Smart wells and model-based field production optimization

• Autorzy: Zolotukhin Anatoly B.

Identyfikatory

DOI

10.18668/NG.2019.01.03

Warianty tytułu

PL

Inteligentne odwierty i optymalizacja produkcji oparta na modelu złoża

• Języki publikacji: EN

Abstrakty

EN

This paper is devoted to model-based optimization of smart well controls. Reservoir models are usually far from perfect because of the limited volume and quality of the available raw data, and the methods used to construct them, therefore model-based production optimization is extremely difficult and requires constant improvement of existing as well as the development of new approaches to its solution. The paper considers examples of some important, in our opinion, development tasks and shows possible ways of solving them, as well as a brief analysis of the results obtained with the help of approaches and methods that reflect different points of view on the uncertainty of the initial information and the accuracy of the forecast. Among the tasks considered: 1) separate and combined deployment of a smart injector and an EOR method (hot water injection); 2) use of smart wells to optimize the development of a small offshore oil field. As shown in the paper, the first task proved that quite significant synergy can arise due to the combined deployment of two IOR techniques (hot water injection and a smart injector). It also highlighted that synergy is quite insensitive to the uncertainty impact. The second task showed that the use of smart wells in combination with a proactive development strategy can significantly reduce the impact of uncertainty in the reservoir characterization on the reservoir performance. The economic efficiency of the proactive strategy in the considered example was proven to be 2–4 times higher when compared with the reactive control strategy.

PL

Artykuł jest poświęcony optymalizacji zarządzania inteligentnym odwiertem opartej na modelu złoża. Modele złóż są zwykle dalekie od doskonałości z powodu ograniczonej ilości i jakości dostępnych danych oraz metod używanych do ich tworzenia, dlatego optymalizacja produkcji oparta na modelu jest niezwykle trudna i wymaga ciągłego doskonalenia zarówno istniejących jak i rozwoju nowych rozwiązań. W artykule rozważono przykłady kilku ważnych, w naszej opinii, zadań rozwojowych i wskazano możliwe sposoby ich rozwiązania, przedstawiono również krótką analizę wyników uzyskanych za pomocą sposobów i metod, które odzwierciedlają różne punkty widzenia na temat niepewności danych początkowych i dokładności prognoz. Omawiane zadania obejmują: 1) oddzielne i połączone wdrożenie inteligentnego odwiertu zatłaczającego i metody EOR (zatłaczanie gorącej wody); 2) wykorzystanie inteligentnych odwiertów do optymalizacji zagospodarowania małego podmorskiego złoża ropy naftowej. Jak przedstawiono w artykule, prace wykonane w ramach pierwszego zadania udowodniły, że może wyniknąć dość znacząca synergia, dzięki połączonemu wdrożeniu dwóch technik IOR (zatłaczania gorącej wody i inteligentnego odwiertu zatłaczającego). Należy podkreślić, że synergia ta jest dość niewrażliwa na wpływ niepewności. Badania przeprowadzone w celu realizacji drugiego zadania wykazały, że wykorzystanie inteligentnych odwiertów w kombinacji z proaktywną strategią zagospodarowania może znacząco zmniejszyć wpływ niepewności charakterystyki złoża na jego wydajność. Efektywność ekonomiczna strategii proaktywnej w rozważanym przykładzie okazała się 2–4 razy wyższa w porównaniu do reaktywnej strategii zarządzania.

Słowa kluczowe

EN

enhanced oil recovery (EOR); improved oil recovery (IOR); combined deployment; synergy; uncertainty impact; reactive and proactive strategy; smart well; high-tech well; optimization tasks

PL

wspomaganie wydobycia ropy naftowej (EOR); ulepszone wydobycie ropy naftowej (IOR); połączone wdrożenie; synergia; wpływ niepewności; strategia reaktywna i proaktywna; odwiert inteligentny; odwierty zaawansowane technologicznie; zadania optymalizacji

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2019
• Tom: R. 75, nr 1
• Strony: 17--23
• Opis fizyczny: Bibliogr. 15 poz., rys., tab., wz.

Twórcy

autor

Zolotukhin Anatoly B.

• Gubkin Russian State University (National Research University) of Oil and Gas, Moscow, Russian Federation
• Northern (Arctic) Federal University named after M.V. Lomonosov, Arkhangelsk, Russian Federation
• University of Stavanger, Stavanger, Norway

Bibliografia

• Chen Y., Oliver D.S., Zhang D., 2009. Efficient Ensemble-Based Closed-Loop Production Optimization. Society of Petroleum Engineers. DOI:10.2118/112873-PA.
• Emerick A.A., Portella R.C.M, 2007. Production Optimization with Intelligent Wells. Society of Petroleum Engineers. DOI: 10.2118/107261-MS.
• Grebenkin I.M., Davis D.R., 2010. Analysis of the Impact of an Intelligent Well Completion on the Oil Production Uncertainty. Society of Petroleum Engineers. DOI: 10.2118/136335-MS.
• Khrulenko A., Zolotukhin A., 2011. Approach for a full field scale smart well modeling and optimization. Society of Petroleum Engineers. DOI 10.2118/149926-MS.
• Khrulenko A., Zolotukhin A., 2014. Simulation Study of Combined Deployment of Smart Completion and Hot Water Injection in a Heavy Oil Reservoir. Proceedings of the ECMOR-XIV: 11.
• Meum P., Tøndel P., Godhavn J-M., Aamo O.M., 2008. Optimization of Smart Well Production through Nonlinear Model Predictive Control. Society of Petroleum Engineers. DOI: 10.2118/112100-MS.
• Naus M.M.J.J., Dolle N., Jansen J.-D., 2006. Optimization of Commingled Production Using Infinitely Variable Inflow Control Valves. Society of Petroleum Engineers. DOI: 10.2118/90959-PA.
• Obendrauf W., Schrader K., Al-Farsi N., White A., 2006. Smart Snake Wells in Champion West – Expected and Unexpected Benefits from Smart Completions. Society of Petroleum Engineers. DOI: 10.2118/100880-MS.
• Peters L., Arts R.J., Brouwer G.K., Geel C.R., Cullick S., Lorentzen R.J., Chen Y., Dunlop K.N.B., Vossepoel F.C., Xu R., Sarma P., Alhuthali A.H., Reynolds A.C., 2010. Results of the Brugge Benchmark Study for Flooding Optimization and History Matching. Society of Petroleum Engineers. DOI: 10.2118/119094-PA.
• Schlumberger, 2013. ECLIPSE Reference Manual. Version 2013.2.
• Su H.-J., Oliver D.S., 2010. Smart-Well Production Optimization Using an Ensemble-Based Method. Society of Petroleum Engineers. DOI: 10.2118/126072-PA.
• The MathWorks, 2013. <http://mathworks.com> (access: 22.11.2018).
• van Essen G.M., Jansen J.D. et al., 2010. Optimization of Smart Wells in the St. Joseph Field. Society of Petroleum Engineers. DOI: 10.2118/123563-PA.
• Yeten B., Brouwer D.R., Durlofsky L.J., Aziz K., 2004. Decision analysis under uncertainty for smart well deployment. Journal of Petroleum Science and Engineering, 43: 183–199.
• Zolotukhin A., Khrulenko A., Valeev A., Musorina A., 2011. Impact of geologic uncertainty on technologic efficiency of high-tech wells. Report on BP grant, Gubkin University. <https://www.gubkin.ru/departaments/international_activity/files/grant5.pdf> (access: 28.11.2018).

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).