Energy Potential Analysis of Facially Heterogeneous Carbonate Reservoirs in the Process of Hydrocarbon Reserves Development

Author details

P.O. Chalova
Perm National Research Polytechnic University, Perm, Russian Federation

https://doi.org/10.15593/2712-8008/2024.2.3

Analysis of the energy state of a deposit is an integral part of field development monitoring. Now, a significant volume of production in the Perm Krai comes from complex carbonate reservoirs, which are characterized by heterogeneity both vertically and laterally, different filtration and reservoir characteristics, alternation of different types of void space, and a large coefficient of compartmentalization. Under such conditions, the need for constant monitoring of the reservoir energy state, in particular the dynamics of reservoir pressure, increases. In this work, using the example of the T-Fm-Fr carbonate deposit of one oil field located in the Perm Krai in the northern part of the Solikamsk depression, an analysis of changes in reservoir pressure in various lithological-facial zones since the beginning of well commissioning was carried out. The four zones identified as a result of facies analysis are characteristic of fields confined to the reef reservoirs of the Solikamsk Depression and are characterized by different geological structures. It is generally accepted that the filtration and reservoir properties of a reservoir, field reserves and well flow rates can directly depend on lithological-facial zones. Thus, as a result of the study, it was established that the facies of the upper part of the rear plume of the reef was characterized by the maximum amount of accumulated fluid production and the best filtration and reservoir properties. However, based on the magnitude of changes in reservoir pressure in wells, obtained using artificial intelligence methods in the Data Stream Analytics program, and when calculating statistical criteria, it was established that the features of the facies environment did not significantly affect the magnitude of changes in reservoir pressure from the beginning of putting wells into operation. The calculated criteria confirmed the different amounts of accumulated oil and liquid production by facies and were not statistically significant for the magnitude of changes in reservoir pressure. The results of the study indicated the need to take into account all facial zones as a single development object when choosing the optimal system for maintaining reservoir pressure and selecting well stimulation.

Keywords

facies analysisreservoir pressure dynamicsstatistical analysiscomplex carbonate reservoirreef reservoirreservoir energy state.

Анализ энергетического потенциала фациально-неоднородных карбонатных коллекторов в процессе выработки запасов углеводородов

Анализ энергетического состояния залежи является неотъемлемой частью мониторинга разработки месторождений. В настоящее время значительный объем добычи в Пермском крае приходится на сложнопространенные карбонатные коллекторы, которые характеризуются неоднородностью как по вертикали, так и по латерали, различными фильтрационно-емкостными характеристиками, чередованием отличающихся типов пустотного пространства, большим коэффициентом расчлененности. В таких условиях возрастает необходимость постоянного мониторинга энергетического состояния залежи, в частности динамики пластового давления. В данной работе на примере карбонатной залежи Т-Фм-Фр одного инженерного месторождения, расположенного в Пермском крае в северной части Соликамской депрессии, проведен анализ изменения пластового давления по различным литолого-фациальным зонам с начала ввода скважин в эксплуатацию. Выделенные в результате фациального анализа четыре зоны являются характерными для месторождений, приуроченных к рифовым резервуарам Соликамской депрессии, и характеризуются различным геологическим строением. Принято считать, фильтрационно-емкостные свойства коллектора, запасы месторождения и дебиты скважин могут напрямую зависеть от литолого-фациальной зональности. Так, в результате исследования установлено, что фация верхней части тылового шлейфа рифа характеризуется максимальной величиной накопленной добычи жидкости и лучшими фильтрационно-емкостными свойствами. Однако по величине изменения пластового давления в скважинах, полученного с помощью методов искусственного интеллекта в программе Data Stream Analytics, и при расчете статистических критериев установлено, что особенности фациальной обстановки несущественно влияют на величину изменения пластового давления с начала ввода скважин в эксплуатацию. Рассчитанные критерии подтверждают различную величину накопленной добычи нефти и жидкости по фациям и не являются статистически значимыми для величины изменения пластового давления. Результаты исследования указывают на необходимость учета всех фациальных зон как единого объекта разработки при выборе оптимальной системы поддержания пластового давления и подборе геолого-технологических мероприятий на скважинах.

Ключевые слова

фациальный анализдинамика пластового давлениястатистический анализсложнопростенный карбонатный коллекторрифовый резервуарэнергетическое состояние залежи.

Bibliography

1.Мартошев, Д.А. Изучение закономерностей распределения фильтрационных свойств в пределах сложнопостроенных карбонатных резервуаров / Д.А. Мартошев, В.И. Галкин, И.Н. Пономарева // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2021. – Т. 332. – № 11. – С. 117–126. DOI: 10.18799/24131830/2021/11/3069 Scholar
2.Study of void space structure and its influence on carbonate reservoir properties: X-ray microtomography, electron microscopy, and well testing / D.A. Martyushev, I.N. Ponomareva, A.S. Chukhlov, S. Davoodi, B.M. Osovetsky, K.P. Kazymov, Y. Yang // Mar.Pet. Geol. – 2023. – № 151. – P. 106192. DOI: 10.1016/j.marpetgeo.2023.106192 Scholar
3.Hosa, A. Order of diagenetic events controls evolution of porosity and permeability in carbonates / A. Hosa, R. Wood // Sedimentology. – 2020. – № 67. – P. 3042–3054. DOI: 10.1111/sed.12733 Scholar
4.Белозеров, В.Б. Роль фациального анализа в эффективности разработки залежей углеводородов / В.Б. Белозеров, М.О. Коровин // Газовая промышленность. – 2017. – № 7(755). – С. 18–23. Scholar
5.Estimation of porosity and facies distribution through seismic inversion in an unconventional tight sandstone reservoir of Hangjinqi area, Ordos basin / U. Ashraf, A. Anees, W.Z. Shi, R. Wang, M. Ali, R. Jiang, H.V. Thanh, I. Iqbal, X.N. Zhang, H.C. Zhang // Front. Earth Sci. – 2022. – № 10. – P. 1014052. DOI: 10.3389/feart.2022.1014052 Scholar
6.Sedimentary FaciesControls for Reservoir Quality Prediction of Lower Shihzei Member-1 of the Hangijinqi Area / A. Anees, H. Zhang, U. Ashraf, R. Wang, K. Liu, A. Abbas, Z. Ullah, X. Zhang, L. Duan, F. Liu [et al.] // Ordos Basin. Minerals. – 2022. – № 12 (2). – P. 126. DOI: 10.3390/min12020126 Scholar
7.Classification of rock facies using deep convolutional neural network / M. Soleimani, M. Riahi, M. Bagheri, M. Rahimi. – 2023. DOI: 10.21203/rs.3.rs-3046109/v1. Scholar
8.Черепанов, С.С. Исследование и совершенствование методов оценки трещиноватости карбонатных коллекторов (на примере турне-фаменских отложений соликамской депрессии): специальность 25.00.12 «Геология, поиски и разведка нефтяных и газовых месторождений»: дис. … канд. техн. наук / С. С. Черепанов. – Пермь, 2016. – 111 с. Scholar
9.Flügel, E. Microfacies of carbonate rocks: analysis, interpretation and application / E. Flügel, A. Munnecke. – Berlin: Springer, 2010. – Т. 976. – С. 2004. Scholar
10.Electrofacies modeling as a powerful tool for evaluation of heterogeneities in carbonate reservoirs: A case from the Oligo-Miocene Asmari Formation (Dezful Embayment, southwest of Iran) / E. Khazaei, Y. Noorian, R. Moussavi-Haramı [et al.] // Journal of African Earth Sciences. – 2022. – Vol. 195. – P. 104676. DOI: 10.1016/j.jafrearsci.2022.104676 Scholar
11.Role of facies cycles on the mid-upper Cretaceous Bangestan Reservoir rock typing in the Zagros Basin / M. Khoshnoodkia, A. Mirzaei-Paiaman, O. Rahmani, M. Hossein Adabi // Marine and Petroleum Geology. – 2023. – Vol. 148 (2). – P. 1066. DOI: 10.1016/j.marpetgeo.2022.106056 Scholar
12.Carrasquilla, A. Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil / A. Carrasquilla, M. Tavares, N. Franco Filho // Journal of South American Earth Sciences. – 2022. – Vol. 120. – P. 104059. DOI: 10.1016/j.jsames.2022.104059 Scholar
13.Facies, sequence framework, and reservoir quality along a Triassic carbonate ramp: Kangan Formation, South Pars Field, Persian Gulf Superbasin / U. Kakemem, A. Jafarian, A. Husinec [et al.] // Journal of Petroleum Science and Engineering. – 2021. – Vol. 198. – P. 108166. DOI: 10.1016/j.petrol.2020.108166 Scholar
14.Evaluation of facies heterogeneity in reef carbonate reservoirs: A case study from the oil field, Perm Krai, Central-Eastern Russia / Dmitriy A. Martyushev, Polina O. Chalova, Shadfar Davoodi, Umar Ashraf // Geoenergy Science and Engineering. – 2023. – Vol. 227. – P. 211814. DOI: 10.1016/j.geoen.2023.211814 Scholar
15.Козлова, И.А. Использование методов литолого-фациального анализа для уточнения геологического строения карбонатных залежей месторождений Соликамской депрессии / И.А. Козлова, И.С. Путилов, Н.А. Филькина // Нефтепромысловое дело. – 2010. – № 7. – С. 32–36. Scholar
16.Лузина, Д.В. Анализ фациальных зон и коллекторских свойств турнейско-фаменских рифогенных построек Соликамской депрессии / Д.В. Лузина, С.Н. Кривощеков // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. – 2012. – Т. 11, № 5. – С. 7–15. Scholar
17.Facies analysis, diagenesis and sequence stratigraphy of the carbonate-evaporite succession of the Upper Jurassic Surmeh Formation: Impacts on reservoir quality (Salman Oil Field, Persian Gulf, Iran) / M. Beigi, A. Jafarian, M. Javanbakht [et al.] // Journal of African Earth Sciences. – 2017. – Vol. 129. – P. 179–194. DOI: 10.1016/j.jafrearsci.2017.01.005 Scholar
18.Путилов, И.С. Статистический подход к прогнозированию фации по данным керна и ГИС / И.С. Путилов, Н.А. Филькина // Известия высших учебных заведений. Нефть и газ. – 2010. – № 2. – С. 19–23. Scholar
19.Путилов, И.С. Разработка технологий комплексного изучения геологического строения и размещения месторождений нефти и газа / И.С. Путилов. – Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2014. – 285 с. Scholar
20.Вилесов, А.П. Фациальная природа коллекторов верхнедевонских рифогенных массивов северо-восточной части Березниковского палеоплато / А.П. Вилесов, В.Л. Воеводкин, Э.К. Сташкова // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2005. – № 3-4. – С. 81–86. Scholar
21.Лядова, Н.А. Геология и разработка нефтяных и газовых месторождений Пермского края / Н.А. Лядова, Ю.А. Яковлев, А.В. Распопов. – М.: ВНИИОЭНГ, 2010. – 335 с. Scholar
22.Харисов, М.Н. Алгоритм косвенного определения пластового давления с использованием методов Data Mining / М.Н. Харисов, Э.А. Юнусова, Р.А. Майский // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. – 2018. – № 3(113). – С. 40–48. Scholar
23.Захаров, Л.А. Прогнозирование динамического пластового давления методами искусственного интеллекта / Л.А. Захаров, Д.А. Мартюшев, И.Н. Пономарева // Записки Горного института. – 2022. – Т. 253. – С. 23-32. DOI: 10.31897/PMI.2022.11 Scholar
24.Оптимизация проведения гидродинамических исследований скважин в условиях карбонатного коллектора / А.Е. Давыдова, А.А. Щуренко // !!! (продолжение отсутствует) Scholar
25.Анализ результатов косвенного определения пластового давления по изменению режимов работы скважин с использованием генетического алгоритма / В.А. Грищенко, М.Н. Харисов, Р.Ф. Якупов, В.Ш. Мухаметшин, Т.Р. Вафин // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2021. – № 8 (356). – С. 36–41. Scholar
26.Косвенные способы оценки текущего пластового давления в скважине для использования при построении интегрированных моделей месторождений / Т.С. Ладейщикова, В.А. Волков, Н.Н. Собянин, А.В. Митрошин // Нефтепромысловое дело. – 2021. – № 7 (631). – С. 39–45. DOI: 10.33285/0207-2351-2021-7(631)-39-45 Scholar
27.Ponomareva, I.N. A new approach to predict the formation pressure using multiple regression analysis: Case study from Sukharev oil field reservoir – Russia / I.N. Ponomareva, D.A. Martyushev, S. Kumar Govindarajan // Journal of King Saud University. Engineering Sciences. – 2022. DOI: 10.1016/j.jksues.2022.03.005 Scholar
28.Akinbinu, V.A. Prediction of fracture gradient from formation pressures and depth using correlation and stepwise multiple regression techniques / V.A. Akinbinu // Journal of Petroleum Science and Engineering. – 2010. – Vol. 72(1-2). – P. 10–17. DOI: 10.1016/j.petrol.2010.02.003 Scholar
29.Escobar, F.H. Pressure transient analysis for long homogeneous reservoirs using TDS technique / F.H. Escobar, Y.A. Hernandez, C.M. Hernandez // Journal of Petroleum Science and Engineering. – 2007. – Vol. 58(1-2). – P. 68–82. DOI: 10.1016/j.petrol.2006.11.010 Scholar
30.A dynamic prediction model of reservoir pressure considering stress sensitivity and variable production / P. Zong, H. Xu, D. Tang, T. Zhao // Geoenergy Science and Engineering. – 2023. – Vol. 225. – Article 211688. DOI: 10.1016/j.geoen.2023.211688 Scholar
31.A new empirical model for enhancing well log permeability prediction, using nonlinear regression method: Case study from Hassi-Berkine oil field reservoir – Algeria / H.E. Belhouchet, M.S. Benzagouta, A. Dobbi, A. Alquraishic, J. Duplay // Journal of King Saud University – Engineering Sciences. – 2021. – Vol. 33, iss. 2. – P. 136–145. DOI: 10.1016/j.jksues.2020.04.008 Scholar
32.Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties: Comparative analysis of ANN and SVM models / Daniel Asante Otchere, Tarek Omar Arbi Ganata, Raoof Gholami, Syahrir Ridha // Journal of Petroleum Science and Engineering. – 2020. – 108182. DOI: 10.1016/j.petrol.2020.108182 Scholar
33.Shahab, D. Mohaghegh Subsurface analytics: Contribution of artificial intelligence and machine learning to reservoir engineering, reservoir modeling, and reservoir management / D. Shahab // Petroleum Exploration and Development. – 2020. – Vol. 47, iss. 2. – P. 225–228. DOI: 10.1016/S1876-3804(20)60041-6 Scholar
34.Применение машинного обучения для прогнозирования пластового давления при разработке нефтяных месторождений / Д.А. Мартюшев, И.Н. Пономарева, Л.А. Захаров, Т.А. Шадров // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2021. – Т. 332, № 10. – С. 140–149. DOI: 10.18799/24131830/2021/10/3401 Scholar
35.Свидетельство о государственной регистрации программы для ЭВМ № 2023614383 Российская Федерация. "Сервис автоматизации процессов гидродинамического моделирования и контроля разработки нефтяных месторождений Data Stream Analytics (Модуль Оценка и прогноз энергетического состояния залежи)" / Д.А. Мартюшев, И.Н. Пономарева, Т.А. Шадров, Р.А. Хайтин; заявитель Федеральное государственное автономное образовательное учреждение высшего образования «Пермский национальный исследовательский политехнический университет». – № 2023613550; заявл. 01.03.2023; опубл. 01.03.2023. Scholar
36.Опыт применения аналитических методов определения пластового давления / Е.А. Кузнецова, С.Е. Никулин, А.В. Шилов, М.А. Филатов // Нефтепромысловое дело. – 2023. – № 6(654). – С. 12–16. DOI: 10.33285/0207-2351-2023-6(654)-12-16 Scholar
37.Халафян, А.А. STATISTICA 6. Статистический анализ данных / А.А. Халафян. – 3-е изд. – М.:ООО «Бином-Пресс», 2007. – 512 с. Scholar
38.Девис, Дж. Статистика и анализ геологических данных / Дж. Девис. – М.: Мир, 1977. – 353 с. Scholar

Article information

Published: 28 June 2024
Issue date: 28 June 2024
Issue: Vol. 24, No. 2 (2024)