Метод определения состава пластового газа на основе данных газоконденсатного исследования скважины и оптимизационных алгоритмов

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.

1. Брусиловский 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.

2. Гимазов 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.2024.3.9

3. Инструкция по комплексным исследованиям газовых и газоконденсатных скважин (2011). Р-Газпром 086-2010. М.: ООО «Газпромэкспо».

4. 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-MS

5. API recommended practice for sampling petroleum reservoir fluids (2003). Second ed. N.Y.: API Publishing Services.

6. Aster R., Borchers B., Thurber C. (2018). Parameter estimation and inverse problems (3rd ed.). Amsterdam: Elsevier. https://doi.org/10.1016/B978-0-12-804651-7.00015-8

7. 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.2010.2059031

8. Digabel S.L. (2011). Algorithm 909: Nomad: Nonlinear optimization with the mads algorithm. ACM Transactions on Mathematical Software, 37(4), 44. https://doi.org/10.1145/1916461.1916468

9. Elsharkawy 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)00724-5

10. Hoffmann 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.2018.11.021

11. Kennedy 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.1995.488968

12. Osfouri 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.2016.43155

13. Promzelev 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-MS

14. 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:1008202821328

15. tNavigator 23.1 (2023). Симулятор. Техническое руководство, RFD: Rock Flow Dynamics, 3855 c.

16. Whitson C.H. (1983). Characterizing hydrocarbon-plus fractions. Soc. Petrol. Eng. J., 23, pp. 683–694. https://doi.org/10.2118/12233-PA