Повышение аналитической культуры мониторинга разработки нефтяных месторождений на примере прогноза негерметичности эксплуатационной колонны нагнетательных скважин

Размещено на http://allbest.ru

1ФГБОУВО «Тюменский индустриальный университет»

Институт геологии и нефтегазодобычи

Кафедра «Разработки и эксплуатации нефтяных и газовых месторождений»

2«Филиал «ООО ЛУКОЙЛ-Инжиниринг» КогалымНИПИнефть»

Повховская группа месторождений

Повышение аналитической культуры мониторинга разработки нефтяных месторождений на примере прогноза негерметичности эксплуатационной колонны нагнетательных скважин

Россия, г. Тюмень

Аннотация

Annotation

The article presents the results of a study of wells with leakage problem in production casing using the Data Mining and Data Science methods.

Key words: Field, well, leaky production casing.

В последнее время, в научной и производственной сфере нефтяной отрасли, все больше делается попыток прикладного применения широкого спектра аналитических инструментов из области Computer Science. Область деятельности, которая охватывает весь спектр работы с данными, часто называется термином Big Data (большие данные). Одним из наиболее востребованных, с прикладной точки зрения, направлений является Data Mining. Этот процесс позволяет получать новые, нетривиальные знания из имеющегося набора данных, что стало возможным благодаря применению алгоритмов позволяющих строить так называемую модель данных, определяющую взаимозависимости в исходных массивах информации.

Большинство моделей, создающихся в рамках научно-исследовательской работы, будь то математическая, геологическая, гидродинамическая или иная модель, необходимы для решения двух основных задач:

- повышение понимания изучаемого объекта или явления путем его рассмотрения во всей совокупности и взаимосвязи его составных частей и параметров;

- прогнозирование.

Именно эти вышеперечисленные задачи и решает Data Mining.

Однако, для того чтобы осуществить переход на широкое использование технологий Computer Science в режиме ежедневной операционной деятельности, необходимо разобраться какое место эти технологии занимают в общем аналитическом инструментарии и чем конкретно они отличаются по спектру решаемых задач от имеющихся статистических, регрессионных и других математических методов.

Вначале рассмотрим общую схему, показывающую связь между возможными уровнями понимания имеющейся информации и инструментарием, который для этого необходим (рисунок 1).

Рисунок 1. Схема «Бизнес-информация и аналитика» из книги Дэвенпорта и Харриса «Competing on Analytics»

Как видно из схемы, львиная доля всей работы, которую выполняют научные подразделения нефтяной компании, а именно, разного вида отчеты и детализации по запросу/поручению, относится к нижней, самой простой форме работы с информацией и полученными данными.

Собственно же аналитика, согласно приведенной схеме, начинается с широкого применения статистического анализа. Более того, владение инструментами математической статистики - это своеобразный «мост», позволяющий перейти от простых отчетов, носящих информационный характер, к составлению моделей данных и прогнозированию. Также необходимо отметить, что большая часть повседневных задач инженера- разработчика нередко решается с помощью именно статистических методов. При этом, часть инструментов методов статистики настолько проста как в применении, так и в понимании, что не использовать их - это как минимум нерационально.

В качестве примера такого инструментария можно привести методы так называемого разведочного анализа данных. Одна из задач разведочного анализа - оценка качества данных и понимание структуры данных. Очень эффективным методом разведочного анализа является графическое представление информации. На рисунке 2 и в таблице 1 показан классический пример важности визуализации информации - квартет Энскомба.

Таблица 1.Статистические характеристики двух переменных для квартета Энскомба

Рис.2 Квартет Энскомба

Квартет Энскомба, названный так по имени математика и статистика Фрэнсиса Энскомба, представляет из себя четыре набора данных с идентичными значениями среднего по х, среднего по у, дисперсии х, дисперсии у, корреляции и прямой линейной регрессии.

Целью Энскомба, при построении данного графического квартета, было доказать, что графики позволяют видеть более масштабную картину, чем просто цифры, а также отмечать очевидные или же, наоборот, необычные закономерности.

В качестве примера простого, но эффективного использования графических инструментов статистики, рассмотрим использование диаграммы Box plot (рисунок 3).

На рисунке 3 показано распределение времени работы нагнетательных скважин с наличием (DA) или отсутствием (NET) негерметичности эксплуатационной колонны (НЭК).

Рисунок 3. Диаграмма вида Box plot с распределением времени работы нагнетательных скважин с наличием (DA) и отсутствием (NET) негерметичности эксплуатационной колонны

Рисунок 4. Пояснение диаграммы типа Box plot

Пояснение диаграммы вида Box plot приведено на рисунке 4: горизонтальная линия и перекрестье внутри «коробочек» - это, соответственно, медиана и среднее арифметическое, ответвления с отсечками - минимум и максимум, точки - выбросы (статистически незначимые значения).

Как видно из диаграммы Box plot, на Ватьеганском месторождении отсутствуют НЭК на нагнетательных скважинах, проработавших менее 14 лет (5207 дней). Несколько скважин с НЭК, отработавших менее этого срока, являются статистически незначимыми (выбросами).

Таким образом, построение подобных диаграмм по разным параметрам, позволяет существенно сузить сектор анализа уже на начальных этапах работы с данными.

Следующий пример эффективного применения графических статистических инструментов - построение простой гистограммы

Для обоснования среднего прогнозного дебита жидкости проектных скважин одного из месторождений были привлечены данные фактической продуктивности соседнего Дружного месторождения-аналога. Средняя продуктивность месторождения-аналога составила 0,93 м3/МПа. На рисунке 5 показана гистограмма распределения продуктивности фактических скважин месторождения-аналога.

Рисунок 5. Гистограмма продуктивности скважин Дружного месторождения, пласт БС11-1

Как видно на гистограмме, большая часть скважин (70%) имеют фактическую продуктивность ниже среднего значения. Другими словами, вероятность того, что продуктивность скважины будет меньше среднего, составляет 70%, что необходимо учитывать при планировании прогнозной добычи. При вероятностно-ориентированном подходе планирования дебитов и добычи, данное среднее значение соответствует аббревиатуре Р30, что можно обозначить как оптимистичный прогноз.

Если же есть необходимость более сдержанного прогноза, то есть смысл вместо среднего арифметического использовать медиану. Медиана - это значение, которое делит рассматриваемую выборку значений ровно пополам (при вероятностном подходе медиану можно обозначить как Р50, соответствует значению 0,55 м3/МПа) или моду - наиболее часто встречаемое значение из выборки (на гистограмме соответствует значению продуктивности 0,3 м3/МПа, соответствует вероятности Р70).

Далее переходим непосредственно к аналитике, а именно, к его начальному этапу - статистическому анализу. Для примера его использования вернемся к примеру наличия НЭК на нагнетательном фонде Ватьеганского месторождения. Частично, основные статистические термины мы уже затронули в предыдущем примере: среднее арифметическое, мода и медиана. Одной из главных задач статистики является переход от описательного анализа к нахождению взаимосвязей и закономерностей в наборе данных, что на языке статистики можно назвать поиском корреляции между параметрами и нахождением регрессионной зависимости.

При использовании Microsoft Excel, очень удобно использовать встроенный пакет «Анализ данных». Например, корреляция между временем обнаружения НЭК от начала работы скважины (запуска после бурения) с промысловыми показателями представлена в таблице 2.

Таблица 2. Корреляции между временем обнаружения НЭК и промысловыми показателями

Из таблицы 2 видно, что значения корреляции крайне низкие и не превышают 0,5, что неудивительно, так как негерметичность колонны - это больше из категорий «железа» и промысловые показатели имеют, скорее всего, косвенное влияние, чем прямое. Для наиболее полного анализа причин, влияющих на возникновение НЭК, необходимы дополнительные параметры. Например, принадлежность скважин к конкретным цехам и кустам (при строительстве скважин на разных кустах могли использоваться разные марки стали труб), объект эксплуатации (например, на низкопроницаемых объектах закачка обычно ведется в более «агрессивном» режиме), конкретный год строительства скважины и непосредственно информация о наличии/отсутствии НЭК (да/нет).

Необходимо отметить, что приведенные выше дополнительные параметры в большинстве имеют не числовой, а символьный и логический тип данных, что затрудняет их использование стандартными методами и инструментами. Если ориентироваться на схему, приведенную вначале статьи, то для дальнейшей работы необходимо перейти к прогнозному моделированию используя максимально большой объем данных, при этом, большой не столько по количеству строк в массиве данных, а сколько по охвату различных влияющих факторов. Использовать большие и разнообразные по типу данные позволяют современные методы Data Mining, что дословно переводится как «добыча данных». Т.е. речь идет о методах, позволяющих из имеющегося набора данных, получить новые знания. Процесс получения нового знания можно показать на простом примере. Допустим, у нас есть простой массив данных, состоящих из двух строк (рисунок 6).

Рисунок 6. Пример выявления новых знаний из имеющегося набора данных

Первая строка: мальчик>ребенок; вторая строка: ребенок>школьник. Из этого ограниченного набора данных можно получить новое знание о том, что рассматриваемый нами мальчик - это школьник.

Фактически, к двум позициям нашей импровизированной базы данных добавилась новая, третья строка. Методы же Data Mining позволяют выявлять новые данные из огромных массивов информации. Более того, большим плюсом этих методов является то, что с увеличением объема данных нередко происходит повышение эффективности их применения.

Дано: сводная таблица о наличии/отсутствии НЭК на нагнетательном фонде Ватьеганского месторождения, в объеме 1002 строк (по количеству скважин) и 13 столбцов (номер скважины + сведения о 12 показателях).

Задача:

1) определить модель данных,

2) для скважин, по которым нет сведений о наличии НЭК, выявить потенциально аварийные, на которые необходимо обратить внимание в первую очередь.

С одной стороны, негерметичность колонны, это задача из теории работы оборудования на отказ. По классике, такие задачи решаются с привязкой к одному главному параметру - времени наработки на отказ. Если упрощать теорию наработки, то, чем больше время работы оборудования, тем больше вероятность выхода его из строя.

Но, на практике, зависимость от времени имеет более сложный характер и чаще всего характеризуется распределением Вейбулла, при этом, при исследовании отказов, возникающих под воздействием внешних эксплуатационных факторов (так называемые износовые отказы), плотность вероятности имеет нормальный закон распределения (рисунок 7).

Рисунок 7. Схематичное изображение различных видов кривой плотности вероятности отказов И^) по закону нормального распределения

Для нагнетательных скважин Ватьеганского месторождения частота распределения от времени обнаружения НЭК показана на рисунке 8.

Рисунок 8. Распределение частоты обнаружения первого НЭК в зависимости от времени наработки скважины

По форме кривой распределения частоты мы видим, с одной стороны, близость к нормальному виду распределения, а с другой стороны, в начальный период времени (примерно до 5000 дней наработки) кривая имеет гамма-характер распределения (рисунок 9). Это характерно для случаев, когда выход прибора из строя происходит не под внешними факторами воздействия, а вследствие степени надежности самого оборудования, что может быть вызвано неблагоприятным стечением обстоятельств и не зависит от возраста изделия. Исходя из вышеизложенного, можно сделать вывод о многофакторном характере влияния на появление НЭК, т.е. помимо параметра времени влияют и другие факторы.

Рисунок 9. Схематичное изображение кривой плотности вероятности отказов f(t) по закону гамма-распределения (экспоненциальный закон)

Для построения модели данных для параметров, приведенных в таблице 2, использовались три метода регрессии и классификации Data Mining:

- boosted decision tree;

- decision forest;

- neural network.

Использование параллельно сразу трех методов создания моделей данных выбрано с целью повышения объективности результатов на основе их сравнения. нефтяной скважина негерметичность гистограмма

Для того, чтобы определить оптимальную комбинацию параметров, позволяющую выявить потенциально авариные скважины, были выполнены целые серии последовательных расчетов (несколько сотен расчетов). Всего было 11 так называемых серий расчетов.

От предыдущей каждая серия отличалась увеличением числа параметров на единицу. Соответственно, на первом этапе находилась зависимость от одного параметра (отдельно зависимость НЭК от времени, отдельно от объема закачки и т.д.), на одиннадцатом - от одиннадцати параметров (рисунок 10). Всего возможное количество комбинаций в каждой из серий можно посчитать с помощью формулы из теории комбинаторики (1):

Формула (1) трактуется так: сколько комбинаций С можно составить из m параметров из n возможных показателей.

Рисунок 10. Количество возможных комбинаций при варьировании числа параметров из возможных одиннадцати

Результат экспериментов по подбору оптимальной модели данных, показан на рисунке 11. На графиках, представленных на рисунке, показано изменение точности прогноза, в зависимости от количества выбранных влияющих параметров. Для каждой серии экспериментов в качестве конечного значения точности прогноза принят наилучший достигнутый результат.

Рисунок 11. График изменения наилучшей точности прогноза для различного числа влияющих факторов

Графики позволяют сделать несколько промежуточных выводов:

1. По мере увеличения числа влияющих параметров от одного и далее происходит повышение точности прогноза, но при достижении некоторого критического количества параметров, наступает точка перегиба, после которой добавление новых параметров ухудшает модель данных и, соответственно, ухудшает прогностические способности модели;

2. Линии графиков имеют «ломаный» характер, что, вероятнее всего, связано с некорректностью некоторых исходных данных или противоречивостью значений некоторых параметров между собой;

3. При однопараметрической модели (зависимость НЭК только от одного параметра), в качестве наиболее оптимального получились разные параметры (таблица 3): накопленная закачка, максимальное забойное давление нагнетания и номер кустовой площадки.

4. Выводы, сделанные в пунктах 1-3, справедливы для всех трех рассмотренных математических алгоритмов;

5. При каждом последующем добавлении числа влияющих факторов, в состав наилучшей комбинации не всегда входят параметры из лучшей предыдущей комбинации. Например, при использовании алгоритма decision forest, лучшую прогнозную способность дал показатель «Максимальное забойное давление нагнетания». При рассмотрении двухфакторного анализа, наилучшим стало сочетание: «Начало работы скважины (год строительства)» и «Максимальная (историческая) приемистость» и т.д. Данный факт свидетельствует о способности алгоритмов к нахождению нетривиальных взаимозависимостей.

6. Максимально достигнутая точность прогнозирования для всех трех методов близка по значениям и укладывается в диапазон 0,767-0,771, что позволяет сделать вывод об объективности результатов.

7. Оптимальное число влияющих параметров для всех трех методов близко и варьируется в диапазоне 7-9.

Таблица 3. Наилучшие комбинации для каждого из алгоритмов

С помощью сформированной модели данных, на следующем этапе исследовательской работы был выполнен непосредственно подбор скважин наиболее предрасположенных к НЭК. Для этого был выполнен «прогон» всех нагнетательных скважин, по которым на текущий момент времени отсутствует НЭК. При этом, скважины из этого списка, по которым за последние два года был проведен ПГИ, в прогонке не участвовали. Данные скважины, по которым наиболее уверенно можно констатировать отсутствие НЭК, наряду со скважинами, по которым НЭК установлен, участвовали при валидации.

Итого в «прогонке» участвовало ровно 400 скважин. В результате расчета были выявлены 64 нагнетательные скважины, по которым рекомендовано первоочередное проведение ПГИ на предмет выявления негерметичности эксплуатационной колонны.

Использованные источники

2. Ю.Блажевич В.А., Стрижнев В.А., Исламов Ф.Я., Асмоловский B.C., Шулындин М.И. Ремонтно-изоляционные работы в скважинах на поздней стадии разработки нефтяных месторождений. РНТС. Сер. Нефтепромысловое дело. - М.: ВНИИОЭНГ. - 1984. - №4. - 68 с.

3. Гудков-Кученков С.Ю. Изоляция негерметичностей эксплуатационных колонн скважин со вскрытыми высокопроницаемыми объектами эксплуатации / С.Ю. Гудков-Кученков, П.Н. Кучумов // Бурение и нефть. 2010. - №5. - с. 28-29.

4. Ильясов A.M. Моделирование процесса ремонтно-изоляционных работ по устранению негерметичности эксплуатационной колонны в нефтяных скважинах. A.M. Ильясов, И.Ю. Ломакина, В.А. Стрижнев,

5. Методические указания ОАО «НК «Роснефть» № П1 -01.03 М-0031 по построению дизайна ремонтно-изоляционных работ. 2010. - 77 с.

6. Методические указания ООО «РН-Пурнефтегаз» № П2-05-СЦ- 057М-001ЮЛ-094 по проведению экспресс-анализа состояния фонда добывающих нефтяных скважин с целью определения видов, объемов и технологий РИР и ГТМ. 2008. - 22 с.

7. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. СПб.: Питер, 2001.

8. Степанов Р. Г. Технология Data Mining: Интеллектуальный Анализ Данных. - Казанский Государственный Университет. В.И. Ульянова- Ленина, 2008.

Размещено на Allbest.ru