Обоснование борьбы с пескопроявлением на основе нейронной сети
Тананыхин Д.С., Муслимов Б.Ш., Перепелкин А.И.,
Абдуллин А.А.
Санкт-Петербургский горный университет,
Филиал ООО «РН-ГИР» в городе Уфе – БашНИПИнефть
Абдуллин А.А.
Санкт-Петербургский горный университет,
Филиал ООО «РН-ГИР» в городе Уфе – БашНИПИнефть
Целью работы является повышение эффективности эксплуатации скважин, вскрывших слабосцементированные коллекторы, за счет использования разработанного дерева принятия решений в управлении пескопроявлением.
Актуальность темы исследования обуславливается прогрессирующим ростом количества скважин с пескопроявлением и выносом иных механических примесей, а также высокой значимостью использования прогнозных моделей в процессе разработки месторождений со слабосцементированными коллекторами.
В работе предложена математическая модель, созданная с использованием нейронных сетей и предназначенная для автоматизированного прогноза показателей количества взвешенных частиц (КВЧ) в скважине. Базой для анализа и прогноза являются промысловые данные о технологических режимах работы скважин и сведения о времени и месте образования зон накопления осадка по длине горизонтального окончания. Отдельно реализована физико-математическая модель, основанная на балансе сил, действующих на твердую частицу, предназначенная для идентификации интервалов горизонтального ствола, склонных к накоплению механических примесей.
Авторами было разработано дерево принятия решений в управлении пескопроявлением, в том числе на основе информации, получаемой от созданной математической модели.
Актуальность темы исследования обуславливается прогрессирующим ростом количества скважин с пескопроявлением и выносом иных механических примесей, а также высокой значимостью использования прогнозных моделей в процессе разработки месторождений со слабосцементированными коллекторами.
В работе предложена математическая модель, созданная с использованием нейронных сетей и предназначенная для автоматизированного прогноза показателей количества взвешенных частиц (КВЧ) в скважине. Базой для анализа и прогноза являются промысловые данные о технологических режимах работы скважин и сведения о времени и месте образования зон накопления осадка по длине горизонтального окончания. Отдельно реализована физико-математическая модель, основанная на балансе сил, действующих на твердую частицу, предназначенная для идентификации интервалов горизонтального ствола, склонных к накоплению механических примесей.
Авторами было разработано дерево принятия решений в управлении пескопроявлением, в том числе на основе информации, получаемой от созданной математической модели.
Введение
Пескопроявление является комплексным процессом, охватывающим стадии разрушения коллекторской породы, эрозии и транспортировки механических включений в пределах ствола скважины.
Вне зависимости от объема выноса, варьирующегося в широких пределах, влияние механических частиц приводит к отказам погружного глубинного оборудования вследствие эрозийного износа. Образование песчаных пробок и засорение призабойной зоны пласта приводят к снижению продуктивности скважин. Уменьшение поперечного сечения наземного оборудования потенциально приводит к аварийным ситуациям, сопровождающимся загрязнениями окружающей среды. Кроме того, постоянный вынос горной породы приводит к разрушению обсадной колонны, следствием которого становится вывод скважины из эксплуатации [1]. При воздействии больших осевых нагрузок совместно с интенсивными процессами эрозии возникновение сильных смятий и сдвигов колонн неизбежно [2]. При этом основной причиной разрушения призабойной зоны пласта и, соответственно, активного выноса механических примесей является именно создание нагрузки, особенно при освоении скважин или смене технологического режима. Важно отметить, что активного разрушения в период стабилизации притока уже не происходит.
Несмотря на наличие широкого спектра методов и стратегий для противодействия пескопроявлению при разработке слабосцементированных коллекторов, ключевым фактором, определяющим эффективность применяемых технологий, является заблаговременное принятие решений об их применении [3]. В наилучшем сценарии данная задача должна быть интегрирована на стадии проектирования разработки залежи или месторождения [4–6].
Вне зависимости от объема выноса, варьирующегося в широких пределах, влияние механических частиц приводит к отказам погружного глубинного оборудования вследствие эрозийного износа. Образование песчаных пробок и засорение призабойной зоны пласта приводят к снижению продуктивности скважин. Уменьшение поперечного сечения наземного оборудования потенциально приводит к аварийным ситуациям, сопровождающимся загрязнениями окружающей среды. Кроме того, постоянный вынос горной породы приводит к разрушению обсадной колонны, следствием которого становится вывод скважины из эксплуатации [1]. При воздействии больших осевых нагрузок совместно с интенсивными процессами эрозии возникновение сильных смятий и сдвигов колонн неизбежно [2]. При этом основной причиной разрушения призабойной зоны пласта и, соответственно, активного выноса механических примесей является именно создание нагрузки, особенно при освоении скважин или смене технологического режима. Важно отметить, что активного разрушения в период стабилизации притока уже не происходит.
Несмотря на наличие широкого спектра методов и стратегий для противодействия пескопроявлению при разработке слабосцементированных коллекторов, ключевым фактором, определяющим эффективность применяемых технологий, является заблаговременное принятие решений об их применении [3]. В наилучшем сценарии данная задача должна быть интегрирована на стадии проектирования разработки залежи или месторождения [4–6].
В качестве инструментария для решения данной задачи предложен комплекс математических моделей, включающий нейросетевой и физико-математический подходы [7–9]. Нейросетевая математическая модель позволяет количественно определять абсолютные значения количества взвешенных частиц (КВЧ) и трендовые характеристики показателей, используя в качестве входных данных значения основных технологических факторов. Для оценки пространственного распределения и аккумуляции осадка в горизонтальном окончании используется отдельная физико-математическая модель, основанная на анализе баланса сил, действующих на твердую частицу в потоке. Совместное применение данных моделей обеспечивает как временной прогноз пескопроявления, так и идентификацию наиболее опасных интервалов ствола [10].
Последующая разработка дерева принятия решений, основанная на совместном использовании результатов нейросетевого прогноза КВЧ и расчетов физико-математической модели осаждения механических примесей, предоставляет систематизированный инструмент для планирования и обоснования методов борьбы с пескопроявлением [11–13].
Этот подход не только способствует более эффективному управлению процессом эксплуатации скважин, но и обеспечивает индивидуальный и адаптивный подход к каждой конкретной ситуации [14], в том числе акцентирует внимание на необходимости повышения эрозионной стойкости элементов заканчивания скважин, например, таких как автономные устройства контроля притока, применяемые при разработке нефтяных оторочек [15].
Последующая разработка дерева принятия решений, основанная на совместном использовании результатов нейросетевого прогноза КВЧ и расчетов физико-математической модели осаждения механических примесей, предоставляет систематизированный инструмент для планирования и обоснования методов борьбы с пескопроявлением [11–13].
Этот подход не только способствует более эффективному управлению процессом эксплуатации скважин, но и обеспечивает индивидуальный и адаптивный подход к каждой конкретной ситуации [14], в том числе акцентирует внимание на необходимости повышения эрозионной стойкости элементов заканчивания скважин, например, таких как автономные устройства контроля притока, применяемые при разработке нефтяных оторочек [15].
Основная часть
В публикациях [4, 7, 9] расчет критической скорости потока, при которой предотвращается накопление твердых частиц в скважине и обеспечивается их вынос, осуществляется посредством моделирования баланса сил, действующих на индивидуальную песчаную частицу. С этой целью разработана модель, учитывающая такие силы, как: сила тяжести (FG), сила сопротивления (FD), сила Архимеда (FA), подъемная сила (FL). На рисунке 1 схематично представлена сумма сил, действующих на частицу песка [16, 17].
Рис. 1. Схема суммы сил, действующих на частицу песка [15]
Для нахождения критической скорости потока необходимо решить следующее уравнение (1) [17]:
где Fv — суммарная вертикальная сила; α — угол наклона ствола скважины относительно горизонта; FL — сила, направленная к центру потока и возникающая из-за неоднородности профиля скорости потока; FD — сила тяги; FA — сила Архимеда; FG — сила тяжести.
При условии положительного значения суммарной вертикальной силы, частица песка перемещается вверх вместе с потоком, тогда как при отрицательном значении происходит движение вниз. Функция Fv, которая имеет зависимость от размера частицы, уменьшается по мере увеличения ее диаметра и в определенный момент принимает отрицательные значения. Это позволяет установить предельный размер частиц, поддающихся транспортировке потоком. На основании информации о гранулометрическом составе имеется возможность количественной оценки доли частиц, оседающих на дно. Представим каждое слагаемое в уравнении (1)
как уравнения, зависимые от диаметра частицы:
При условии положительного значения суммарной вертикальной силы, частица песка перемещается вверх вместе с потоком, тогда как при отрицательном значении происходит движение вниз. Функция Fv, которая имеет зависимость от размера частицы, уменьшается по мере увеличения ее диаметра и в определенный момент принимает отрицательные значения. Это позволяет установить предельный размер частиц, поддающихся транспортировке потоком. На основании информации о гранулометрическом составе имеется возможность количественной оценки доли частиц, оседающих на дно. Представим каждое слагаемое в уравнении (1)
как уравнения, зависимые от диаметра частицы:
где ds — диаметр твердой частицы, м; ρs — плотность твердой частицы, кг/м3; ρf — плотность флюида, кг/м3; CD — коэффициент гидравлического сопротивления, зависящий от числа Рейнольдса; µf — вязкость флюида, Па∙с; vf — скорость флюида, м/с; — производная скорости флюида по расстоянию от центра до стенки трубы.
Для ламинарного:
Для ламинарного:
где Re — число Рейнольдса.
Для турбулентного течения:
Для турбулентного течения:
Представленный способ определения критической скорости был использован при создании описываемой в работе физико-математической модели.
С целью выявления взаимосвязей между количеством взвешенных частиц и технологическими параметрами, после этапа предварительной обработки данных был проведен корреляционный анализ. Анализу подверглись следующие параметры: обводненность, дебит жидкости, дебит нефти, буферное давление, динамический уровень, забойное и текущее пластовое давление. Результаты анализа в виде тепловой карты корреляций отображены на рисунке 2.
С целью выявления взаимосвязей между количеством взвешенных частиц и технологическими параметрами, после этапа предварительной обработки данных был проведен корреляционный анализ. Анализу подверглись следующие параметры: обводненность, дебит жидкости, дебит нефти, буферное давление, динамический уровень, забойное и текущее пластовое давление. Результаты анализа в виде тепловой карты корреляций отображены на рисунке 2.
Рис. 2. Корреляционная тепловая карта скважины № 1
Интерпретация коэффициента линейной корреляции предполагает, что значения, близкие к нулю, указывают на отсутствие линейной зависимости; близкие к +1 — на прямую связь, а к –1 — на обратную. Как показывает матрица корреляций на рисунке 2, КВЧ демонстрирует слабую линейную связь с рассмотренными технологическими параметрами, о чем свидетельствуют значения коэффициентов: близкие значения к коэффициентам линейной корреляции были получены для зависимости КВЧ от давления на приеме и обводненности (0,65 и 0,66 соответственно). В отличие от этого, анализ данных по другой скважине продуктивного пласта (рис. 3) выявил статистически значимые корреляции КВЧ с рядом других параметров, которые не наблюдались в первоначально изученной скважине № 1, такие как текущее пластовое, буферное давления, дебита нефти и обводненности, причем корреляция КВЧ от давления на приеме отсутствует.
Рис. 3. Корреляционная тепловая карта скважины № 2
Исходя из полученных данных, нельзя сделать вывод о наличии линейных связей между целевым параметром и признаками, поэтому использование методологии линейной регрессии было признано нецелесообразным. В качестве альтернативы для построения прогнозной модели были применены алгоритмы нейронных сетей, позволяющие учитывать сложные нелинейные взаимосвязи.
В качестве основы для построения математической модели выбрана концепция долгосрочной краткосрочной памяти (LSTM) в силу ее принадлежности к рекуррентным нейронным сетям. Критически важным фактором, определившим этот выбор, явилась временная структура данных: каждое измерение признаков и целевой переменной (КВЧ) индексировано во времени (датой замера). Помимо этого, есть необходимость в учете влияния динамики изменения показателей технологического режима на показания КВЧ в будущем. Указанные условия позволяют представить зависимость КВЧ от параметров работы скважины в виде временного ряда, для анализа которого выбранная модель показывает высокую эффективность.
Модель, архитектура которой представлена на рисунке 4, была реализована в виде шестислойной структуры, включающей входной слой, два каскадно соединенных LSTM-слоя, два слоя регуляризации и выходной полносвязный слой. В процессе обучения минимизировалась среднеквадратичная ошибка с применением алгоритма Adam (adaptive moment estimation). Входными признаками модели выступили следующие технологические параметры: КВЧ, пластовое и забойное давление, динамический уровень, давление на приеме, буферное давление, дебиты нефти и жидкости, обводненность. Разбиение на обучающую (70 %), валидационную (10 %) и тестовую (20 %) выборки было выполнено до начала обучения.
В качестве основы для построения математической модели выбрана концепция долгосрочной краткосрочной памяти (LSTM) в силу ее принадлежности к рекуррентным нейронным сетям. Критически важным фактором, определившим этот выбор, явилась временная структура данных: каждое измерение признаков и целевой переменной (КВЧ) индексировано во времени (датой замера). Помимо этого, есть необходимость в учете влияния динамики изменения показателей технологического режима на показания КВЧ в будущем. Указанные условия позволяют представить зависимость КВЧ от параметров работы скважины в виде временного ряда, для анализа которого выбранная модель показывает высокую эффективность.
Модель, архитектура которой представлена на рисунке 4, была реализована в виде шестислойной структуры, включающей входной слой, два каскадно соединенных LSTM-слоя, два слоя регуляризации и выходной полносвязный слой. В процессе обучения минимизировалась среднеквадратичная ошибка с применением алгоритма Adam (adaptive moment estimation). Входными признаками модели выступили следующие технологические параметры: КВЧ, пластовое и забойное давление, динамический уровень, давление на приеме, буферное давление, дебиты нефти и жидкости, обводненность. Разбиение на обучающую (70 %), валидационную (10 %) и тестовую (20 %) выборки было выполнено до начала обучения.
Рис. 4. Принципиальная схема использованной модели [4]
С целью повышения надежности прогноза было обучено несколько моделей с различными настройками, из которых по результатам тестовой выборки была выбрана наилучшая.
Апробация разработанной нейросетевой модели прогноза КВЧ, результаты которой отображены на рисунке 5 и в таблице 1, включала верификацию на основе фактических промысловых измерений. В качестве исходного значения (синяя линия) использованы промысловые данные с технологическими режимами работы скважин.
Апробация разработанной нейросетевой модели прогноза КВЧ, результаты которой отображены на рисунке 5 и в таблице 1, включала верификацию на основе фактических промысловых измерений. В качестве исходного значения (синяя линия) использованы промысловые данные с технологическими режимами работы скважин.
Рис. 5. Апробация разработанной нейросетевой модели для прогнозирования КВЧ в скважине
Табл. 1. Основные метрики разработанной математической модели для прогнозирования пескопроявления
Далее для идентификации сценариев выпадения осадка в горизонтальном стволе скважины был реализован программный модуль на основе физико-математической модели, алгоритм работы которой базируется на уравнениях (1)–(7). Модуль позволяет по входным параметрам (дебиты, профиль, гранулометрический состав) рассчитать и визуализировать зоны накопления механических примесей за прогнозируемый период в 195 дней, как показано на рисунках 6 и 7.
Рис. 6. Объем осаждаемых механических примесей в зависимости от зоны ствола с горизонтальным окончанием
Рис. 7. Процент площади поперечного сечения, заполненного механическими примесями, в зависимости от зоны ствола с горизонтальным окончанием
По данным расчетов, первый пересып наступает на 70-й день. Проведенный анализ показал, что максимальное накопление механических примесей наблюдается в двух интервалах горизонтального ствола: в «носке», где скорости потока ниже необходимой для выноса частиц, и в «пятке», где наблюдается увеличение наклона участка.
С целью повышения эффективности эксплуатации скважин, вскрывших слабосцементированные коллекторы, авторами работы было разработано дерево принятия решений в управлении пескопроявлением (рис. 8). Оно позволяет на основе прогнозных показателей КВЧ подбирать наиболее оптимальные технологии борьбы с пескопроявлением. Блок-схема алгоритма реализует две ветви решения, выбор которых зависит от двух ключевых факторов: степени влияния выносимого песка и наличия либо отсутствия пересыпания скважины за скользящий год.
С целью повышения эффективности эксплуатации скважин, вскрывших слабосцементированные коллекторы, авторами работы было разработано дерево принятия решений в управлении пескопроявлением (рис. 8). Оно позволяет на основе прогнозных показателей КВЧ подбирать наиболее оптимальные технологии борьбы с пескопроявлением. Блок-схема алгоритма реализует две ветви решения, выбор которых зависит от двух ключевых факторов: степени влияния выносимого песка и наличия либо отсутствия пересыпания скважины за скользящий год.
Рис. 8. Блок-схема по выбору оптимальной технологии борьбы с пескопроявлением
Выбранные направления обусловлены двойственной природой воздействия механических примесей. С одной стороны, песок, находясь во взвешенном состоянии (КВЧ), вызывает абразивный износ рабочих органов установки электроцентробежного насоса (УЭЦН). С другой стороны, его осаждение и аккумуляция в виде неподвижного слоя приводят к постепенному снижению проницаемости призабойной зоны, ухудшению притока и, в конечном итоге, к пересыпанию скважины.
Для случаев пересыпаний, зафиксированных в рамках скользящего годового периода, выполняется сравнительный анализ эффективности корректирующих программ эксплуатации УЭЦН. В анализ включены шесть алгоритмов управления:
1) алгоритм выставления программы регулирования (ПИД нагрузка/загрузка);
2) алгоритм выставления программы регулирования (ПИД давление на приеме УЭЦН);
3) алгоритм выставления программы чередования частоты (ЧЧ);
4) алгоритм выставления комбинированной программы (ПИД + ЧЧ);
5) алгоритм выставления программы встряхивания при работе на фиксированной частоте;
6) алгоритм выставления программы встряхивания одновременно с программой ПИД-регулирования (ПИД+В).
Неэффективность применяемых корректирующих программ служит основанием для выполнения технико-экономического анализа целесообразности перехода к химическим методам контроля пескопроявления. Если же мероприятия демонстрируют положительный результат, ключевым параметром для мониторинга становится концентрация осаждаемых частиц (КОЧ). Превышение данного показателя уровня 10 мг/л служит индикатором высокой скорости отложения механических примесей и свидетельствует о необходимости проведения очистки скважины.
В случае частых мероприятий по очистке скважины необходимо крепление призабойной зоны пласта; если количество очисток экономически допустимо, то наиболее эффективной технологией борьбы с пескопроявлением является применение механических фильтров.
Не менее актуальным направлением в управлении пескопроявлением является решение проблемы эрозионного износа глубинно-насосного оборудования при транспортировке механических частиц. Решения данной проблемы предусматривают два варианта: механический и комбинированный. Первый вариант предусматривает обязательную установку входных модулей на приеме насоса, второй же в свою очередь интегрирует как химическое, так и механическое воздействие.
Для случаев пересыпаний, зафиксированных в рамках скользящего годового периода, выполняется сравнительный анализ эффективности корректирующих программ эксплуатации УЭЦН. В анализ включены шесть алгоритмов управления:
1) алгоритм выставления программы регулирования (ПИД нагрузка/загрузка);
2) алгоритм выставления программы регулирования (ПИД давление на приеме УЭЦН);
3) алгоритм выставления программы чередования частоты (ЧЧ);
4) алгоритм выставления комбинированной программы (ПИД + ЧЧ);
5) алгоритм выставления программы встряхивания при работе на фиксированной частоте;
6) алгоритм выставления программы встряхивания одновременно с программой ПИД-регулирования (ПИД+В).
Неэффективность применяемых корректирующих программ служит основанием для выполнения технико-экономического анализа целесообразности перехода к химическим методам контроля пескопроявления. Если же мероприятия демонстрируют положительный результат, ключевым параметром для мониторинга становится концентрация осаждаемых частиц (КОЧ). Превышение данного показателя уровня 10 мг/л служит индикатором высокой скорости отложения механических примесей и свидетельствует о необходимости проведения очистки скважины.
В случае частых мероприятий по очистке скважины необходимо крепление призабойной зоны пласта; если количество очисток экономически допустимо, то наиболее эффективной технологией борьбы с пескопроявлением является применение механических фильтров.
Не менее актуальным направлением в управлении пескопроявлением является решение проблемы эрозионного износа глубинно-насосного оборудования при транспортировке механических частиц. Решения данной проблемы предусматривают два варианта: механический и комбинированный. Первый вариант предусматривает обязательную установку входных модулей на приеме насоса, второй же в свою очередь интегрирует как химическое, так и механическое воздействие.
Была разработана нейросетевая модель для прогнозирования динамики концентрации взвешенных частиц в горизонтальных скважинах на основе ключевых технологических параметров. На базе физико-матемической модели создан программный модуль, выявляющий зоны аккумуляции механических примесей и рассчитывающий степень перекрытия эксплуатационной колонны. Полученные данные легли в основу дерева решений для подбора стратегии подавления пескопроявлений, что позволит повысить эффективность эксплуатации и увеличить межремонтный период.
Разрушение призабойной зоны пласта и сопутствующее пескопроявление представляют собой сложный процесс, обусловленный совокупным влиянием широкого спектра параметров, поэтому создание математической модели, позволяющей определить зависимость КВЧ от технологических показателей, является крайне актуальной задачей.
В процессе выполнения работы были получены следующие результаты:
1. Была разработана нейросетевая математическая модель на основе рекуррентных нейронных сетей, предназначенная для прогнозирования временной динамики КВЧ в скважинах с горизонтальным окончанием. Предложенная модель количественно связывает концентрацию взвешенных частиц с ключевыми технологическими параметрами: дебитом нефти, дебитом жидкости, обводненностью продукции и забойным давлением, — что позволяет осуществлять индивидуальный прогноз пескопроявлений по каждой скважине.
2. На основе физико-математической модели баланса сил, действующих на твердую частицу в потоке, разработан программный модуль, функционал которого включает два ключевых аспекта: идентификацию интервалов горизонтального ствола, наиболее склонных к аккумуляции механических примесей, а также расчет процентного перекрытия внутреннего диаметра эксплуатационной колонны в выявленных зонах.
3. На основе количественных данных, полученных с помощью разработанного математического аппарата, построено дерево решений для индивидуального подбора стратегии подавления пескопроявлений. Предложенная схема учитывает многообразие технологических подходов, обусловленное совместным воздействием выносимых (КВЧ) и осаждаемых (КОЧ) в стволе скважины твердых частиц.
Применение полученных знаний при работе со скважинами, осложненными пескопроявлением, позволит повысить эффективность их эксплуатации и значительно увеличить межремонтный период.
В процессе выполнения работы были получены следующие результаты:
1. Была разработана нейросетевая математическая модель на основе рекуррентных нейронных сетей, предназначенная для прогнозирования временной динамики КВЧ в скважинах с горизонтальным окончанием. Предложенная модель количественно связывает концентрацию взвешенных частиц с ключевыми технологическими параметрами: дебитом нефти, дебитом жидкости, обводненностью продукции и забойным давлением, — что позволяет осуществлять индивидуальный прогноз пескопроявлений по каждой скважине.
2. На основе физико-математической модели баланса сил, действующих на твердую частицу в потоке, разработан программный модуль, функционал которого включает два ключевых аспекта: идентификацию интервалов горизонтального ствола, наиболее склонных к аккумуляции механических примесей, а также расчет процентного перекрытия внутреннего диаметра эксплуатационной колонны в выявленных зонах.
3. На основе количественных данных, полученных с помощью разработанного математического аппарата, построено дерево решений для индивидуального подбора стратегии подавления пескопроявлений. Предложенная схема учитывает многообразие технологических подходов, обусловленное совместным воздействием выносимых (КВЧ) и осаждаемых (КОЧ) в стволе скважины твердых частиц.
Применение полученных знаний при работе со скважинами, осложненными пескопроявлением, позволит повысить эффективность их эксплуатации и значительно увеличить межремонтный период.
1. Matanovic D., Cikes M., Moslavac B. Sand control in well construction and operation. Berlin, Heidelberg: Springer, 2012, 200 p. (In Eng).
2. Salahi A., Dehghan A.N., Sheikhzakariaee S.J., Davarpanah A. Sand production control mechanisms during oil well production and construction. Petroleum Research, 2021,Vol. 6, issue 4, P. 361–367. (In Eng).
3. Betekhtin A., Kostin D., Tikhomirov E., Nikolaev M., Lyapin V., Misbakhov R. Laboratory studies of sand control systems used for heavy oil production from unconsolidated rocks. SPE Russian Petroleum Technology Conference, Moscow, Russia, October 2017, SPE-187879-MS, 7 p. (In Eng).
4. Hossein M., Khamehchi E., Fattahpour V. Investigation of sand production prediction shortcomings in terms of numerical uncertainties and experimental simplifications. Journal of Petroleum Science and Engineering, 2021, Vol. 207, 109147. (In Eng).
5. Fattahpour V., Mahmoudi M., Wang C., Kotb O., Roostaei M., Nouri A., Fermaniuk B. Comparative study on the performance of different stand-alone sand control screens in thermal wells. SPE International Conference and Exhibition on Formation Damage Control. Lafayette, Louisiana, USA, February 2018, SPE-189539-MS. (In Eng).
6. Hisham B.M., Leong V.H., Lestariono Y. Sand production: A smart control framework for risk mitigation. Petroleum, 2020, Vol. 6, № 1, 13 p. (In Eng).
7. Al-Shaaibi S.K., Al-Ajmi A.M., Al-Wahaibi Y. Three dimensional modeling for predicting sand production. Journal of Petroleum Science and Engineering, 2013, Vol. 109, P. 348–363. (In Eng).
8. Aminu K.T., McGlinchey D., Chen Y. Optimal design for real-time quantitative monitoring of sand in gas flowline using computational intelligence assisted design framework. Journal of Petroleum Science and Engineering, 2019, Vol. 177, P. 1059–1071. (In Eng).
9. Alakbari F.S., Mohyaldinn M.E., Ayoub M.A., Muhsan A.S., Hussein I.A. A robust fuzzy logic-based model for predicting the critical total drawdown in sand production in oil and gas wells. PloS One, 2021, Vol. 16, issue 4. (In Eng).
10. Razak N.N.A., Abdulkadir S.J., Maoinser M.A., Shaffee S.N.A., Ragab M.G. One-Dimensional convolutional neural network with adaptive moment estimation for modelling of the sand retention test. Applied Sciences, 2021, Vol. 11, issue 9. (In Eng).
11. Bellarby J. Sand control. Developments in Petroleum Science, 2009, Vol. 56,
P. 129–239. (In Eng).
12. Han G., Dusseault B. Quantitative analysis of mechanisms for water-related sand production. International Symposium and Exhibition on Formation Damage Control, Lafayette, Louisiana, February 2002. SPE-73737-MS. (In Eng).
13. Shishlyannikov D.I., Zvonarev I.E., Rybin A.A., Zverev V.Y., Ivanchenko A.A. Assessment of Changes in the Abrasiveness of Solid Particles in Hydraulic Mixtures Pumped with ESPs. Applied Sciences, 2023, Vol. 13, P. 1–12. (In Eng).
14. Soroush M. Design for Reliability: purpose driven sand control methods for cased and perforated wells virtual. SPE Annual Technical Conference and Exhibition, Virtual, October 2020, SPE-201315-MS, P. 1–29. (In Eng).
15. Ахмадеев Р.Ф., Аюшинов С.П., Исламов Р.Р., Нигматуллин Ф.Н., Муслимов Б.Ш. Обоснование применения устройств контроля притока для эффективной разработки нефтегазовых залежей // Нефтяное хозяйство. 2021. № 12. С. 124–127.
16. Lezhnev K.E., Roshchektaev А.P., Pashkin V.D. Coupled reservoir – well model of sandproduction processes. SPE Russian Petroleum Technology Conference, Moscow, Russia, October 2019, SPE-196883-MS. (In Eng).
17. Leporini M., Terenzi A., Marchetti B., Corvaro F., Polonara F. On the numerical simulation of sand transport in liquid and multiphase pipelines. Journal of Petroleum Science and Engineering, 2019, Vol. 175, P. 519–535. (In Eng).
2. Salahi A., Dehghan A.N., Sheikhzakariaee S.J., Davarpanah A. Sand production control mechanisms during oil well production and construction. Petroleum Research, 2021,Vol. 6, issue 4, P. 361–367. (In Eng).
3. Betekhtin A., Kostin D., Tikhomirov E., Nikolaev M., Lyapin V., Misbakhov R. Laboratory studies of sand control systems used for heavy oil production from unconsolidated rocks. SPE Russian Petroleum Technology Conference, Moscow, Russia, October 2017, SPE-187879-MS, 7 p. (In Eng).
4. Hossein M., Khamehchi E., Fattahpour V. Investigation of sand production prediction shortcomings in terms of numerical uncertainties and experimental simplifications. Journal of Petroleum Science and Engineering, 2021, Vol. 207, 109147. (In Eng).
5. Fattahpour V., Mahmoudi M., Wang C., Kotb O., Roostaei M., Nouri A., Fermaniuk B. Comparative study on the performance of different stand-alone sand control screens in thermal wells. SPE International Conference and Exhibition on Formation Damage Control. Lafayette, Louisiana, USA, February 2018, SPE-189539-MS. (In Eng).
6. Hisham B.M., Leong V.H., Lestariono Y. Sand production: A smart control framework for risk mitigation. Petroleum, 2020, Vol. 6, № 1, 13 p. (In Eng).
7. Al-Shaaibi S.K., Al-Ajmi A.M., Al-Wahaibi Y. Three dimensional modeling for predicting sand production. Journal of Petroleum Science and Engineering, 2013, Vol. 109, P. 348–363. (In Eng).
8. Aminu K.T., McGlinchey D., Chen Y. Optimal design for real-time quantitative monitoring of sand in gas flowline using computational intelligence assisted design framework. Journal of Petroleum Science and Engineering, 2019, Vol. 177, P. 1059–1071. (In Eng).
9. Alakbari F.S., Mohyaldinn M.E., Ayoub M.A., Muhsan A.S., Hussein I.A. A robust fuzzy logic-based model for predicting the critical total drawdown in sand production in oil and gas wells. PloS One, 2021, Vol. 16, issue 4. (In Eng).
10. Razak N.N.A., Abdulkadir S.J., Maoinser M.A., Shaffee S.N.A., Ragab M.G. One-Dimensional convolutional neural network with adaptive moment estimation for modelling of the sand retention test. Applied Sciences, 2021, Vol. 11, issue 9. (In Eng).
11. Bellarby J. Sand control. Developments in Petroleum Science, 2009, Vol. 56,
P. 129–239. (In Eng).
12. Han G., Dusseault B. Quantitative analysis of mechanisms for water-related sand production. International Symposium and Exhibition on Formation Damage Control, Lafayette, Louisiana, February 2002. SPE-73737-MS. (In Eng).
13. Shishlyannikov D.I., Zvonarev I.E., Rybin A.A., Zverev V.Y., Ivanchenko A.A. Assessment of Changes in the Abrasiveness of Solid Particles in Hydraulic Mixtures Pumped with ESPs. Applied Sciences, 2023, Vol. 13, P. 1–12. (In Eng).
14. Soroush M. Design for Reliability: purpose driven sand control methods for cased and perforated wells virtual. SPE Annual Technical Conference and Exhibition, Virtual, October 2020, SPE-201315-MS, P. 1–29. (In Eng).
15. Ахмадеев Р.Ф., Аюшинов С.П., Исламов Р.Р., Нигматуллин Ф.Н., Муслимов Б.Ш. Обоснование применения устройств контроля притока для эффективной разработки нефтегазовых залежей // Нефтяное хозяйство. 2021. № 12. С. 124–127.
16. Lezhnev K.E., Roshchektaev А.P., Pashkin V.D. Coupled reservoir – well model of sandproduction processes. SPE Russian Petroleum Technology Conference, Moscow, Russia, October 2019, SPE-196883-MS. (In Eng).
17. Leporini M., Terenzi A., Marchetti B., Corvaro F., Polonara F. On the numerical simulation of sand transport in liquid and multiphase pipelines. Journal of Petroleum Science and Engineering, 2019, Vol. 175, P. 519–535. (In Eng).
Тананыхин Д.С., Муслимов Б.Ш., Перепелкин А.И., Абдуллин А.А.
Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург, Россия; Филиал ООО «РН-ГИР» в городе Уфе – БашНИПИнефть, Уфа, Россия
muslimovbs@rn-gir.rosneft.ru
Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург, Россия; Филиал ООО «РН-ГИР» в городе Уфе – БашНИПИнефть, Уфа, Россия
muslimovbs@rn-gir.rosneft.ru
Материалы: параметры работы скважин.
Методы: анализ результатов расчетов рекуррентной нейронной сети и физико-математической модели.
Методы: анализ результатов расчетов рекуррентной нейронной сети и физико-математической модели.
управление пескопроявлением, математическая модель, вынос механических примесей, слабосцементированный коллектор, прогнозирование количества взвешенных частиц, пересыпание забоя скважины
Тананыхин Д.С., Муслимов Б.Ш., Перепелкин А.И., Абдуллин А.А. Обоснование технологии борьбы с пескопроявлением с использованием нейросетевых и физико-математических моделей // Экспозиция Нефть Газ. 2026. № 1. C. 63–68. DOI: 10.24412/2076-6785-2026-1-63-68
19.01.2026
УДК 622.276
DOI: 10.24412/2076-6785-2026-1-63-68
DOI: 10.24412/2076-6785-2026-1-63-68
Рекомендуемые статьи
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (855) 222-12-84