Разработка методики перераспределения объемов закачиваемой воды между скважинами для повышения эффективности заводнения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Заммам Мажед

• Заммам Мажед
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Заммам Мажед

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ ПО ОПТИМИЗАЦИИ ЗАВОДНЕНИЯ НА ОСНОВЕ ОЦЕНКИ КОЭФФИЦИЕНТОВ ВЗАИМОВЛИЯНИЯ СКВАЖИН И ЭФФЕКТИВНОСТИ ЗАКАЧКИ

1.1 Анализ существующих подходов к оценке коэффициентов взаимовлияния скважин и эффективности закачки воды в нагнетательные скважины

1.1.1 Общие сведения и терминология, используемая при решении задач оптимизации заводнения на основе перераспределения объемов закачки

1.1.2 Статистические методы оценки коэффициентов взаимовлияния скважин

1.1.3 Оценка коэффициентов взаимовлияния скважин на основе использования емкостно-резистивной модели (CRM)

1.1.4 Оценка коэффициентов взаимовлияния скважин, основанная на моделировании методом линий тока

1.1.5 Другие методы

1.2 Существующие подходы к оптимизации заводнения на основе перераспределения закачки воды в нагнетательные скважины на основе линий тока

1.3 Существующие подходы к оптимизации заводнения на основе перераспределения закачки воды в нагнетательные скважины с применением емкостно-резистивной модели

1.4 Анализ алгоритма Marco R. Thiele and Rod. P. Batycky

1.4.1 Алгоритм Marco R. Thiele and Rod. P. Batycky

1.4.2 Апробация алгоритма для условий нефтяного месторождения

Выводы к главе

ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА ПЕРЕРАСПРЕДЕЛЕНИЯ ОБЪЕМА

ЗАКАЧИВАЕМОЙ ВОДЫ МЕЖДУ НАГНЕТАТЕЛЬНЫМИ СКВАЖИНАМИ НА ОСНОВЕ МОДЕЛИРОВАНИЯ ЛИНИЙ ТОКА

2.1 Расчёт коэффициентов эффективности закачки на основе моделирования методом линий тока

2.2 Постановка задачи оптимизации заводнения для управления режимами работы нагнетательных и добывающих скважин

2.3 Разработка алгоритма решения задачи оптимизации заводнения (управления режимами работы нагнетательных и добывающих скважин)

2.4 Апробация разработанного алгоритма на неоднородной синтетической модели

2.5 Апробация алгоритма на примере нефтяного месторождения

2.5.1 Цифровая фильтрационная модель залежи пласта Фм месторождения Х

2.5.2 Краткая характеристика текущего состояния разработки и выработки запасов

2.5.3 Оптимизация закачки воды на основе разработанного алгоритма

Выводы по главе

ГЛАВА 3. ПРИМЕНЕНИЕ ЕМКОСТНО-РЕЗИСТИВНОЙ МОДЕЛИ ДЛЯ

РЕШЕНИЯ ЗАДАЧ МОДЕЛИРОВАНИЯ ЗАВОДНЕНИЯ НЕФТЯНЫХ ПЛАСТОВ

3.1 Математическая постановка задачи моделирования на основе емкостно-резистивных моделях

3.2 Общая постановка и последовательность решения задач для прогнозирования добычи жидкости и нефти

3.3 Реализация алгоритма прогнозирования добычи жидкости и нефти и оценка коэффициентов взаимовлияния

3.4 Учет непроницаемых барьеров при расчете коэффициентов взаимовлияния на основе емкостно-резистивной модели

Выводы к 3 главе

ГЛАВА 4. ОПТИМИЗАЦИЯ ЗАВОДНЕНИЯ НА ОСНОВЕ МОДЕЛИ CRM И РЕШЕНИЯ ЗАДАЧИ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ

4.1 Вывод аналитической зависимости для оценки эффективности закачки98

4.2 Алгоритм решения задачи оптимизации заводнения на основе CRM и линейного программирования

4.3 Апробация алгоритма оптимизации заводнения на основе CRM и линейного программирования

Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

114

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка методики перераспределения объемов закачиваемой воды между скважинами для повышения эффективности заводнения»

Актуальность работы

Заводнение является одним из наиболее предпочтительных методов разработки для широкого спектра геолого-промысловых условий месторождений из-за относительной простоты его реализации, высокой технологической и экономической эффективности.

Разработка залежей при заводнении на поздних стадиях разработки является сложным процессом, сопряженным с достижением наиболее полной выработки остаточных запасов. Среди осложняющих факторов можно выделить низкие дебиты скважин по нефти, высокую обводненность продукции, обуславливающие низкую рентабельность разработки. Решение данной задачи требует комплексного подхода, направленного на вовлечение в разработку слабодренируемых зон пласта, в частности за счет изменения направления фильтрационных потоков путем изменения режимов работы скважин, в т.ч. циклического, перевода добывающих скважин под закачку, зарезки боковых стволов, бурения новых скважин и др.

Оптимизация заводнения на основе моделирования привлекла значительное внимание в нефтяной промышленности в последние десятилетия благодаря значительному потенциальному увеличению прибыли и повышенной надежности прогнозов на основе новых методов моделирования пластовой системы. Для решения задач оптимизации разработки применяются различные методы оптимизации, а также подходы, разработанные для конкретных сценариев разработки. Ключевую роль при анализе и управлении заводнением играет количественная оценка взаимовлияния нагнетательных и добывающих скважин. Определение взаимосвязей между парами нагнетательных и добывающих скважин позволяет косвенно оценить наличие непроницаемых барьеров и направлений преимущественной фильтрации флюидов, определять слабодренируемые зоны коллектора и соотвественно зоны для размещения дополнительных скважин для повышения эффективности выработки запасов. Задача повышения добычи нефти и вовлечения в разработку слабодренируемых зон пласта при заводнении не теряет

своей актуальности в условиях применения современных подходов к моделированию процессов разработки нефтяных месторождений.

Представляет интерес разработка алгоритмов оптимизации заводнения (управления режимами работы добывающих и нагнетательных скважин), направленных на максимизацию добычи нефти за счет перенаправления фильтрационных потоков в пласте.

Численное решение задачи трехмерного гидродинамического моделирования процесса разработки нефтяного месторождения при заводнении является эффективным и мощным инструментом прогнозирования технологических показателей. К основным недостаткам такого решения для полномасштабных моделей месторождений можно отнести высокие требования к вычислительным и временным ресурсам, в том числе при оптимизации разработки месторождения, предполагающей многократные запуски гидродинамического симулятора. В качестве оперативного инструмента для оптимизации разработки, обоснования режимов работы нагнетательных и добывающих скважин на основе оценки коэффициентов взаимовлияния скважин могут рассматриваться емкостно-резистивные модели CRM (capacitance-resistance model), характеризующиеся незначительным объемом входной информации и высокой скоростью прогнозирования технологических показателей разработки. CRM, основанные на уравнении материального баланса и продуктивности скважин.

Разработанность темы диссертации

В развитие теоретических основ и практических методов оптимизации заводнения большой вклад внесли следующие ученые и специалисты: Анкудинов А.А., Бриллиант Л.С., Ваганов Л.А., Казаков А.А., Костюченко С.В, Поспелова Т.А., Ручкин А.А., Султанов С.А., Alhuthali A.H., Batycky R.P., Gentil P.H., de Holanda R.W, Jensen J.L., Lake L.W., Sayarpour M., Thiele M.R., Weber D., Yousef A.A. и многие другие.

Цель работы

Повышение эффективности выработки запасов нефтяных месторождений при заводнении на основе перераспределения закачки воды между нагнетательными скважинами.

Основные задачи исследований

1. Анализ существующих подходов к оценке коэффициентов взаимовлияния скважин, эффективности закачки при реализации и оптимизации заводнения.

2. Постановка задачи оптимизации заводнения для максимизации добычи нефти за счет перераспределения фильтрационных потоков на основе управления режимами работы нагнетательных и добывающих скважин.

3. Разработка алгоритма решения сформулированной задачи оптимизации заводнения (управления режимами работы нагнетательных и добывающих скважин) и его апробация на синтетических и реальных данных.

4. Изучение теоретических основ применения емкостно-резистивных моделей для решения задач моделирования заводнения нефтяных пластов. Создание программы для ЭВМ, реализующей прогнозирование показателей разработки при заводнении на основе емкостно-резистивной модели.

5. Разработка подхода к решению задачи оптимизации заводнения, основанного на применении сравнительно простых физически содержательных моделей, не требующего построения трехмерных гидродинамических моделей и позволяющего получить адекватные обоснованные результаты.

Методы исследования

Использовались основные понятия математического моделирования, трехмерное гидродинамическое моделирование и моделирование методом линий тока с применением коммерческих симуляторов, методы оптимизации, линейное и квадратичное программирование.

Научная новизна

1. Сформулирована общая постановка задачи оптимизации заводнения, основанная на оценке коэффициентов взаимовлияния скважин и эффективности закачки, решение которой позволяет обосновать приемистости нагнетательных и

дебиты добывающих скважин, обеспечивающие максимальный уровень добычи нефти при заданном объеме закачки воды, за счет перераспределения фильтрационных потоков.

2. Разработан алгоритм решения задачи оптимизации заводнения, включающий определение режимов работы нагнетательных и добывающих скважин на основе решения задачи линейного математического программирования, позволяющий обеспечить максимальный уровень добычи нефти при заданном объеме закачки воды, за счет перераспределения фильтрационных потоков.

3. Получена аналитическая зависимость для оценки эффективности закачки воды в нагнетательные скважины, основанная на характеристиках вытеснения (Гарба, Сазонова Б.Ф.) и известных значениях коэффициентов взаимовлияния.

4. Разработан алгоритм оптимизации заводнения на основе емкостно-резистивной модели пласта и решения задачи линейного программирования, позволяющий найти оптимальное распределение закачки между нагнетательными скважинами.

Основные защищаемые положения

1. Общая постановка задачи и алгоритм оптимизации заводнения, основанный на оценке коэффициентов взаимовлияния скважин и эффективности закачки, позволяющий обосновать приемистости нагнетательных и дебиты добывающих скважин, обеспечивающие максимальный уровень добычи нефти при заданном объеме закачки воды, за счет перераспределения фильтрационных потоков.

2. Аналитическая зависимость для оценки эффективности закачки воды в нагнетательные скважины, полученная на основе характеристик вытеснения (Гарба, Сазонова Б.Ф.), равенства объемов добываемой жидкости и закачиваемой воды и коэффициентов взаимовлияния скважин.

3. Алгоритм оптимизации заводнения на основе СЯМ-моделирования и решения задачи линейного программирования, позволяющий найти оптимальное распределение закачки между нагнетательными скважинами.

Теоретическая и практическая значимость

Сформулированные задачи оптимизации заводнения и алгоритмы их решения могут быть использованы для широкого спектра месторождений, разрабатываемых при заводнении для выработки решений по повышению эффективности их разработки. Разработанные алгоритмы реализованы в виде программы для ЭВМ, что позволяет автоматизировать выполнение рутинных операций и упростить процесс применения для конкретных геолого-физических условий месторождений.

Достоверность полученных результатов

Достоверность результатов исследований подтверждается апробацией разработанных методик на синтетических моделях, моделях реальных месторождений и сравнением расчетных показателей с результатами трехмерного гидродинамического моделирования и моделирования методом линий тока.

Личный вклад автора

Личный вклад автора состоит в выборе направления исследований, в формулировке целей и задач; в обработке и обобщении литературных данных, получении и формулировке научных выводов и рекомендаций; сборе информации, проведении расчетов и аналитических исследований; анализе материалов и результатов расчетов; интеграции результатов исследования в виде программы для ЭВМ. Непосредственное участие в подготовке основных публикаций по проведенной работе, обсуждение и интерпретация полученных результатов с научным руководителем.

Апробация работы

Основные результаты работы докладывались на 74-ой Международной молодежной научной конференции «Нефть и газ - 2020», IV Региональной научно-технической конференции «Губкинский университет в решении вопросов нефтегазовой отрасли России», посвященной 90-летию Губкинского университета и факультета экономики и управления, VI Региональной научно-технической конференции, посвященной 100-летию М.М. Ивановой, 75-ой Международной

молодёжной научной конференции «Нефть и газ - 2021», 76-ой Международной молодежной научной конференции «Нефть и газ - 2022».

Публикации

По результатам выполненных исследований опубликовано 9 печатных работ, в том числе 3 работы в изданиях, рекомендованных ВАК РФ по специальности 2.8.4. - «Разработка и эксплуатация нефтяных и газовых месторождений» и входящих в международные реферативные базы данных и системы цитирования, 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 128 страницах, включая 46 рисунков, 23 таблицы и список использованной литературы из 158 наименований.

Благодарности

Автор выражает искреннюю благодарность своему научному руководителю к.т.н Пятибратову П.В. за неоценимую помощь, ценные советы и доброе отношение, оказанные в период подготовки и выполнения диссертационной работы.

Автор также благодарен д.т.н. Назаровой Л.Н., д.т.н. Михайлову Н.Н., к.т.н Хабибуллину Р.А., к.т.н. Богатыревой Е.В., Клемперт Л.М. и всем сотрудникам кафедры разработки и эксплуатации нефтяных месторождений РГУ нефти и газа (НИУ) имени И.М. Губкина за советы, поддержку и помощь на всех этапах выполнения работы.

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ ПО ОПТИМИЗАЦИИ ЗАВОДНЕНИЯ НА ОСНОВЕ ОЦЕНКИ КОЭФФИЦИЕНТОВ ВЗАИМОВЛИЯНИЯ СКВАЖИН И ЭФФЕКТИВНОСТИ ЗАКАЧКИ 1.1 Анализ существующих подходов к оценке коэффициентов взаимовлияния

скважин и эффективности закачки воды в нагнетательные скважины 1.1.1 Общие сведения и терминология, используемая при решении задач оптимизации заводнения на основе перераспределения объемов закачки

Широкую распространенность метода заводнения при разработке нефтяных месторождений обуславливает высокая эффективность процессов поддержания пластового давления и вытеснения нефти при относительно низких экономических затратах на реализацию. Наряду с очевидными преимуществами заводнения, разработка неоднородных сложнопостроенных коллекторов характеризуется неравномерной выработкой запасов и низким охватом слабодренируемых зон воздействием [1,2].

Эффективность заводнения зависит от целого ряда природных и техногенных осложняющих факторов, в том числе фильтрационно-емкостных свойств пластов, вязкости нефти, зональной и слоистой неоднородности пластов, наличия нарушений, типа коллектора, высоты и протяженности переходных зон, выделения эксплуатационных объектов, системы размещения скважин, степени вскрытия пластов, качества закачиваемой воды, режимов работы скважин и др. Влияние данных факторов является причиной неравномерной выработки запасов или, иными словами, неравномерного распределения остаточных подвижных запасов нефти в активных и слабодренируемых зонах [3-5].

На практике применяются разные технологии, направленные на повышение эффективности заводнения - от гидродинамических методов, связанных, в первую очередь, с изменением режимов работы скважин, направленных на перераспределение фильтрационных потоков и вовлечение в разработку слабодренируемых зон; проведения различных обработок призабойных зон скважин, выравнивания профиля притока и приемистости скважин, до вариантов, связанных с изменением системы разработки, в т.ч. перенос фронта нагнетания,

очаговое заводнение, бурение дополнительных добывающих и нагнетательных скважин, боковых стволов скважин и многие другие. Применяемые решения существенно отличаются как по технологической эффективности, так и по экономическим затратам и рискам, связанным с их реализацией для различных геолого-промысловых условий [6,7] .

Одним из доступных вариантов управления заводнением, характеризующимся простотой реализации и низкими экономическими затратами являются гидродинамические методы увеличения нефтеотдачи, связанные, в первую очередь, с изменением режимов работы скважин, направленных на перераспределение фильтрационных потоков и вовлечение в разработку слабодренируемых зон [8]. Определение рациональных режимов работы скважин для решения данной задачи является нетривиальной задачей, имеющей широкий спектр способов решения [7,9].

Для применения указанных методов требуются надежные инструменты для проектирования разработки месторождений и, в частности, прогнозирования технологических показателей разработки. Существует несколько способов решения задач моделирования разработки нефтяных месторождений и прогнозирования технологических показателей, характеризующихся разным объемом исходной информации, возможностями учета физических процессов, протекающих в пластах, точностью и адресностью получаемого решения. Наиболее распространенными методами решения являются: трехмерное гидродинамическое моделирование, промыслово-статистические методы, аналитические решения [10,11].

Основным методом прогнозирования технологических показателей разработки в настоящее время является трехмерное гидродинамическое моделирование. Процесс моделирования основан на решении уравнений сохранения массы в многофазной постановке в сочетании с уравнением движения, в частности законом Дарси. Взаимосвязь между давлением и насыщенностью пласта основана на системе дифференциальных уравнений в частных производных, которые являются нелинейными и содержат производные высокого порядка.

Система уравнений решается численно после дискретизации по времени и в пространстве (создание конечно-разностной сетки). При определении размеров и соответственно количества блоков сетки учитывается неоднородность коллектора (каждая ячейка характеризуется набором свойств, включая пористость, проницаемость и т.д.), наличие нарушений, расстояние между скважинами, а также требуемая точность решения и доступные вычислительные ресурсы. Часто современные полномасштабные гидродинамические модели содержат миллионы или десятки миллионов ячеек [12] .

Преимуществами такого подхода является детальный учет особенностей геологического строения коллекторов и физических процессов, протекающих в пласте, к недостаткам следует отнести высокие трудозатраты на актуализацию модели, необходимость значительных временных и вычислительных ресурсов для проведения расчетов [13]. Очевидно, что для получения преимуществ в понимании физических процессов и адресности протекающих процессов для построения трехмерных моделей требуется широкий набор исходных данных, обладающих в свою очередь разной степенью неопределенности. Трехмерное гидродинамическое моделирование нельзя отнести к инструментам оперативного анализа и регулирования процессов разработки месторождений [14]. Именно по этой причине для решения оперативных задач и решения задач оптимизации процессов разработки часто отдают предпочтение менее ресурсоемким методам прогнозирования, основанным на различных прокси-моделях, аналитических решения, машинном обучении, методе линий тока [15].

С другой стороны, более простые аналитические модели, для которых характерно наличие ряда предположений и допущений, часто позволяют идентифицировать основные механизмы и тенденции протекающих процессов при значительно меньшем объеме и требованиям к исходным данным [16]. В определенных случаях, когда аналитические модели не позволяют найти решение с требуемой точностью и детальностью, они могут быть использованы для первоначального анализа и уменьшения неопределенности [2, 14].

Известны разные подходы и математические инструменты для анализа систем заводнения и повышения эффективности закачки воды, в т.ч. на основе анализа распределения текущей и накопленной компенсации отборов закачкой, выделения элементов или ячеек заводнения и геометрического определения реагирующих добывающих скважин на закачку воды, оценки влияния полноты промывки порового пространства на КИН, различные статистические методы по определению коэффициентов взаимовлияния скважин, например, на основе коэффициента корреляции Спирмена, применения трехмерного гидродинамического моделирования, моделирования методом линий тока и др [15, [19-24]. Одной из конечных целей проводимого анализа является выработка решений по регулированию закачки воды для выравнивания распределения пластового давления и вовлечения в разработку зон, отстающих по выработке запасов.

Иными словами, наименее экономически затратное решение задачи совершенствования или оптимизации заводнения сводится к изменению режимов работы, как правило нагнетательных скважин, позволяющих обеспечить повышение текущей добычи нефти и вовлечение в разработку подвижных запасов нефти, сосредоточенных в слабодренируемых застойных зонах пласта.

В настоящей работе рассматривается процесс оптимизации заводнения (перераспределения закачки) путем изменения режимов работы нагнетательных скважин в соответствии с коэффициентами взаимовлияния скважин и эффективности закачки, определяемыми по результатам моделирования. В данной главе на основе моделирования разработки нефтяного месторождения определяются коэффициенты эффективности закачки для нагнетательных скважин. Целями перераспределения закачки является увеличение средней эффективности закачки, снижение текущей обводненности продукции, повышение текущей и накопленной добычи нефти при соблюдении ограничений на забойное давление нагнетательных скважин, которое не должно превышать давление гидроразрыва пласта, и суммарный объем закачиваемой воды.

Коэффициенты взаимовлияния между нагнетательными и добывающими скважинами являются важным параметром, который широко используется для принятия решений в процессе управления разработкой нефтяных месторождений [25,26].

Оценка коэффициентов взаимовлияния позволяет получить понимание о направлении фильтрационных потоков и интерференции скважин. Значения коэффициентов взаимовлияния зависят от расположения сважин, геометрии и неоднородности пластовой системы [27]. Таким образом, оценка гидродинамической связи между скважинами формирует инструмент для характеристики коллектора. Например, низкая степень гидродинамической связи между двумя соседними скважинами может свидетельствовать о наличии зоны низкой проницаемости или барьера в межскважинной области, а высокая степень может свидетельствовать о зоне высокой проницаемости, наличие канала или высокой трещиноватости коллектора (рисунок 1). Так, на рисунке 1 длина вектора от каждой нагнетательной скважины показывает степень взаимовлияния между ними. Оценка межскважинной связи помогает оптимизировать процесс управления разработкой месторождения, например, при заводнении можно предсказать, как изменения закачки в конкретных нагнетательных скважинах повлияют на дебиты реагирующих добывающих. Для решения такой задачи требуется использовать модель, позволяющую, с одной стороны, прогнозировать дебиты добывающих скважин на основе заданных уровней закачки, с другой стороны определять оптимальные уровни закачки по скважинам, позволяющие максимизировать целевую функцию, например, чистую текущую стоимость или накопленую добычу нефти, при различных ограничениях. Следует отметить, что не существует уникального метода для определения степени гидродинамической связи (коэффициентов взаимовлияния) двух скважин, более того, в зависимости от метода оценки взаимовлияния результаты могут быть различными [28] .

Рисунок 1 - Пример визуализации направлений потоков жидкости (коэффициентов взаимовлияния скважин)

В целом существует два основных подхода к оценке взаимолияния между скважинами: статический и динамический [29]. В статических методах оценка взаимовлияния основана на геологических данных, таких как неоднородность пласта, расположение скважин и расстояние между скважинами. Был предложен ряд параметров для характеризации неоднородности, таких как коэффициент Лоренца, фактор Коваля, Дикстра-Парсонса, коэффициент вариации проницаемости и др [30]. В динамическом подходе также различают оценку взаимовлиния пары скважин и оценку взаимовлияния групп скважин или регионов. При динамической оценке взаимовлияния используются исторические данные о разработке коллектора, в том числе данные о закачке, добыче и забойное давление скважин или конкретные данные испытаний например, трассерные исследования и гидродинамические исследования скважин [31]. Был предложен ряд показателей динамической неоднородности, такие как динамический коэффициент Лоренца [32] и время пролета [33] описывающий распределение длин путей потока и структуры соединения.

Коэффициент взаимовлияния между скважинами (fij) определяется объемной долей закачиваемого флюида в нагнетательную скважину (i), которая приходится на добычу жидкости в скважине (j) [27]. Например, Gentil (2005) интерпретировал коэффициенты регрессии (межскважинные связи) модели MLR (мультилинейная регрессия) как отношение средней гидропроводности (Tj между нагнетательной (i) и добывающей (j) к сумме гидропроводностей между нагнетательной (i) и всеми связанными с ней добывающими [34].

С точки зрения количественной оценки перетоков между скважинами коэффициент взаимовлияния fj (относительно i-й нагнетательной скважины) между i-й нагнетательной и j-й добывающей скважинами определяется как доля объема воды притекающей из i-й нагнетательной скважины в j-ую добывающую скважину из общего объема закачки в i-ую нагнетательную, коэффициент взаимовлияния j (относительно j-й добывающей скважины) между i-й нагнетательной и j-й добывающей скважинами определяется как доля объема жидкости добытого j-ой добывающей скважиной за счет закачки в i-ю нагнетательную из общего объема добычи j-й добывающей скважины [35,36].

Важнейшей характеристикой, используемой для опмтимизации заводнения, является коэффициент эффективности закачки, определяемый как отношение суммарного дебита по нефти реагирующих добывающих скважин, обеспечиваемого закачкой воды в конкретную нагнетательную скважину, к значению приемистости нагнетательной скважины [27].

Вопросы оптимизации заводнения в части управления режимами работы добывающих и нагнетательных скважин на основе коэффициентов взаимовлияния скважин с помощью гидродинамических моделей (линий тока) и CRM (емкостно-резистивной модели) рассматривались в работах Marco R. Thiele and Rod. P. Batycky (2003,2006,2010), Ahmed humaid h. Alhuthalih (2008), Qing tao (2009), Satyajit vijay taware (2012), Young park (2012), Shusei tanaka (2014), Liang et al (2007), Sayarpour et al (2009), Ali Jamali (2018), Aojie Hong (2017), Поспелова Т.А. (2021), Бриллиант Л.С. (2021) и др., вопросы оценки коэффициентов взаимовлияния скважин на основе прокси-моделей (CRM) рассматривались в работах (Albertoni et

al (2003), Yousef et al (2005), Sayarpour et al (2008), Liang et al (2007), Daniel Weber (2009), Kaviani et al (2012), Parekh et al (2013), Mirzayev et al (2017), Бекман А.Д (2019), Ручкин А.А (2018), Степанов С.В (2018) и др.

В этой главе представлено краткое описание основных известных методов оценки взаимовлияния между скважинами (рисунок 2).

Методы расчета коэффициентов взаимовлияния скважин

Геометрический

Статистический

- Корреляция Спирмена

- Нейронные сети

- MLR

- Фильтр Калмана

- Частотный анализ

Промысловый

- Закачка трассеров

- ГДИ(импульсные и интерференционные)

х

Линии тока

CRM

Рисунок 2 - Методы расчета коэффициентов взаимовлияния скважин

1.1.2 Статистические методы оценки коэффициентов взаимовлияния скважин

К этой категории относятся методы, в которых не используется информация о коллекторских свойствах и не решаются уравнения течения пластового флюида, такие как ранговая корреляция Спирмена, нейронные сети, частотный-анализ и расширенный фильтр Калмана (Е^).

Так, для оценки взаимовлияния скважин могут быть использованы методы математической статистики, например, ранговая корреляция Спирмена или Кендалла, используемые в случае ненормально распределенных данных. Сравнение результатов расчетов с данными трассерных исследований проведено для месторождений Оренбургской области [37]. Heffer et в1. использовал корреляцию Спирмена для выявления взаимосвязи данных добычи и закачки, чтобы отразить связность в пласте, в рассматриваемом примере наблюдалась отрицательная корреляция данных вследствии наличия дизъюнктивных нарушений в пласте [38]. Soeriawinata и Ке1каг (1999) представили подход, основанный на суперпозиции, для определения влияния нескольких нагнетательных скважин на одну добывающую скважину посредством

Список литературы диссертационного исследования кандидат наук Заммам Мажед, 2024 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Афанасьева А.В., Горбунов А.Т., Шустеф И.Н. Заводнение нефтяных месторождений при высоких давлениях нагнетания. Москва «Недра», 1975. 215 с.

2. Бриллиант Л.С. Цифровые решения в управлении добычей на «зрелых» нефтяных месторождениях // Нефть.Газ.Новации. 2018. Т. 4, № 04. С. 61-64.

3. Крэйг Ф.Ф. Разработка нефтяных месторождений при заводнении. Недра, Москва, 1971. 129 с.

4. Султанов С.А. Контроль за заводнением нефтяных пластов. Недра, Москва, 1974. 224 с.

5. Шахвердиев А.Х., Арефьев С.В., Поздышев А.С. О включении высокообводненных запасов недонасыщенных нефтью коллекторов в категорию трудноизвлекаемых // Нефтяное хозяйство. OnePetro, 2023. № 04. С. 34-39.

6. Назарова Л.Н., Пятибратов П.В. Совершенствование технологии заводнения как метод управления разработкой и увеличения нефтеотдачи // Оборудование и технологии для нефтегазового комплекса. 2021. № 1. С. 4654.

7. Бриллиант Л.С. Архитектура цифровых решений управления режимами эксплуатации скважин в задачах эффективной разработки зрелых месторождений нефти // Недропользование XXI век. 2020. № 4. С. 98-107.

8. Иванов А.Н. и др. Обоснование режимов работы нагнетательных скважин для реализации циклического заводнения // Нефтяное хозяйство. Закрытое акционерное общество" Издательство" Нефтяное хозяйство", 2020. № 2. С. 28-31.

9. Шахвердиев А.Х. Системная оптимизация нестационарного заводнения с целью повышения нефтеотдачи пластов // Нефтяное хозяйство. Закрытое акционерное общество" Издательство" Нефтяное хозяйство", 2019. № 1. С. 44-49.

10. Шевцов Н.О., Степанов С.В., Поспелова Т.А. Исследование прогностической

способности численной и аналитической моделей на примере оценки взаимовлияния скважин // Tyumen State Univ. Herald. Phys. Math. Model. Oil, Gas, Energy. 2020. Т. 6, № 3. С. 131-142.

11. Казаков А.А. Статистические методы прогнозирования показателей разработки нефтяных месторождений // Нефтяное хозяйство. 1976. №2 6. С. 25.

12. Пятибратов П.В. Гидродинамическое моделирование разработки нефтяных месторождений. Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, 2015.

13. Потрясов А.А. Автоматизация процессов управления заводнением на нефтяном месторождении // Недропользование XXI век. 2016. Т. 6. С. 112121.

14. Хасанов М.М., Бахитов Р.Р., Лакман И.А. Обзор исследований по моделированию геологического строения и процессов разработки месторождения // Нефтяное хозяйство. 2021. № 10. С. 46.

15. Пятибратов П.В., Заммам М., Туровская Е.А. Оптимизация заводнения на основе моделирования линий тока // Оборудование и технологии для нефтегазового комплекса. 2021. № 4 (124). С. 37.

16. Жетруов Ж.Т. и др. Применение прокси-моделей при прогнозировании параметров разработки нефтяных залежей // Вестник Тюменского государственного университета. Серия Физико-математическое моделирование. Нефть, газ, энергетика. 2022. Т. 4, № 2. С. 48.

17. Wanderley de Holanda R., Gildin E., Jensen J.L. A generalized framework for Capacitance Resistance Models and a comparison with streamline allocation factors // J. Pet. Sci. Eng. Elsevier B.V., 2018. Т. 162. С. 260-282.

18. Степанов С. В. Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования // Вестник Тюменского государственного университета. Серия Физико-математическое моделирование. Нефть, газ, энергетика. 2018. Т. 4, № 3. С. 146-164.

19. Андреев В.Е. и др. Оптимизация системы заводнения в терригенных и

карбонатных коллекторах // Научно-технический журнал «Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов». 2016. № 4. С. 42-53.

20. Анкудинов А.А., Ваганов Л.А. Методика распределения объемов закачиваемой воды по площади нефтяного месторождения // Геология, геофизика и разработка нефтяных и газовых месторождений. 2013. № 9. С. 19-24.

21. Романенков А.В., Евдощук П.А., Вольф А.А. Определение коэффициентов взаимовлияния скважин на основе уравнения материального баланса // Современные тенденции развития науки и технологий. 2017. № 2-2. С. 79.

22. Asadollahi M. Waterflooding optimization for improved reservoir management // Nor. Univ. Sci. Technol. (NTNU), Dep. Pet. Eng. Appl. Geophys. Trondheim, Norw. 2012.

23. Boumi Mfoubat H.R.N., Zaky E.I. Optimization of waterflooding performance by using finite volume-based flow diagnostics simulation // J. Pet. Explor. Prod. Technol. Springer, 2020. Т. 10, № 3. С. 943-957.

24. Казаков А.А., Шелепов В.В. Р.Р.. Расчет областей дренирования скважин // Нефтяное хозяйство. OnePetro, 2023. № 04. С. 46-51.

25. Арефьев С.В. Методические основы и опыт внедрения цифровых технологий оперативного планирования и управления режимами работы добывающих и нагнетательных скважин на участке ОПР пласта ЮВ1Ватьеганского месторождения ТПП «Повхнефтегаз» (ООО «ЛУКОЙЛ-Западная Сибирь») // Недпользование XXI век. 2017. Т. 6. С. 60-81.

26. Асланян А.М. Анализ межскважинного взаимодействия с помощью мультискважинной деконволюции для повышения эффективности системы поддержания пластового давления // РЯОнефть. 2023. Т. 3. С. 56-61.

27. Бриллиант Л.С. Способ оперативного управления заводнением пластов. 2017.

28. Kaviani D. Interwell connectivity evaluation from wellrate fluctuations: a waterflooding management tool. Texas A&M University, 2009.

29. Jensen J.L., Lake L.W. Influence of Sample Size and Permeability Distribution in Heterogeneity Measures. // SPE Reserv. Eng. (Society Pet. Eng. 1988. Т. 3, № 2.

С. 629-637.

30. Snedden J.W. и др. Reservoir connectivity: Definitions, examples, and strategies // Int. Pet. Technol. Conf. 2007, IPTC 2007. 2007. Т. 2. С. 772-793.

31. Smith J.T., Cobb W.M. Waterflooding. 1997.

32. Shook G.M., Mitchell K.M. A robust measure of heterogeneity for ranking earth models: The F-PHI curve and dynamic Lorenz coefficient // Proc. - SPE Annu. Tech. Conf. Exhib. 2009. Т. 4. С. 2593-2605.

33. Al-Najem A.A. A streamlines based multivariate regression model to quantify the impact of reservoir heterogeneity on ultimate recovery. 2013.

34. Gentil P.H. The use of multilinear regression models in patterned waterfloods: physical meaning of the regression coefficients. 2005. С. 242.

35. А. В. Насыбуллин, О. С. Сотников Р.З.С. Способ регулирования разработки нефтяной залежи. 2017. № 19. С. 1-12.

36. Степанов С.В. и др. Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования // Вестник Тюменского государственного университета. Серия Физико-математическое моделирование. Нефть, газ, энергетика.-2018.-Т. 4,№ 3. Издательство Тюменского государственного университета, 2018.

37. Васильев В.В. Использование результатов оценки взаимовлияния добывающих и нагнетательных скважин для оптимизации заводнения // Нефтяное хозяйство. Закрытое акционерное общество" Издательство" Нефтяное хозяйство", 2009. № 6. С. 30-32.

38. Heffer K.J. и др. Novel techniques show links between reservoir flow directionality, earth stress, fault structure and geomechanical changes in mature waterfloods // SPE J. 1997. Т. 2, № 2. С. 91-98.

39. Soeriawinata T., Kelkar M. Reservoir management using production data // Soc. Pet. Eng. - SPE Mid-Continent Oper. 1999.

40. Fedenczuk L., Hoffmann K. Surveying and analyzing injection responses for patterns with horizontal wells // Proc. - SPE Int. Horiz. Well Technol. 1998. С. 381386.

41. Tian C., Horne R.N. Inferring interwell connectivity using production data // Proc. - SPE Annu. Tech. Conf. Exhib. 2016. Т. 2016-Janua, № October 2018.

42. Пономарева И.Н. Исследование взаимодействия между нагнетательными и добывающими скважинами на основе построения многоуровневых моделей // Известия Томского политехнического университета. 2021. С. 116-126.

43. Дулкарнаев М.Р., Малявко Е.А. Комплексирование результатов динамического маркерного мониторинга, метода ранговой корреляции и гибридных цифровых моделей для оценки взаимовлияния скважин // Бурение и нефть. 2021. Т. 10. С. 32-37.

44. Panda M.N., Chopra A.K. Integrated approach to estimate well interactions // Proc. SPE India Oil Gas Conf. Exhib. 1998. С. 517-530.

45. Demiryurek U., Banaei-Kashani F., Shahabi C. SPE-112124 Neural-Network based Sensitivity Analysis for Injector-Producer Relationship Identification // SPE Intelligent Energy Conference and Exhibition. 2002. 25-27 с.

46. Artun E. Characterizing interwell connectivity in waterflooded reservoirs using data-driven and reduced-physics models: A comparative study // Neural Comput. Appl. Springer London, 2017. Т. 28, № 7. С. 1729-1743.

47. Поспелова Т.А. Интеграция возможностей CRM и стохастико- аналитической моделей при решении задач заводнения // Экспозиция Нефть и Газ. 2021. Т. 2. С. 48-52.

48. Cao Q. и др. the SPE Argentina Exploration and Production of Unconventional Resources Symposium. 2016. С. 1-3.

49. Udy J. и др. Reduced Order Modeling for Reservoir Injection Optimization and Forecasting // Found. Comput. Aided Process Oper. / Chem. Process Control. 2017. С. 8-12.

50. Cheng H. и др. ANN based interwell connectivity analysis in cyber-physical petroleum systems // 2019 IEEE 17th International Conference on Industrial Informatics (INDIN). 2019. С. 199-205.

51. Liu F., Mendel J.M., Mohammad Nejad A. Forecasting injector/producer relationships from production and injection rates using an extended Kaiman filter //

SPE J. 2009. Т. 14, № 4. С. 653-664.

52. Zhai D., Mendel J.M., Liu F. A new method for continual forecasting of interwell connectivity in waterfloods using an extended kaiman filter // SPE West. Reg. Meet. 2009 - Proc. 2009. С. 524-537.

53. Albertoni A., Lake L.W. Inferring interwell connectivity only from well-rate fluctuations in waterfloods // SPE Reserv. Eval. Eng. 2003. Т. 6, № 1. С. 6-15.

54. Dinh A. V., Tiab D. Analytical determination of interwell connectivity based on flow rate fluctuations in waterflood reservoirs // SPE Prod. Oper. Symp. Proc. 2013. № c. С. 113-132.

55. Owusu P.A., DeHua L., Nagre R.D. Appraisal of the interwell connectivity from production data // Pet. Coal. 2014. Т. 56, № 5. С. 509-531.

56. Поспелова Т.А. Развитие методов регулирования работы скважин на основе цифровых технологий. 2021. 356 с.

57. Sayarpour M. и др. The use of capacitance-resistance models for rapid estimation of waterflood performance and optimization // J. Pet. Sci. Eng. Elsevier B.V., 2009. Т. 69, № 3-4. С. 227-238.

58. Izgec O., Kabir C.S. Understanding reservoir connectivity in waterfloods before breakthrough // J. Pet. Sci. Eng. Elsevier B.V., 2010. Т. 75, № 1-2. С. 1-12.

59. Nguyen A.P. Capacitance Resistance Modeling for Primary recovery, waterflood and water-co2 flood. The University of Texas at Austin, 2012. 212 с.

60. Kaviani D., Jensen J.L., Lake L.W. Estimation of interwell connectivity in the case of unmeasured fluctuating bottomhole pressures // J. Pet. Sci. Eng. Elsevier, 2012. Т. 90-91. С. 79-95.

61. Moreno G.A. Multilayer capacitance-resistance model with dynamic connectivities // J. Pet. Sci. Eng. Elsevier, 2013. Т. 109. С. 298-307.

62. Soroush M., Kaviani D., Jensen J.L. Interwell connectivity evaluation in cases of changing skin and frequent production interruptions // J. Pet. Sci. Eng. Elsevier, 2014. Т. 122. С. 616-630.

63. Moreno G.A., Lake L.W. On the uncertainty of interwell connectivity estimations from the capacitance-resistance model // Pet. Sci. 2014. Т. 11, № 2. С. 265-271.

64. Altaheini S., Al-Towijri A., Ertekin T. Introducing a new capacitance-resistance model and solutions to current modeling limitations // Proc. - SPE Annu. Tech. Conf. Exhib. 2016.

65. Zhao H. и др. An interwell connectivity inversion model for waterflooded multilayer reservoirs // Pet. Explor. Dev. Research Institute of Petroleum Exploration & Development, PetroChina, 2016. Т. 43, № 1. С. 106-114.

66. Eshraghi S.E. и др. Characterization of Reservoir Heterogeneity by Capacitance-resistance Model in Water-flooding Projects // Iran. J. Oil Gas Sci. Technol. 2016. Т. 5, № 3. С. 1-13.

67. Yin Z. и др. Evaluation of inter-well connectivity using well fluctuations and 4D seismic data // J. Pet. Sci. Eng. Elsevier, 2016. Т. 145. С. 533-547.

68. Naudomsup N., Lake L.W. Extension of capacitance-resistance model to tracer flow for determining reservoir properties // Proc. - SPE Annu. Tech. Conf. Exhib. 2017. Т. 22, № 01. С. 266-281.

69. Азиз Х., Сеттари Э. Математическое Моделирование Пластовых Систем // Москва-Ижевск: Институт Компьютерных Исследований. 2004. С. 416.

70. Muskat M., Wyckoff R.D. A Theoretical Analysis of Water-flooding Networks // Trans. AIME. 1934. Т. 107, № 01. С. 62-76.

71. Thiele M.R., Technologies S. Streamline Simulation for ModernRE Workflows. 2010. № January. С. 64-70.

72. Datta-Gupta A., King M.J. Streamline simulation: theory and practice. SPE, 2007.

73. Batycky R.P. и др. Revisiting reservoir flood-surveillance methods using streamlines // SPE Reserv. Eval. Eng. 2008. Т. 11, № 2. С. 387-394.

74. Tony L. и др. The Use of Streamline Simulation in Reservoir Management: Methodology and Case Studies. 2007.

75. Thiele M.R., Batycky R.P. Using streamline-derived injection efficiencies for improved waterflood management // SPE Reserv. Eval. Eng. 2006. Т. 9, № 2. С. 187-196.

76. Грачев С.И. Применение индикаторных (трассерных) исследований на многопластовых месторождениях // Геология, Геофизика И Разработка

Нефтяных И Газовых Месторождений. 2008. Т. 5. С. 13-15.

77. Du Y., Guan L. Interwell tracer tests: Lessons learned from past field studies // 2005 SPE Asia Pacific Oil Gas Conf. Exhib. - Proc. 2005. С. 211-219.

78. Абрамов Т.А., Исламов Д.Э., Карнаухов М.Л. Определение непроницаемых барьеров по результатам гидропрослушивания // Нефтепромысловое дело.

2013. С. 1-6.

79. Lee J., Rollins J.B., Spivey J.P. Pressure transient testing. 2003.

80. Hiriart-Urruty J.-B., Lemarechal C. Convex analysis and minimization algorithms I: Fundamentals. Springer science & business media, 2013. Т. 305.

81. Liu X., Reynolds A.C. Gradient-based multiobjective optimization with applications to waterflooding optimization // ECMOR XIV-14th European Conference on the Mathematics of Oil Recovery. EAGE Publications BV, 2014. Т.

2014, № 1. С. 1-21.

82. Volcker C. Production optimization of oil reservoirs // Kongens Lyngby, Denmark Dep. Informatics Math. Model. Univ. Denmark. 2011.

83. Suwartadi E. Gradient-based methods for production optimization of oil reservoirs. 2012.

84. Chen Y., Oliver D.S., Zhang D. Efficient ensemble-based closed-loop production optimization // Spe J. SPE, 2009. Т. 14, № 04. С. 634-645.

85. Cetin B.C., Burdick J.W., Barhen J. Global descent replaces gradient descent to avoid local minima problem in learning with artificial neural networks // IEEE International Conference on Neural Networks. IEEE, 1993. С. 836-842.

86. Harding T.J., Radcliffe N.J., King P.R. Optimisation of production strategies using stochastic search methods // European 3-D Reservoir Modelling Conference. OnePetro, 1996.

87. Geoquest S. Petrel User Manual. Version, 2012.

88. GeoQuest S. ECLIPSE 100 (Black Oil): Reference Manual and Technical Description. sn Houston, 2014.

89. Yasari E. и др. Application of multi-criterion robust optimization in water-flooding of oil reservoir // J. Pet. Sci. Eng. Elsevier, 2013. Т. 109. С. 1-11.

90. Thiele M.R., Gerritsen M., Blunt M. Streamline Simulation. Society of Petroleum Engineers, 2011. 283 c.

91. Alhuthali A.H., Oyerinde A., Datta-Gupta A. Optimal waterflood management using rate control // SPE Reserv. Eval. Eng. OnePetro, 2007. T. 10, № 05. C. 539551.

92. Thiele M.R., Batycky R.P. Water Injection Optimization Using a Streamline-Based Workflow // SPE Annu. Tech. Conf. Exhib. 2003.

93. Bostan M., Kharrat R. Implementing a Novel Method for Injection Efficiency Optimization in Water Flooding Process : Case Study. 2011.

94. Iino A., Arihara N. Use of Streamline Simulation for Waterflood Management in Naturally Fractured Reservoirs. 2007. № 1. C. 1-11.

95. Ghori S.G. h gp. SPE 105393 Improving Injector Efficiencies Using Streamline Simulation: A Case Study in a Giant Middle East Field. 2007.

96. Dehdari V. h gp. Well Spacing and Recovery Optimization of One of Iranian Oil Fields by Using Streamline and Reservoir Simulation. 2008.

97. Alessia P., Marescalco C. Improving oil fields recovery through real-time water flooding optimization. 2009. № December 2008. C. 768-779.

98. Kumar S. h gp. Understanding Reservoir Mechanisms Using Phase and Component Streamline Tracing and Visualization. 2009.

99. Raslan M.S., Sultan A.J., Aramco S. Water Injection Optimization Using Streamlines from a Finite-Difference Simulator: A Case Study of a Middle East Field. 2012.

100. Benedek L. h gp. Integrated Reservoir Management Approach to Improve Injection Efficiency in a Low Transmissibility Sector of a Giant Carbonate Reservoir. 2013. T. 1. C. 1-11.

101. Safarzadeh M.A., Motealleh M., Moghadasi J. A novel , streamline-based injection efficiency enhancement method using multi-objective genetic algorithm. 2015. C. 73-80.

102. Khan S. h gp. Optimizing Waterflood Management in a Giant UAE Carbonate Oil Field Using Simulation-Based Streamlines. 2014.

103. Algdamsi H.A., Amtereg A.A., Agnia A. Field Scale Injection Efficiency Optimization Based On Combined Analysis Of Finite Difference And Streamline Simulation: Case study. 2014.

104. Algdamsi H.A., Amtereg A.A., Agnia A. Field Scale Gas Injection Efficiency Optimization Based On Combined. 2015.

105. Li J. h gp. Optimizing Water Flood Performance to Improve Injector Efficiency in Fractured low-Permeability Reservoirs Using Streamline Simulation. 2016.

106. Spyrou C.E. h gp. An Approach to Alternative Waterflood Designs and Operations Using Streamline Simulation: Application to an Oil Field in the North German Basin. 2017.

107. Tian C. h gp. Waterflood Management Using Streamline-based Inter-well Flux Information and Classical Finite Volume Reservoir Simulation. 2018.

108. Kwong R.R. h gp. SPE-195372-MS Improving Water Efficiency in the Wilmington Field Using Streamline-Based Surveillance. 2019.

109. Al-Zawawi A.S. h gp. Using streamline and reservoir simulation to improve waterflood management // SPE Middle East Oil and Gas Show and Conference. OnePetro, 2011.

110. Al-Najem A.A. h gp. Streamline simulation technology: Evolution and recent trends // SPE Saudi Arabia Section Technical Symposium and Exhibition. OnePetro, 2012.

111. Asgarov M. h gp. The Study of Injection Performance Using Streamline Tracing // SPE Annual Caspian Technical Conference & Exhibition. OnePetro, 2015.

112. Alhuthali A.H. h gp. Optimal rate control under geologic uncertainty // SPE Symposium on Improved Oil Recovery. OnePetro, 2008.

113. Alhuthali A.H. Optimal waterflood management under geologic uncertainty using rate control: Theory and field applications // SPE Annual Technical Conference and Exhibition. OnePetro, 2009.

114. Alhuthali A.H. h gp. Field applications of waterflood optimization via optimal rate control with smart wells // SPE Reserv. Eval. Eng. SPE, 2010. T. 13, №№ 03. C. 406422.

115. Park H.-Y., Datta-Gupta A. Reservoir management using streamline-based flood efficiency maps and application to rate optimization // SPE Western North American Region Meeting. OnePetro, 2011.

116. Sharma M., Taware S., Datta-Gupta A. Optimizing polymerflood via rate control // SPE Enhanced Oil Recovery Conference. OnePetro, 2011.

117. Vittoratos E., West C.C. Optimal heavy oil waterflood management may differ from that of light oils // SPE EOR Conference at Oil & Gas West Asia. OnePetro, 2010.

118. Zakirov E.S. h gp. Optimal control of field development in a closed loop // SPE Russian Petroleum Technology Conference. OnePetro, 2015.

119. Azamipour V., Assareh M. An Injection Rate Optimization in a Water Flooding Case Study with an Adaptive Simulated Annealing Techniques. 2017. T. 7, № 4. C. 13-31.

120. Tanaka S. h gp. Application of combined streamline based reduced-physics surrogate and response surface method for field development optimization // International petroleum technology conference. OnePetro, 2020.

121. Tanaka S. h gp. A Generalized Derivative-Free Rate Allocation Optimization for Water and Gas Flooding Using Streamline-Based Method. 2017.

122. Li J. h gp. Injection Allocation in Multi-Layer Water Flooding Reservoirs Using SVM Optimized by Genetic Algorithm The Theory of Support Vector Machine Regression and Genetic Algorithm ( GA ) // IPTC. 2016.

123. Zhang Z., Bai M., Li Y. Identification of Flow Channels using Streamline Numerical Simulation and Fuzzy Comprehensive Evaluation. 2016. № Iccte. C. 1019-1022.

124. Bukhamseen N.Y. h gp. An Injection Optimization Decision-Making Tool Using Streamline Based Fuzzy Logic Workflow Improved IPR Optimization Workflow // spe. 2017.

125. Hu J.I.A., Lihui D. Water flooding flowing area identification for oil reservoirs based on the method of streamline clustering artificial intelligence // Pet. Explor. Dev. Research Institute of Petroleum Exploration & Development, PetroChina, 2018. T. 45, № 2. C. 328-335.

126. Guo Q., He S., Meng L. Study on gradational optimization of oil reservoir streamline field based on an artificial intelligence algorithm // J. Pet. Explor. Prod. Technol. Springer International Publishing, 2019. Т. 9, № 2. С. 1295-1306.

127. Бриллиант Л.С. Способ оперативного управления заводнением пластов. 2020.

128. Weber D.B. The use of capacitance-resistance models to optimize injection allocation and well location in water floods // ProQuest Dissertations and Theses. 2009. 292 с.

129. Jafroodi N., Zhang D. New method for reservoir characterization and optimization using CRM-EnOpt approach // J. Pet. Sci. Eng. Elsevier B.V., 2011. Т. 77, № 2. С. 155-171.

130. Weber D. и др. Improvements in capacitance-resistive modeling and optimization of large scale reservoirs // SPE West. Reg. Meet. 2009 - Proc. 2009. С. 369-385.

131. Hong A.J., Bratvold R.B., N^vdal G. Robust production optimization with capacitance-resistance model as precursor // Comput. Geosci. Computational Geosciences, 2017. Т. 21, № 5-6. С. 1423-1442.

132. Bratvold R.B. Estimating the Value of Information Using Closed Loop Reservoir Management of Capacitance Resistive Models. NTNU, 2016. 115 с.

133. Weber D. The Use of Capacitance -resistance Models to Optimize Injection Allocation and Well Location in Water Floods. The University of Texas at Austin, Austin, Texas. Ph. D dissertation, 2009. 292 с.

134. Liang X. и др. Optimization of oil production based on a capacitance model of production and injection rates // SPE Hydrocarb. Econ. Eval. Symp. 2007. С. 167177.

135. De Holanda R.W. и др. A state-of-the-art literature review on capacitance resistance models for reservoir characterization and performance forecasting // Energies. 2018. Т. 11, № 12.

136. Mamghaderi A. Optimization of Waterflooding Performance in a Layered Reservoir Using a Combination of Capacitance-Resistive Model and Genetic Algorithm Method. 2013. Т. 135, № March. С. 1-9.

137. Yrigoyen A. и др. Identifying cost-effective waterflooding optimization

opportunities in mature reservoirs from data driven analytics // Proc. - SPE Annu. Tech. Conf. Exhib. 2017.

138. Temizel C., Artun E., Yang Z. Improving oil-rate estimate in capacitance/resistance modeling using the Y-function method for reservoirs under waterflood // SPE Reserv. Eval. Eng. 2019. Т. 22, № 3. С. 1161-1171.

139. Ермолаев А.И. и др. Разработка рациональных стратегий ввода в эксплуатацию нефтяной залежи // Нефтяное хозяйство. Закрытое акционерное общество" Издательство" Нефтяное хозяйство", 2007. № 6. С. 74-77.

140. Ertekin T., Sun Q., Zhang J. Reservoir simulation: problems and solutions. Society of Petroleum Engineers Richardson, Texas, USA, 2019.

141. Ertekin T., Abou-Kassem J.H., King G.R. Basic applied reservoir simulation // Richardson, TX: Society of Petroleum Engineers. 2001. Т. 7.

142. Костюченко C. Количественный анализ заводнения для систем скважин на основе моделей линий тока // Бурение и нефть. Общество с ограниченной ответственностью Бурнефть, 2006. № 2. С. 12-14.

143. Кайгородов С.В. и др. Оптимизация системы заводнения с помощью модели линий тока на Верх-Тарском месторождении // Нефтяное хозяйство. Закрытое акционерное общество" Издательство" Нефтяное хозяйство", 2013. № 3. С. 78-80.

144. Насыбуллин А.В. и др. Оптимизация системы заводнения на основе трехмерного геолого-гидродинамического моделирования и искусственного интеллекта // Нефтяное хозяйство. Закрытое акционерное общество" Издательство" Нефтяное хозяйство", 2012. № 7. С. 14-16.

145. Asadollahi M., Naevdal G. Waterflooding optimization using gradient based methods // SPE/EAGE Reservoir Characterization & Simulation Conference. EAGE Publications BV, 2009. С. cp-170.

146. Al Saidi A., Pourafshary P., Al Wadhahi M. Application of fast reservoir simulation methods to optimize production by reallocation of water injection rates in an omani field // SPE Middle East Oil Gas Show Conf. MEOS, Proc. 2015. Т. 2015-Janua. С. 1173-1181.

147. Guo Z., Reynolds A.C., Zhao H. Waterflooding optimization with the INSIM-FT data-driven model // Comput. Geosci. Springer, 2018. Т. 22. С. 745-761.

148. Jansen J.D., Durlofsky L.J. Use of reduced-order models in well control optimization // Optim. Eng. Springer, 2017. Т. 18. С. 105-132.

149. Закиров С.Н. и др. Новые принципы и технологии разработки месторождений нефти и газа. 2004.

150. Закиров С.Н. и др. Новые принципы и технологии разработки месторождений нефти и газа. 2009.

151. Bekman A.D. и др. Новый алгоритм нахождения оптимального решения задачи определения коэффициентов взаимовлияния скважин в рамках модели CRM // Tyumen State Univ. Herald. Phys. Math. Model. Oil, Gas, Energy. 2019. Т. 5, № 3. С. 164-185.

152. Yousef A.A. и др. A capacitance model to infer interwell connectivity from production-and injection-rate fluctuations // SPE Reserv. Eval. Eng. OnePetro, 2006. Т. 9, № 06. С. 630-646.

153. Ручкин А.А. и др. Исследование особенностей оценки взаимовлияния скважин на примере модели CRM // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2018. Т. 4, № 4. С. 148-168.

154. Пятибратов П.В., Заммам М. Прогнозирование показателей разработки нефтяного месторождения на основе CRM и сравнение с результатами трехмерного гидродинамического моделирования // Нефтепромысловое дело Учредители Российский государственный университет нефти и газа (национальный исследовательский университет) им. ИМ Губкина. 2022. № 5. С. 16-24.

155. Казаков А.А. Прогнозирование показателей разработки месторождений по характеристикам вытеснения нефти водой // Нефтепромысловое дело. 1976. № 8. С. 5-7.

156. Харисов М.Н. и др. Алгоритм определения характеристик вытеснения в условиях несовершенства данных // Нефтегазовое дело. 2018. Т. 16, № 6. С.

20-25.

157. Пятибратов П.В., Заммам М. Оптимизация заводнения на основе метода линий тока и решения задачи линейного программирования // Научные труды НИПИ Нефтегаз ГНКАР. 2022. Т. S2. С. 153-163.

158. Пятибратов П.В., Заммам М. Свидетельство о государственной регистрации программы для ЭВМ № 2023611006 Российская Федерация. Управление заводнением на основе линейного программирования и метода линий тока: № 2022686385: заявл. 28.12.2022: опубл. 16.01.2023 / П. В. Пятибратов, М.Заммам. 2023.