Алгоритм корректировки положения кустовых площадок при решении задачи разработки нефтяных месторождений
Ключевые слова:
нефтяное месторождение, разработка нефтяных месторождений, нефтяная скважина, кустовое бурение, нарушение проектных ограничений, корректировка положения кустовых площадокАннотация
Данная статья посвящена проблеме автоматизации этапа объединения скважин в кусты, рассматриваемого в рамках процесса проектирования разработки нефтяных месторождений. Решение задачи объединения скважин в кусты заключается в определении наилучшего расположения кустовых площадок и распределения скважин по кустам, при которых будут минимизированы затраты на разработку и обслуживание нефтяного месторождения, а ожидаемый дебит максимизирован. Одним из используемых на сегодняшний день подходов является применение оптимизационных алгоритмов. При этом данная задача влечет за собой учет технологических ограничений при поиске оптимального варианта разработки нефтяного месторождения, обоснованным в том числе действующими в отрасли регламентами, а именно минимальное и максимальное допустимое количество скважин в кусте, а также минимально допустимое расстояние между двумя кустовыми площадками. Использование алгоритмов оптимизации не всегда гарантирует оптимальный результат, при котором соблюдаются все заданные ограничения. В рамках данного исследования предложен алгоритм, который позволяет обрабатывать получаемые проектные решения с целью устранения нарушенных ограничений на этапе оптимизации. Алгоритм последовательно решает следующие проблемы: нарушение ограничений на сверхмалое и сверхбольшое количество скважин в кусте; несоответствие числа кустов с заданным; нарушение ограничения на сверхблизкое расположение кустов. Для исследования эффективности разработанного подхода был проведен вычислительный эксперимент на трех сгенерированных синтетических месторождениях с разной геометрией. В рамках эксперимента сравнивалось качество работы оптимизационного метода и предложенного алгоритма, который является надстройкой к оптимизационному. Сравнение проводилось на различных значениях мощности оптимизации, которое обозначает максимальное количество запусков целевой функции. Оценка качества работы сравниваемых подходов определяется величиной штрафа, которая обозначает степень нарушения значений основных ограничений. Критериями эффективности в данной работе являются: среднее значение, среднеквадратичное отклонение, медиана, минимальное и максимальное значения величины штрафа. За счет использования данного алгоритма величина штрафа для первого и третьего месторождений в среднем уменьшается соответственно до 0.04 и 0.03, а для второго месторождения алгоритм позволил получить проектные решения без нарушения ограничений. По результатам проведенного исследования сделано заключение относительно эффективности применения разработанного подхода при решении задачи разработки нефтяных месторождений.
Литература
2. Нефтянка, шаг вперед. Справится ли Россия? URL: https://teknoblog.ru/2017/01/08/73260. (дата обращения: 10.10.2022).
3. Баскова М.Л. Анализ развития нефтяной отрасли России // NovaInfo.Ru. 2015. № 33. С. 76–81.
4. Фрай М.Е. Оценка современного состояния нефтяной промышленности России // Вестник Удмуртского университета. Серия «Экономика и право». 2015. № 2. С. 75–85.
5. Эдер Л.В., Филимонова И.В., Проворная И.В., Мамахатов Т.М. Состояние нефтяной промышленности России: добыча, переработка, экспорт // Минеральные ресурсы России. Экономика и управление. 2016. № 6. С. 41–51.
6. Yergin D. The Prize: The Epic Quest for Oil, Money, and Power // Simon & Schuster. 1990. 887 p.
7. Prodromou T., Demirer R. Oil Price shock and cost of capital: Does market liquidity play a role? // Energy Economics. 2022. pp. 1–39.
8. Al Jabri S., Raghavan M., Vespignami J. Oil prices and fiscal policy in an oil-exporter country: Empirical evidence from Oman // Energy Econimics. 2022. vol. 111. pp. 1–33.
9. Черная полоса Господству нефти в мире приходит конец. В 2020-м она получила удар, от которого может не оправиться. URL: https://lenta.ru/articles/2020/12/30/petroleum/. (дата обращения: 10.10.2022).
10. Воробьев А.Е., Воробьев К.А., Тчаро Х. Цифровизация нефтяной промышленности // Изд-во «Спутник+». 2018. 327 с.
11. Пескова Д.Р., Ходковская Ю.В., Шарафутдинов Р.Б. Цифровизация бизнес-процессов в нефтегазовых компаниях // Евразийский юридический журнал. 2018. № 9. С. 438–444.
12. Тчаро Х., Воробьев А.Е., Воробьев К.А. Цифровизация нефтяной промышленности: базовые подходы и обоснование «интеллектуальных» технологий // Вестник Евразийской науки. 2018. № 2. С. 1–17.
13. Абасова Х.А. Характеристика финансовых рисков и их особенности в нефтяной промышленности // Финансы и кредит. 2013. № 9. С. 61–68.
14. Ващук Д.О., Курочкин Е.С., Беломестнов А.В. Цифровизация нефтегазовой промышленности // Инновационный потенциал цифровой экономики: Сб. научн. статей Междунар. науч.-практ. конф. (г. Курск, 28 октября 2021 г.). Курск: ЮЗГУ, 2021. С. 79–82.
15. Козлова Д. Перспективы и барьеры цифровой трансформации нефтегазового комплекса России // Нефтегазовая вертикаль: Спецвыпуск. Аналитическое обозрение «Вектор». 2018. № 15–16. С. 19–26.
16. Козлова Д.В., Пигарев Д.Ю. Интеллектуальная добыча почему России необходимо изменить подход к государственному стимулированию отрасли. // Neftegaz.Ru. 2018. № 7. С. 32–39.
17. Tariq Z., Aljawad M.S., Hasan A., Murtaza M., Mohammed E., El-Husseine A., Alarifi S.A., Mahmoud M., Abdulraheem A. A systematic review of data science and machine learning applications to the oil and gas industry // Journal of Petroleum Exploration and Production Technology. 2021. no. 11. pp. 4339–4374.
18. Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H. Application of machine learning and artificial intelligence in oil and gas industry // Petroleum Research. 2021. no. 6. pp. 379–391.
19. Hanga K.M., Kovalchuk Y. Machine learning and multi-agent systems in oil and gas industry applications: A survey // Computer Science Review. 2019. vol. 34. pp. 1–17.
20. Куст скважин. URL: https://proektirovanie.gazprom.ru/about/subsidiaries/47/. (дата обращения: 10.10.2022).
21. Силкина Т.С., Сахимова Э.Э., Лямина Н.Ф., Саушин А.З. Анализ высокотехнологичного метода добычи нефти с использованием уплотняющей сетки при бурении новой скважины в сложной кустовой системе // Новейшие технологии освоения месторождений углеводородного сырья и обеспечение безопасности экосистем Каспийского шельфа: Материалы XII Междунар. науч.-практ. конф. (г. Астрахань, 3 сентября 2021 г.). Астрахань: АГТУ, 2021. С. 62–65.
22. Liu G., Wang G., Zhao Z., Ma F. A new pattern of cluster-layout for deep geothermal reservoirs: Case study from Dezhou geothermal field, China // Renewable Energy. 2020. pp. 484–499.
23. Kheirollahi H., Chahardowli M., Simjoo M. A new method of well clustering and association rule mining // Journal of Petroleum Science and Engineering. 2022. vol. 214.
24. Abramov A. Optimization of well pad design and drilling – well clustering // Petroleum Exploration and Development. 2019. no. 3. pp. 614–620.
25. Арбузов В.Н. Эксплуатация нефтяных и газовых скважин Часть 1 // Изд-во ТПУ. 2011. 200 с.
26. Лошаков Д.С., Васильев С.И., Милосердов Е.Е., Ганиев Д.Ф., Герлинский П.В. Проблемы обустройства кустовых оснований при наличии многолетних мерзлых пород // Горная промышленность. 2016. № 6. С 74–75.
27. Денисов П.Г. Сооружение буровых //М: Недра. 1989. 397 с.
28. Богаткина Ю.Г., Еремин Н.А., Лындин В.Н. Особенности бурения и формирования затрат в строительство нефтегазовых скважин кустовым методом Ханты-Мансийского АО // Проблемы экономики и управления нефтегазовым комплексом. 2021. № 10. С. 5–9.
29. Ермолаев А.И., Кувичко А.М., Соловьев В.В. Модели и алгоритмы размещния кустовых площадок и распределения скважин по кустам при разработке нефтяных и газовых месторождений // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2011. № 9. С. 29–32.
30. Можчиль А.Ф., Третьяков С.В., Дмитриев Д.Е., Гильмутдинова Н.З., Есипов С.В., Карачев А.А. Технико-экономическая оптимизация кустования скважин при интегрированном концептуальном проектировании // Нефтяное хозяйство. 2016. № 4. С. 126–129.
31. Robertson E., Iyer N., Klenner R.C.L., Liu G. Optimization of unconventional well-pad area using reservoir simulation and intelligent sequential sampling // Unconventional Resources Technology Conference. 2017. pp. 1–12.
32. Kheirollanhi H., Chahardowli M., Simjoo M. A new method of well clustering and association rule mining // Journal of Petroleum Science and Engineering. 2022. vol. 214. DOI: 10.15530/urtec-2017-2673695.
33. Шатровский А.Г., Чинаров А.С., Салихов М.Р. Группирование проектных скважин для размещения кустовых площадок на примере многопластового месторождения // PROНЕФТЬ. Профессионально о нефти. 2020. №3. С. 44–49.
34. Kulakov E.D., Mikhalev A.S., Kuznetsov A.S., Sarenkov A.V., Shutalev A.D., Gorokhov A.P., Fedoreev A.E. Planning development automation of oil fields // AIP Conference Proceedings 2402. 2021. pp. 1–13.
35. Обустройство нефтяных и газовых месторождений. Требования пожарной безопасности. URL: https://docs.cntd.ru/document/1200122146. (дата обращения: 10.10.2022).
36. Cherif L., Merikhi B. A penalty method for nonlinear programming // RAIRO - Operations Research. 2019. vol. 53. no. 1. pp. 29–38.
37. Mnif M., Pham H. Stochastic optimization under constraints // Stochastic Processes and their Applications. 2001. vol. 93. pp. 149–180.
38. Horst R., Pardalos P.M., Thoai N.V. Introduction to Global Optimization // Kluwer Academic Publishers. 2000. 354 p.
39. Schuster H.G., Just W. Determenistic Chaos // John Wiley & Sons. 2006. pp. 312.
40. Pervaiz S., UI-Qayyum Z., Bangyal W., Gao L., Ahmad J. A systematic literature review on particle swarm optimization techniques for medical diseases detection // Comput Math Methods Med. 2021. pp. 1–10.
41. Jiao J., Ghoreshi S., Moradi Z., Oslub K. Coupled particle swarm optimization method with genetic algorithm for the static-dynamic performance of the magneto-electro-elastic nanosystem // Engineering with Computers. 2022. no. 38. pp. 2499–2513.
42. Chen H., Fan D., Huang W., Huang J., Cao C., Yang L., He Y., Zeng L. Particle swarm optimization algorithm with mutation operator for particle filter noise reduction in mechanical fault diagnosis // International Journal of Pattern Recognition and Artificial Intelligence. 2020. vol. 34. no. 10. pp. 1–8.
43. Патент РФ RU2021682129 Программа "Smart Oil Planning v1.0" 30/12/2021.
44. Lemarechal C. Lagrangian Relaxation // Lecture Notes in Computer Science. 2001. vol. 2241. pp. 112–156.
Опубликован
Как цитировать
Раздел
Copyright (c) Егор Дмитриевич Кулаков, Антон Сергеевич Михалев, Саренков Валерьевич Александр, Артем Дмитриевич Шуталев, Артем Евгеньевич Федореев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).