Оптимизация проектирования строительства скважин на основе статистического анализа промысловых данных Текст научной статьи по специальности «Энергетика и рациональное природопользование»

УДК 546.26+546.214+539.196.3

ОПТИМИЗАЦИЯ ПРОЕКТИРОВАНИЯ СТРОИТЕЛЬСТВА СКВАЖИН НА ОСНОВЕ СТАТИСТИЧЕСКОГО АНАЛИЗА ПРОМЫСЛОВЫХ ДАННЫХ

© С. Р. Галеев1*, А. Л. Хашпер1, Б. Л. Хашпер1, Ю. Б. Линд4, С. И. Спивак1'2, Б. М. Габбасов3

1 Башкирский государственный университет Россия, Республика Башкортостан, 450076 г. Уфа, ул. Заки Валиди, 32.

2Институт нефтехимии и катализа РАН Россия, Республика Башкортостан, 450006 г. Уфа, пр. Октября, 141.

3ООО «БашНИПИнефть» Россия, Республика Башкортостан, 450075 г. Уфа, ул. Ленина, 86/1.

4ПАО АНК «Башнефть» Россия, Республика Башкортостан, 450077 г. Уфа, ул. Чернышевского, 115.

Тел.: +7 (347) 262 43 79.

*Email: galeev_sergei@mail.ru

Целью работы является разработка информационно-аналитической системы (ИАС), позволяющей на основе промысловых данных по пробуренным на месторождении скважинам выдавать рекомендации по выбору оптимальных параметров бурения (тип и параметры бурового раствора, тип и характеристики долота и забойного двигателя и т.п.), обеспечивающих эффективную проходку ствола скважины и предупреждающих возникновение осложнений при бурении новых скважин. Авторами разработана ИАС, включающая базу данных, веб-интерфейс и модули для анализа данных. Модули статистического анализа промысловых данных по параметрам бурения реализуют методы непараметрической регрессии для выдачи рекомендаций по оптимальным режимам бурения и эффективным мероприятиям по предупреждению и ликвидации осложнений. Ретроспективный анализ разработанной системы показал хорошее совпадение прогнозных значений с фактическими данными (результаты совпадают в 88% случаев). Это позволяет сделать выводы о том, что применение разработанной ИАС при проектировании бурения способствует повышению качества принятия решений, уменьшению вероятности появления нештатных ситуаций и сокращению затрат на строительство скважин.

Ключевые слова: Проектирование строительства скважин, статистический анализ, непараметрическая регрессия, осложнения в бурении, долотная программа, информационно-аналитическая система.

Введение

При проектировании и строительстве нефтегазовых скважин для достижения максимально эффективного и безаварийного бурения возникает необходимость правильного подбора параметров и режима бурения, а также предупреждения и устранения возможных геологических осложнений в процессе бурения [1—2]. Энергозатраты, качество работы и скорость бурения напрямую зависят от правильного подбора долота и забойного двигателя, кроме того, горную породу с конкретными механическими свойствами наиболее эффективно можно разбуривать только при определенных режимах бурения [3—4]. Еще одной актуальной проблемой при строительстве скважин является своевременное предупреждение и устранение осложнений в процессе бурения, поскольку ликвидация возникших осложнений требует значительных временных и материальных затрат [5—6]. Тем не менее, проекты на строительство скважин часто составляются на базе разрозненных данных, что является неэффективным в современных условиях.

Повысить эффективность проектирования строительства скважин можно путем автоматизированного анализа данных по ранее пробуренным скважинам с использованием современных информационных технологий [7—8]. Авторами разработаны и реализованы алгоритмы автоматизированного подбора долота и винтового забойного двигателя (ВЗД), а также прогнозирования осложнений, возникающих в процессе бурения, позволяющие повысить скорость и точность принимаемых решений [9-11].

Задача оптимизации параметров бурения

Эффективность работы долота оценивается двумя показателями: механической скоростью проходки и проходкой на долото [2]. Для достижения максимальной эффективности бурения необходимо рационально подобрать тип породоразрушающего технологического инструмента (ПТИ), а также правильно отрегулировать параметры рабочего режима: нагрузку на долото, расход промывочной жидкости, частоту вращения долота. Что касается осложнений,

возникающих в процессе бурения, — наиболее эффективным способом их предупреждения в условиях отсутствия исчерпывающей информации о разбуриваемых пластах является подбор буровых растворов (БР) для бурения опасных интервалов.

Поскольку процесс бурения скважины во многом определяется геологией горных пород, слагающих ее стенки, то при выборе режима бурения и предупреждении осложнений большое значение приобретает накопление и обработка промыслового материала по ранее пробуренным скважинам. Информационная система по параметрам бурения, отработке ПТИ и осложнениям на месторождениях РБ является основой разработанных авторами методов статистического анализа промысловых данных [12—13].

База данных

Информационная модель хранения данных по параметрам бурения содержит следующие основные разделы, каждый из которых служит для хранения специфичной информации: реестр скважин, промысловые данные по осложнениям, промысловые данные по отработке ПТИ, дополнительные данные для проведения расчета, результаты расчета (рис. 1).

На основе данных, содержащихся в информационной модели, выполняется:

—прогнозирование осложнений и выдача рекомендаций по их предупреждению и ликвидации;

- анализ отработки ПТИ и формирование до-лотной программы;

— визуализация исходных данных и результатов расчета.

Программные модули статистического анализа параметров бурения

Первым шагом по оптимизации режима бурения является обоснованный подбор ПТИ (пары «долото + ВЗД»), обеспечивающий наиболее эффективное бурение.

Анализ отработки ПТИ включает выделение интервалов со схожими геолого-техническими условиями бурения, выбор критерия оптимизации и подбор наиболее эффективных компоновок с учетом выбранного критерия, т.е. формирование долотной программы по новой скважине.

Выделение интервалов производится в следующей последовательности:

— первоначально интервалы выделяются по «техническому» признаку — по секциям бурения долотами с одинаковым диаметром или типоразмеру обсадных колонн (направление, кондуктор, техническая и эксплуатационная колонна).

- далее, в пределах выделенного по секциям бурения интервала, анализируются и выделяются интервалы по «геологическому» признаку, учитывающему прочностные, физико-механические свойства разбуриваемых пород (плотность, твердость, абразивность).

Алгоритм выделения интервалов по «геологическому» признаку заключается в сопоставлении фактических данных показателей работы долота и ВЗД с интервалами бурения при выполнении условий Vmcx ~ const, Н > 50м. По результатам анализа отработки ПТИ и режимных параметров бурения разрез был разделен на четыре интервала.

нптельные Данные ни

данные долотам

нГЗД

Рис. 1. Информационная модель хранения данных.

Для решения задачи подбора оптимальных пар «долото + ВЗД» в выделенных интервалах и определения соответствующих оптимальных режимов бурения в качестве критерия оценки эффективности отработки принята условная рейсовая скорость:

Урейс = " , Тп = ТСПО + Тпр + Тсм.КНБК, (1) ' бур+'п

где Н — проходка на долото, м; Тп - время паузы между долблениями, ч; Тбур — время механического бурения, ч; Тспо — нормативное время СПО (спуск 1 свечи — 3 мин; подъем — 3.5 мин); Тпр — нормативное время промывки; Тпр = Н^Кщ,; Нга — глубина скважины, м; КПр — коэффициент промывки, КПр = 0.0005; ТсмКНБК — нормативное время смены КНБК = 5.0 ч.

Условная рейсовая скорость, в отличие от распространенных механической и рейсовой скорости, позволяет более корректно оценивать эффективность работы ПТИ, без учета фактора организационно-технического уровня работ бурового подрядчика, а также в случае двух и более долблений в пределах одного выделенного интервала бурения.

На основе выбранного критерия производится подбор наиболее эффективных компоновок в пределах каждого интервала на рассматриваемом месторождении и формирование долотной программы по новой скважине. Выбор компоновки осуществляется с учетом соответствия фактических режимно-технологических параметров бурения техническим характеристикам и требованиям эксплуатации ПТИ.

Авторами предложена методика моделирования осложнений, возникающих в процессе бурения, на основе данных о пространственном положении скважины и параметров осложнений, возникших в уже пробуренных скважинах месторождения.

Формально рассматриваемая задача для каждого объекта представляет собой задачу идентификации системы с несколькими входами и выходами на основе множества маркированных примеров (в качестве которых выступают уже пробуренные скважины месторождения). Для выбора метода восстановления регрессии, наиболее адекватного для решения поставленной задачи, был проведен вычислительный эксперимент на нескольких модельных выборках. Сравнение полученных результатов приведено в табл. 1. Наибольшую эффективность (соотношение точности и скорости обучения) показала непараметрическая регрессия.

Основная идея непараметрических методов восстановления регрессии — отказ от выбора определенной модели зависимости между данными [14]. Т.о., требуемая зависимость приближается константой а(х) =а в окрестности каждой точки х EX:

Q(a,X1) = £i=i Wi(x)(a - у)2 ^ minaeR, (2) где веса Wi (x) задаются так, чтобы они убывали по мере увеличения расстояния p(x,xi). Т.о., при вычислении функции в окрестности данной точки объекты, находящиеся дальше от нее, вносят меньший вклад в значение функции.

Таблица 1

Сравнение методов аппроксимации функций

Время

Метод Достоин- Недо- R2 обуче-

ства статки ния,

мин

Линейная регрессия

Нейронная сеть

Непара-метрическая регрессия

скорость обучения

универ-сальность

универ-сальность; простота обучения

необходимость выбора вида модели локальные минимумы; низкая скорость обучения

функция не задана параметрически

0.34

0.78

< 1

25

0.81

4.5

Для этого вводится невозрастающая, гладкая, ограниченная функция К(х), которая называется ядром, и принимает следующий вид:

Ш (х) = К(^), (3)

где Ь — ширина окна.

При решении данной задачи первостепенное значение приобретает выбор ширины окна, т.к. при задании слишком большой ширины окна график функции будет похож на константу, а при задании слишком маленькой произойдет переобучение [15].

Результаты вычислительного эксперимента

Авторами проведен ретроспективный анализ разработанных алгоритмов по формированию до-лотной программы и прогнозированию осложнений и на нескольких месторождениях РБ. По результатам вычислительного эксперимента сформирована долотная программа, построены карты осложнений, и выданы рекомендации по предупреждению и ликвидации осложнений.

По результатам тестирования алгоритмов по подбору ПТИ на рассмотренных месторождениях сформирована выборка наилучших компоновок пар «долото + ВЗД» и соответствующих режимов бурения для каждого выделенного интервала бурения. Результаты выбора ПТИ по месторождению М1 представлены в табл. 2.

Фрагмент карты осложнений (поглощений бурового раствора), построенной расчетным модулем по прогнозированию осложнений для конкретного месторождения и геологического объекта приведен на рис. 2.

Результаты ретроспективного анализа по нескольким скважинам месторождения М1, пробуренным в 2010-х гг. и имеющим осложненные интервалы, представлены в табл. 3.

Таблица 2

Результаты выбора компоновок на месторождении М1_

Интервал бурения Типоразмер долота Тип ВЗД Заходность Режимные параметры

G, т | N ГЗД/ротор, об/мин Р, атм

Интервал 0

Интервал 1

Интервал 2

Интервал 3

MDS616LK

US616U430

F30WU

US716U396

ДРУ-240РС

3/4

12

ДРУ-172РСФ 6/7 13

ДРУ-172

6/7

20

ДРУ-172

6/7

14

160/45

200/20

150/34

200/34

60

110

85

115

Средняя относительная погрешность прогноза по тестовым скважинам составляет «12%, что свидетельствует об адекватности построенных моделей.

При вводе координат новой скважины с использованием кластеризованной карты месторождения программно строится прогноз по наличию и интенсивности поглощений для всех объектов, разбуриваемых данной скважиной (табл. 4).

Рис. 2. Карта поглощений бурового раствора (месторождение М1, объект 03). Точки - скважины, числа - значения прогнозной интенсивности.

На основе построенного прогноза проводится выдача рекомендаций по типу и параметрам бурового раствора, позволяющего предупредить поглощения при строительстве новой скважины (табл. 5).

Для анализа мероприятий по ликвидации осложнений критерием выбора скважин-аналогов является класс осложнений по интенсивности. Для каждого класса осложнений по выбранным объектам проведен анализ мероприятий по ликвидации: сначала первого мероприятия, а при отрицательном результате — второго. По результатам анализа формируются рекомендации по ликвидации осложнений (табл. 6).

Таблица 3

Ретроспективный анализ по скважинам месторождения М1

Интенсивность поглощений, м3/ч

скв. 1 скв. 2 скв. 3

Объект (март 2014 г.) (апрель 2013 г.) (январь 2014 г.)

факт расчет факт расчет факт расчет

01 0 0.51 0 0 24 21.32

02 0 0 0 1,03 0 0

03 12 14.02 17 17.57 25 18.29

04 0 1.19 0 0 0 0.04

Средняя абс.

погрешность 0.93 0.40 2.36

про-

гноза, м3/ч

Таблица 4

Список осложнений для новой скважины _(месторождение М1)

Объ- Координаты скважины Вид осложнений

ект X У

01 1211348 561404 поглощения

02 1211357 561301 — " —

03 1211383 561205 - " -

04 1211778 561191 - " -

Прогнозная интенсивность (м3/ч)

0.0

2.4 35.6 0.6

Выводы

Тестирование разработанной ИАС проектирования бурения позволяет сделать выводы о том, что применение выбранных методов статистического анализа данных способствует повышению качества проектирования бурения, уменьшению вероятности появления нештатных ситуаций и сокращению затрат на строительство скважин. В настоящее время проводится апробация предложенных алгоритмов при строительстве новых скважин на месторождениях ПАО АНК «Башнефть».

Таблица 5

Рекомендации по выбору буровых растворов для предупреждения поглощений (месторождение М1)

Объ- Р екомендуемый

ект БР

О1 техническая вода

О2 глинистый рас-

твор

О3 техническая вода

глинистый по-

О4 лигликолевый

раствор

Рекомендуемые пара_метры БР_

р=1,08..1,13, УВ=23..33, ПФ=7..12

р=1,12..1,22, УВ=25..27, ПФ=5..8

Таблица 6

Рекомендации по ликвидации поглощений (месторождение М1, объект О3)

Класс Коли- Материалы

интен- чество Способ

сивности меро- ликвида- наимено- рас-

поглоще- прия- ции вание ход

ний тий

намыв опилы 11 м3

< 5 м3/ч 1 наполнителей глинопо-рошок опилы 12 т 12 м3

5-10 м3/ч 1 глинопо-рошок опилы глинопо-рошок гл. рас- 15 т 15 м3 20 т 35 м3

10-30 1 - " - твор

м3/ч рез. крошка цемент 6 т 16 т

СаСЪ 0.25 т 20 м3

опилы

глинопо- 23 т

рошок

гл. рас- 40 м3

> 30 м3/ч 2 твор рез. крошка цемент СаСЪ 15 т 18 т 0.5 т

заливка цемент 7.5 т

Результатом работы модулей прогнозирования осложнений и формирования долотной программы являются:

1. карты поглощений для всех осложненных объектов месторождения;

2. рекомендации по выбору буровых растворов при бурении новой скважины, методов и материалов для ликвидации вероятных поглощений;

3. долотная программа для бурения новой скважины, включающая тип и параметры ПИ, оптимальные режимные параметры по интервалам бурения.

Ретроспективный анализ разработанной системы показал хорошее совпадение прогнозных значений с фактическими данными (результаты совпадают в 88% случаев).

ЛИТЕРАТУРА

1. Баймухаметов К. С., Викторов П. Ф., Гайнуллин К. Х., Сыр-тланов А. Ш. Геологическое строение и разработка нефтяных и газовых месторождений Башкортостана. Уфа: РИЦ АНК «Башнефть», 1997. 424 с.

2. Попов А. Н., Спивак А. И., Акбулатов Т. О. и др. Технология бурения нефтяных и газовых скважин: Учеб. для вузов. М.: ООО «Недра-Бизнесцентр». 2003. 509 с.

3. Вадецкий Ю. В. Бурение нефтяных и газовых скважин. М.: Академия. 2007. 352 с.

4. М. Т. Абдурахманов, Н. Ф. Кагарманов. Проектирование профилей горизонтальных скважин // Технология строительства и эксплуатации скважин в осложненных условиях. Сборник научных трудов. Уфа: Башнипинефть, 1991. С. 98-102.

5. Ясов В. Г., Мыслюк М. А. Предупреждение поглощений при разбуривании трещиноватых пластов / Нефтяная промышленность. Обзорная информация. Выпуск 1(19), 1982. Москва: ВНИИОЭНГ. 39 с.

6. Степанов Н. В. Моделирование и прогноз осложнений при бурении скважин. М.: Недра, 1989. 252 с.

7. Брандт З. Анализ данных. Статистические и вычислительные методы для научных работников и инженеров. М.: Мир. 2003. 686 с.

8. Егоров А. А. Роль интеллектуальных систем в нефтегазовой отрасли: предпосылки и перспективы // Автоматизация

и ИТ в нефтегазовой области, 2013 (http://www.avite.ru/ngk/stati/rol-intellektualnyih-sistem-v-neftegazovoy-otrasli-predposyilki- i-perspektivyi.html). 3 с.

9. Линд Ю. Б., Мулюков Р. А., Кабирова А. Р., Мурзагалин А. Р. Оперативное прогнозирование осложнений при бурении // «Нефтяное хозяйство». №2. 2013. С. 55-57.

10. Линд Ю. Б. Вопросы применения методов искусственного интеллекта при решении задач нефтедобывающей отрасли // «Нефтегазовое дело». Т.11. №3. 2013. С. 107-111.

11. Yu.B. Lind, B. M. Gabbasov, A. L. Khashper, B. L. Khashper, S. R. Galeev. Automatization of right drilling mode selection and troubles prediction while designing and constructing oil and gas wells. SPE-182143-MS // SPE Russian Petroleum Technology Conference and Exhibition. Moscow, 2016. 8 p.

12. П. Роб, К. Коронел. Системы баз данных: проектирование, реализация и управление. С.-Пб.: БХВ-Петербург. 2004. 1024 с.

13. Линд Ю. Б. База данных по параметрам строительства скважин на месторождениях Республики Башкортостан // Системы управления и информационные технологии. 2012. №3 (49). С. 91-94.

14. Хардле В. Прикладная непараметрическая регрессия. М.: Мир, 1993. 349 с.

15. Воронцов К. В. Лекции по алгоритмам восстановления регрессии. 2007. 37 с.

Поступила в редакцию 20.01.2017 г.

OPTIMIZATION OF DESIGNING OF WELLS BASED ON THE STATISTICAL ANALISYS OF FIELD DATA

© S. R. Galeev1*, A. L. Khashper1, B. L. Khashper1, Yu. B. Lind4, S. I. Spivak12, B. M. Gabbasov3

1 Bashkir State University 32 Zaki Validi Street, 450076 Ufa, Republic of Bashkortostan, Russia.

2Institute of Petrochemistry and Catalysis, RAS 141 Oktyabrya Avenue, 450006 Ufa, Republic of Bashkortostan, Russia.

3BashNIPIneft

86/1 Lenin Street, 450006 Ufa, Republic of Bashkortostan, Russia.

4Bashneft

115 Chernyshevsky Street, 450077 Ufa, Republic of Bashkortostan, Russia.

Phone: +7 (347) 262 43 79.

*Email: galeev_sergei@mail.ru

The purpose of the work is development of informational and analytical system (IAS) on the basis of field data on oilfield wells, which will allow to make recommendations on selection of optimum drilling parameters (type and parameters of drilling fluid, type and characteristics of bits and motors), for effective drilling meterage of wellbore and prevention of troubles in drilling of new wells. The authors have developed an IAS including database, web-interface, and software modules for data analysis. Modules of statistical analysis deal with field data on drilling parameters and implement the methods of nonparametric regression for recommendations on optimal drilling modes and efficient measures of trouble prevention and troubleshooting. The retrospective analysis of the developed system has shown good agreement of predicted values with the field data (88% of cases). Applying of the proposed informational-analytic system for drilling designing increases efficiency of decision-making, reduces probability of emergencies occurrence, and decreases cost of wells construction.

Keywords: well designing, statistical analysis, nonparametric regression, troubles in drilling, bit program, information and analytical system.

Published in Russian. Do not hesitate to contact us at bulletin_bsu@mail.ru if you need translation of the article.

REFERENCES

1. Baimukhametov K. S., Viktorov P. F., Gainullin K. Kh., Syrtlanov A. Sh. Geologicheskoe stroenie i razrabotka neftyanykh i gazovykh mestorozh-denii Bashkortostana [Geological structure and exploitation development of oil and gas reservoirs of Bashkortostan]. Ufa: Bashneft', 1997.

2. Popov A. N., Spivak A. I., Akbulatov T. O. i dr. Tekhnologiya bureniya neftyanykh i gazovykh skvazhin: Ucheb. dlya vuzov [Technology of drilling oil and gas wells: Textbook for universities]. Moscow: OOO «Nedra-Biznestsentr». 2003.

3. Vadetskii Yu. V Burenie neftyanykh i gazovykh skvazhin [Drilling of oil and gas wells]. Moscow: Akademiya. 2007.

4. M. T. Abdurakhmanov, N. F. Kagarmanov. Proektirovanie profilei gorizontal'nykh skvazhin. Tekhnologiya stroitel'stva i ekspluatatsii skvazhin v oslozhnennykh usloviyakh. Sbornik nauchnykh trudov. Ufa: Bashnipineft', 1991. Pp. 98-102.

5. Yasov V. G., Myslyuk M. A. Neftyanaya promyshlennost'. Obzornaya informatsiya. Vypusk 1(19), 1982. Moscow: VNIIOENG.

6. Stepanov N. V. Modelirovanie i prognoz oslozhnenii pri burenii skvazhin [Modeling and prediction of complications during well drilling]. Moscow: Nedra, 1989.

7. Brandt Z. Analiz dannykh. Statisticheskie i vychislitel'nye metody dlya nauchnykh rabotnikov i inzhenerov [Analysis of the data. Statistical and computational methods for scientists and engineers]. Moscow: Mir. 2003.

8. Egorov A. A. Avtomatizatsiya i IT v neftegazovoi oblasti, 2013 (http://www.avite.ru/ngk/stati/rol-intellektualnyih-sistem-v-nefte-gazovoy-otrasli-predposyilki- i-perspektivyi.html).

9. Lind Yu. B., Mulyukov R. A., Kabirova A. R., Murzagalin A. R. «Neftyanoe khozyaistvo». No. 2. 2013. Pp. 55-57.

10. Lind Yu. B. «Neftegazovoe delo». Vol. 11. No. 3. 2013. Pp. 107-111.

11. Yu.B. Lind, B. M. Gabbasov, A. L. Khashper, B. L. Khashper, S. R. Galeev. SPE Russian Petroleum Technology Conference and Exhibition. Moscow, 2016.

12. P. Rob, K. Koronel. Sistemy baz dannykh: proektirovanie, realizatsiya i upravlenie [Database systems: design, implementation and control]. S.-Pb.: BKhV-Peterburg. 2004.

13. Lind Yu. B. Sistemy upravleniya i informatsionnye tekhnologii. 2012. No. 3 (49). Pp. 91-94.

14. Khardle V Prikladnaya neparametricheskaya regressiya [Applied nonparametric regression]. M.: Mir, 1993.

15. Vorontsov K. V Lektsii po algoritmam vosstanovleniya regressii [Lectures on algorithms of regression recovery]. 2007.

Received 20.01.2017.