Как известно, оценка зрелых нефтяных месторождений осложняется неоднородностью коллектора, тектонической нарушенностью, изменчивостью толщин и недостаточной определённостью корреляции пластов. В подобных условиях полезно не ограничиваться одной детерминированной структурной моделью, а описывать альтернативные геологические реализации и диапазон возможных производственных результатов. Байесовский подход позволяет последовательно обновлять исходные представления с учётом новых свидетельств; марковские модели — задавать вероятностную последовательность литологических состояний; Монте-Карло — переносить неопределённость входных параметров в распределение выходных показателей [2–5].
Цель статьи — разработать прозрачный аналитический прототип для месторождения Пираллахи по фактическим данным, показать расчётные формулы и графики.
Месторождение Пираллахи расположено в шельфовой зоне Каспийского моря примерно в 60 км к востоку от Баку. Указаны два брахиантиклинальных поднятия — Северное и Южное Пираллахи; длина северного поднятия составляет около 6 км, ширина залежи меняется примерно от 1,5 км на юге до 4,5 км на севере. Район характеризуется тектоническими блоками и нарушениями, а также сложной геометрией продуктивных горизонтов.
Продуктивные объекты расположены преимущественно в нижней части продуктивной толщи: ПК, КС и частично КаС; ПК и КС включают чередование песков, песчаников, алевритов и глин. В источнике приводятся средняя мощность КС около 240–280 м, мощность отдельных песчанистых интервалов и выраженная литологическая неоднородность. Также отмечено, что коллекторы и условия залегания отличаются по блокам и крыльям складок [1].
Таблица 1
|
Показатели |
Значение |
|
Накопленная добыча нефти с начала разработки |
24878 тыс. т |
|
Накопленная добыча газа с начала разработки |
2972 млрд м³ |
|
Добыча нефти за 2022 г. |
156,6 тыс. т |
|
Добыча воды за 2022 г. |
249,7 тыс. т |
|
Добыча растворённого газа за 2022 г. |
3,5 млн м³ |
|
Обводнённость продукции |
61,5 % |
|
Пробурено скважин к 01.01.2023 |
1201 |
|
Действующий добывающий фонд |
250 скважин |
Байесовское ранжирование перспективности объектов
Пусть Hᵢ обозначает гипотезу о приоритетной нефтеносности объекта i, а E — совокупность доступных геологических свидетельств: прямые указания источника на нефтеносность, литологическое описание и данные об истории разработки. Байесовское обновление имеет вид:
P(Hᵢ | E) = P(E | Hᵢ) P(Hᵢ) / Σⱼ P(E | Hⱼ) P(Hⱼ).
Поскольку исходные данные не содержат статистики успешности испытаний по каждому объекту, значения априорных вероятностей и правдоподобия ниже являются экспертными демонстрационными весами, а не эмпирически оценёнными частотами. Они нужны, чтобы показать процедуру расчёта, и должны быть заменены на данные скважин, ГИС, керна и испытаний перед практическим использованием.
Таблица 2
|
Объект |
Априорная вероятность |
Вес свидетельств P(E|H) |
Нормированная апостериорная оценка |
|
ПК |
0.20 |
0.90 |
0.309 |
|
КС |
0.25 |
0.95 |
0.408 |
|
КаС |
0.20 |
0.55 |
0.189 |
|
НКП |
0.20 |
0.20 |
0.069 |
|
НКГ |
0.15 |
0.10 |
0.026 |
В демонстрационном расчёте ПК получает 30.9 %, КС — 40.8 %, КаС— 18.9 %, НКП — 6.9 %, НКГ — 2.6 %. Эти значения — условно ранжированы при выбранных весах, а не абсолютная вероятность промышленной нефтеносности. При изменении априорных весов и правдоподобия результат может измениться.
Рис. 1. Демонстрационное байесовское ранжирование объектов. Вероятности зависят от явно заданных экспертных весов
Марковская цепь вертикальной смены литофаций
Для упрощённой модели разрез представляется последовательностью состояний S = {песок, алеврит/песчаник, глина}. Вероятность следующего состояния зависит от текущего: P(Xₜ₊₁=j | Xₜ=i)=pᵢⱼ. Каждая строка матрицы переходов суммируется к единице. Марковская постановка широко применяется для моделирования пространственной непрерывности литотипов и категориальных переменных коллектора [3, 4].
Для иллюстрации задана матрица переходов, отражающая возможное чередование песчаных, переходных и глинистых интервалов. Она не оценена по каротажным диаграммам Пираллахи и не должна интерпретироваться как установленная характеристика месторождения.
Таблица 3
|
Текущее состояние → следующее |
Песок |
Алеврит/песчаник |
Глина |
|
Песок |
0.55 |
0.30 |
0.15 |
|
Алеврит/песчаник |
0.35 |
0.35 |
0.30 |
|
Глина |
0.15 |
0.25 |
0.60 |
Рис. 2. Иллюстративная матрица переходов литофаций; значения заданы для демонстрации алгоритма
В реальной модели матрицу следует оценивать по последовательностям ГИС, керна и корреляции скважин. Для учёта наклона пластов и латеральной неоднородности целесообразно применять пространственно обусловленные или скрытые марковские модели, а не предполагать независимость соседних скважин [3, 4].
Монте-Карло для сценарной оценки добычи
По данным добыча нефти за 2022 г. Q₀ = 156,6 тыс. т/год. Для демонстрации сценарного расчёта принимается экспоненциальное падение годовой добычи: Qₜ = Q₀(1−d)ᵗ, где d — постоянный годовой темп снижения. Параметр d моделируется треугольным распределением Triangular(0,05; 0,08; 0,12): минимум 5 %, наиболее вероятное значение 8 %, максимум 12 %. Это сценарное допущение, не оценка фактического темпа падения добычи на месторождении Пираллахи.
Выполнено 100 000 реализаций. Для каждой реализации выбран темп d и рассчитана сумма добычи за 10 лет: C₁₀ = Σₜ₌₀⁹ Q₀(1−d)ᵗ. Такой подход переносит неопределённость одного параметра в распределение накопленной добычи [2, 5].
Таблица 4
|
Показатель модели |
5-й процентиль |
Медиана |
95-й процентиль |
|
Суммарная добыча за 10 лет, тыс. т |
987.5 |
1095.3 |
1202.8 |
|
Годовая добыча в 10-й год, тыс. т/год |
56.0 |
72.1 |
89.5 |
|
Годовая добыча в 2-й год, тыс. т/год |
139.7 |
143.7 |
147.2 |
Рис. 3. Распределение 10-летней накопленной добычи в 100 000 сценарных реализациях
Медианная десятилетняя добыча составляет приблизительно 1095 тыс. т, а центральный 90 %-ный сценарный интервал — от 988 до 1203 тыс. т. Это не официальный прогноз и не оценка извлекаемых запасов: результат обусловлен исключительно выбранным диапазоном падения и неизменностью прочих факторов. Модель не учитывает ввод/остановку скважин, обводнение, давление, капремонты, ограничения инфраструктуры, изменение режимов работы и экономические критерии.
Объединённый рабочий процесс
Рис. 4. Схема применения трёх методов в последовательном вероятностном анализе
Логика интеграции следующая: (1) геологические сведения и скважинные измерения задают гипотезы и ограничения; (2) байесовский слой обновляет вероятности объектов при поступлении новых свидетельств; (3) марковская модель генерирует правдоподобные последовательности литофаций; (4) Монте-Карло варьирует параметры коллектора и разработки и формирует распределения прогнозных показателей. В полном проекте пласты следует связать через единую модель: литофации → пористость/проницаемость → насыщенность и давление → гидродинамическая модель → добыча.
Выводы
Геологическое описание источника подчёркивает неоднородность ПК и КС, наличие глинистых разделов, изменчивость толщин и влияние разломов. Это поддерживает вероятностный подход: единственная интерпретация геометрии пласта может не отражать диапазон допустимых моделей. Отдельное значение имеет обводнённость 61,5 % и снижение пластового давления, описанное в тексте книги; эти признаки указывают на зрелую стадию разработки и необходимость анализа поддержания давления, профилей притока и водопритока [1].
Байесовский расчёт показывает, как можно объединять неоднородные свидетельства, но численные результаты пока не имеют частотной валидации. Марковская матрица демонстрирует способ описания чередования литотипов, однако для оценки реальной непрерывности необходимы цифровые каротажные кривые и интервальная разбивка по скважинам. Монте-Карло выявляет диапазон сценариев, но в текущем виде отражает неопределённость только темпа снижения добычи. Следовательно, его следует рассматривать как проверку методики, а не как окончательную оценку будущей добычи.
Важное методологическое различие: марковская цепь литофаций — это модель последовательности геологических состояний; MCMC (Markov chain Monte Carlo) — алгоритмический способ выборки из апостериорного распределения. В данной статье используется первая для иллюстрации геологической последовательности и обычное моделирование Монте-Карло для сценарной добычи. Месторождение Пираллахи описывается как сложная многопластовая система с двумя поднятиями, тектонической блоковостью и неоднородными коллекторами ПК/КС; это обосновывает использование вероятностного, а не исключительно детерминированного описания.
Байесовская формула позволяет объединять геологические свидетельства и ранжировать объекты, но представленные в статье вероятности получены из демонстрационных экспертных весов.
Марковская цепь удобна для моделирования вертикального чередования песчаных, переходных и глинистых литофаций. Для месторождения необходима оценка переходов по фактическим ГИС и керну.
Сценарий Монте-Карло с 100 000 реализаций при темпе падения 5–12 % даёт медиану 10-летней накопленной добычи около 1095 тыс. т и центральный 90 %-ный диапазон 988–1203 тыс. т. Эти числа иллюстрируют распространение неопределённости, а не являются официальным прогнозом.
Литература:
- Salmanov Ə., Məhərrəmov B., Qаraqözov E., Kərimov N. Azərbaycanın dəniz akvatoriyasında neft-qaz yataqlarının geologiyası və işlənmə göstəriciləri. Предоставленный пользователем фрагмент, с. 152–167.
- Oliver D. S., Reynolds A. C., Liu N. Inverse Theory for Petroleum Reservoir Characterization and History Matching. Cambridge University Press, 2008. DOI: https://doi.org/10.1017/
- Feng R., Lüthi S. M., Gisolf D. Simulating reservoir lithologies by an actively conditioned Markov chain model. Journal of Geophysics and Engineering, 2018, 15(3), 800–815. DOI: https://doi.org/10.1088/1742–2140/aaa0ff.
- Huang X. et al. Spatial hidden Markov chain models for estimation of petroleum reservoir categorical variables. Journal of Petroleum Exploration and Production Technology, 2017, 7, 11–22. DOI: https://doi.org/10.1007/s13202–016–0251–9.
- Monte Carlo simulation for uncertainty quantification in reservoir simulation: A convergence study. Journal of Petroleum Science and Engineering, 2020, 190, article 107094. DOI: https://doi.org/10.1016/j.petrol.2020.107094.
- Yousefzadeh R., Kazemi A., Ahmadi M., Gholinezhad J. Uncertainty management in reservoir engineering. In: Introduction to Geological Uncertainty Management in Reservoir Characterization and Optimization: Robust Optimization and History Matching. Springer, 2023. DOI: https://doi.org/10.1007/978–3–031–28079–5_1.

