Взаимовлияние скважин при фонтанном способе добычи нефти: обзор методов оценки и анализ их применимости

Введение. Проблема выявления и оценки взаимовлияния скважин является одной из ключевых в современной нефтегазовой отрасли и наименее изученной применительно к условиям фонтанной добычи нефти. Прогнозирование объемов добычи нефти в разрезе скважин, планирование ввода/вывода скважин из эксплуатации, изменение режима их работы невозможно без четкого понимания их взаимосвязи.

Цель: на основе опубликованных источников провести обзор и анализ применимости существующих моделей оценки взаимовлияния эксплуатационных параметров скважин под фонтанный способ добычи.

Методы. Отбор статей для обзора выполнялся в соответствии с методикой PRISMA по ключевым словам в базах Google Scholar и Elibrary. Полные тексты отобранных статей были вручную проверены на соответствие исследовательскому вопросу.

Результаты. В обзор вошли 25 публикаций, соответствующих поисковому запросу. Их анализ показал довольно широкий спектр применяемых методов и моделей: метод гидродинамического моделирования, экспериментальный метод, модель материального баланса, емкостно-резистентная модель (CRM), двумерная модель фильтрации, пространственно-авторегрессионные модели (SAR, SEM и др.), модель пространственно-временной авторегрессии скользящего среднего (STARMA), модель анализа временных рядов (TSA), модель векторной авторегрессии (VAR), байесовская модель векторной авторегрессии (BVAR). Каждая из них имеет свои недостатки, такие как трудоемкость реализации, высокая стоимость, вычислительная сложность, чувствительность к пропускам и выбросам в данных. Многие из них для оценки взаимосвязи скважин при фонтанном способе добычи требуют принятия определенных допущений и адаптации. Анализ преимуществ и недостатков позволил сделать вывод о том, что наиболее перспективной для оценки взаимного влияния дебитов нефти скважин при фонтанном способе ее добычи является модель векторной авторегрессии (VAR).

Заключение. Широкий перечень методов анализа взаимовлияния скважин позволяет подобрать метод с учетом существующих ограничений исследования, но во всех случаях они требуют адаптации под фонтанный способ добычи.

1. Alisheva Z., AL-Dujaili A.N., Tileuberdi N., et al. Modeling and analysis of filtration processes in oil reservoirs of small fields by reserves // Scientific Reports. — 2025. — No. 15. — Pp. 115–155. https://doi.org/10.1038/s41598-025-96797-8

2. Bayamirova R., Togasheva A., Saduakasov D., Zholbasarova A., Tabylganov M., Gusmanova A., Sarbopeeva M., Nauyryzova B., Nugumarov S. Reservoir Development and Well Operation Control Methods: Practical Application // Processes . — 2025. — No. 13. — Pp. 15–41. https://doi.org/10.3390/pr13051541

3. Korotkov R.N., Ovcharenko D.M., Erofeev V.I. Adjustment of a reservoir model by the material balance method in the MBAL program. Setting up the integrated model in GAP // Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering. — 2024. — 335, no. 2. — Pp. 133–140. https://doi.org/10.18799/24131830/2024/2/4434

4. Serres-Piole C., Preud'homme H., Moradi-Tehrani N., Allanic C., Jullia H., Lobinski R. Water tracers in oilfield applications: Guidelines // Journal of Petroleum Science and Engineering. — 2012. — No. 98–99. — Pp. 22–39.

5. Поташев К.А., Ахунов Р.Р., Мазо А.Б. Расчет расхода жидкости между скважинами в модели фильтрации нефтяного пласта с использованием линий тока // Георесурсы. — 2022. — Том 24, № 1. — С. 7–35. https://doi.org/10.18599/grs.2022.1.3

6. Potashev K.A., Baushin V.V., Mazo A.B., et al. Design of the Position of the Blocking Material in a Water-Flooded HighPermeability Interlayer of an Oil Reservoir for a Five-Spot Flooding Scheme // Moscow University Geology Bulletin. — 2024. — Vol. 79, no. 1. — Pp. 150–161. https://doi.org/10.3103/s0145875224700169.

7. Косяков В.П., Мусакаев Е.Н., Гайдамак И.В. Применение инструментов прокси-моделирования для оценки эффективного коэффициента приемистости нефтяного месторождения // Вестник ТюмГУ Физическое и математическое моделирование. Нефть, газ, энергетика — 2022. — Том 8, № 3(31). — С. 85–105. https://doi.org/10.21684/2411-7978-2022-8-3-85-105

8. Holanda R.W.D., Gildin E., Jensen J.L., Lake L.W., Kabir C.S. A State-of-the-Art Literature Review on Capacitance Resistance Models for Reservoir Characterization and Performance Forecasting // Energies . — 2018. — Vol. 11. — P. 3368. https://doi.org/10.3390/en11123368

9. Han G. Applicability of the flowing material balance method to heterogeneous reservoirs // Petroleum Science and Technology. — 2022. — Vol. 40, no. 6. — Pp. 641–658. https://doi.org/10.1080/10916466.2021.2006700

10. Clarkson C.R., Benson A.L.L., Hamidreza H. Quantifying the Effects of Interwell Communication Using Dynamic Fluid-inPlace Calculations // SPE Journal. –2024. — Vol. 29, no. 3. — Pp. 5384–5399. https://doi.org/10.2118/217760-PA

11. Fan, D., Sun, H., Yao, J., Zhang, K., Yan, X., & Sun, Z. Well production forecasting based on ARIMA-LSTM model considering manual operations // Energy — 2021. — No. 220. — P. 119708. https://doi.org/10.1016/j.energy.2020.119708

12. Азбуханов А.Ф., Лакман И.А., Агапитов А.А., Садикова Л.Ф. Среднесрочное прогнозирование добычи нефти по месторождению на основе моделей SARIMAX // Нефтяное хозяйство. — 2020. № 2. — С. 84–88. https://doi.org/10.24887/0028-2448-2020-2-84-88

13. Хасанов М.М., Бахитов Р.Р., Лакман И.А. Обзор исследований по моделированию геологического строения и процессов разработки месторождения // Нефтяное хозяйство. — 2021. — № 10. — С. 46–51. https://doi.org/10.24887/0028-2448-2021-10-46-51

14. Min Ch., Wang Y., Min F., Yang H., Zhao W. Multisource data fusion for single-well production rate prediction // Expert Systems with Applications. — 2024. — No. 250. — P. 123955. https://doi.org/10.1016/j.eswa.2024.123955

15. Zhang R., Jia H. Production performance forecasting method based on multivariate time series and vector autoregressive machine learning model for waterflooding reservoirs // Petroleum Exploration and Development. — 2021. — Vol. 48, no. 1. — Pp. 201–211. https://doi.org/10.1016/S1876-3804(21)60016-2

16. Хасанов М.М., Бахитов Р.Р., Лакман И.А., Манапов Т.Ф. Методика количественной оценки взаимовлияния скважин с учетом отсроченного эффекта // Нефтяное хозяйство. — 2021. — № 12. — С. 51–55. https://doi.org/10.24887/0028-2448-2021-12-51-55

17. Taherdangkoo R., Tatomir A., Taherdangkoo M., Qiu P., Sauter M. Nonlinear Autoregressive Neural Networks to Predict Hydraulic Fracturing Fluid Leakage into Shallow Groundwater // Water. — 2020. — No. 12. — P. 841. https://doi.org/10.3390/w12030841

18. Ahmadi R., Shahrabi J, Aminshahidy B. Forecasting multiple-well flow rates using a novel space-time modeling approach // Journal of Petroleum Science and Engineering. — 2020. — No. 191. — Pp. 107–127. https://doi.org/10.1016/j.petrol.2020.107027

19. Montgomery J.B., O’Sullivan F.M. Spatial variability of tight oil well productivity and the impact of technology // Applied Energy. — 2017. — No. 195. — Pp. 344–355. https://doi.org/10.1016/j.apenergy.2017.03.03

20. E-lDawody S., Essawy Y., Nassar K. Investigating Spatial Autocorrelation for Petroleum Projects // Proceedings of the Canadian Society for Civil Engineering Annual Conference — 2024. — Vol. 3. CSCE 2024. Lecture Notes in Civil Engineering. — 2025. — Vol. 3. — Pp. 1–34. Springer, Cham. https://doi.org/10.1007/978-3-031-97697-1_34.

21. Хасанов М.М., Бахитов Р.Р., Лакман И.А., Тимирьянова В.М. Пространственное моделирование взаимовлияния добывающих скважин // Нефтяное хозяйство. — 2023. — № 10. — С. 51–55. https://doi.org/10.24887/0028-2448-2023-10-51-55

22. Zhang C., Lv W., Liu G. et al. Multidimensional spatiotemporal autocorrelation analysis theory based on Multi-observation spatiotemporal Moran’s I and its application in resource allocation // Earth SciInform. — 2025. — Vol. 18, no. 36. https://doi.org/10.1007/s12145-024-01598-8

23. Paudel A., Puri S. Accelerating Spatial Autocorrelation Computation with Parallelization, Vectorization and Memory Access Optimization: With a focus on rapid recalculation of COVID related spatial statistics for faster geospatial analysis and response // 22nd IEEE International Symposium on Cluster, Cloud and Internet Computing (CCGrid) . — 2022. https://doi.org/10.1109/ccgrid54584.2022.00064

24. Miranda-Agrippino S., Ricco G. Bayesian Vector Autoregressions // Bank of England Working Paper. September 21. — 2018. — No. 756. https://doi.org/10.2139/ssrn.3253086

25. Musyoki M., Alilah D., Angwenyi D. Updated Vector Autoregressive Model Incorporating New Information Using the Bayesian Approach // Science Mundi . — 2024. — Vol. 4, no. 2. — Pp. 178–197. https://doi.org/10.51867/scimundi.mathematics.4.2.17

26. Kuschnig N., Vashold L. BVAR: Bayesian Vector Autoregressions with Hierarchical Prior Selection in R. // Journal of Statistical Software . — 2019. — Vol. 100, no. 14. — Pp. 1–27. https://doi.org/10.18637/jss.v100.i14