АЛГОРИТМ ОПРЕДЕЛЕНИЯ ХАРАКТЕРИСТИК ВЫТЕСНЕНИЯ В УСЛОВИЯХ НЕСОВЕРШЕНСТВА ДАННЫХ

М. Н. Харисов, Э. А. Юнусова, Э. А. Харисова, Р. А. Майский

Аннотация


Статистические методы прогнозирования с использованием харак- теристик вытеснения широко применяются при планировании тех- нологических показателей разработки месторождений углеводород- ного сырья в условиях несовершенства геолого-промысловой информации. Авторами показано, что для месторождений, находя- щихся на ранних стадиях разработки, полученные на основании анализа фактических промысловых данных характеристики вытес- нения могут обладать низкой прогнозной способностью. Так, мак- симальное значение модуля абсолютного отклонения расчетного значения обводненности от фактического, полученное в результате ретроспективного прогноза синтезированных данных технологиче- ских показателей разработки месторождений углеводородного сырья, находящихся на разных стадиях разработки, достигало 42 %; среднее арифметическое значение данного параметра - 21 %. Прогнозная способность примененных характеристик вытеснения становилась удовлетворительной лишь при значениях текущей обводненности по месторождению более 60 %. Таким образом, определение характеристик вытеснения месторождений углеводо- родного сырья, находящихся на ранних стадиях разработки, целесо- образно проводить с использованием результатов проведенных по ним или по месторождениям-аналогам лабораторных исследований керна и пластовых флюидов. С целью повышения качества плани- рования в настоящей работе предложен алгоритм, позволяющий повысить эффективность оперативного определения характеристик вытеснения путем глубокого анализа широкого спектра информа- ции c использованием методов Data Mining и, соответственно, сни- зить неопределенности и риски при разработке месторождений углеводородного сырья.

Ключевые слова


oil field;planning of oil production rates;displacement characteristics;Data Mining;месторождение углеводородного сырья;планирование технологических показателей разработки;характеристика вытеснения;Data Mining;

Полный текст:

PDF

Литература


Харисов М.Н., Карпов А.А., Петров С.В., Да- рий С.Д. Алгоритм определения оптимальных характе- ристик вытеснения // Нефтяное хозяйство. 2018. № 5. С. 56 - 59

Гарифуллин А.Ш., Курмакаева С.А., Родин В.И. Использование эмпирических зависимостей при проектировании разработки месторождений Красно- холмской группы. // Проблемы геологии и разработки нефтяных месторождений в районах с истощающимися ресурсами: сб. науч. тр. Уфа: БашНИПИнефть, 1989. С. 81 - 86

Максимов М.И. Метод подсчета извлекаемых запасов нефти в конечной стадии эксплуатации нефтя- ных пластов в условиях вытеснения нефти водой // Геология нефти и газа. 1959. № 3. С. 42 - 47

Назаров С.Н., Сипачев Н.В. Методика прогно- зирования технологических показателей на позд- ней стадии разработки нефтяных залежей // Известия высших учебных заведений. Нефть и газ. 1972. № 10. С. 41 - 45

Сазонов Б.Ф. Совершенствование технологии разработки нефтяных месторождений при водонапор- ном режиме. М.: Недра, 1973. 238 c

Пирвердян А.М., Никитин П.И., Листенгар- тен Л.Б., Данелян М.Г. К вопросу о прогнозе добычи нефти и попутной воды при разработке слоисто- неоднородных коллекторов // Азербайджанское неф- тяное хозяйство. 1970. № 11. С. 19 - 22

Камбаров Г.С., Алмамедов Д.Г., Махмудова Т.Ю. К определению начального извлекаемого запаса нефтя- ного месторождения // Азербайджанское нефтяное хозяйство. 1974. № 3. С. 22 - 24

Гарб Ф.А. Расчеты динамики падения добычи по данным обводненности добываемой продукции // Инженер-нефтяник. 1978. № 7. С. 21 - 25

Carter S.J. A Stochastic Buckley-Leverett Model. Adelaide: University of Adelaide, 2010. 177 p

MacKay D.J.C. Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003. 628 p

Kodinariya T.M., Makwana P.R. Review on Deter- mining Number of Cluster in K-Means Clustering // Inter- national Journal of Advance Research in Computer Science and Management Studies. 2013. Vol. 1. No. 6. P. 90-95

Deza M.M., Deza E. Encyclopedia of Distances. Berlin: Springer, 2009. 583 p

Панченко Т.В. Генетические алгоритмы / под ред. Ю.Ю. Тарасевича. Астрахань: Издательский дом «Астраханский университет», 2007. 87 c

Bertka B.T. An Introduction to Bézier Сurves, B-Splines, and Tensor Product Surfaces with History and Applications. Santa Cruz: University of California, 2008. 13 p




DOI: http://dx.doi.org/10.17122/ngdelo-2018-6-20-25

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2018 М. Н. Харисов, Э. А. Юнусова, Э. А. Харисова, Р. А. Майский

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

УФА, УГНТУ, 2017