Оптимизация планирования сайклингпроцесса на газоконденсатных месторождениях с применением нейросетевых технологий

Эффективная добыча конденсата из газоконденсатных месторождений с высоким начальным содержанием тяжелых углеводородов (фракции C5+ с концентрацией свыше 250—300 г/м³) представляет собой сложную задачу. Практический опыт разработки таких месторождений демонстрирует, что коэффициент извлечения конденсата (КИК) редко превышает 30—40% [3][4][8][10][12]. Такая низкая эффективность обусловлена выпадением в пластах ретроградного конденсата, состоящего в основном из тяжелых фракций — высокомолекулярных углеводородных компонентов, и невозможности мобилизации и вытеснения ретроградного конденсата из пластов при разработке залежей на истощение пластовой энергии. Ретроградный конденсат остается неподвижным практически на всем протяжении разработки месторождения в силу низкой фазовой насыщенности им пласта, существенно меньшей насыщенности, отвечающей порогу его подвижности¹. Как отмечается в статьях [3][12], движение конденсата в основном происходит только в призабойных зонах пласта, фактически в радиусе воронки депрессии. Вследствие этого значительная часть начальных запасов высокомолекулярных углеводородов остается в пласте в виде трудноизвлекаемых остаточных запасов.

Для обеспечения полноты извлечения конденсата из газоконденсатных залежей и достижения высоких значений КИК необходимо привлечение методов воздействия на пласт, позволяющих поддерживать пластовое давление на уровне давления начала конденсации пластовой газоконденсатной смеси или немногим ниже его. В настоящее время, по существу, единственным таким методом воздействия является сайклинг-процесс, заключающийся в поддержании пластового давления путем закачки сухого газа в продуктивный горизонт и позволяющий предотвратить ретроградную конденсацию пластового газа в призабойной зоне пласта и тем самым увеличить коэффициент извлечения. Кроме того, применение сайклинг-процесса оправдано в ряде случаев разработки месторождений в условиях отсутствия инфраструктуры для транспорта газа с месторождения, позволяя сохранять запасы газа до момента их реализации.

Как отмечается в статьях [8][13], промышленная разработка газоконденсатных месторождений (ГКМ) в России ведется исключительно на истощение, хотя, как показывают исследования, применение технологии сайклинг-процесса при современных ценах на углеводородное сырье и нынешних налоговых льготах может являться экономически привлекательным. Так, с 2011 года введены поправки в Налоговый кодекс РФ, согласно которым к объемам природного газа, закачиваемого обратно в пласт при добыче конденсата, впервые в российской практике может применяться нулевая ставка налога на добычу [5, 6].

За рубежом ситуация с реализацией сайклинг-процесса отличается от существующей в нашей стране практики. Впервые технологию обратной закачки газа начали использовать в годы Второй мировой войны в США и Канаде. На 1944 год в США разрабатывали 244 газоконденсатных месторождения, закачка осуществлялась на тех из них, где содержание конденсата составляло 150—180 г/м³, в послевоенное время планка по содержанию конденсата в пластовом газе для применения сайклинг-процесса повысилась до 250—300 г/м³ ввиду заметного изменения структуры потребления углеводородов. В таблице 1 приведены некоторые более конкретные примеры внедрения обратной закачки газа за рубежом [1][11], среди которых указано также крупнейшее по запасам газа месторождение Арун в Индонезии, на котором даже при относительно невысоком значении ПС5+ достигнутый КИК составляет 95% [16]. 

На эффективность сайклинга могут повлиять множество факторов: геологическое строение залежи и фильтрационно-емкостные свойства пластов, характеристики самой пластовой газоконденсатной системы, а также технологические параметры, такие как объем закачиваемого газа, время начала и продолжительность закачки, которые важно учитывать при внедрении сайклинга. Так, в работе [2] при оценке эффективности сайклинг-процесса учитывались как время начала закачки, так и объемы закачки (уровни компенсации). Длина ствола горизонтальных скважин, их количество учтены в расчетах [5][13] на примере Термокарстового месторождения, соотношение числа нагнетательных и добывающих скважин — в работах [7][9][17]. Кроме того, при выборе оптимального сценария обратной закачки газа специалисты учитывают не только потенциальные технологические показатели разработки, но и экономические параметры от реализации технологии и, в первую очередь, чистый дисконтированный доход (иначе — ЧДД или NPV). Известно, что главными сдерживающими факторами реализации сайклинг-процесса могут служить длительная консервация запасов газа, значительные капитальные вложения на компрессорные мощности, затраты на бурение нагнетательных скважин.

В рамках данной работы представляются результаты разработки подходов к созданию нейросетевой модели для поиска наиболее экономически эффективного варианта реализации сайклинг-процесса для любых геолого-промысловых условий эксплуатации газоконденсатных месторождений. Актуальность такой работы связана с необходимостью оптимизации разработки газоконденсатных месторождений и достижения максимально возможных объемов добычи конденсата. Предлагаемый подход предполагает выполнение двух этапов исследований: 1) определение оптимальных с точки зрения чистого дисконтированного дохода (ЧДД или NPV) технологических параметров закачки (коэффициента возврата, времени начала закачки и длительности закачки газа) при варьируемых исходных геолого-физических характеристиках пласта и свойствах пластовых флюидов; 2) определение оптимального числа нагнетательных/добывающих скважин и схемы их размещения на площади залежи.

Настоящая статья освещает результаты первого этапа работ и включает в себя решение следующих задач: построение секторной модели двухфазной многокомпонентной фильтрации, включающей добывающую и нагнетательную скважины; проведение серии расчетов при различных геолого-физических параметрах пласта и компонентного состава пластового флюида, а также исходных технико-экономических данных; обучение нейросетевой модели по данным, полученным в результате расчетов на ГДМ; создание экономической модели, учитывающей ключевые статьи расходов на реализацию закачки газа и добычи углеводородов; оптимизация параметров разработки для обеспечения максимального значения NPV.

Материалы и методы

Гидродинамическая модель

С целью изучения процессов поддержания пластового давления газоконденсатной залежи и частичного испарения выпавшего в пластах ретроградного конденсата при обратной закачке добытого и осушенного газа (сайклинг-процесс), а также определения влияния геолого-технологических факторов на эффективность сайклинг-технологии была разработана секторная композиционная гидродинамическая модель (ГДМ), включающая две вертикальные скважины (добывающую и нагнетательную). В период отсутствия закачки нагнетательная скважина переводится в добычу. ГДМ реализована в программном комплексе т-Навигатор (ИРМ). На рисунке 1 представлен общий вид 3D-модели (слева) и пример карты насыщенности конденсатом (справа) на один из моментов разработки залежи при осуществлении сайклинг-процесса с понижением давления относительно начального пластового давления. 

Основные характеристики ГДМ следующие: размеры секторной модели — 400×1250×20 м; неравномерная трехмерная сетка, составленная на основе исходной пятиточечной сетки с размерами ячеек по Х и У — 50 м, по Z — 2 м.

Использовано уравнение General Pseudo Pressure — GPP, позволяющее учесть эффекты, сопровождающие процесс разработки газоконденсатной залежи:

• нелинейный характер изменения подвижности газоконденсатной смеси, обладающей высокими значениями сжимаемости, вследствие которой наблюдается высокая изменчивость вязкости и плотности в зависимости от текущего пластового давления;
• влияние выпадения конденсата в призабойной зоне скважины на продуктивность скважины при снижении давления ниже давления начала конденсации.

Как отмечается в статье [14], для размера ячеек 5×5 м допустимо использование и стандартного уравнения притока, но для более крупных ячеек с целью корректного учета обозначенных ранее эффектов в радиусе вокруг ствола скважины гораздо меньшем, чем размер самой вскрытой ячейки, рекомендуется использовать GPP.

Количество слоев в модели принималось равным 10. Рассматривалась газоконденсатная система предельного типа насыщения. Кривые относительных фазовых проницаемостей (ОФП) определены на основе данных керновых исследований, проведенных на месторождении X в Западной Сибири (рис. 2). Вертикальная проницаемость по слоям задана 0, чтобы исключить влияние гравитационного эффекта. В качестве агента закачки используется сухой газ с последней низкотемпературной ступени сепарации (-60 °С, 1 атм), обеспечивающей более полное отделение тяжелых компонент от сухого газа и предотвращающей их повторное поступление обратно в пласт; полная продолжительность расчетов — 20 лет. 

С целью анализа влияния различных геологических условий коллектора и свойств пластового флюида, а также технологических и экономических параметров на реализацию сайклинг-процесса проведены многовариантные расчеты в гидродинамическом симуляторе при варьируемых исходных данных. Среди геологических факторов выделены два основных: потенциал газоконденсатной смеси (далее — ПС5+, г/м³) и степень неоднородности пласта, выраженная коэффициентом Дийкстра — Парсона (ДП), который, в свою очередь, зависит от распределения проницаемости по слоям (количество слоев в модели — 10) и соотношения проницаемостей, где 1 — максимально неоднородный коллектор: 0, 0,06, 0,54, 0,85. Средняя проницаемость для всех случаев неоднородности пласта составляет 150 мД.

Состав газоконденсатных смесей получен путем проведения CVD-теста (Constant Volume Depletion — неполный аналог теста по дифференциальной конденсации) для исходной газоконденсатной пластовой смеси с ПС5+ на сухой газ 401 г/м³. В результате подобраны три исследуемых состава газоконденсатных смесей с ПС5+ 263, 353, 401 г/м³ с давлениями начала конденсации 258, 303 и 350 бар соответственно. Системы с меньшим значением ПС5+ не рассматривались, так как предполагалось, что при более низком значении ПС5+ сайклинг экономически нерентабелен. Для более «легкой» смеси (ПС5+ 263 г/м³) максимальный относительный объем выпавшей жидкости (аналог насыщенности в случае пласта) составляет 0,06, для состава с ПС5+ 353 г/м³ — 0,11 и для более тяжелого состава с ПС5+ 401 г/м³ — 0,12.

С точки зрения дизайна закачки рассмотрен широкий диапазон коэффициентов возврата (далее — Квоз) газа — от 0 (вариант разработки на истощение) до 100% (весь газ закачивается обратно в пласт). Кроме того, принято во внимание, что осуществление сайклинга на месторождении может проводиться не с началом его разработки, а спустя какое-то время разработки на истощение. В связи с этим рассмотрены варианты по различному уровню текущего пластового давления (далее — Рпл тек) на момент закачки — 80, 90 и 100% от начального пластового. Еще одним технологическим параметром, учтенном в рамках данной работы, является длительность закачки в вариантах 5, 10, 15 и 20 лет, по истечении которых способ разработки месторождения переходит на истощение.

Экономическая модель

Оптимальный сценарий сайклинг-процесса для объекта подбирался исходя из наиболее высокого значения чистого дисконтированного дохода (ЧДД, или NPV). Расчет NPV проводился на основе подхода, описанного в статье [15]. В данном упрощенном подходе к экономическим расчетам капитальные вложения определялись в соответствии с удельными затратами в разрезе следующих расходов: на бурение скважин, оборудование скважин для газодобычи; сбор и транспорт газа и конденсата; оборудование для подготовки газа к дальнейшему транспорту; строительство дожимных компрессорных станций и компрессорных станций для закачки газа.

Расчет эксплуатационных расходов складывался из условно-постоянных и условно-переменных затрат. В условно-переменные расходы включали затраты на электроэнергию для добычи углеводородов; подготовки, транспортировки углеводородов и закачки газа.

Нейросетевая модель и алгоритмы оптимизации

Архитектура нейросетевой модели представляет собой многослойный персептрон (MLP), состоящий из трех последовательно соединенных полносвязных слоев (fully connected). Общая схема архитектуры модели приведена на рисунке 3. Первый (входной) содержит 64 нейрона, второй — 32. На каждом этапе применяется функция активации ReLU. Используются слои Dropout с вероятностью отключения слоя 30% (для повышения обобщающей способности и снижения риска переобучения). 

На следующем этапе после обучения нейросетевой модели решается задача максимизации значения NPV за счет подбора оптимальных параметров сайклинг-процесса, при этом фиксируемыми параметрами служат фильтрационно-емкостные свойства пласта, степень его неоднородности в соответствии с коэффициентом ДП, а также значение ПС5+. В качестве оптимизируемых используются: P — текущее пластовое давление в момент начала закачки газа; k_voz — коэффициент возврата; years_before_inj — момент старта закачки; years_inj — продолжительность закачки. Оптимизационный метод (dual_annealing) — глобальный стохастический оптимизатор, подходящий для задач с несколькими экстремумами и нелинейными зависимостями. В результате работы алгоритма на выходе получаем оптимизированный сценарий закачки, учитывающий технико-экономические показатели, особенности пласта и динамику закачки.

Результаты и обсуждение

Для оценки качества прогнозной способности модели построены кросс-плоты (scatter plots), где по оси Х — фактические значения из ГДМ, а по оси Y — предсказанные нейросетью. Критерий точности основан на условии: прогноз признается успешным, если относительное отклонение от фактического значения не превышает 10%. Результаты на тестовой выборке показывают среднюю точность по трем признакам 86%. Это означает, что в среднем 86% всех прогнозов модели укладываются в диапазон ±10% от значения, рассчитанного в ГДМ (рис. 4). 

В качестве примера работы алгоритма в таблице 2 приведены результаты для различных случаев степени неоднородности пласта и состава с ПС5+ 200 г/м³.

Из результатов видно, что в случае более низкого ПС5+ и повышенной степени неоднородности пласта более перспективными становятся варианты разработки на истощение. Стоит отметить, что степень точности предсказаний зависит от вводных параметров в экономической модели — чем больше параметров в ней учтено с точки зрения поверхностного обустройства и чем более близкие к реальности задаются значения параметров в экономической модели, тем результаты точнее отражают действительность.

Заключение

Выполнены многофакторные расчеты показателей сайклинг-процесса в газоконденсатном пласте на секторной модели газоконденсатной залежи. Разработан предварительный вариант алгоритма на базе нейросетевых технологий, который с высокой точностью (86 %) для данных геолого-физических характеристик залежи и свойствах пластовых флюидов определяет оптимальные показатели сайклинг-процесса в газоконденсатных залежах без применения гидродинамической модели. Полученный алгоритм позволяет прогнозировать наиболее экономически эффективный для конкретного случая дизайн и параметры закачки газа при проведении сайклинг-процесса, включая коэффициент возврата газа, время начала и длительность закачки газа, с возможностью их дальнейшей детальной проработки на полномасштабной геолого-гидродинамической модели залежи при проектировании и управлении процессом разработки газоконденсатного месторождения.