عنوان پایان‌نامه

الگوی یکپارچه برای مدل سازی وتطابق تاریخچه در مخازن کربناته



    دانشجو در تاریخ ۰۲ خرداد ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "الگوی یکپارچه برای مدل سازی وتطابق تاریخچه در مخازن کربناته" را دفاع نموده است.


    رشته تحصیلی
    مهندسی شیمی‌-مهندسی نفت
    مقطع تحصیلی
    دکتری تخصصی PhD
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: TP 188;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68885
    تاریخ دفاع
    ۰۲ خرداد ۱۳۹۴
    دانشجو
    سیدنادر قدمی
    استاد راهنما
    محمدرضا رسایی
    چکیده
    لینک فایل چکیده
    مخازن کربناته دارای درجه ناهمگنی بالا بوده و بدلیل شرایط رسوبی پیچیده، فرایندهای دیاژنتیک مربوطه و وجود شکافها به تلاش قابل توجهی برای توصیف و مدل‌سازی این مخازن نیاز می‌باشد. روشهای مدل‌سازی و تحلیل داده در مخازن ماسه‌سنگی ممکن است در این مخازن همراه با خطای زیاد در توصیف رفتار مخزن باشد. بنابراین توسعه روش یکپارچه برای آنالیز داده‌ها و مدل‌سازی مخازن کربناته ضروری به نظر می‌رسد. روشهای مرسوم تطابق تاریخچه مبتنی بر روشهای سعی و خطا و تغییر پارامترهای مخزن مانند تخلخل و تراوایی بوده که علاوه بر صرف زمان زیاد، یکتا نبوده و نمی تواند بیانگر رفتار مخزن باشد. هدف این رساله بهبود روشهای قبلی آنالیز داده‌ها و ارائه روشی است که بتواند به عنوان رویکرد جامع و منسجم برای مدل‌سازی و توصیف بهتر مخازن کربناته که دارای شکافهای جزئی هستند به کار رود و بگونه ای که تطابق مناسبی با تاریخچه مخازن با شبیه سازی مستقیم حاصل شده و نیاز چندانی به دستکاری پارامترها نباشد. داده‌های استاتیک و دینامیک در مقیاسهای مختلف از مقیاس مغزه تا مقیاس چاه و میدان بایستی به طور مناسب تلفیق و افزایش مقیاس شده تا یک مدل قابل اعتماد بدست آید. به دلیل مقیاس گوناگون داده‌ها و ماهیت مختلف آن، مدل‌سازی تخلخل و تراوایی و تعیین گروههای سنگی از چالشهای مهم در مدل‌سازی یکپارچه مخزن می‌باشند. تراوایی با استفاده از مفهوم گروه سنگ مجزا(DRT) به تخلخل ارتباط داده شد. DRT نیز با استفاده از نگارهای چاه (برای تعیین تراوایی) و با روش مدل نروفازی خطی محلی (LLNF) محاسبه گردید. گروههای سنگی مخزن با استفاده از داده‌های معمول و ویژه مغزه همراه با نتایج آنالیز مقاطع نازک انتخاب شده است. روشی بر اساس مفهوم هیدرولیک سنگ (بدست آمده از اندازه گلوگاه هیدرولیکی از آزمایشات تزریق جیوه) و تعیین گروههای پتروفیزیکی (PRT) کارایی مناسبی را نشان داد. در اصل، گروههای پتروفیزیکی با در نظر گرفتن ترشوندگی به گروههای مخزنی (RRT) تقسیم می‌شوند. گروههای PRT به زیرگروههایی با فشار مویینگی و تراوایی نسبی مختص به خود تقسیم شدند. در مخازن گازی با توجه به اینکه سنگ از نوع آب‌دوست می‌باشد، این زیرگروههای پتروفیزیکی می توانند به عنوان گروههای سنگ مخزنی تلقی شوند. مدل‌سازی مناسب فشار مویینگی با استفاده از تابع ارتفاع- اشباع برای توزیع بهتر اشباع آب مورد بررسی قرار گرفت. افزایش مقیاس داده‌های فشار مویینگی بر مبنای آزمایشهای سازند و جریانی انجام گرفت. در چاههایی که تعیین سطح تماس از آزمایش چاه امکان‌پذیر نبوده، از فرمولاسیون موردنظر برای تعیین سطح آب آزاد استفاده شده و این منجر به تخمین بهتر میزان گاز درجا گردید. ارتباط بین اشباع آب همزاد، اشباع گاز به دام افتاده و اشباع میعانات باقی مانده برای هر گروه سنگ مخزنی آنالیز شده است. روش مناسبی بر اساس فشار در سطح تماس گاز-میعان برای انتخاب نمونه نماینده مخزن از میان تعداد زیادی نمونه برای آنالیز سیال و مدل‌سازی مناسب آن پیشنهاد شده است. لایه‌بندی مخزن بر اساس مطالعه چینه‌شناسی سکانسی و سپس بر مبنای واحدهای جریان هیدرولیکی تقسیم شدند. قبل از ساخت مدل شبیه‌سازی میدان، شبیه‌سازی تک‌چاهی انجام شده و با کمک داده‌های چاه‌آزمایی برای رسیدن به چندین هدف تنظیم گردید. این اهداف شامل ارزیابی ظرفیت جریانی (kh)، ضریب پوسته (S) و اثر جریان غیر دارسی (D) که از تطابق با داده‌های آزمایش ساق مته (DST) بدست می‌آیند، می‌باشد. ضرایب بهبود بدست آمده برای ارتقاء ظرفیت جریانی از مقیاس مغزه به مقیاس نگار تولید و آزمایش ساق مته بکار رفتند. سپس، شبیه‌سازی کل میدان با استفاده از مدل استاتیک و افزایش مقیاس آن و بکارگیری مفهوم واحدهای جریان هیدرولیکی انجام گرفت. تطابق تاریخچه شامل انطباق داده های تولید، فشارهای ایستا و جریانی در زمان نسبتا کمی نسبت به روشهای دیگر مدل سازی انجام گرفت. در چاههایی که داده های چاه آزمایی موجود نبودند، از یک نقشه هموارسازی با مقدار اولیه واحد استفاده گردید که در طول فرایند تطابق در اطراف این چاهها در محدوده 10 تا 20% تغییر داده شد تا تطابق موردنظر حاصل گردد. نشان داده شده که با روشهای مورد استفاده در کار فعلی، روند تطابق داده‌ها به تلاش کمی نیاز دارد. این روش در یکی از میادین کربناته دیگر نیز مورد بررسی قرار گرفت و جوابهای قابل قبولی بدست آمد. به منظور بررسی عدم قطعیت داده‌ها از یک مدل تک‌چاهی و به روش سطح پاسخ و توسعه مدلهای پروکسی استفاده گردید. روش بهینه‌سازی ازدحام ذرات (PSO) جهت تطابق تاریخچه و تعیین پارامترهای مدل تک چاهی بکار گرفته شد. جوابهای بدست آمده همخوانی قابل قبولی با مدل پایه که در آن از الگوی ارائه شده در این رساله استفاده شده بود، نشان داد. آنالیز قابل قبول و یکپارچه داده‌ها و مدل‌سازی و تلفیق مناسب با آزمایشهای مقیاس میدان و چاه موجب تضمین اعتبار مدل دینامیک و در نتیجه صرفه‌جویی زمان برای تطابق تاریخچه می شود.
    Abstract
    Carbonate reservoirs are highly heterogeneous and require considerable effort to characterize and model due to complex depositional and diagenetic processes and fractures. Data analysis and modeling approaches which work satisfactory in sandstone reservoirs, may fail in carbonate reservoirs. Therefore, an integrated data analysis approach is crucial in carbonate reservoirs. The conventional history matching approaches are trial and error modification of reservoir parameters which are time-consuming and non-unique and such a model is not the representative of reservoir behavior. The objective of this study is to improve the preceding works and present a systematic and integrated methodology for modeling of carbonate reservoirs with minor fractures and also facilitating history matching with minimal parameters modification. Static and dynamic data from pore scale to well and field scale, should be integrated and upscaled properly to build a sound model. Porosity-permeability modeling and rock typing remain among the most challenging engineering tasks due to the multi-scale multi-disciplinary nature of the data. The permeability was correlated to the porosity data using the Discrete Rock Type (DRT) concept. The DRT itself was calculated from well log data (for permeability determination) by applying an artificial intelligence technique known as Local Linear Neuro-Fuzzy Model (LLNFM). The reservoir rock-type classes were selected using routine and special core data complemented with thin section analysis results. A scheme mainly based on rock hydraulic concept (derived from the hydraulic-pore-throat size obtained from core mercury injection tests) proved practical by identifying the Petrophysical Rock Type class (PRT). Each PRT class may be divided to Reservoir Rock Type (RRT) classes by considering the effect of rock wettability. However, the PRT classes are essentially the RRT classes in gas reservoirs since the rock is water wet. Proper modeling of capillary pressure was conducted and a form of Saturation-Height-Function (SHF) was used to generate fluid capillary pressure as a function of water saturation for each RRT class. Capillary pressure data were up-scaled from laboratory to field scale based on the formation and flow tests measurements. In addition, the SHF is used to determine Free-Water-Level (FWL) in wells that did not penetrate the aquifer. This resulted to a better estimate of gas-in-place. The modeling of relative permeability data was performed using Corey’s function with incorporation of procedures to determine connate water saturation, trapped gas saturation and residual condensate saturation for each RRT class. A proper technique is proposed to pick the representative fluid samples (out of many) using static pressure data for PVT analysis and appropriate fluid modeling of the reservoir. The formation layering was carried out using the concept of sequence stratigraphy and the layering was subdivided into hydraulic flow units (HFU). Prior to construction of the field simulation model, single well modeling was conducted and tuned to well test data to target several objectives. These included evaluation of formation-capacity (kh) which was subsequently compared against core derived kh data, and skin-factor/non-Darcy effect as deducted from a match to Drill Stem Tests (DST) results. Boost factors were obtained to upscale the core averaged kh to that of well test. The dynamic model was upscaled from static model using PLT/DST data and incorporating the concept of Hydraulic Flow Zone Unit. History matching including the matching of production data and static and flowing pressure data took minimum effort. A normalization map was used and some fine tuning to normalization map became necessary where there is no PLT/DST data. This approach was tested successfully in another field and encouraging results were obtained. Response surface methodology and proxy modeling was used for sensitivity analysis in a single well model. Particle swarm optimization (PSO) method was applied for history matching and comparison purposes. The result of PSO method was practically similar with that of proposed approach. Consistent and integrated data analysis and modeling tied properly with field and well scale tests guarantees valid dynamic models which in effect save time for history matching. Keywords: Carbonate Reservoirs, Modeling, History matching, Local Linear Neuro-Fuzzy