгоритм адаптации ПДМ, с использованием расчетного коэффициента продуктивности скважины, который снижает погрешность расчета показателей разработки до 1%.

3 Предложены новые математические модели для расчета коэффициентов продуктивности скважин на основе искусственных нейронных сетей. ИНС при расчете К„роА учитывают не только геологические, но и технологические факторы.

Рекомендуется в качестве входного вектора для расчета коэффициента продуктивности скважины при помощи ИНС использовать результаты геофизических исследований скважин, например для карбонатных коллекторов результаты интерпретации гамма-каротажа и нейтронного гамма-каротажа. В этом случае исключается погрешность перехода к пористости и проницаемости.

Кроме того, рекомендуется с целью повышения точности расчетов и снижения времени обучения искусственной нейронной сети, применять метод главных компонент для преобразования исходных данных. При этом погрешность прогноза может снизиться более чем в три раза.

Разработан методический подход определения эффективности ГТМ на основе рассчитанной при помощи ИНС динамики коэффициента продуктивности и постоянно действующей модели месторождения. При этом максимальная погрешность оценки эффективности ГТМ составила 7,8 %.

Разработанные модели используются в производственном процессе добычи нефти в ООО «Бугурусланнефть» с целью подбора скважин для проведения ГТМ.

На основе разработанных методик и алгоритмов в НГДУ «Бузулукнефть» создана система оценки рисков бурения новых скважин. В нее входят базы, уточненных после адаптации геологических и гидродинамических моделей. Система позволяет с минимальным риском подобрать скважины для бурения и зарезок боковых стволов.

Содержание работы опубликовано в следующих научных трудах:

1 Меркурьев Е.А. Применение ГСР при проектировании разработки нефтяных месторождений. Токарев М.А. // Материалы 56-й научно-технической конференции студентов, аспирантов и молодых ученых. - Уфа: Изд-во УГНТУ, 2005.-С. 245.

2 Токарев М.А. Сравнительная характеристика проектных показателей разработки седьмого блока Южно-Балыкского месторождения, полученных при помощи ПДМ и приближенных методик проектирования. Меркурьев Е.А.// Геология, разработка, эксплуатация и экология нефтяных месторождений Башкортостана и Западной Сибири. - Уфа: Геопроект, 2006. - №118. - С. 82 - 86.

3 Меркурьев Е.А. Методические приемы адаптации параметров при прогнозе (проектировании) показателей разработки нефтяных месторождений с помощью постоянно действующей моделей (ПДМ). Токарев М.А. // Нефтегазовое дело. - http//www.ogbus.ru, 2006.

4 Меркурьев Е. А. Применение нейросетевых алгоритмов для расчета эффективности ГТМ // Материалы 3-й корпоративной научно-практической конференции молодых специалистов ТНК-ВР. - М. - 2006. - С. 16-17.

5 Меркурьев Е.А. Применение ПДМ для контроля энергетического состояния месторождения. Токарев М.А. // Материалы 58-й научно-технической конференции студентов, аспирантов и молодых ученых. - Уфа:Изд-во УГНТУ,

2007.-Кн. 1.- С. 224.

6 Меркурьев Е.А. Искусственные нейронные сети в прогнозировании эффективности геолого-технических мероприятий // Бурение и нефть. - М. -

2008.-№3.-С. 8-11

7 Токарев М.А. Геолого-физические условия разработки мелких месторождений Татарстана и их классификация в многомерном пространстве главных компонент. Чинаров A.C., Закиев Б.С., Сафин А.Х., Меркурьев Е. А. // Нефтегазовое дело. - 2008. - Т.6, №1. - С.29-34.

Подписано в печать 19.11.08. Бумага офсетная. Формат 60x84 1/16. Гарнитура «Тайме». Печать трафаретная. Усл. печ. л. 1. Тираж 90. Заказ 249. Типография Уфимского государственного нефтяного технического университета

Адрес типографии: 450062, Республика Башкортостан, г. Уфа, ул. Космонавтов, 1

Содержание диссертации, кандидата технических наук, Меркурьев, Егор Александрович

ВВЕДЕНИЕ

1. ОСНОВНЫЕ МАТЕМАТИЧЕСКИЕ МОДЕЛИ, ИСПОЛЬЗУЮЩИЕСЯ ДЛЯ ПРОЕКТИРОВАНИЯ РАЗРАБОТКИ НЕФТЯНЫХ iMECTOРОЖДЕНИЙ

1.1. Кривые вытеснения

1.2. Регрессионный анализ

1.3.Прогнозировзние показателей разработки с учетом неоднородности продуктивных пластов

1.4 Прогнозирование показателей разработки месторождений при помощи постоянно действующих моделей

1.4.1 Использование ПДМ при разработке нефтяных месторождений.

Выводы

2. ПОСТРОЕНИЕ ГЕОЛОГИЧЕСКОЙ МОДЕЛИ ДЛЯ ПДМ 30 2.1 Построение геологической модели

2.1.1 Геометрическое моделирование

2.1.2 Анализ основных методов моделирования свойств

2.1.3 Анализ влияния начального распределения нефтенасьиценности в современных ГГДМ на показатели разработки

2.1.4 Анализ влияния масштабирования геологической модели на показатели разработки

Выводы

3. ПОСТРОЕНИЕ ГИДРОДИНАМИЧЕСКОЙ МОДЕЛИ

3.1 Описание законтурных областей в НДМ

3.2 Определение фильтрационных потоков

3.3 Расчет обводненности продукции скважин 61 Выводы

4. АДАПТАЦИЯ ПОСТОЯННО ДЕЙСТВУЮЩИХ МОДЕЛЕЙ, ОСНОВНЫЕ ПРИНЦИПЫ, ПРОБЛЕМЫ 65 4.1. Анализ неопределенности исходных данных

4.1.1. Пористость

4.1.2. Нефтенасыщенность

4.1.3. Выделение коллектора

4.1.4. Проницаемость

4.1.5. Определение глубины залегания пласта

4.1.6. Дебит жидкости, нефти и обводненность. Приемистость нагнетательных скважин

4.1.7. Забойное пластовое давление

4.2 Основные проблемы, возникающие при адаптации постоянно действующих моделей

4.3 Анализ современных методов определения коэффициента продуктивности 89 4.3.1 Определение коэффициента продуктивности скважин в современных постоянно действующих моделях

4.4 Использование математического аппарата нейронных сетей для снижения неопределенности адаптации ПДМ и уточнение прогнозных вариантов разработки

4.4.1 Структура и свойства искусственного нейрона

4.4.2 Основные принципы нейронных сетей

4.4.3 Алгоритм обратного распространения

4.4.4 Использование нейронных сетей для уточнения прогноза прогноза показателей разработки постоянно действующих моделей.

4.4.5 Сравнение модели искусственных нейронных сетей с моделей корреляционного анализа

4.4.6 Использование метода главных компонент для уточнения прогноза нейронных сетей.

4.4.7 Определение оптимальной архитектуры нейронной сети 123 Выводы

Введение Диссертация по наукам о земле, на тему "Анализ эффективности использования постоянно действующих моделей при проектировании разработки нефтяных месторождений и их адаптация к реальным геолого-промысловым условиям"

Актуальность проблемы

Проектирование разработки нефтяных месторождений неотрывно связанно с математическими моделями, которые описывают физические процессы, происходящие в пласте. Использование математических моделей позволяет понять причину изменения показателей разработки и выработать дальнейший план мероприятий по увеличению добычи нефти. Первоначально были разработаны простые математические модели с большими допущениями, которые давали достоверные результаты в узком диапазоне исходных данных. Модели нефтяных месторождений, постоянно улучшались, повышалась их точность, учитывалось большее количество различных факторов, внедрялись новые математические алгоритмы. Это приводило к увеличению времени, необходимого для построения моделей. С появлением ЭВМ продолжительность создания моделей значительно снизилась, кроме того, был значительно увеличен объем задач, решаемых с помощью моделей. Современные гидродинамические симуляторы (Eclipse, Roxar, ТРИАС) имеют большой набор математических моделей для описания химических и физических процессов, протекающих в пласте (например, решение многофазной фильтрации). Главным достоинством и отличием новых моделей от более ранних стала адаптация расчетных параметров к ис- , тории разработки месторождения. Основным принципом современных постоянно действующих моделей (ЦДМ) является утверждение, что если результаты расчетов совпадают с историей разработки месторождения, значит, прогнозные показатели будут максимально . приближены к реальности.

Проектирование разработки нефтяного месторождения с помощью постоянно действующих моделей можно разделить на два этапа — адаптация и прогнозирование. На этапе адаптации осуществляется подгонка параметров модели к истории разработки. Основной проблемой адаптации постоянно действующих моделей является неопределенность и отсутствие контроля некоторых данных таких, как пластовое давление, насыщенность и коэффициент продуктивности. Анализ неопределенности исходных данных и снижение уровня неоднозначности постоянно действующих моделей на сегодняшний день является актуальной проблемой.

Кроме адаптации на этапе прогнозирования производится расчет различных вариантов разработки месторождения. Каждый вариант разработки представляет собой определенный план различных геолого-технических мероприятий (ГТМ), который заносится в модель в виде даты проведения ГТМ и. параметров скважины после ГТМ, и надежность расчетных показателей во многом зависит от точности расчета эффективности геолого-технических мероприятий. И если учесть, что разработка большого количества нефтяных месторождений России ведется на основе постоянно действующих моделей, разработка метода, повышающего надежность прогнозных показателей, является крайне актуальным направлением.

Цель работы

Изучение эффективности применения постоянно действующих моделей; принципов, заложенных в современные ПДМ и создание нового подхода к адаптации гидродинамических моделей. Разработка методов расчета прогнозных показателей.

Оснивные Задачи исследовании

1. Анализ современных постоянно действующих моделей и эффективности их применения для разработки нефтяных месторождений.

2. Рхзучение процесса адаптации современных ПДМ, определение путей снижения неопределенности адаптации с целью повышения надежности расчета прогнозных показателей разработки нефтяных месторождений.

3. Разработка нового метода расчета коэффициента продуктивности скважин, который позволит учитывать различные геологические и технологические факторы, влияющие на характеристики призабойной зоны скважины и добываемой продукции.

Методы решения поставленных задач

При анализе эффективности ПДМ проводился обзор литературных источников, в ходе работы были проведены обширные исследования алгоритмов современных постоянно действующих, моделей (Eclipse, TempestMore).

При изучении процесса адаптации применялись аналитические и статистические методы исследования промыслового и геолого-фнзического материала; модели нефтяных месторождений, созданные в программном продукте Eclipse компании Schlumberger.

Модели оценки продуктивности скважин разрабатывались с привлечением промыслового материала, с широким применением методов математического моделирования, методов теории вероятности и математической статистики, аналитическим, и расчетным путем.

Havuuaa ипшппо' - 11 J д 11 .1 ■ ■ и J • ■ М •

1. Установлено влияние неопределенности моделирования коллекторских свойств, масштабирования геологической модели и моделирования распределения нефте-насыщенности на погрешность показателей разработки, рассчитанных при помощи постоянно действующих моделей нефтяных месторождений Оренбургской области.

2. Разработаны новые математические модели на основе искусственных нейронных сетей (ИКС) для оценки коэффициента продуктивности и определения технологической эффективности геолого-технических мероприятий.

3. Предложен новый методический подход расчета вариантов разработки нефтяных месторождений на основе ПДМ и рассчитанной при помощи ИНС динамики коэффициента продуктивности скважины после проведения ГТМ.

Практическая ценность работы

Ст-------— ТТГ^ТТЛГ ,л- AAA ---С------, .1 а-зраОихана И внедрена ь n± f-\J «^улулуКибумь» vjtwj uwpcHuypi ncipiuw CnCicMo. оценки рисков при бурении новых скважин на основе геологических и гидродинамических моделей адаптированных с учетом коэффициентов продуктивности скважин, рассчитанных при помощи ИНС.

Разработанные модели, на основе математического аппарата ИНС, для оценки проектных показателей разработки нефтяных месторождений, определения технологической эффективности геолого-технических мероприятий, используются в производственном процессе добычи нефти в ООО «Бугурусланнефть»

Апробация работы

Основные положения и результаты диссертационной работы докладывались; 56-й и 58-й научно-технических конференциях студентов, аспирантов и молодых ученых (г.Уфа, УГНТУ, 2005, 2007), третьей корпоративной научно-практической конференции молодых специалистов ТНК-BP (г. Москва, 2006),

Публикации результатов работы

Но теме диссертации опубликовано 7 печатных работ, в том числе 4 статьи, тезисы 3 докладов.

Объем и структура работы

Диссертация состоит из введения, 4 глав, списка использованной литературы, содержащего 108 источников. Текст изложен на 146 страницах машинописного текста, включающих 56 рисунков, 9 таблиц и 2 приложения.

Заключение Диссертация по теме "Разработка и эксплуатация нефтяных и газовых месторождений", Меркурьев, Егор Александрович

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

1 Установлено, что эффективность использования ПДМ при разработке нефтяного месторождения зависит от количества адаптируемых параметров. Использование забойного давления скважины, дебита нефти и воды в качестве адаптируемых параметров недостаточно для построения точной модели.

2 Установлено, что наибольшее влияние на погрешность расчета добычи нефти постоянно действующими моделями оказывает распределение пористости. При использовании различных настроек крикинга (радиус влияния, тип модели) для расчета пористости, погрешность прогнозных показателей разработки месторождений Оренбургской области достигала 71 %.

Разработан алгоритм адаптации ПДМ, с использованием расчетного коэффициента продуктивности скважины, который снижает погрешность расчета показателей разработки до 1%.

3 Предложены новые математические модели для расчета коэффициентов продуктивности скважин на основе искусственных нейронных сетей. ИНС при расчете Кпрод учитывают не только геологические, но и технологические факторы.

Рекомендуется в качестве входного вектора для расчета коэффициента продуктивности скважины при помощи ИНС использовать результаты геофизических исследований скважин, например для карбонатных коллекторов результаты интерпретации гамма-каротажа и нейтронного гамма-каротажа. В этом случае исключается погрешность перехода к пористости и проницаемости.

Кроме того, рекомендуется с целью повышения точности расчетов и снижения времени обучения искусственной нейронной сети, применять метод главных компонент для преобразования исходных данных. При этом погрешность прогноза может снизиться более чем в три раза.

Разработан методический подход определения эффективности ГТМ на основе рассчитанной при помощи ИНС динамики коэффициента продуктивности и постоянно действующей модели месторождения. При этом максимальная погрешность оценки эффективности ГТМ составила 7,8 %.

Разработанные модели используются в производственном процессе добычи нефти в ООО «Бугурусланнефть» с целью подбора скважин для проведения ГТМ.

На основе разработанных методик и алгоритмов в НГДУ «Бузулукнефть» создана система оценки рисков бурения новых скважин. В нее входят базы, уточненных после адаптации геологических и гидродинамических моделей. Система позволяет с минимальным риском подобрать скважины для бурения и зарезок боковых стволов.

Библиография Диссертация по наукам о земле, кандидата технических наук, Меркурьев, Егор Александрович, Уфа

1. Ковалев B.C, Житомирский В.М. Прогноз разработки нефтяных месторождений и эффективность систем заводнения. -М.: «Недра», 1976.

2. Азиз X., Саттари Э. Математическое моделирование пластовых систем. -М.: «Недра», 1982.

3. Басниев К. С., Кочина И. Н., Максимов В.М. Подземная гидромеханика. -М.: «Недра», 1993.

4. Каневская Р. Д. Математическое моделирование гидродинамических процессов разработки месторождений углеводородов. Москва Ижевск: ИКИ, 2003.

5. Габриэлянц Г. А. Геология нефтяных и газовых месторождений. -М.: «Недра», 1972.

6. Мирзаджанзаде А.Х., Хасанов М.М., Бахтизин Р.Н. Моделирование процессов нефтегазодобычи. Москва Ижевск: ИКИ, 2004.

7. Жданов A.M. Нефтегазопромысловая геология. М.: Гостоптехиздат, 1962. 563 с.

8. Мирзаджанзаде А. X., Степанова Г.С. Математическая теория эксперимента в добыче нефти и газа. -М.: «Недра», 1977.

9. Акульшин А. И. Прогнозирование разработки нефтяных месторождений. -М.: «Недра» 1988.

10. Желтов Ю.П. Разработка нефтяных месторождений. -М.: «Недра», 1998.

11. Edward Н. Isaaks R. Mohan Srivastava. Applied Geostatistics. New York: Oxford, 1989.

12. Clayton V. Deutsch. Geostatistical reservoir modeling. New York: Oxford, 2002.

13. Итенберг C.C., Дахкильгов Т.Д. Геофизические исследования в скважинах. -М.: «Недра», 1982.

14. Гогоненков Г.Н. Изучение детального строения осадочных толщ сейсморазведкой. -М.: «Недра», 1987.

15. Храмов Р.А. Разработка и эксплуатация месторождений ОАО «Оренбургнефть». -М.: «Недра», 2002. 528 стр.

16. Крылов А.П., Глоговский М.М., Мирчинк М.Ф., Николаевский Н.М., Чарный И. А. Научные основы разработки нефтяных месторождений., Ленинград: Красный печатник, 1948.-416 стр.

17. ФукунагаК. Введение в статистическую теорию распознавания образов. -М.: Наука, 1979. -368 стр.

18. Фазлыев. Р.Т. Площадное заводнение нефтяных месторождений -М.: «Недра» 1979. 255 стр.

19. Генри Б. Кричлоу. Современная разработка нефтяных месторождений проблемы моделирования. -М.: «Недра», 1979. - 302 стр.

20. Хисамутдинов Н. И., Хасанов М.М., Телин А. Г., Ибрагимов Г. 3., Латыпов А.Р., Потапов А. М. Разработка нефтяных месторождений. М.: ВНИИОЭНГ, 1994. издание в 4 т.

21. Ш.К. Гиматудипов, А.И. Ширковский Физика нефтяного и газового пласта. -М.: «Недра» 1982. 309 стр.

22. Каналин В. Г., Вагин С. Б., ТокаревМ. А., Ланчаков Г. А., Тимофеев В.А. Нефте-газопромысловая геология и гидрогеология. -М.: «Недра» 1997. 366 стр.

23. Баренблатт Г.И., Ентов В.М., Рыжик В.М. Движение жидкостей и газов в пористых пластах.-М.: Недра, 1984.-208 с.

24. Голф-Рахт Т.Д. Основы нефтепромысловой геологии и разработки трещиноватых коллекторов,- М.: Недра, 1986.- 608 с.

25. Каневская Р.Д. Математическое моделирование разработки месторождений нефти и газа с применением гидравлического разрыва пласта. М.: Недра, 1999. - 213 с.

26. Максимов М.М., Рыбицкая Л.П. Математическое моделирование процессов разработки нефтяных месторождений. -М.: Недра, 1976. -264с.

27. Розенберг М.Д., Кундин С.А. Многофазная многокомпонентная фильтрация при добыче нефти и газа. М.: Недра, 1976. - 335 с.

28. Самарский А. А. Теория разностных схем. -М.: Наука, 1977. 552 с.

29. Фадеев Д.К., Фадеева В.Н. Вычислительные методы линейной алгебры. -М.: Физ-матгиз, 1963.

30. Чарный И.А. Подземная гидрогазодинамика. М.: Гостоптехиздат, 1963. - 346 с.

31. Швидлер М.И., Леви Б.И. Одномерная фильтрация несмешивающихся жидкостей. М.: Недра, 1970. - 156 с.

32. Эфрос Д.А. Исследования фильтрации неоднородных систем. Л.: Гостоптехиздат, 1963. -352 с

33. Вентцель Е. С. Теория вероятностей,- М., Физматгиз, 1962. 564 с.

34. Ковалев В. С. Влияние параметров сетки скважин (количества скважин и их расположения) на показатели заводнения и конечную нефтеотдачу неоднородных пластов.—«Труды Гипровостокнефти», вып. 12,1969,с. 144—153.

35. Пугачев В. С. Теория случайных функций и ее приложение к задачам автоматического управления. -М., Физматгиз, 1962. 883 с.

36. Сазонов Б. Ф. Совершенствование технологии разработки нефтяных месторождений при водонапорном режиме. -М., «Недра», 1973, 238 с

37. Сазонов Б. Ф. Разработка нефтяных залежей с применением заводнения. Куйбышев, Куйбышевское книжное изд-во, 1964, 76 с.

38. Скворцов В. В. Математический эксперимент в теории разработки нефтяных месторождений. -М., «Наука», 1970, 220 с.

39. Т7 M^ftnv f™1 f1 nattnn R T Rpcan?nir cimnbtin" 4PR МопоттяпЬ - RlVbarH.

40. I . lliMHUi » L.( .Uli » U. IWWVi T W 1 • ^llllUlUlltll I: UX J-I iflvilV^lU^ll I Ul. ■ —' , ^«JvilMlV.son, Texas. -1990. 174 pp.

41. PeacemanD.W. Fundamentals of numerical reservoir simulation. -Amsterdam

42. AvfrtrH Vpur Vnrl" PIcoiM^r PnWirKmrt Рпллпот^ 1077 - 17/ч nn

43. Wikivl u iiWft x vl xv. i/1jv v ivi uviviiuiiv x ul/ixijiiiiig vvu i^/uilj} J.✓//. i / v

44. Aziz K. Notes for petroleum reservoir simulation. Stanford University, Stanford, California. - 1994. - 471 pp.4П Prtpl-in T ДЬ^п-ТГосс^т T T-T Vinrr Гг P T3oci/"» rAcon/Air cimnlofmn .

45. V| J./1 IW1U11 1 I J XLUVU lvuuuvlli ».' • JL. . ^ xklll^j VJ . XV. 'UOlV U^pilWVi lWOWl » Cll JliilUiUUl/ll.

46. Richardson, Texas. 2001. - 406 pp.

47. Economides M.J., Nolte K.G. Reservoir Stimulation. Prentice Hall, Eglewood Cliffs, Mo,v w«r - iQso -ЛПтliwr J VikJVJ \J i \J+J 1 V . I^U

48. Розенбере M. Д., Кундин С. А. Многофазная многокомпонентная фильтрация при добыче нефти и газа. -М., Недра, 1976.

49. A A R^ml'lif Q R T AifAfA+t Л Л p rtf in Qon/lc Trorvc А ТЛЛТ7

50. I. J^UVIVI J k-/. X-J, J XJW T Vi wvl X *x. V^. lTXVWlXUiUJlli vl i lulu lyiOjJXUVWillVlll. xxx uuiiuj. t luhl). l hhii1942, v. 146, p. 107—116.

51. Горбань A.H., Россиев Д. А. Нейронные сети на персональном компьютере. Новолмт^ь- Иал(кЯ 1QQ6 г»

52. VXlOilpVIV» х xw^j AUj 1 / ^ w. м ( W wa

53. Тэрано Т., Асаи К., Сугэно М.Прикладные нечеткие системы. -М., Мир, 1993, 368с.

54. АЛ Д DAmu А Т-Т И ТТГ\ HAITATI'TJA »ШЛ'Х'РЛТРО Т> >»ЛЛАТ7ЯУ ЛГТ7ГЛ-ЗТ>ТТ^ТТТТГ7 иЛГТГЛГ^ГОАирЛГЛ TTU-I / * X XUWplin riiii.1 XX рЦр! X IV lwxiuiw IfillU/lVVVliyi» и Ifll/^Vrfl/liL Iivnjr WVlUVliXlOt f ILiiтеллекта. -M.: Наука, 1986. 312 с.

55. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Наука,fOTTTTJT -7ППП 01А Гt ilOlUL41i/lIll ^ irf W V> 1 W.

56. Кофман А., Алуха X. Хилл. Введение теории нечетких множеств в управление предприятием. — Минск: Высшая школа, 1992. 223 с.

57. Меркурьев E.A. Токарев M.A. Применение ГСР при проектировании разработки нефтяных месторождений. // Материалы 56-й научно-технической конференции студентов, аспиранток и молодых ученых. Уфа: УГНТУ, 2005. - С. 245

58. Меркурьев Е.А. Токарев М.А. Методические приемы адаптации параметров при прогнозе (проектировании) показателей разработки нефтяных месторождений с

59. Гттттттт.тл пллтлоииа ттрмлтт *т/-чттто-»т /'ТТТТЛ 4Л / / ->лт>аа л*>ттг\

60. IUW Щши UUV Л- W111A1V ^VllV 1 А V/ LL^VIl IIIV/^VJIVCX ^Х y.^lTl J II X AVljy A vl 140VS1-WW ^V^IU,http//vvww.ogbus.ru, 2006.

61. Меркурьев E. А. Применение нейросетевых алгоритмов для расчета эффективности ГТМ. // Материалы 3 корпоративной научно-практической конференции ТНК-ВР. Москва, 2006.

62. Меркурьев Е. А. Система оценка геологических рисков при бурении. // Материалы 4 региональной научно-практической конференции ТНК-ВР. Бузулук, 2007

63. Меркурьев Е.А Использование постоянно-действующих моделей для уточнения геологического строения месторождения. // Нефтегазовое дело. —

64. ЬН*л//\*г\*гл*г nrtKltc ril 1ПГ)7 (p npiiQTTi^

65. L^y/ ( >. Yr T 1 .ys^KJ llOil L*J mw > ^D uv am ill y.

66. Круглов В.В., М.И. Дли, Р.Ю. Годунов. Нечеткая логика и искусственные нейронные сети. -М., Физматлит, 2001., 221 с.

67. Тл^тмгни ТЗ Я r'linno^iAvQunii'O ирттоилгл пполта ЛД * Цдттпо 1Q74 ОЧО лv> / I j ^iDli iui j^.yxi x iiMp vinv^iuiiiiivu Ilvl|; xyiiiui \s ixviuvi u, iri>. ixv^^W) i ✓ j ■ ? w.

68. Булыгин Д.В., Булыгин В.Я. Геология и имитация разработки залежей нефти. -М. Недра, 1996,382 с.

69. Денисов С.Б., Алешина А.В. Снижение неопределенности при построении геологических моделей по данным сейсморазведки ЗД и каротажа.// Нефтяное хозяйство. 1990. №Ю-С. 51-55.

70. С\ PtT^TJTJfATT А Ропимлло Г Г Г* ГАЛТТЛГМТ1РЛТ,»Т*А % тптт^ттт* ) f-^Т/ЛТТГТ

71. VUa i. JJXW4JJUVV/iJ X liX^aj WUUXUIWVI/ X .X . V/l ViVUWlll XVVXViXW X WVJiVl IX iwiuiv w^wJxix itlviтехнологии, возможности.// Нефтяное хозяйство. 2001. №6 -С. 22-25.

72. Юльметьев Т., Саркисов Г.Г. Применение геостатистических (стохастических) техипттопл* rirvrz глоттаигш ГРПТТГЛГМПРРХЛПМ **г\тт£»тттт РООГ^ТПО^Ь'ОТ'Л ллагтплЛ-А'П^НТ'О // ТТРЛ

73. XXV/^XVI хххх xi^/xx Vw^/4,kixxxxxl 1 WJlUX 11 XVWXVVIX irxv^wrfllx X UJ^ JI1V/UWXVV/X V I»1 W V X up Wllri/l.J / xxwtjsтяное хозяйство. 2003. №5 -С. 58-60.

74. Helge H. Haldorsen, Elvind Damsleth. Stochastic Modeling. SPE 20321. -P. 404-412.

75. Тлпгпр! А П Q+orvfr»r/4 TT for Ppcpri/rttr Г^Когол+аг^оЬлп QDR P

76. J UUllivi XX. . J k/ lUUXUlU \l WkimilJUVJ XUl XVWUVl » UXX V11U1 UWVWXX1-IMI.AWXJ . MX X—/ / ^ V , X .353.358.

77. Закиров C.H. Разработка газовых, газоконденсатных и нефтегазоконденсатных ме-сторождений.-М.: «Струна», 1998, 628 с.

78. Саймон Хайкин Нейронные сети: полный курс, 2-е издание. М.: Издательский дом «Вильяме». - 2006, 1104 с.

79. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика. - 2004, 344 с.

80. Методы робастного, кейро-нечеткого и адаптивного управления: Учебник / Под. ред. Н.Д. Егупова; издание 2-е, стереотипное. -М.: МГТУ им. Н. Э. Баумана, 2002, 744 с.

81. А Я |ТсТТТЬ*Л ИИ Т^ЛОППЧ?!,* Д ТГ FOTJ Я Г ГЛТТТ>ОП Г ТТ РГТПООЛТШПА ПЛЛЛ^ИА ПЛ ОЬТЛТТТРМ

82. Jxj, J t <||l!im xiixli) a.j i\ i. 1.XV1} л. uti У1. i- a vjLULi x л. ixx. wii^bwv iij.w iivwviiw 11U juDxvxiivtxматематике. Tl: Математический анализ: введение в анализ, производная, интеграл. М.: Едиториал УРСС, 2001, 360 с.

83. Боярчук А.К., Голвач Г.П. Справочное пособие по высшей математике. Т5: Дифференциальные уравнения в примеах и задачах. М.: Едиториал УРСС, 2001, 384 с

84. Фадеев Д.К., Фадеева В.Н. Вычислительные методы линейной алгебры 656 с.

85. Ильин В.А., Позняк Э.Г. Линейная алгебра. — М.: Наука. Физматлит, 1999, 296с

86. Вентцель Е.С., Овчаров Л.А. Теория вероятностей. -М.:Наука, 1969,368 с.

87. Виноградова И.А., Олехник С. Н., Садовничий В.А. Задачи и упражнения по математическому анализу Ч. 1. М.: Издательство МГУ, 1988,416 с.

88. John R. Fanchi. Principles of Applied Reservoir Simulation. Second Edition. Gulf Professional Publishing. 2001, 356 p.

89. Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шебер М. Многомерный статистический анализ в экономике: Учеб. Пособие для вузов/Под ред. проф. Тамашевича. — М.: ЮНИТИ-ДАНА, 1999, 598с.

90. Епанешников А., Епанешников В. Программирование в среде Turbo Pascal 7.0.-3-е изд., стер. -М.: "ДИАЛОГ-МИФИ", 1997,288с.

91. Архангельский А. Я. Приемы программирования в Delphi версии 5-7. М.: ООО «Бином-Пресс», 2003, 784 с.

92. Мирзаджанзаде А.Х., А.Х. Шахвердиев. Динамические процессы в нефтегазодобыче. -М.: Наука. 1997, 250 с.

93. Каналик В.Г., Дементьев Л.Ф. Методика и практика выделения эксплуатационных объектов на многопластовых нефтяных месторождениях. М.: Недра. 1982,224 с.

94. Ковалев B.C. Расчет динамики показателей разработки нефтяной залежи при водонапорном режиме. Методические разработки для студентов при выполнении курсовых и дипломных работ. Куйбышев: 1990, 45 с.

95. Закиров Э.С. Трехмерные многофазные задачи прогнозирования, анализа и регулирования разработки месторождений нефти и газа. -М.: «Грааль», 2001, 303 с.

96. Словарь по геологии нефти и газа. Л.: Недра, 1988,- 679 с.

97. Парк Дж. Джопс. Механика нефтяного пласта. -М.: Гостоптехиздат, 1947,181 с.

98. Совершенствование систем разработки нефтяных месторождений Западной Сибири. /Под ред. Праведникова Н.К. -Свердловск: Средне-Уральское книжное издательство. 1975, 178 с.

99. Персиянцев М.Н. Добыча нефти в осложненных условиях. -М.: ООО «Недра-Бизнесцентр», 2000, 653 с.

100. Иванова М.М., Чоловский И.П., Брагин Ю. И. Нефтегазопромысловая геологоия: Учеб. для вузов. М.: ООО «Недра-Бизнесцентр», 2000,414с.

101. Газизов А.Ш., Газизов А.А. Повышение эффективности разработки нефтяных месторождений на основе ограничения движения вод в пластах. М.: ООО "Недра-Бизнесцентр", 1999.-285 с.

102. Бердин Т.Г. Проектирование разработки нефтегазовых месторождений системами горизонтальных скважин. -М.: ООО "Недра-Бизнесцентр", 2001. — 199 с.

103. Хеманта Мукерджи. Производительность скважин. Руководство. Второе издание дополненное. М.: 2001.- 182 с.

104. Лысенко В.Д., Грайфер В.И. Разработка малопродуктивных нефтяных месторождений. М.: ООО "Недра-Бизнесцентр", 2001. - 562 с.

105. Николаевский В.Н. Геомеханика и флюидодинамика.- М.: Недра, 1996. 447 с.

106. Лейбензон Л.С. Движение природных жидкостей и газов в пористой среде. М.: ОГИЗ 1947, -244 с.

107. Николаевский В.Н., Басниев К. С, Горбунов А. Т., Зотов Г. А. Механика насыщенных пористых сред. -М.: Недра, 1970.- 339 стр.

108. Желтов Ю. П. Механика нефтегазоносного пласта. М.: «Недра», 1975,216 с.

109. Хасанов М.М., Булгакова Г.Т. Нелинейные и неравновесные эффекты в реологически сложных средах, средах. — Москва-Ижевск: Институт компьютерных исследований, 2003,288 стр.

110. Басниев К.С., Дмитриев Н.М., Розенберг Г.Д. Нефтегазовая гидромеханика: Учебное пособие для вузов. — М.-Ижевск: Институт компьютерных исследований, 2005.- 544 с.

111. Швидлер М. И. Статистическая гидродинамика пористых сред.— М.: Недра, 1985. 288 с.

112. А.И Брусиловский. Фазовые превращения при разработке месторождений нефти и газа. М.: «Грааль», 2002, 575 с.

113. Малугин В. А. Математика для экономистов: Линейная алгебра. Курс лекций,- М.: Эксмо, 2006. 224 с.

114. Вахитов Г.Г., Максимов В.П., Булгаков Р.Т. и др. Разработка месторождений при забойном давлении ниже давления насыщения. М.:Недра, 1982. 229 с.

115. Гиматудинов Ш. К., Борисов Ю.П., Розенберг М.Д. Справочное руководство по проектированию разработки и эксплуатации нефтяных месторождений. Проектирование разработки. М.:Недра, 1983. 463 с.

116. Вороновский В. Р., Максимов М. М. Система обработки информации при разработке нефтяных месторождений. М.:Недра 1975. 232 с.

117. Christie M. A. Upscaling for Reservoir Simulation. .TPT. November 1996. P. 10041010.

118. Heam C. L., Ebanks Jr W. J., Туе R. S., V. Ranganathan Geological Factors Influencing Reservoir Perfonnance of the Hartzog Draw Field, Wyoming. SPE 12016. P 1335-1346.

119. Sanford B.D., Dacar C.R. Acid Fracturing With New Fluid-Loss Control Mechanism Increases Production, Little Knife Field, North Dakota. SPE 24344. P. 317-324

120. Mrosovsky I, Ridings R. L. Two-Dimensional Radial Treatment of Wells Within a Three-Dimensional Reservoir Model. SPE 4286. P. 127-131.