Description:

"Подбор параметров динамической модели месторождения Schiehallion на континентальном шельфе Великобритании по данным сейсморазведки (Seismic history matching in the UKCS Schiehallion field) Karl D. Stephen и Colin MacBeth из института нефтепромыслового дела, университет Heriot-Watt, Эдинбург, Великобритания" Введение Менеджеры по разработке коллекторов хотят знать текущее состояние месторождения и способность предсказывать будущие изменения в коллекторе. Для решения первой задачи им нужна информация о текущей фильтрации флюида и об изменениях давления, а для второй — инструменты для точного описания коллектора и прогнозирования, такие как имитационная модель месторождения. В этом случае могут быть приняты важные решения относительно средств технического обслуживания и оптимизации скважины, но что еще более важно — перспективные площади могут быть идентифицированы и новые скважины пробурены. Традиционно, имитационные модели использовались для определения возможного состояния коллектора и предсказания его поведения. Моделирование обычно начинается с геолога, который создает множество статических моделей, часто ограниченных данными анализа керна и петрофизическими данными каротажа совместно с данными 2D или 3D сейсморазведки до начала добычи. После этого загрубленные модели изменяются инженером таким образом, что создается схема итерационного автоматического подбора параметров динамической модели (Рис. 1). Преобразование времениглубины используется для создания карты наблюдаемых сейсмических данных, которые можно сравнивать с предсказанными данными совместно с данными добычи. После чего модели обновляются до получения набора лучших моделей. В результате этой процедуры рассчитывается функция плотности апостериорной вероятности (PDD), которая впоследствии может быть передискретизирована. Чтобы они соответствовали статическим и динамическим скважинным данным, включая дебиты нефтеотдачи и локальные значения давления. Поскольку скважины расположены далеко друг от друга, существует много возможных решений, при которых скважинные данные будет соответствовать модели. Многократные сейсмические наблюдения (4D) могут сократить неоднозначность путем выделения изменений в флюидонасыщенности и или давлениях. Эта информация теперь доступна в качественной форме почти повсеместно во множестве месторождений Северного моря и Мексиканского залива, однако цель состоит в том, чтобы комплексировать эти данные количественно с применением моделирования и привлечением других доступных данных. Для достижения этой цели мы разработали автоматизированный алгоритм подбора параметров динамической модели, который принимает на вход столько данных о коллекторе, сколько необходимо и достаточно для достоверного прогноза, включая данные анализа керна и данные каротажа, сейсмические данные, данные добычи, SCAL и т.д. В этой статье мы применяем наш метод к коллектору Schiehallion на континентальном шельфе Великобритании, где мы обновляем модель оператора путем применения геостатистических подходов и получаем улучшенное соответствие результатов сейсмическим и промысловым данным. Наконец проанализирована неоднозначность параметров и предсказанного режима поведения коллектора. Детали работы нашего метода (Рис. 1) могут быть найдены в работе Stephen и др., 2005. Мы проводим множественные моделирования потока флюида с одновременным использованием соответствующей параметризации описания коллектора. Эти модели преобразуются к предсказанным сейсмическим данным и режиму работы скважины, и сравниваются с результатами измерений путем вычисления невязки. После чего выбираются параметры методом разделения пространства параметров на множества лучших моделей, и процесс прямого моделирования выполняется снова. Каждый итерационный шаг повторяется до тех пор, пока не будут созданы достаточно подходящие модели в количестве, возможно, сотен или тысяч. Создание множественных моделей Имитационные модели могут содержать десятки тысяч ячеек и в 10 или в 20 раз больше неизвестных параметров. Геостатистические методы понижают размерность пространства возможных параметров на много порядков. Рис. 2 (a) Карта RMS амплитуд для мигрированной суммы, и разности между суммой отрицательных значений "окрашенной" инверсии данных (b) до начала добычи, данных первого года (93-99) и данных (c) первого и второго годов (99-00). Амплитуды RMS и 4D сигналы были нормализованы путем вычитания среднего значения от соответствующей карты до начала добычи и деления результата на его среднеквадратичное отклонение. Поэтому разности представлены в этом масштабе, который используется для сравнения с предсказанными данными, подобно перемасштабированными. Нагнетательная скважина I2 активна только первый год, в то время как добывающая скважина P1 станет активной в начале второго года. Таким образом, модель становится зависимой от глобальной статистики, описывающей пространственные распределения параметров и связи между ними. Уменьшенное множество возможных параметров обычно включает корреляционные интервалы для каждой переменной (например, пористости, проницаемости, отношение эффективных толщин к общим) а также для параметров, описывающих взаимосвязи (например, зависимости пористость — проницаемость). Метод Пилотных Точек (Pilot Point method) с алгоритмом Kriging основан на таком методе. Набор пилотных точек выбирается на сетке моделирования в виде единственных ячеек, или в виде столбцов, а значения свойства определяются в процессе подбора параметров динамической модели. Точки эффективно обрабатываются как набор псевдо скважин так, чтобы свойства между ними определялись интерполяцией или, в этом случае, алгоритмом Kriging. Мы используем этот метод для обновления распределения проницаемости посредством набора множителей. Мы также изменяем свойства разрывного нарушения, изменяя его множители проницаемости. Они изменяются как разрывные сегменты, которые могут быть группированы для уменьшения количества параметров. Местоположения разрывных нарушений очень трудно определить в автоматическом режиме, однако они должны быть выделены в процессе построения модели. Сравнение сейсмических данных и модели коллектора Мы вычисляем прогнозный сейсмический импеданс для каждой ячейки в имитационной модели, используя петрофизически реалистичную модель вместе со значениями флюидонасыщенности и давления, полученными в результате моделирований (например, MacBeth и др., 2005). Мы получаем объемный модуль, используя уравнение Гассмана, чтобы фиксировать эффект насыщения, в то время как эффект Рис. 3 Кроссплот наблюденного сигнала многократных сейсмических наблюдений определенного по сумме отрицательных значений "окрашенной" по сравнению с RMS амплитудами мигрированной суммы. Данные были разбиты согласно изменению давления в результате моделирования в той же самой точке. Здесь мы показываем только бины с увеличением давления при нагнетании, синий цвет нулевое изменение давления, а красный цвет указывает на максимальное увеличение давления 17.24 МПа. Изменения давления представлены в виде объемного модуля сухой породы через эмпирическую зависимость (MacBeth, 2004). Параметры нашего упругого преобразования также включены в процесс подбора параметров динамической модели. Чтобы сравнивать предсказанные значения импеданса с наблюденными данными сейсморазведки, оба свойства преобразуются таким образом, чтобы представлять один и тот же куб данных, потому что предсказанный импеданс представляет собой плоские тонкие бины (обычно 100 м x 100 м x 4 м), по сравнению с наблюденными данными в виде кубических бинов (25 м x 25 м x 25 м в нашем случае). Предсказанные значения импеданса преобразуются к карте путем увеличения шага сетки значений по вертикали и затем уменьшения шага данных до шага сейсмической сетки посредством интерполяции с взвешенными расстояниями между точками. Если наблюденные данные не дают абсолютного значения импеданса, то для сравнения мы нормализуем наблюденные и предсказанные наборы данных к их среднему значению до начала добычи и к среднеквадратичному отклонению перед сравнением. Функция невязки используется для сравнения каждого значения наблюденной переменной с ее предсказанным эквивалентом, включая и сейсмические данные, и традиционные данные добычи из скважин. Хотя мы обычно предполагаем наличие корреляции ошибок в данных, то мы обнаруживаем, что для набора данных Schiehallion они в значительной степени некоррелируемы. Это уменьшает значение невязки к сумме квадратов, должным образом взвешенной на ошибку в данных, и они суммируются для всех моделей. Анализ неопределенности Согласно Байесовой теории, невязки дают условную вероятность каждой модели для исходных данных, и они используются для обновления предыдущих значений вероятностей в модели. Обновленные значения вероятности могут быть передискретизированы посредством методов цепи Маркова для метода Монте-Карло как часть анализа неопределенности неизвестных параметров, дающих в результате набор вероятностных распределений для каждого параметра. Эти вероятности могут также использоваться как веса для определения математического ожидания и дисперсии значений таких переменных, как насыщение или давление в каждой ячейке, в процессе долгосрочного прогноза режима коллектора. Так как мы ограничиваем пространство параметров вокруг наиболее вероятных моделей, то простое среднее значение может быть аппроксимировано взвешенным средним значением по всему множеству. Результаты Коллекторские свойства наш набор данных состоит из дву... Ключевые слова: eage break, полученный, великобритания, глина, eage, наблюсти, окрасить, сделанный, фокус, conference, месторождение, необходимый, сигнал, seismic, отношение, карта, режим, апрель фокус, использоваться, прогнозный, видеть, имитационный, наблюденный, параметр динамический, изменяться, исходный, доступный, порода, применение, prospecting, сумма, количество, толщина, улучшить, съемка, сейсмический, разрывный, сейсмический отклик, среднеквадратичный, импеданс, рисунок, моделирование, прогноз, динамический модель, включая, анализ, амплитуда, множитель, macbeth, отнесенный, подбор параметр, точка, метод, history matching, предсказанный, динамический, цель, инверсия, среднеквадратичный отклонение, разрывный нарушение, множество, согласоваться, насыщение, мигрировать сумма, алгоритм, невязка, период, сейсмический дать, оператор, преобразование, rms, сравнение, параметр, возможный, мигрировать, предсказанный сейсмический, путь, изменение, песчаник, свойство, образ, разность, базовый, апрель, процесс, schiehallion, модель, реакция давление, предсказать, коллектор schiehallion, дать, мигрированный сумма, проницаемость, средний, множитель проницаемость, подход, окрашенной, общий, хороший, получить, los, christie, набор, эффективный, break апрель, нагнетательный скважина, проделать, нагнетательный, добыча, вероятностный распределение, область, rms амплитуда, коллектор, вероятность, soldo, цвет, скважина, mcinally, break, использовать, результат моделирование, реакция, результат, нормализованный, начать, окрестность скважина, mezghani, куб, stephen, соответствовать, начать добыча, обновленный, geophysical prospecting, решение, дать добыча, отклонение, geophysical, распределение, амплитуда мигрировать, пространство, давление, ячейка, соответствие, нарушение, сейсморазведка, подбор, скважинный, значение, анализ керн