Модель двойной пористости для изучения разработки трещиновато-пористых коллекторов на базе концепции суперэлементов

Abstract

Основной технологией разработки нефтяных месторождений в России является заводнение (закачка в нефтяной пласт воды для вытеснения нефти и поддержания пластового давления). При этом большая часть нефтяных месторождений нашей страны находится на 3-й или 4-й стадии разработки, что означает высокую обводненность добываемой жидкости (90 % и более). Основная задача специалистов по разработке нефтяных месторождений – уменьшить добычу воды и (по возможности) увеличить добычу нефти. В этих условиях много внимания уделяется контролю и регулированию разработки нефтяных месторождений. Для выполнения этих работ специалистам необходим инструмент, позволяющий быстро строить модели значительных по размерам месторождений и оперативно рассчитывать большое количество сценариев для проверки гипотез о геологическом строении, адаптации модели и решения задач оптимизации разработки. Наиболее актуально это для трещиновато-пористых коллекторов, поскольку они характеризуются высокой неоднородностью фильтрационно-емкостных свойств. Это провоцирует опережающее обводнение добывающих скважин, что препятствует достижению проектных показателей разработки месторождений. Предлагается методика численного математического моделирования разработки нефтяных месторождений в карбонатных трещиновато-поровых коллекторах на базе концепции суперэлементов. Фильтрация двухфазная, применена концепция двойной пористости. Численная схема полностью явная. Система уравнений сохранения аппроксимирована по пространству на суперэлементной сетке. Это позволяет существенно увеличить скорость вычислений и упростить построение моделей (так как размер ячеек сопоставим с расстоянием между скважинами). Для корректных расчетов необходима адаптация на историю разработки. Предлагаемая методика тестируется на модели реального месторождения, результаты расчетов сравниваются с расчетами на коммерческом симуляторе Rubis Kappa Engineering. Получены хорошее совпадение на этапе обучения модели и удовлетворительное совпадение результатов прогнозных расчетов.