Численное моделирование гидравлического разрыва пласта в горизонтальных скважинах: анализ чувствительности к углу наклона сетки

Представлены результаты комплексного численного моделирования процесса гидравлического разрыва пласта (ГРП) в горизонтальных скважинах, выполненные с использованием структурированных сеток типа corner point в отечественном программном комплексе «тНавигатор». Основное внимание уделено анализу чувствительности результатов моделирования к углу наклона расчетной сетки. В ходе исследования были построены серии гидродинамических моделей с вариацией угла наклона сетки (0°, 10°, 15°, 20°, 30°), после чего проведен детальный сравнительный анализ ключевых технологических показателей, включая накопленную добычу нефти, динамику пластового давления и обводненность продукции. Результаты исследования демонстрируют существенную зависимость продуктивности горизонтальной скважины от угла наклона сетки при моделировании без учета ГРП. Установлено, что увеличение угла наклона до 30° приводит к значительному росту накопленной добычи нефти (на 35,2 %) и стабилизации пластового давления в зоне дренирования. При этом параметры обводненности продукции не показали статистически значимой корреляции с углом наклона сетки. Особый научный интерес представляет выявленное значительное снижение чувствительности модели к конфигурации сетки при учете технологии многостадийного ГРП – разница в накопленной добыче между крайними вариантами дискретизации сокращается с 35,2 до 4,8 %, что свидетельствует о компенсационном эффекте искусственно созданных трещин. Практическая значимость работы заключается в доказательстве того, что при моделировании ГРП определяющими параметрами являются геомеханические свойства породы и характеристики трещин, тогда как угол наклона расчетной сетки играет второстепенную роль. Результаты позволяют оптимизировать процесс гидродинамического моделирования, сокращая вычислительные затраты без потери точности прогнозирования. В перспективе исследование может быть расширено за счет анализа влияния других параметров дискретизации и применения методов машинного обучения для автоматизации процессов анализа чувствительности моделей.

Numerical Simulation of Hydraulic Fracturing in Horizontal Wells: Sensitivity Analysis of Grid Dip Angle

This article presents the results of comprehensive numerical modelling of hydraulic fracturing in horizontal wells, conducted using structured “corner point” grids in the domestic software package tNavigator. The study focuses on analysing the sensitivity of simulation results to the grid dip angle. The methodology involved constructing a series of hydrodynamic models with varying grid inclination angles (0°, 10°, 15°, 20°, 30°), followed by a detailed comparative analysis of key technological indicators, including cumulative oil production, reservoir pressure dynamics, and water cut. The findings reveal a significant dependence of horizontal well productivity on grid dip angle in simulations excluding hydraulic fracturing. Increasing the dip angle to 30° was found to enhance cumulative oil production by 35.2% while stabilising reservoir pressure in the drainage zone. Notably, water cut parameters showed no statistically significant correlation with grid inclination. Of particular scientific interest is the substantial reduction in model sensitivity to grid configuration when incorporating multi-stage hydraulic fracturing technology – the difference in cumulative production between extreme discretisation variants decreased from 35.2 % to 4.8 %, demonstrating the compensatory effect of artificially created fracture networks. The practical significance of this work lies in demonstrating that when modelling hydraulic fracturing, the determining parameters are the geomechanical properties of the rock and fracture characteristics, while the grid dip angle plays a secondary role. These results enable optimisation of hydrodynamic modelling processes, reducing computational costs without compromising forecast accuracy. Future research could be expanded to analyse the influence of other discretisation parameters and employ machine learning methods to automate model sensitivity analysis processes.