Разработка нового метода использования нефтяных скважин

из стабильных предприятий топливно-энергетического комплекса не только Западной Сибири, но и России, обладающее передовой технологией ГРП и ГПП, установкой “гибкая труба” в комплексе с насосной установкой, оборудованием для освоения скважин путем свабирования, а также тремя комплектами оборудования для производства ГРП. Один из таких комплектов осуществлял свою деятельность для “Лукойла” в Западном Казахстане. Но как бы не развивалось предприятие, оно вынуждено само заботится об организации рынков сбыта, особенно в условиях экономического кризиса. Существенное изменение структуры запасов нефти обусловливает, необходимость поиска, создания и промышленного внедрения новых технологий воздействия на пласты и их призабойную зону. И как отмечалось выше, все большее применение находят технологии, связанные с методом гидравлического разрыва пласта.. Главный недостаток известных работ по оценке эффективности ГРП состоял в том, что использовался дифференцированный анализ результатов на отдельных скважинах, в которых непосредственно осуществлялось данное мероприятие. В данной работе предпринята попытка использования комплексной методики, для чего необходима статистика по обширному району внедрения этого метода, включая Казахстан. Необходимым провести систематизированный анализ эффективности проведения ГРП по различным месторождениям, не только по месторождениям СП “МеКаМинефть”. С целью выявления влияния массового ГРП, в зависимости от проницаемости пород, на нефтеотдачу, а также динамику добычи нефти. Решение задачи исследования планируется осуществить с помощью статистического эксперимента с использованием корреляционно-регрессионного анализа. Корреляционно-регрессионный анализ используются для установления взаимосвязи между некоторыми показателями. Корреляционная зависимость в исследовательской практике имеет широкое применение[3,с.56] . В процессе статистического исследования можно выделить три основные цели, расположив их как бы по нарастанию глубины проникновения в содержание задачи. 1) Установление самого факта наличия (или отсутствия ) статистически значимой связи между Х и У. 2) Прогноз неизвестных значений интересующих нас средних значений, исследуемых результативных показателей У по заданным значениям вводных переменных. Исследователя в данном случае не интересует степень влияния отдельного фактора Хi, если факторов несколько, на результат Уi . 3) Выявление причинных связей между переменными Х и результативными показателями У. Первая цель исследования, состоящая только в установление самого факта статистического связи между явлениями, достигается вычислением абстрактных чисел коэффициентов, которые называются коэффициентами корреляции. Коэффициент корреляции вычисляется по формуле (2.5).

(2.5)

На практике приняты приделы качественной характеристики тесноты связи , представленные в таблице 2.7.

Таблица 2.7 Качественная характеристика тесноты связи

Диапазон изменения R0,1-0,30,3-0,650,65-0,800,80-0,95>0,96Характеристика связиСвязь слабаяСредняя теснота Связь тесная Связь очень тесная связь функциональная Значит чем больше R , тем точнее результаты [13,с.350]. В качестве оцениваемых параметров эффективности метода ГРП нами выбраны - технологический эффект (Эот); - общий удельный эффект, т/скважино-операцию (Эоу); - увеличение нефтеотдачи, %; - интенсификация разработки, % (Ки); - кратность увеличения дебита нефти. Если установлено, что связь довольно тесная, то можно перейти к достижению второй цели - оценке формы этой связи. Вторая цель решается оценкой формы связи, которая характеризуется функцией регрессии, т.е. типом функциональной зависимости, которым мы приближенно пытаемся описать зависимость исследуемых нами явлений. Полученное при этом уравнение регрессии используется для содержательного описания изучаемого процесса, прогнозирования, выбора оптимального варианта и т.д. Если в уравнение регрессии включены признаки-факторы, учитывающие и возможное случайное поведение результативного признака, то такое выражение представляет регрессионную модель явления или процесса. Наибольшее применение получили уравнения регрессии, отражающие взаимосвязь одного результативного признака с одним (парная регрессия) или несколькими (множественная регрессия) признаками-факторами. Данный метод лучше графического и табличного методов выявления взаимосвязи, так как позволяет оценить эту связь количественно. При построение регрессионной зависимости производится сглаживание экономических показателей по сравнению со средним арифметическим. Для этого используют метод наименьших квадратов. В качестве начальной гипотезы будем считать, что , т.е. форма регрессионной модели имеет линейный характер. Для определения численных значений a0 и a1 будем использовать эмпирические значения Xi и Yi. На основе этих данных требуется подобрать функцию y = f (х) , которая бы в некотором смысле наилучшем образом отражала зависимость между Х и Y . Определить вид функции y = f (х) можно либо из теоретических соображений , либо анализируя характер расположения точек на координатной плоскости. Выбрав вид функции y = f ( х0 ,а0, а1…,аn), необходимо подобрать входящие в ее выражение параметры а0, а1…,аn так, чтобы из всех функций данного вида выделить ту, которая лучше других описывает зависимость между изучаемыми величинами, т.е. обеспечивает наименьшее отклонение экспериментальных значений зависимой переменной от значений, получаемых в результате вычислений с помощью этой функции. Одним из методов решения поставленной задачи является метод наименьших квадратов [13.c.330-335]. Он заключается в следующем:

(2.6)

Решим систему (2.6) в общем виде:

, (2.7)

(2.8)

Определив значения а , а1 и подставив их в уравнение связи у = а0 + а1х находим значение у , зависящие только от заданного значения х. Для практического использования моделей регрессии большое значение их адекватность, т.е. соответствие фактическим статистическим данным. Корреляционно-регрессионный анализ обычно проводится для ограниченной по объему совокупности. Поэтому показатели регрессии и корреляции параметры уравнения регрессии, коэффициенты корреляции и детерминации могут быть искажены действием случайных факторов. Чтобы проверить насколько эти показатели характерны для всей генеральной совокупности, не являются ли они результатом стечения случайных обстоятельств, необходимо проверить адекватность построенных статистических моделей. В качестве критерия адекватности используем критерии Фишера, выполняемый, по формуле (2.9).

, (2.9)

где S2yx - дисперсия обусловленная регрессией; S2ост - остаточная дисперсия, называемая стандартной ошибкой. Значение S2yx и S2ост вычисляются по формулам (2.10) и (2.11).

, (2.10)

(2.11)

Значение Fкрит находят в таблицах [4,с.246]. Если Fp>=Fкрит при степенях свободы K1=n-d, где d число значащих коэффициентов в уравнении регрессии и K2=n-d, где n - объем выборки