Factor analysis-based deep differentiation of oil deposits in the Ural-Volga region

Cover Page

Cite item

Full Text

Abstract

   The purpose of the article is to present an algorithm developed on the scientific and methodological foundations of quantitative and qualitative processing of geological and commercial data to implement the procedure for deep identification of deposits.   The developed algorithm consists of two levels: the initial stage includes facility identification by tectonic and stratigraphic characteristics resulting in the formation of a number of megagroups of objects. Then they are subjected to deep differentiation using the elements of data factor analysis, which is carried out together with the monitoring of the highly identical objects. The presented approach to solving the problems of field effective grouping is the most effective due to a comprehensive and reasonable assessment of the groups of facilities formed as a result of modeling. The developed algorithm was tested on example of a number of fields associated with terrigenous reservoirs of the Devonian and carboniferous systems of the Volga-Ural oil and gas province. After two calculation stages the percentage of correctly grouped objects averaged 96.8 %, which is a high result. To make the search for analogous objects qualitative and objective eighteen equations have been obtained that combine twenty parameters describing the geological and physical characteristics of productive formations as well as the physico-chemical properties of the fluids saturating them at the sufficient level of reliability. Based on the results of using the developed algorithm for deep identification of deposits, the authors obtained a number of relevant mathematical dependencies between various parameters, graphical distributions of objects in the axes of the main components, which all together enable efficient and systematic search for analogous objects in the deposits of terrigenous reservoirs of the Devonian and carboniferous systems of the Volga-Ural oil and gas province. Besides, the presented identification diagrams enable successful management of the processes of oil recovery within the micro- and macro-levels of facility distribution in the axes of the main components. They also allow to form a list of general recommendations that will contribute to the optimal development of liquid hydrocarbon resources.

About the authors

R. A. Gilyazetdinov

Institute of Oil and Gas of the Ufa State Petroleum Technological University, Oktyabrsky Branch

Email: gilyazetdinov_2023@mail.ru
ORCID iD: 0009-0002-1931-7035

L. S. Kuleshova

Institute of Oil and Gas of the Ufa State Petroleum Technological University, Oktyabrsky Branch

Email: markl212@mail.ru
ORCID iD: 0000-0003-2975-3666

V. V. Mukhametshin

Ufa State Petroleum Technological University

Email: vv@of.ugntu.ru
ORCID iD: 0000-0003-3283-1047

A. A. Gizzatullina

Institute of Oil and Gas of the Ufa State Petroleum Technological University, Oktyabrsky Branch

Email: alina.gizzatullina87@mail.ru
ORCID iD: 0009-0007-7506-8367

References

  1. Максимов С.П., Кирова В.А., Клубов В.А., Нечитайло С.К., Петропавловский В.В., Абрикосов И.Х.. Геология нефтяных и газовых месторождений Волго-Уральской нефтегазоносной провинции. М.: Недра-Бизнесцентр, 1970. 807 с.
  2. Мухаметшин В.В. Повышение эффективности управления объектами добычи нефти с использованием метода аналогий // SOCAR Proceedings. 2020. № 4. С. 42–50. URL: https://www.elibrary.ru/ip_restricted.asp?rpage=https%3A%2F%2Fwww%2Eelibrary%2Eru%2Fitem%2Easp%3Fid%3D44743966. EDN: LYTMHI.
  3. Абызбаев И.И., Андреев В.Е. Прогнозирование эффективности физико-химического воздействия на пласт // Нефтегазовое дело. 2005. № 3. С. 167–176. EDN: JYAJOX.
  4. Кудряшов С.И., Белкина Е.Ю., Хасанов М.М., Павлов В.А., Тарасов П.А. Количественные методы использования аналогов в задачах разведки и разработки месторождений // Нефтяное хозяйство. 2015. № 4. С. 43–47. EDN: TQNUUB.
  5. Лозин Е.В. Геология и нефтеносность Башкортостана. Уфа: Изд-во БашНИПИнефть, 2015. 704 с.
  6. Мухаметшин В.Ш., Хакимзянов И.Н. Особенности группирования низкопродуктивных залежей нефти в карбонатных коллекторах для рационального использования ресурсов в пределах Урало-Поволжья // Записки Горного института. 2021. Т. 252. С. 896–907. doi: 10.31897/PMI.2021.6.11. EDN: VEKSXG.
  7. Мухаметшин В.В. Повышение эффективности управления разработкой залежей Западно-Сибирской нефтегазоносной провинции на основе дифференциации и группирования // Геология и геофизика. 2021. Т. 62. № 12. С. 1672–1685. doi: 10.15372/GiG2021102. EDN: WGRDPF.
  8. Мухаметшин В.Ш., Кулешова Л.С., Сафиуллина А.Р. Группирование и выделение залежей нефти в карбонатных коллекторах по продуктивности на стадии проведения геолого-разведочных работ // Известия Томского политехнического университета. Инжиниринг георесурсов. 2021. Т. 332. № 12. C. 43–51. doi: 10.18799/24131830/2021/12/2982. EDN: QPNFLY.
  9. Mukhametshin V.Sh., Andreev V.E., Yaskin S.A. Designing measures to increase oil recovery based on the identification and grouping of deposits // IOP Conference Series: Earth and Environmental Science. 2020. Vol. 579. P. 12013. doi: 10.1088/1755-1315/579/1/012013.
  10. Mukhametshin V.Sh., Tyncherov K.T., Rakhimov N.R. Geological and statistical modeling of oil recovery of carbonate formations // Journal of Physics: Conference Series. 2021. Vol. 1753. P. 12080. doi: 10.1088/1742-6596/1753/1/012080.
  11. Tavana M., Soltanifar M., Santos-Arteaga F.J. Analytical hierarchy process: revolution and evolution // Annals of Operations Research. 2023. Vol. 326. P. 879–907. doi: 10.1007/s10479-021-04432-2.
  12. Кулешова Л.С., Мухаметшин В.В. Особенности идентификации залежей в условиях различных нефтегазоносных регионов // Геология, геофизика и разработка нефтяных и газовых месторождений. 2019. № 5. С. 61–65. doi: 10.30713/2413-5011-2019-5(329)-61-65. EDN: ZHEGNV.
  13. Хасанов М.М., Мухамедшин Р.К., Хатмуллин И.Ф. Компьютерные технологии решения многокритериальных задач мониторинга разработки нефтяных месторождений // Вестник инжинирингового центра ЮКОС. 2001. № 2. С. 26–29.
  14. Мухаметшин В.В., Кулешова Л.С. О снижении уровня неопределенности при управлении заводнением залежей с трудноизвлекаемыми запасами // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331. № 5. С. 140–146. doi: 10.18799/24131830/2020/5/2644. EDN: HPSFVH.
  15. Wen X., Yang J., Geng S., Li K. Study on new method for evaluating reservoir formation pressure by wellhead pressure // IOP Conference Series: Earth and Environmental Science. 2019. Vol. 384. P. 12037. doi: 10.1088/1755-1315/384/1/012037.
  16. Malyarenko A.M., Bogdan V.A., Blinov S.A., Kotenev Yu.A., Mukhametshin V.Sh., Kotenev M.Yu. Improving the reliability of determining physical properties of heterogeneous clay reservoir rocks using a set of techniques // Journal of Physics: Conference Series. 2021. Vol. 1753. P. 12074. doi: 10.1088/1742-6596/1753/1/012074.
  17. Gheorghiu S.A., Popescu C. Quantifying economic uncertainties and risks in the oil and gas industry // Recent Applications of Financial Risk Modelling and Portfolio Management / eds T. Škrinjarić, M. Čižmešija, B. Christiansen. 2021. P. 154–184. doi: 10.4018/978-1-7998-5083-0.ch008.
  18. Симоненко Е.П., Долгирев C.C. Статистический метод построения зависимости коэффициентов насыщенности горных пород нефтяных и газовых залежей от абсолютной глубины и коллекторских свойств // Научно-технический вестник «Каротажник». 2023. № 4. С. 87–100. EDN: EJSWBL.
  19. Грищенко В.А., Рабаев Р.У., Асылгареев И.Н., Мухаметшин В.Ш., Якупов Р.Ф. Методический подход к определению оптимальных геолого-технологических характеристик при планировании ГРП на многопластовых объектах // SOCAR Proceedings. 2021. № 2. С. 182–191. doi: 10.5510/OGP2021SI200587.
  20. Мухаметшин В.Ш. Управление заводнением залежей нефти в карбонатных коллекторах // SOCAR Proceedings. 2022. № 1. С. 37–43. doi: 10.5510/OGP2022SI100643.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».