Acceleration of gas condensate reservoirs simulation using machine learning = Επιτάχυνση προσομοιώσεων ταμιευτήρων αερίων συμπυκνωμάτων με χρήση μεθόδων μηχανικής εκμάθησης.

Περίληψη

During the production life of a gas condensate reservoir, the dew point is reached at a specific pressure which marks the beginning of liquid condensation in the reservoir rock. This liquid phase is characterised by zero relative permeability due to insufficient saturation and is therefore unable to move. This results in its entrapment in the reservoir pores and in the formation of condensate banks around production wells, since these regions exhibit the greatest pressure decline. As a result, well productivity is ultimately weakened, first, by obstruction of the gas flow caused by the trapped condensate, and second and most important, by loss of the economically valuable heavier condensate fractions retained in the reservoir. A technique referred to as Gas Recycling is often used to handle condensate blockage effects taking place in retrograde gas condensate reservoirs, during which the produced gas is stripped from its intermediate and heavy components at the surface and is subsequently reinjected in the reservoir as dry gas, causing revaporisation of the trapped condensate, by modifying the overall reservoir fluid composition and enabling its production. Planning and optimisation of the gas recycling procedure are significant steps in the reservoir management process. They are accomplished with the assistance of sophisticated compositional reservoir simulation techniques, which employ intricate systems of non-linear differential equations that operate based on the principles of mass and momentum conservation, as well as the establishment of thermodynamic equilibrium between the existing phases. The latter is achieved through the determination, via complex iterative numerical methods, of specific equilibrium coefficient values, Ki, that correspond to the existing gas and liquid phase compositions. The iterative numerical methods which provide the equilibrium coefficients that ensure thermodynamic equilibrium, along with the differential equations that provide pressure and saturation solutions for the gas, liquid and water phases present, must be applied in every grid block of the reservoir model, at each time step, throughout the whole simulation process. In addition, since it is a compositional model, each component present in the multicomponent hydrocarbon mixture is individually inspected. Considering the complexity and diversity of an actual retrograde gas reservoir undergoing the process of dry gas recycling, as well as the long production period that usually lasts decades, it is evident that the simulation process involves an enormous number of computations that undeniably require an equivalent amount of computational time (CPU time) for their completion. As a result, some means of acceleration of the simulation process is needed. Various approaches are examined, including a new experimental procedure for the generation of K-values based on the classic Constant Composition Expansion (CCE) and Constant Volume Depletion tests, as well as a technique based on Machine Learning that can provide in a short amount of time representative sets of equilibrium coefficients that characterise the entire system at various reservoir pressures. The derived sets of equilibrium coefficients can then be introduced directly into the simulator, thereby omitting their calculation during the simulation process, leading to a reduction of 50% or more of the required CPU time.
 
Κατά την αξιοποίηση κοιτασμάτων φυσικού αερίου που συνοδεύονται από παραγωγή συμπυκνώματος (gas condensate reservoirs), όταν η πίεση του ταμιευτήρα λάβει τιμές χαμηλότερες του σημείου δρόσου, παρατηρείται το φαινόμενο δημιουργίας υγρού συμπυκνώματος, ιδιαίτερα στην περιοχή πέριξ των παραγωγικών γεωτρήσεων, το οποίο καταλαμβάνει μέρος του πορώδους και παγιδεύεται σε αυτό. Αποτέλεσμα της παραπάνω διαδικασίας είναι η μείωση της παραγωγής, αλλά και η απώλεια σημαντικής ποσότητας υγρού συμπυκνώματος το οποίο αποτελεί προϊόν με σημαντική οικονομική αξία. Συνήθης πρακτική για την διαχείριση ταμιευτήρων αυτού του τύπου, αποτελεί η εκ νέου αεριοποίηση του παραχθέντος υγρού συμπυκνώματος μέσω αλλαγής της σύστασης του ρευστού του ταμιευτήρα. Η αλλαγή της σύστασης επιτυγχάνεται με την επανεισπίεση (ανακύκλωση) ξηρού αερίου μέσα στον ταμιευτήρα, το οποίο συνήθως προέρχεται από τον ίδιο τον ταμιευτήρα κατά το διαχωρισμό του παραγόμενου ρευστού στους διαχωριστήρες της επιφάνειας. Η πρακτική αυτή αναφέρεται στη διεθνή βιβλιογραφία με τον όρο Gas Recycling. Η διαδικασία του gas recycling όντας πολύπλοκη και εξαιρετικά σύνθετη όσον αφορά τις μεταβολές συστάσεων που πραγματοποιούνται μέσα στον ταμιευτήρα, δεν είναι δυνατό να μοντελοποιηθεί με χρήση απλών τεχνικών προσομοίωσης ταμιευτήρων τύπου black oil. Στην περίπτωση αυτή, για το σχεδιασμό και την βελτιστοποίηση της διαδικασίας είναι αναγκαία η χρήση των λεγόμενων μοντέλων πλήρους σύστασης (compositional models). Κατά την προσομοίωση με μοντέλα πλήρους σύστασης, γίνεται χρήση πολύπλοκων συστημάτων μη γραμμικών διαφορικών εξισώσεων για τον υπολογισμό των πιέσεων και κορεσμών των φάσεων που βρίσκονται μέσα στον ταμιευτήρα, οι οποίες διέπονται από τις αρχές διατήρησης μάζας και ορμής, αλλά και πολύπλοκων επαναληπτικών αριθμητικών μεθόδων οι οποίες παρέχουν τις τιμές των συντελεστών θερμοδυναμικής ισορροπίας, Ki, που εξασφαλίζουν την απαιτούμενη θερμοδυναμική ισορροπία μεταξύ των υπαρχουσών φάσεων. Οι παραπάνω υπολογισμοί εκτελούνται για το σύνολο των κελιών του μοντέλου του ταμιευτήρα και για όλες τις χρονικές στιγμές, καθ’ όλη τη διάρκεια της προσομοίωσης, ενώ κάθε συστατικό του πολυσυστατικού μείγματος παρακολουθείται ξεχωριστά. Συνεπώς, η προσομοίωση ενός πραγματικού ταμιευτήρα αέριων συμπυκνωμάτων ο οποίος υφίσταται την διαδικασία ανακύκλωσης αερίου, αποτελεί μια εξαιρετικά πολύπλοκη διαδικασία αφού εμπεριέχει ένα τεράστιο υπολογιστικό μέρος το οποίο αναπόφευκτα οδηγεί σε σημαντικά αυξημένο χρόνο προσομοίωσης της τάξης των ημερών. Επομένως, γίνεται φανερή η ανάγκη εύρεσης ενός τρόπου επιτάχυνσης της διαδικασίας προσομοίωσης. Στην εργασία αυτή, ερευνώνται τεχνικές που μπορούν να οδηγήσουν στη ταχεία συλλογή αντιπροσωπευτικών τιμών των συντελεστών ισορροπίας, όπως η ανάπτυξη μιας καινούργιας πειραματικής διαδικασίας βασιζόμενης στο κλασικά πειράματα Εκτόνωσης υπό Σταθερή Σύσταση (Constant Composition Expansion – CCE) και υπό Σταθερό Όγκο (Constant Volume Depletion – CVD) αλλά και μιας μεθόδου βασιζόμενης σε τεχνικές Μηχανικής Εκμάθησης. Η εκ των προτέρων γνώση των συντελεστών ισορροπίας που χαρακτηρίζουν το σύστημα σε διάφορες πιέσεις ταμιευτήρα, και η εισαγωγή τους μέσα στο μοντέλο της προσομοίωσης, παρακάμπτει την χρονοβόρα διαδικασία υπολογισμού τους από το ίδιο το μοντέλο και μπορεί να οδηγήσει σε μείωση του απαιτούμενου υπολογιστικού χρόνου κατά ποσοστό 50% ή και περισσότερο.