Inteligentny system wspomagający proces identyfikacji perspektywicznych horyzontów w wielohoryzontowych złożach gazu ziemnego uwzględniający kryterium ekonomiczne ich udostępnienia i eksploatacji

• Autorzy: Pańko Adam

Identyfikatory

DOI

10.18668/NG.2022.11.01

Warianty tytułu

EN

Intelligent system supporting the process of identification of perspective horizons in multi-horizontal gas deposits taking into account economic criteria, their completion and exploitation

• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano inteligentny system wspomagający proces identyfikacji perspektywicznych horyzontów złożowych w wielohoryzontowych złożach gazu ziemnego, uwzględniający kryterium ekonomiczne ich udostępnienia i eksploatacji. W procesie projektowania systemu zostały wykorzystane dotychczasowe doświadczenia firmy ORLEN Upstream z prac prowadzonych na obszarze zapadliska przedkarpackiego w utworach miocenu, obejmujące etap poszukiwania i eksploatacji wielohoryzontowych złóż gazu ziemnego. System został opracowany na bazie sztucznej inteligencji (SI) z wykorzystaniem między innymi sztucznych sieci neuronowych (SSN) i metod uczenia maszynowego (ML) oraz dodatkowo metod tzw. eksperymentu projektowanego (ang. design of experiment, DOE). Pierwsza część systemu obejmuje procesy związane z selekcją odpowiednich danych wejściowych i ich przygotowaniem do wykorzystania w kolejnych elementach systemu. Kolejnym etapem inteligentnego systemu jest identyfikacja perspektywicznych horyzontów złożowych w nowo wierconych odwiertach na podstawie wyników wykonanych opróbowań typu DST (ang. drill stem test) i testów produkcyjnych w dotychczas odwierconych i eksploatowanych odwiertach przez ORLEN Upstream. Następny element systemu stanowi projekt bazy danych wejściowych do budowy zastępczego modelu złożowego (ZMZ). Do konstrukcji bazy danych wykorzystano metodę Latin hypercube i symulator numeryczny Eclipse. W dalszej części systemu skonstruowany model zastępczy został użyty do probabilistycznego generowania profili wydobycia gazu ze zidentyfikowanych w poprzednim etapie perspektywicznych horyzontów złożowych. Ostatnim elementem zaprojektowanego systemu jest analiza ekonomiczna opłacalności procesu udostępniania i eksploatacji, bazująca między innymi na wyznaczonych profilach wydobycia gazu. Wynikiem analizy jest wyznaczenie podstawowych wskaźników ekonomicznych inwestycji. Na podstawie przeprowadzonej analizy ekonomicznej tworzony jest ranking zidentyfikowanych horyzontów i podejmowana jest decyzja o ewentualnym udostępnieniu i eksploatacji zidentyfikowanego horyzontu lub odstąpieniu od jego opróbowania.

EN

The article presents an intelligent system supporting the process of identification of perspective horizons in multi-horizontal gas deposits taking into account economic criteria of their completion and exploitation. Artificial Intelligence has been used for more than two decades as a development tool for solutions in several areas of the E&P industry: production control and optimization, forecasting, ans simulation, among many others. The intelligent system was designed based on so far carried out work by the ORLEN Upstream company in the area of the Carpathian Foredeep (Miocene formations), including the phase of exploration and exploitation of multi-horizontal gas deposits. The system was developed based on artificial intelligence (AI) using, among other things, artificial neural networks (ANN), machine learning (ML), and additional methods of design of experiment (DOE). The first part of the designed system includes processes connected with the selection of proper input data and their preparation to be utilized in the next section of the system. The next stage of the intelligent system is the identification of perspective horizons in the new drilling wells based on results from performed DST and production tests in so far drilled and exploited wells by ORLEN Upstream. The subsequent stage is the design of input database for the construction of the Surrogate Reservoir Model (SRM). This input database was prepared using the Latin Hypercube method and the commercial reservoir simulator Eclipse. In the duration of the next stage of the system, the previously prepared Surrogate Reservoir Model was utilized to probabilistically generate production gas profiles from identified horizons. The final part of the intelligent system is the economic profitability analysis of investments, among other things, based on generated production profiles. The results of the economic analysis are economic indicators of investment. The decision concerning the possible completion and exploitation of the identified horizon or renouncement of the execution of the drill stem test is made on the basis of the economic results.

Słowa kluczowe

PL

sztuczna inteligencja; uczenie maszynowe; sztuczne sieci neuronowe; zastępczy model złożowy; analiza ekonomiczna

EN

artificial intelligence; machine learning; artificial neural network; surrogate reservoir model; economic analysis

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2022
• Tom: R. 78, nr 11
• Strony: Bibliogr. 18 poz., rys.
• Opis fizyczny: Bibliogr. 18 poz., rys.

Twórcy

autor

Pańko Adam

• ORLEN Upstream Sp. z o.o.

Bibliografia

• Ali J.K., 1994. Neural Networks: A New Tool for the Petroleum Industry? European Petroleum Computer Conference, Aberdeen, United Kingdom, March 1994. DOI: 10.2118/27561-MS.
• Barbacki J., 2021. Zastosowanie sztucznej inteligencji w procesie klasyfikacji facji skał zbiornikowych w oparciu o dane geofizyki otworowej. Wiadomości Naftowe i Gazownicze, 2(267): 4–8.
• Boschetti A., Massaron L., 2017. Python. Podstawy nauki o danych. Wydawnictwo Helion, Gliwice.
• Fernandes M.A., 2012. Using Neural Networks for Determining Hydrocarbons Presence from Well Logs: A Case Study for Alagoas Basin. Society of Petroleum Engineers. DOI: 10.2118/153446-MS.
• Franti P., Sieranoja S., 2019. How much can k-means be improved by using better initialization and repeats? Pattern Recognition, 93: 95–112. DOI: 10.1016/j.patcog.2019.04.014.
• Helton J.C., Davis F.J., 2002. Latin Hypercube Sampling and the Propagation of Uncertainty in Analyses of Complex Systems. Scandia National Laboratories Albuquerque, New Mexico. DOI: 10.2172/806696.
• Kwilosz T., Pańko A., Szott W., 2003. Zastosowanie metod geostatystycznych analizy danych dla potrzeb symulacji złożowych. Prace Instytutu Górnictwa Naftowego i Gazownictwa, 126: 1–35.
• Łętkowski P., Pańko A., Gołąbek A., 2010. Prognozowanie ciśnień dennych podziemnego magazynu gazu przy wykorzystaniu sztucznych sieci neuronowych. Nafta-Gaz, 66(7): 557–560.
• MathWorks, 2021. MATLAB documentation, R2021b.
• McKay M.D., Beckman R.J., Conover W.J., 1979. A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Computer Code. American Statistical Association and the American Society for Quality Technometrics, 42(1): 55–61.
• Mohaghegh S., 1995. Neural Network: What It Can Do for Petroleum Engineers. Journal of Petroleum Technology, 47(1): 42–42. DOI: 10.2118/29219-PA.
• Mohaghegh S., 2018. Data-Driven Analytics for the Geological Storage of CO2. Taylor & Francis Group.
• Mohaghegh S., Modavi C., Hafez H.H., Haajizadeh M., Kenawy M., Guruswamy S., 2006. Development of Surrogate Reservoir Models (SRM) for Fast-Track Analysis of Complex Reservoirs. Intelligent Energy Conference and Exhibition, Amsterdam, April 11–13. DOI: 10.2523/99667-MS.
• Nagy S., Barbacki J., Dąbrowski K., Kaczmarek Ł., Klimkowski Ł., Kuczyński S., Łętkowski P., Maksimczuk M., Polański K., Siemek J., Skibiński J., Smulski R., Szott W., Wejrzanowski T., Włodek T., 2019. Zagadnienia eksploatacji niekonwencjonalnych złóż gazu ziemnego w skałach mułowcowo-łupkowych. Wydawnictwa AGH, Kraków.
• Pańko A., 2006. Probabilistyczne szacowanie zasobów złóż węglowodorów z wykorzystaniem metod geostatystycznych. Nafta-Gaz, 62(12):655–668.
• Pańko A., 2008. Wykorzystanie możliwości sieci neuronowych wprognozowaniu i sterowaniu pracą podziemnego magazynu gazu (PMG). Prace Instytutu Nafty i Gazu, 147: 1–68.
• Tadeusiewicz R., 1993. Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa.
• Uczenie maszynowe. <https://pl.wikipedia.org/wiki/Uczenie_maszynowe> (dostęp: 20.06.2022).

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).