Petrofizyczne aspekty poszukiwań naftowych na dużych głębokościach

• Autorzy: Such Piotr

Identyfikatory

DOI

10.18668/NG.2020.08.02

Warianty tytułu

EN

Petrophysical aspects of hydrocarbon prospecting and exploitation in deeper targets

• Języki publikacji: PL

Abstrakty

PL

Szanse na stosunkowo duże złoża węglowodorów istnieją w Karpatach oraz na Niżu Polskim w utworach czerwonego spągowca i być może dewonu. Ich cechą wspólną jest zaleganie na głębokościach poniżej 3 km. Duże koszty wierceń na tych głębokościach oraz typ potencjalnych złóż (niekonwencjonalne i o niskich przepuszczalnościach) są przyczynami, dla których problemem zasadniczym jest opłacalność ich eksploatacji. Realna analiza ekonomiczna wymaga opracowania modelu złoża (wraz z charakterystyką petrofizyczną skał, liczbą potencjalnych odwiertów), a ten z kolei wymaga wykonania kompletu badań geofizyki otworowej i kompletu badań laboratoryjnych (petrograficznych, petrofizycznych). Dodatkowo ze względu na głębokości i rodzaj skał takie parametry jak przepuszczalność, przepuszczalność względna, przepływy oryginalnych płynów złożowych czy analizy geomechaniczne muszą być wykonywane w symulowanych warunkach złożowych. Analizy w symulowanych warunkach złożowych trwają bardzo długo, są również kosztowne. Kolejnym parametrem warunkującym opłacalną eksploatację jest ilość węglowodorów, które można pozyskać. Należy również uwzględnić potencjalne szczelinowania. Optymalnym rozwiązaniem byłoby wykonanie wstępnego modelu złoża na podstawie pierwszego wiercenia. Czy jest to możliwe? Tak, jeśli stworzymy odpowiednie bazy danych dla poszczególnych basenów sedymentacyjnych. Warunkiem koniecznym jest istnienie w bazie danych poprawnej statystycznie liczby badań wykonanych w warunkach otworowych oraz wszystkich innych dostępnych badań. Wtedy, wykorzystując metody sztucznej inteligencji, można dokonać wydzielenia klas podobieństwa skał (ang. rock typing), oszacować parametry skał dla całego złoża i przeprowadzić analizę ekonomiczną na podstawie bazy danych z rozwiercanego basenu sedymentacyjnego oraz wyników badań rdzeni i profili geofizycznych z pierwszego odwiertu. Bazy danych powinny rosnąć w miarę prac w poszczególnych basenach sedymentacyjnych. Podsumowując, można stwierdzić, że kluczem dla udostępniania tego typu złóż będą analizy w symulowanych warunkach złożowych i bazy danych (big data) pozwalające na zastosowanie metod sztucznej inteligencji.

EN

We are entering the second stage of prospecting hydrocarbons in Poland. The potential volume of gas in various types of unconventional reservoirs is huge. Deep lying sediments in the Carpathians and in the Polish Lowland (the Rotliegend Basin and the Devonian) are prospective gas basins, but it is possible to find them deeper than 3000 m. Additionally, in contrast with shale gas, other types of unconventional reservoirs provide a big chance for profitable exploitation, however it requires application of complex, modern methods of investigation and very careful calculation of all prices connected with facilities of such types of reservoirs. Deeper targets means great drilling costs. Unconventional type means that compressibility of rocks and reservoir fluids, as well as high temperatures and pressures, must be taken into account. These two factors result in the main problem being economical profitability. Real economical analysis is possible after creating a numerical reservoir model with evaluation of the volume of hydrocarbons, the number of necessary wells and the potential production rate. The numerical model requires well logs and laboratory analyses. A part of laboratory analyses must be performed in simulated reservoir conditions. These analyses are expensive and time consuming. So, is it possible to reduce the costs and the time of model creation? For example, is it possible to create a full numerical model on the basis of the first well. Yes, if we have an appropriate data base (date base from the sedimentary basin in which we found a reservoir with a statistically correct number of core analyses performed in simulated reservoir conditions). In such a situation we can apply artificial intelligence methods and rock typing methods and evaluate petrophysical parameters for the whole reservoir. To sum up, the key to proper evaluation and exploitation scheduling will be the analyses performed in simulated reservoir conditions and big data.

Słowa kluczowe

PL

głębokość duża; analiza ekonomiczna; warunki złożowe; bazy danych

EN

deeper targets; economical analysis; reservoir conditions; data base

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2020
• Tom: R. 76, nr 8
• Strony: 502--506
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Such Piotr

• Instytut Nafty i Gazu – Państwowy Instytut Badawczy

Bibliografia

• Amaefule J.O., Altunbay M., Tiab D., Karsedy D.G., Keelan D., 1993. Enhanced Reservoir Description: Using Core and Log data to Identify Hydraulic (Flow) Units and Predict Permeability in Uncored Intervals/Wells. Society of Petroleum Engineers. DOI: 10.2118/26436-MS.
• Bodi T., 2012. Gas flow in the nano size pore channels of tight and non conventional gas storage formation. Geosciences and Engineering, 1: 49–63.
• Budak P., Cicha-Szot R., Leśniak G., Majkrzak M., Such P., 2015. Threshold pressure in tight gas reservoir of Central European formations. International Symposium of the Society of Core Analysts held in St. John’s Newfoundland and Labrador, Canada, SCA2015-058: 1–7.
• Burmester G., 2019. High Resolution Petrophysics – Wellbore Images as Big Data Source for Reservoir Engineering and Production Technology. 81st EAGE Conference and Exhibition. DOI: 10.3997/2214-4609.201900980.
• Clarkson Ch.R., Wood J., Burgis S., Aquino S., Freeman M., 2012. Nanopore structure analysis and permeability prediction for a tight gas siltstone reservoir by use of low-pressure adsorption and mercury-intrusion techniques. Society of Petroleum Engineers. DOI:10.2118/155537-PA.
• Drozd A., Dziadzio P., Stadtmüller M., 2019. Wykształcenie facjalne i korelacja profili warstw krośnieńskich z odsłonięć i otworów wiertniczych (fałd Gorlic, jednostka śląska, Karpaty). Nafta-Gaz, 11: 663–673. DOI: 10.18668/NG.2019.11.01.
• Guo G., Diaz M.A., Paz F., Smalley J., Waniger E.A., 2005. Rock typing as an effective tool for permeability and water saturation modelling: a case study in a clastic reservoir in the Oriente Basin. Society of Petroleum Engineers. DOI: 10.2118/97033-PA.
• Kaczmarczyk W., Lis-Śledziona A., 2017. Adaptation of methodology of Discrete Fracture Network (DFN) model building for selected lower Paleozoic intervals. Nafta-Gaz, 11: 843–850. DOI: 10.18668/NG.2017.11.03.
• Kerzner M., Daniel P.J., 2018. Big Data in Oil & Gas and Petrophysics. [W:] Srinivasan S. (ed.). Guide to Big Data Applications. Studies in Big Data. Springer, Cham., 26. DOI: 10.1007/978-3-319-53817-4.
• Leśniak G., Biernacka J., Buniak A., 2006. Wpływ kompakcji i cementacji na właściwości zbiornikowe piaskowców eolicznych czerwonego spągowca z obszaru monokliny przedsudeckiej. Prace Instytutu Nafty i Gazu, 134: 1–67.
• Lis-Śledziona A., 2019: Petrophysical rock typing and permeability prediction in tight sandstone reservoir. Acta Geophysica, 67: 1895–1911. DOI: 10.1007/s11600-019-00348-5.
• Lis-Śledziona A., Mroczkowska-Szerszeń M., 2020. Wpływ zailenia na wartości parametrów sprężystych w osadach miocenu. Nafta-Gaz, 1: 18–28. DOI: 10.18668/NG.2020.01.03.
• Łętkowski P., 2019. Optimization algorithm for number and wells placement. Nafta-Gaz, 12: 744–750. DOI: 10.18668/NG.2019.12.02.
• Mirzaei-Paiaman A., Ostadhassan M., Rezaee M.R., Saboorian-Jooybari H., Chen Z., 2018. A new approach in petrophysical rock typing. Journal of Petroleum Science and Engineering, 166: 445–464. DOI: 10.1016/j.petrol.2018.03.075.
• Porras J.C., Campos O., 2018. Rock Typing: A Key Approach for Petrophysical Characterization and Definition of Flow Units. Society of Petroleum Engineers. DOI: 10.2523/69458-MS.
• Rudko G.I. (ed.), 2014. Energy resources of geological environment in Ukraine. State Commission of Ukraine on Mineral Resources, Kijów.
• Rushing J.A., Newsham K.E., Blasingame T.A., 2008. Rock Typing: Keys to Understanding Productivity in Tight Gas Sands. Society of Petroleum Engineers. DOI: 10.2118/114164-MS.
• Słota-Valim M., 2014. Projektowanie wtórnego zabiegu udostępniania złóż typu niekonwencjonalnego z uwzględnieniem geomechanicznego modelu Ziemi. Nafta-Gaz, 9: 563–573.
• Such P., 2019. Oil and Gas in Poland: critical points and future prospecting. IOP Conf. Series: Earth and Environmental Science, 261. DOI: 10.1088/1755-1315/261/1/012050.
• Such P., Dudek L., Mroczkowska-Szerszeń M., Cicha-Szot R., 2015. The influence of reservoir conditions on filtration parameters of shale rocks. Nafta-Gaz, 11: 827–832. DOI: 10.18668/NG2015.11.03.
• Such P., Leśniak G., Słota M., 2010. Ilościowa charakterystyka porowatości i przepuszczalności utworów czerwonego spągowca potencjalnie zawierających gaz ziemny zamknięty. Przegląd Geologiczny, 58(4): 347–351.
• Topór T., 2020. An Integrated workflow for MICP-based rock typing: A case study of a tight – gas sandstone reservoir in the Baltic Basin (Poland). Nafta-Gaz, 4: 219–229. DOI: 10.18668/NG.2020.04.01.
• Ziemianin K., 2016. Petrografia i granulometria utworów czerwonego spągowca – wstępna charakterystyka do poszukiwania złóż gazu zamkniętego (tight gas). Nafta-Gaz, 7: 502–512). DOI: 10.18668/NG.2016.07.02.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).