ПОИСК ДЕЙСТВИТЕЛЬНО ОПТИМАЛЬНОГО
РЕШЕНИЯ В УСЛОВИЯХ ГЕОЛОГИЧЕСКОЙ
НЕОПРЕДЕЛЕННОСТИ
При нынешних условиях нестабильности в нефтяной и газовой промышленности компании
видят единственный способ снизить свои риски за счет применения различных методов
моделирования и оптимизации. Характеристики коллекторов ухудшаются, а методы
добычи становятся все более сложными, при этом традиционно используемая методика
моделирования предусматривает значительное количество упрощений и допущений, которые
не позволяют всесторонне учитывать поведение пластов и флюидов. Многовариантное
(оптимизационное) моделирование дает возможность оценить сразу широкий спектр сильно
отличающихся геологических сценариев. Учитывая, сколько стоят скважины и обустройство
месторождения, такой анализ с лихвой окупает потраченное на него время и ресурсы.
cmgl.ca
Инновационный метод оптимизации повышает процент успеха проекта по
заводнению с низкой минерализацией (Low Salinity Waterflooding – LSW) до 91%.
STARSCMOST LAUNCH
STARS
IMEX GEM BUILDE
Преимущества
нашего метода
ƒƒ Снижение
рисков проекта
за счет четкой и
оптимизированной
стратегии
разработки
месторождения
– высокая
вероятность успеха
при низком риске
ƒƒ Достоверный
прогноз
коэффициента
извлечения
нефти в условиях
неопределенности.
ƒƒ Развернутый анализ
геологической
неопределенности
для обеспечения
экономической
эффективности
разработки
месторождения.
Геологическая неопределенность, как правило, является основным
фактором, влияющим на нефтеотдачу и, соответственно, решения
при проектировании разработки месторождений. В связи с этим
поиск оптимального варианта разработки на зафиксированной
геологической основе (единственной реализации) может привести
к ошибочным результатам. Нами была разработана новая методика
поиска действительно оптимального решения – т.н. «робастная
оптимизация» – с использованием программного продукта CMOST
в сочетании с симуляторами CMG IMEX, GEM и STARS, которая
позволяет принимать во внимание геологическую неопределенность
при создании проекта разработки месторождения. При этом
робастная оптимизация значительно снижает объем необходимых
вычислений за счет использования репрезентативной выборки
реализаций, которая учитывает неопределенность геологии
коллектора.
Что такое робастная оптимизация?
Робастная оптимизация на основании анализа более ста
различных вариантов учитывает геологическую неопределенность,
при этом в поиске решения могут участвовать и другие –
негеологические – параметры. В итоге мы получаем взвешенное,
учитывающее все риски решение, которое будет оптимальным
для любых вариантов. Риски снижаются, вероятность того,
что решения не придется пересматривать, увеличивается.
1.
Создание 100+
геологических
реализаций
2.
Оценка
реализаций
3.
Целевая
функция робастной
оптимизации
4.
Оптимальный
вариант
Результат:
91% уровень успеха.
(Применение метода
робастной оптимизации на
проекте заводнения с низкой
минерализацией)
cmgl.ca
STARSCMOST LAUNCH
STARS
IMEX GEM BUILDE
+1.403.531.1300, info@cmgl.ca
Calgary Houston Bogota Caracas London Dubai Kuala Lumpur
™Trademark of Computer Modelling Group Ltd. Copyright © 2016 Computer Modelling Group Ltd.
† Other company, product, and service names are the properties of their respective owners. 15.ST.03
Технология робастной оптимизации была применена на проекте, предусматривающем заводнение
водой низкой минерализации (LSW). LSW позволяет увеличить коэффициент извлечения нефти
(КИН) за счет изменения смачиваемости коллектора – от гидрофобного к гидрофильному –
вследствие ионного обмена натрия и кальция на поверхности глинистых минералов. Поскольку
ионный обмен на поверхности является ключевой частью процесса, распределение глинистых
минералов и фаций в пласте существенно влияет на конечный коэффициент извлечения нефти.
Проект был выполнен в CMOST двумя способами: методом стандартной оптимизации (на основе
единственной геологической реализации), а также по технологии робастной оптимизации.
Были оптимизированы местоположения скважин для достижения максимального КИН.
Этап 1: Создание более 100 геологических реализаций
Дляправильнойработыробастнойоптимизациинеобходимосоздатьбольшоеколичествореализаций
геологической модели, где изменяются те параметры, которые обладают наибольшей степенью
неопределенности. Распределение глинистых частиц оказывает существенное влияние на результаты
заводнения с низкой минерализацией (LSW) и является совершенно неизвестным параметром.
Следовательно, были сгенерированы более ста реализаций распределения глины в коллекторе.
Этап 2: Оценка реализаций
В гидродинамические модели, построенные на всех реализациях геологии, были заложены
идентичные варианты расстановки и работы скважин, условия инициализации. Рассчитанные на этих
моделях КИНы были нанесены на один график. По результатам анализа распределения значений
КИН были выбраны и утверждены пять репрезентативных геологических реализаций: Р5, Р25, Р50,
Р75 и Р95. В выборке при этом фигурируют реализации, обеспечивающие как очень высокий, так
и очень низкий КИН. Основной целью этого этапа был учет неопределенности в распределении
параметра и его влияния на результат.
Этап 3: Целевая функция робастной оптимизации
В качестве целевой функции оптимизации была выбран КИН. Оптимизация на
данном этапе заключалась в его максимизации для всех вышеупомянутой выборки
геологических реализаций (то есть максимизация среднего КИН для всех пяти
моделей). Оптимизация выполнялась за счет изменения расположения скважин:
B CMOST были рассчитаны все пять репрезентативных реализаций с одинаковым набором
потенциальных мест расположения скважин. При этом алгоритм CMOST является важной
составляющей технологии робастной оптимизации, поскольку исключает ошибки ввода данных
пользователем и неточности при интерпретации результатов. Основное отличие от оптимизации
на базе единственной геологической реализации заключается именно в этом, поскольку КИН был
рассчитан для выборки реализаций, а не для одного случая. Это ключевое различие между методами
оптимизации гарантирует более высокую надежность решения при использовании робастной
оптимизации. Необходимо отметить, что CMOST позволяет выполнять оптимизацию не только по
технологическим (таким как добыча или давление), но и по экономическим показателям проекта.
Для данного проекта оптимизация по технологическим показателям была выбрана сознательно.
JRO
= J =
1
NR
J(x, 0i
)
NR
i=1
Средний КИН для 5
реализаций
Целевая функция
робастной
оптимизации
Количество
реализаций: 5
Целевая функция: 5
f (параметры,
реализация)
Target: Maximize JRO
cmgl.ca
STARSCMOST LAUNCH
STARS
IMEX GEM BUILDE
+1.403.531.1300, info@cmgl.ca
Calgary Houston Bogota Caracas London Dubai Kuala Lumpur
™Trademark of Computer Modelling Group Ltd. Copyright © 2016 Computer Modelling Group Ltd.
† Other company, product, and service names are the properties of their respective owners. 15.ST.03
.
Этап 4: Оптимальный вариант
Итак, на предыдущем этапе были определены оптимальные места расположения скважин. Это было
сделано на основании пяти различных геологических реализаций от Р5 до Р95, то есть выбранное
расположение скважин обеспечивает наиболее высокий КИН при любой геологии в нашей выборке.
На данном же этапе эта оптимальная
расстановка скважин была применена для всех
наших оригинальных геологических реализаций
(более 100). По сравнению с результатами,
полученными методом оптимизации
единственной геологической реализации, при
использовании робастной оптимизации разброс
конечных значений КИН между вариантами
оказался существенно ниже (при том, что разная
геология сама по себе является источником
такого расхождения). Это и является гарантией
того, что, независимо от того, какой окажется
реальная геология месторождения, найденное
нами технологическое решение окажется
оптимальным,тоестьрискипроектаминимальны.
Результат
Результаты робастной (многовариантной)
и номинальной (на базе единственной
реализации геологии) оптимизации вынесены
для сравнения на Рисунок 1. Легко заметить,
что при применении номинальной оптимизации
только 30% вариантов обеспечивает КИН
35% и более. В то же время в результате
робастной оптимизации более 50% вариантов
имеют КИН выше 35%. Следовательно, при
применении метода робастной опимизации
вероятность успеха увеличилась на 66%.
0.5
0.4
0.3
0.2
0.1
0
20 25 30 35 40 45
К (%)
Наа
25
20
15
10
5
0
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
К (%)
Ка
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
20 25 30 35 40 45
К (%)
Наа
25
20
15
10
5
0
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
К (%)
Ка
Базовый сценарий
Робастная оптимизация
Номинальная оптимизация
Рисунок 1: Распределение коэффициента извлечения нефти
Рисунок 2: Уровень успеха различных методов оптимизации
Целевой КИН (32%)
Базовый сценарий (вероятность 4%)
Номинальная оптимизация (вероятность 61%)
Робастная оптимизация (вероятность 91%)
**Данное исследование выполнено в рамках проекта
«Моделирование и оптимизация заводнения с низкой
минерализацией». Полная версия отчета находится на
www.onepetro.org.
Контактная
информация
Для дополнительной
информации обращайтесь
по адресу marketing@
cmgl.ca
Инвестиции в R&D
CMG ежегодно вкладывает
20% прибыли в
исследования и разработку
инновационных технологий
Высококачественные
технологии
Программные продукты
CMG обеспечивают точные
результаты при моделировании
композиционнных, вторичных
и третичных методов
увеличения нефтеотдачи,
а также традиционных и
нетрадиционных методов
разработки месторождения.
Техподдержка
Опытные инженеры
обеспечивают техподдержку
программных продуктов CMG
24 часа в сутки в любой точке
мира
Обучение и тренинг
Тренинги для новых и
опытных пользователей
программных продуктов CMG
способствуют повышению
квалификации вашего
персонала и успеху проекта
разработки месторождения

Робастная оптимизация в условиях геологической неопределенности

  • 1.
    ПОИСК ДЕЙСТВИТЕЛЬНО ОПТИМАЛЬНОГО РЕШЕНИЯВ УСЛОВИЯХ ГЕОЛОГИЧЕСКОЙ НЕОПРЕДЕЛЕННОСТИ При нынешних условиях нестабильности в нефтяной и газовой промышленности компании видят единственный способ снизить свои риски за счет применения различных методов моделирования и оптимизации. Характеристики коллекторов ухудшаются, а методы добычи становятся все более сложными, при этом традиционно используемая методика моделирования предусматривает значительное количество упрощений и допущений, которые не позволяют всесторонне учитывать поведение пластов и флюидов. Многовариантное (оптимизационное) моделирование дает возможность оценить сразу широкий спектр сильно отличающихся геологических сценариев. Учитывая, сколько стоят скважины и обустройство месторождения, такой анализ с лихвой окупает потраченное на него время и ресурсы. cmgl.ca Инновационный метод оптимизации повышает процент успеха проекта по заводнению с низкой минерализацией (Low Salinity Waterflooding – LSW) до 91%. STARSCMOST LAUNCH STARS IMEX GEM BUILDE Преимущества нашего метода ƒƒ Снижение рисков проекта за счет четкой и оптимизированной стратегии разработки месторождения – высокая вероятность успеха при низком риске ƒƒ Достоверный прогноз коэффициента извлечения нефти в условиях неопределенности. ƒƒ Развернутый анализ геологической неопределенности для обеспечения экономической эффективности разработки месторождения. Геологическая неопределенность, как правило, является основным фактором, влияющим на нефтеотдачу и, соответственно, решения при проектировании разработки месторождений. В связи с этим поиск оптимального варианта разработки на зафиксированной геологической основе (единственной реализации) может привести к ошибочным результатам. Нами была разработана новая методика поиска действительно оптимального решения – т.н. «робастная оптимизация» – с использованием программного продукта CMOST в сочетании с симуляторами CMG IMEX, GEM и STARS, которая позволяет принимать во внимание геологическую неопределенность при создании проекта разработки месторождения. При этом робастная оптимизация значительно снижает объем необходимых вычислений за счет использования репрезентативной выборки реализаций, которая учитывает неопределенность геологии коллектора. Что такое робастная оптимизация? Робастная оптимизация на основании анализа более ста различных вариантов учитывает геологическую неопределенность, при этом в поиске решения могут участвовать и другие – негеологические – параметры. В итоге мы получаем взвешенное, учитывающее все риски решение, которое будет оптимальным для любых вариантов. Риски снижаются, вероятность того, что решения не придется пересматривать, увеличивается. 1. Создание 100+ геологических реализаций 2. Оценка реализаций 3. Целевая функция робастной оптимизации 4. Оптимальный вариант Результат: 91% уровень успеха. (Применение метода робастной оптимизации на проекте заводнения с низкой минерализацией)
  • 2.
    cmgl.ca STARSCMOST LAUNCH STARS IMEX GEMBUILDE +1.403.531.1300, info@cmgl.ca Calgary Houston Bogota Caracas London Dubai Kuala Lumpur ™Trademark of Computer Modelling Group Ltd. Copyright © 2016 Computer Modelling Group Ltd. † Other company, product, and service names are the properties of their respective owners. 15.ST.03 Технология робастной оптимизации была применена на проекте, предусматривающем заводнение водой низкой минерализации (LSW). LSW позволяет увеличить коэффициент извлечения нефти (КИН) за счет изменения смачиваемости коллектора – от гидрофобного к гидрофильному – вследствие ионного обмена натрия и кальция на поверхности глинистых минералов. Поскольку ионный обмен на поверхности является ключевой частью процесса, распределение глинистых минералов и фаций в пласте существенно влияет на конечный коэффициент извлечения нефти. Проект был выполнен в CMOST двумя способами: методом стандартной оптимизации (на основе единственной геологической реализации), а также по технологии робастной оптимизации. Были оптимизированы местоположения скважин для достижения максимального КИН. Этап 1: Создание более 100 геологических реализаций Дляправильнойработыробастнойоптимизациинеобходимосоздатьбольшоеколичествореализаций геологической модели, где изменяются те параметры, которые обладают наибольшей степенью неопределенности. Распределение глинистых частиц оказывает существенное влияние на результаты заводнения с низкой минерализацией (LSW) и является совершенно неизвестным параметром. Следовательно, были сгенерированы более ста реализаций распределения глины в коллекторе. Этап 2: Оценка реализаций В гидродинамические модели, построенные на всех реализациях геологии, были заложены идентичные варианты расстановки и работы скважин, условия инициализации. Рассчитанные на этих моделях КИНы были нанесены на один график. По результатам анализа распределения значений КИН были выбраны и утверждены пять репрезентативных геологических реализаций: Р5, Р25, Р50, Р75 и Р95. В выборке при этом фигурируют реализации, обеспечивающие как очень высокий, так и очень низкий КИН. Основной целью этого этапа был учет неопределенности в распределении параметра и его влияния на результат. Этап 3: Целевая функция робастной оптимизации В качестве целевой функции оптимизации была выбран КИН. Оптимизация на данном этапе заключалась в его максимизации для всех вышеупомянутой выборки геологических реализаций (то есть максимизация среднего КИН для всех пяти моделей). Оптимизация выполнялась за счет изменения расположения скважин: B CMOST были рассчитаны все пять репрезентативных реализаций с одинаковым набором потенциальных мест расположения скважин. При этом алгоритм CMOST является важной составляющей технологии робастной оптимизации, поскольку исключает ошибки ввода данных пользователем и неточности при интерпретации результатов. Основное отличие от оптимизации на базе единственной геологической реализации заключается именно в этом, поскольку КИН был рассчитан для выборки реализаций, а не для одного случая. Это ключевое различие между методами оптимизации гарантирует более высокую надежность решения при использовании робастной оптимизации. Необходимо отметить, что CMOST позволяет выполнять оптимизацию не только по технологическим (таким как добыча или давление), но и по экономическим показателям проекта. Для данного проекта оптимизация по технологическим показателям была выбрана сознательно. JRO = J = 1 NR J(x, 0i ) NR i=1 Средний КИН для 5 реализаций Целевая функция робастной оптимизации Количество реализаций: 5 Целевая функция: 5 f (параметры, реализация) Target: Maximize JRO
  • 3.
    cmgl.ca STARSCMOST LAUNCH STARS IMEX GEMBUILDE +1.403.531.1300, info@cmgl.ca Calgary Houston Bogota Caracas London Dubai Kuala Lumpur ™Trademark of Computer Modelling Group Ltd. Copyright © 2016 Computer Modelling Group Ltd. † Other company, product, and service names are the properties of their respective owners. 15.ST.03 . Этап 4: Оптимальный вариант Итак, на предыдущем этапе были определены оптимальные места расположения скважин. Это было сделано на основании пяти различных геологических реализаций от Р5 до Р95, то есть выбранное расположение скважин обеспечивает наиболее высокий КИН при любой геологии в нашей выборке. На данном же этапе эта оптимальная расстановка скважин была применена для всех наших оригинальных геологических реализаций (более 100). По сравнению с результатами, полученными методом оптимизации единственной геологической реализации, при использовании робастной оптимизации разброс конечных значений КИН между вариантами оказался существенно ниже (при том, что разная геология сама по себе является источником такого расхождения). Это и является гарантией того, что, независимо от того, какой окажется реальная геология месторождения, найденное нами технологическое решение окажется оптимальным,тоестьрискипроектаминимальны. Результат Результаты робастной (многовариантной) и номинальной (на базе единственной реализации геологии) оптимизации вынесены для сравнения на Рисунок 1. Легко заметить, что при применении номинальной оптимизации только 30% вариантов обеспечивает КИН 35% и более. В то же время в результате робастной оптимизации более 50% вариантов имеют КИН выше 35%. Следовательно, при применении метода робастной опимизации вероятность успеха увеличилась на 66%. 0.5 0.4 0.3 0.2 0.1 0 20 25 30 35 40 45 К (%) Наа 25 20 15 10 5 0 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 К (%) Ка 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 20 25 30 35 40 45 К (%) Наа 25 20 15 10 5 0 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 К (%) Ка Базовый сценарий Робастная оптимизация Номинальная оптимизация Рисунок 1: Распределение коэффициента извлечения нефти Рисунок 2: Уровень успеха различных методов оптимизации Целевой КИН (32%) Базовый сценарий (вероятность 4%) Номинальная оптимизация (вероятность 61%) Робастная оптимизация (вероятность 91%) **Данное исследование выполнено в рамках проекта «Моделирование и оптимизация заводнения с низкой минерализацией». Полная версия отчета находится на www.onepetro.org. Контактная информация Для дополнительной информации обращайтесь по адресу marketing@ cmgl.ca Инвестиции в R&D CMG ежегодно вкладывает 20% прибыли в исследования и разработку инновационных технологий Высококачественные технологии Программные продукты CMG обеспечивают точные результаты при моделировании композиционнных, вторичных и третичных методов увеличения нефтеотдачи, а также традиционных и нетрадиционных методов разработки месторождения. Техподдержка Опытные инженеры обеспечивают техподдержку программных продуктов CMG 24 часа в сутки в любой точке мира Обучение и тренинг Тренинги для новых и опытных пользователей программных продуктов CMG способствуют повышению квалификации вашего персонала и успеху проекта разработки месторождения