georesГеоресурсыGeoresources1608-50431608-5078Georesursy LLC10.18599/grs.2026.2.3geores-522Research ArticleСТАТЬИRESEARCH ARTICLESМетод определения состава пластового газа на основе данных газоконденсатного исследования скважины и оптимизационных алгоритмовDetermining Gas Condensate Composition Using Well Test Data and Optimization Algorithmshttps://orcid.org/0000-0003-1235-0465СтаровойтоваБ. Н.StarovoytovaB. N.

Ботагоз Николаевна Старовойтова – кандидат физ.-мат. наук, старший научный сотрудник

630090, Новосибирск, ул. Пирогова, д. 1

Botagoz N. Starovoytova – PhD (Physics and Mathematics), senior researcher

1, Pirogova st., Novosibirsk, 630090

b.starovoitova@nsu.ruhttps://orcid.org/0009-0008-3412-2256ИмомназаровБ. Х.ImomvazarovB. K.

Бунед Холматджонович Имомназаров – младший научный сотрудник

630090, Новосибирск, ул. Пирогова, д. 1

Buned Kh. Imomnazarov – Junior Researcher

1, Pirogova st., Novosibirsk, 630090

b.imomnazarov@g.nsu.ruhttps://orcid.org/0000-0001-6587-6079БайкинА. Н.BaykinA. N.

Алексей Николаевич Байкин – кандидат физ.-мат. наук, заведующий лабораторией программных систем оптимизации добычи углеводородов

630090, Новосибирск, ул. Пирогова, д. 1

Alexey N. Baykin – PhD (Physics and Mathematics), Head of the Laboratory for optimizing hydrocarbon production software systems

1, Pirogova st., Novosibirsk, 630090

a.baikin@g.nsu.ruНовосибирский государственный университет; Институт гидродинамики им. М.А. Лаврентьева СО РАНРоссияNovosibirsk State University; Lavrentyev Institute of Hydrodynamics of the Siberian Branch of the Russian Academy of SciencesRussian Federation202623062026282186198Copyright © Старовойтова Б.Н., Имомназаров Б.Х., Байкин А.Н., 20262026Старовойтова Б.Н., Имомназаров Б.Х., Байкин А.Н.Starovoytova B.N., Imomvazarov B.K., Baykin A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.geors.ru/jour/article/view/522

В данной работе предлагается подход с использованием методов оптимизации для определения фактического компонентного состава флюида газоконденсатного месторождения в условиях, когда получение репрезентативных пластовых проб затруднено. Метод включает гидродинамическое моделирование газоконденсатного исследования (ГКИ) скважины, результаты лабораторного анализа нерепрезентативных «обедненных» проб и промысловые данные, включая газоконденсатный фактор (ГКФ). Предполагается, что состав пластового флюида представляет собой линейную комбинацию «бедного» газа и равновесного ему конденсата. Коэффициент пропорциональности (смешивания) получается путем минимизации невязки между наблюдаемыми и расчетными значениями ГКФ, полученными в результате моделирования ГКИ с помощью tNavigator. Рассматриваются два варианта: 1) скалярный параметр, соответствующий смешиванию равновесного газа и конденсата; 2) векторный параметр смешивания, позволяющий выполнять покомпонентную настройку для повышения точности. Для векторного параметра смешивания проводится проверка на соответствие гамма-распределению полученных долей тяжелых компонентов относительно их молекулярной массы. Предложенный подход проверен на синтетическом случае, когда известен фактический состав пластового флюида. Для детальной 34-компонентной PVT-модели «бедной» пробы использование скалярного параметра смешивания позволяет воспроизводить такие ключевые PVT-свойства, как давление начала конденсации и кривую выпадения конденсата, полученных в ходе моделирования CVD эксперимента. Для моделей флюида с уменьшенным количеством компонентов для достижения сопоставимой точности требуется применение векторного параметра смешивания. Для оценки устойчивости к неопределённостям в полевых данных в фактические данные ГКФ вносится гауссовский шум. Численные эксперименты подтверждают надёжность предлагаемого метода, если погрешность зашумлённых данных не превышает 10% относительно фактического ГКФ.

This study proposes an optimization-based approach to determine the actual fluid composition of gas condensate reservoirs when obtaining representative samples are impossible. The method incorporates the well tests hydrodynamic modeling, laboratory analyses of non-representative lean samples, and field data, including the gas-condensate ratio (GCR). The reservoir composition is assumed to be a linear combination of lean gas and its equilibrium condensate. The proportionality (mixing) parameter is obtained by minimizing the discrepancy between observed and simulated GCR values obtained using tNavigator. Two variants are considered: 1) a scalar parameter, corresponding to mixing of equilibrium gas and condensate; 2) a vector-valued mixing parameter, permitting per-component adjustment for improved accuracy. For the vector mixing parameter, a check is performed for compliance with the gamma distribution of the obtained heavy component fractions relative to their molecular weight. The approach is verified for a synthetic case with a known reservoir composition. For a detailed 34-component “lean”’ sample model, the scalar parameter approach accurately reproduces key PVT properties such as the dew point pressure and condensate dropout curve from constant-volume depletion tests. Reduced-component fluid models require the vector-valued mixing parameter to achieve comparable accuracy. To evaluate robustness against field uncertainties, Gaussian noise is introduced into the actual GCR data. Numerical experiments confirm that the method remains reliable if the error in noisy data does not exceed 10% relative to actual GCR.

газоконденсатная залежьсостав пластового флюидагазоконденсатные исследования скважинбедная пробачисленная оптимизацияNOMADPSODEGas condensate reservoirreservoir fluid compositionwell testlean samplenumerical optimizationNOMADPSODEРабота выполнена при финансовой поддержке Министерства науки и высшего образования РФ (проект FSUS-2025-0016), Передовой инженерной школы НГУ.This work was supported by the Ministry of Science and Higher Education of the Russian Federation (Project No. FSUS-2025-0016), and by the NSU Advanced Engineering School.ReferencesБрусиловский А., Ющенко Т. (2016). Научно обоснованный инженерный метод определения компонентного состава и PVT свойств пластовых углеводородных смесей при неполной исходной информации. PROНЕФТЬ. Профессионально о нефти, (1), c. 68–74.Alavian S. A., Whitson C. H., Martinsen S. O. (2014). Global component lumping for eos calculations. SPE annual technical conference and exhibition, Amsterdam, the Netherlands. P. 170912-MS. https://doi.org/10.2118/170912-MSГимазов А.А., Имомназаров Б.Х., Старовойтова Б.Н., Байкин А.Н., Бабин В.М., Хамидуллин Д.Ф., Купоросов Д.Н. (2024). Решение обратной задачи определения начального компонентного состава углеводородов газоконденсатного месторождения по известным промысловым данным. Георесурсы, 26(3), c. 73–86. https://doi.org/10.18599/grs.2024.3.9API recommended practice for sampling petroleum reservoir fluids (2003). Second ed. N.Y.: API Publishing Services.Инструкция по комплексным исследованиям газовых и газоконденсатных скважин (2011). Р-Газпром 086-2010. М.: ООО «Газпромэкспо».Aster R., Borchers B., Thurber C. (2018). Parameter estimation and inverse problems (3rd ed.). Amsterdam: Elsevier. https://doi.org/10.1016/B978-0-12-804651-7.00015-8Alavian S. A., Whitson C. H., Martinsen S. O. (2014). Global component lumping for eos calculations. SPE annual technical conference and exhibition, Amsterdam, the Netherlands. P. 170912-MS. https://doi.org/10.2118/170912-MSBrusilovskiy A., Yushchenko T. (2016). Two-phase deposits: Methodology approach to the identification of composition and pvt properties of reservoir hydrocarbon fluids using limited initial information. PROneft. Professionally about Oil, (1), pp. 68–74. (In Russ.)API recommended practice for sampling petroleum reservoir fluids (2003). Second ed. N.Y.: API Publishing Services.Das S., Suganthan P.N. (2011). Differential evolution: A survey of the state-of-the-art. IEEE Transactions on Evolutionary Computation, 15(1), pp. 4–31. https://doi.org/10.1109/TEVC.2010.2059031Aster R., Borchers B., Thurber C. (2018). Parameter estimation and inverse problems (3rd ed.). Amsterdam: Elsevier. https://doi.org/10.1016/B978-0-12-804651-7.00015-8Digabel S.L. (2011). Algorithm 909: Nomad: Nonlinear optimization with the mads algorithm. ACM Transactions on Mathematical Software, 37(4), 44. https://doi.org/10.1145/1916461.1916468Das S., Suganthan P.N. (2011). Differential evolution: A survey of the state-of-the-art. IEEE Transactions on Evolutionary Computation, 15(1), pp. 4–31. https://doi.org/10.1109/TEVC.2010.2059031Elsharkawy A.M. (2002). Predicting the dew point pressure for gas condensate reservoirs: Empirical models and equations of state. Fluid Phase Equilibria, 193(1–2), pp. 147–165. https://doi.org/10.1016/S0378-3812(01)00724-5Digabel S.L. (2011). Algorithm 909: Nomad: Nonlinear optimization with the mads algorithm. ACM Transactions on Mathematical Software, 37(4), 44. https://doi.org/10.1145/1916461.1916468Gimazov A., Imomnazarov B., Starovoytova B., Baykin A., Babin V., Khamidullin D., Kuporosov D. (2024). Solution of the inverse problem of determining the initial hydrocarbons composition in a gas-condensate reservoir using field data. Georesursy = Georesources, 26(3), pp. 73–86. (In Russ.) https://doi.org/10.18599/grs.2024.3.9Elsharkawy A.M. (2002). Predicting the dew point pressure for gas condensate reservoirs: Empirical models and equations of state. Fluid Phase Equilibria, 193(1–2), pp. 147–165. https://doi.org/10.1016/S0378-3812(01)00724-5Hoffmann A. (2019). Eos lumping optimization using a genetic algorithm and a tabu search. Journal of Petroleum Science and Engineering, 174, pp. 495–513. https://doi.org/10.1016/j.petrol.2018.11.021Hoffmann A. (2019). Eos lumping optimization using a genetic algorithm and a tabu search. Journal of Petroleum Science and Engineering, 174, pp. 495–513. https://doi.org/10.1016/j.petrol.2018.11.021Kennedy J., Eberhart R. (1995). Particle swarm optimization. Proceedings of INCNN’95 – International conference on neural networks, 4, pp. 1942–1948 https://doi.org/10.1109/ICNN.1995.488968Kennedy J., Eberhart R. (1995). Particle swarm optimization. Proceedings of INCNN’95 – International conference on neural networks, 4, pp. 1942–1948 https://doi.org/10.1109/ICNN.1995.488968Osfouri S., Azin R. (2015). An overview of challenges and errors in sampling and recombination of gas condensate fluids. Journal of Oil, Gas and Petrochemical Technology, 3(1), pp. 1–14. https://doi.org/10.22034/JOGPT.2016.43155Osfouri S., Azin R. (2015). An overview of challenges and errors in sampling and recombination of gas condensate fluids. Journal of Oil, Gas and Petrochemical Technology, 3(1), p. 1–14. https://doi.org/10.22034/jogpt.2016.43155Promzelev I., Brusilovsky A., Kuporosov D., Yushchenko T. (2018). Peculiarities of identification of reservoir fluids properties of two-phase with oil rim and gas cap deposits. SPE Russian petroleum technology conference, Moscow, Russia. SPE-191566-18RPTC-MS. https://doi.org/10.2118/191566-18RPTC-MSPromzelev I., Brusilovsky A., Kuporosov D., Yushchenko T. (2018). Peculiarities of identification of reservoir fluids properties of two-phase with oil rim and gas cap deposits. SPE Russian petroleum technology conference, Moscow, Russia. SPE-191566-18RPTC-MS. https://doi.org/10.2118/191566-18RPTC-MSR Gazprom 086–2010. (2011). Instruction for comprehensive gas and gas condensate well studies. In 2 Parts. Moscow: Gazprom. (In Russ.)Storn R., Price K. (1997). Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, 11(4), pp. 341–359. https://doi.org/10.1023/A:1008202821328Storn R., Price K. (1997). Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, 11(4), pp. 341–359. https://doi.org/10.1023/A:1008202821328tNavigator 23.1 (2023). Симулятор. Техническое руководство, RFD: Rock Flow Dynamics, 3855 c.tNavigator 23.1 (2023). Simulator. Technical Manual, RFD: Rock Flow Dynamics, 3855 p.Whitson C.H. (1983). Characterizing hydrocarbon-plus fractions. Soc. Petrol. Eng. J., 23, pp. 683–694. https://doi.org/10.2118/12233-PAWhitson C.H. (1983). Characterizing hydrocarbon-plus fractions. Soc. Petrol. Eng. J., 23, pp. 683–694. https://doi.org/10.2118/12233-PA

The authors declare that there are no conflicts of interest present.