Содержание к диссертации
Введение
1 Современное состояние методов и средств интеллектуальной обработки эксплуатационных показателей газоконденсатного месторождения 8
1.1 Общие представления об интеллектуальном анализе данных 8
1.2 Математические методы и алгоритмы интеллектуального анализа данных 10
1.3 Современное состояние хранилищ информации 35
1.4 Общие сведения о технологическом процессе разработки 38
газоносного пласта 38
1.5 Задачи исследования 41
2 Построение модели сбора газа на газоконденсатном месторождении 43
2.1 Формирование технологических объектов с использованием методов векторной оптимизации .43
2.2 Модель коллекторно-лучевой системы сбора газа 50
2.3 Определение внутренней характеристики системы 54
2.4 Решение задач прогноза функционирования системы 58
2.5 Формирование комплекса параметров эффекта для векторной оптимизации 59
2.6 Выводы по главе 60
3 Разработка программного обеспечения и методик обработки информации 61
3.1 Проектирование информационного обеспечения системы КСС 61
3.2 Выбор методов системных исследований для оптимизации технологических объектов 62
3.3 Разработка программного обеспечения 64
3.4 Описание структуры базы данных 75
3.5 Методика обработки информации базы данных 81
3.6 Выводы по главе 84
4 Результаты математического моделирования КСС 85
4.1 Построение базовых кривых 85
4.2 Определение фильтрационных коэффициентов 94
4.3 Имитационное моделирование КСС 97
4.4 Оптимизационное моделирование КСС 102
4.5 Выводы по главе 106
5 Разработка системы управления КСС 107
5.1 Оценка свойств автоматической системы управления КСС 107
5.2 Экономическое обоснование разработки 119
5.3 Выводы по главе 126
Общие выводы по работе 127
Список использованных источников 129
Приложения 143
- Математические методы и алгоритмы интеллектуального анализа данных
- Формирование технологических объектов с использованием методов векторной оптимизации
- Разработка программного обеспечения
- Имитационное моделирование КСС
Введение к работе
Интенсивное развитие газодобывающей промышленности требует повышения эффективности процессов добычи природного газа, увеличения отдачи газоносных пластов, совершенствования систем разработки и способов эксплуатации газовых и газоконденсатных месторождений.
Актуальность работы. Опыт газодобывающей промышленности показывает, что основной проблемой является увеличение объемов добычи и полноты извлечения газа из продуктивных пластов. Эксплуатация газоконденсатного месторождения на этапе падающей добычи, основанная на использовании коллекторно-лучевой системы сбора продукции со скважин месторождения (КСС), должна проводиться в оптимальных условиях.
Газоконденсатное месторождение представляет собой сложную систему, состоящую из большого числа устройств отбора газа: скважин, связанных трубопроводами в коллекторно-лучевые системы и взаимодействующих между собой и с продуктивным пластом. Как правило, это взаимодействие носит неопределенный характер.
Характерная особенность процесса разработки газоконденсатного месторождения - ограниченный объем сведений о свойствах системы. Это связано как с непрерывным изменением фонда действующих скважин, так и с ограниченностью имеющихся измерительных приборов и систем. В сочетании со сложностью объектов исследования (пластовая система, скважина и т, п.) это затрудняет использование существующих методов моделирования.
Несмотря на то, что разработаны различные варианты оптимизации технологического процесса разработки газоносного пласта, разработка газоконденсатных месторождений ведется недостаточно эффективно. Это связано не только с многомерностью задачи и большим объемом исходных данных, но и с тем, что эти данные, как правило, являются неполными. Существующие методы и алгоритмы не в состоянии оптимизировать данные системы. При этом некорректно установленные режимы эксплуатации скважин приводят к неэффективной разработке месторождения, возникновению зон пони-
5 ясенного пластового давления, «задавливанию» скважин (снижению их дебита ниже рентабельного) и преждевременному возникновению необходимости ввода в действие дожимных компрессорных станций (ДКС).
Особенностью проблемы является то, что начиная с семидесятых годов прошлого столетия, работы по изучению газовой скважины как объекта автоматического регулирования и как объекта контроля практически прекратились. Была принята и официально закреплена в «Основных положениях по автоматизации процессов добычи газа» концепция, что скважина не является объектом автоматизации.
Все это определяет актуальность задачи применения более эффективных подходов к оптимизации существующих систем сбора газа и разработки системы управления КСС.
Работа выполнена в рамках темы г/б НИР № 01890036607 «Синтез, реализация и исследование эффективности оптимальных технических и организационных систем» ГОУ ВПО «Оренбургский государственный университет».
Объект исследования - система сбора газа.
Предмет исследования - разработка системы управления на основе имитационного и оптимизационного моделирования параметров КСС сбора газа.
Цель работы - увеличение объемов добычи газа и уменьшение затрат при разработке месторождения на основе оптимального управления.
Задачи исследования:
сформировать функционально-структурное представление КСС;
разработать методику интеллектуального анализа промысловой информации, позволяющую идентифицировать математическую модель движения газа в КСС и прогнозировать состояние КСС;
исследовать свойства параметров КСС методом имитационного моделирования;
произвести векторную оптимизацию КСС;
- разработать алгоритм управления КСС.
Методы исследования. Поставленные задачи решались с использованием методов системного анализа, математического моделирования, теории автоматического управления, методов векторной оптимизации, прикладных методик и моделей, используемых при расчете КСС.
Достоверность полученных результатов. Исследования проведены на базе фундаментальных закономерностей динамики газовых потоков. Статистическая обработка баз данных производилась стандартными программными средствами.
Научная новизна заключается в следующем:
разработана модель краткосрочного прогнозирования эксплуатационных параметров скважин, КСС и групп КСС, подключенных к одной установке комплексной подготовки газа (УКПГ);
проведена идентификация математической модели движения газа в КСС для условий Оренбургского газоконденсатного месторождения;
- применен метод векторной оптимизации КСС на дискретном множестве.
Практическая значимость:
разработана база данных, эксплуатационных параметров скважин, защищенная свидетельством РОСПАТЕНТА № 2006620003;
разработан алгоритм управления дебитом системы КСС в условиях падающей добычи;
разработано программное обеспечение для моделирования и оптимизации КСС, защищенное свидетельством РОСПАТЕНТА № 2006610001.
Положения, выносимые на защиту:
функционально-структурное представление КСС;
свойства базовых кривых эксплуатационных параметров скважин и фильтрационных коэффициентов призабойной зоны;
свойства КСС, характеризующие движение газа;
комплекс параметров эффекта для проведения оптимизации КСС;
7 - структура подсистемы управления КСС, интегрированной в систему
управления УКПГ.
Реализация результатов работы.
Результаты работы в 2006 году переданы для использования в Газопромысловое Управление ООО «Оренбурггазпром», Результаты исследований послужили основой создания учебно-методических материалов по интеллектуальному анализу данных, используемых в учебном процессе ГОУ ВПО «Оренбургский государственный университет» при подготовке студентов специальности 080801 по дисциплине «Предметно-ориентированные информационные системы».
Апробация работы.
Основные положения и результаты работы докладывались и были одобрены международной научно-технической конференции «Проблемы автоматизации и управления в технических системах» (Пенза, 2004), и всероссийских научно-практических конференциях «Современные информационные технологии в науке, образовании и практике» (Оренбург, 2004, 2005,2006).
Публикации.
Основное содержание диссертации изложено в 10 публикациях, получены 2 свидетельства о регистрации программных средств.
Структура и объем диссертации.
Диссертация состоит из введения, пяти глав, заключения, списка использованных источников (173 наименования) и приложений. Диссертация изложена на 166 страницах, содержит 36 рисунков и 14 таблиц.
1 СОВРЕМЕННОЕ СОСТОЯНИЕ МЕТОДОВ И СРЕДСТВ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ЭКСПЛУАТАЦИОННЫХ ПОКАЗАТЕЛЕЙ ГАЗОКОНДЕНСАТНОГО МЕСТОРОЖДЕНИЯ
В процессе эксплуатации на газоконденсатном месторождении накапливается большой объем эксплуатационной информации. Рассмотрим возможность ее применения для управления движением потоков газа.
Для обработки больших объемов информации в настоящее время применяются алгоритмы интеллектуального анализа данных. Рассмотрим свойства этих алгоритмов и особенности их применения.
Из рассмотренных методов векторной оптимизации для решения задач автоматического управления КСС наиболее подходящим является метод векторной оптимизации на дискретном множестве.
Математические методы и алгоритмы интеллектуального анализа данных
В научной литературе выделено три основных типа методов поиска оптимальных решений [109]: - методы, основанные на математических вычислениях; - перечислительные методы; - методы, использующие элемент случайности. Методы, основанные на математических вычислениях, подразделяются на направленные и ненаправленные. Направленные методы строятся на перемещении от точки к точке в допустимой области, причем направление перемещений связывается с направлением, на которое указывает градиент целевой функции. В ненаправленных методах локальный экстремум ищется путем решения системы, как правило, нелинейных уравнений. Эта система составляется путем приравнивания градиента целевой функции к нулю. К недостаткам этих методов можно отнести то, что методы поиска оптимальных решений, основанные на математических вычислениях, применимы лишь в случаях гладких, унимодальных целевых функций. В перечислительных методах пространство поиска любой задачи можно представить в виде совокупности дискретных точек. При этом поиск решения сводиться к перебору всех точек пространства поиска и нахождения экстремума целевой функции. Недостаток перечислительных методов в том, что при росте числа аргументов целевой функции растет вычислительная сложность алгоритма. В основе методов, использующих элемент случайности, лежит случайный поиск в пространстве задач с сохранением наилучшего полученного результата. Применение такого метода не гарантирует получения оптимального решения. Результат работы метода не может быть лучше, чем в случае методов поиска, поскольку в обоих случаях рассматриваются одни и те же дискретные точки пространства поиска задачи. При решении очень сложных задач достаточно получения лучшего решения по сравнению с ранее известным. Внесение в такие методы элементов детерминированности дает значительное улучшение показателей. Одним из таких «частично» случайных методов являются эволюционные вычисления. Предложена следующая классификация методов интеллектуального анализа данных [1,3]. Предметно-ориентированная методология. Наибольшее распространение среди предметно-ориентированных аналитических методов в области исследования данных получили методы технического анализа. Они представляют собой совокупность нескольких десятков методов прогноза динамики показателей, основанных на различных эмпирических моделях динамики предметной области. Эти методы могут быть весьма просты (например, методы, использующие вычитание тренда), но могут иметь и достаточно оригинальную математическую основу (например, теорию фракталов). На рынке имеется множество вполне доступных пользователям программных продуктов этого класса. Статистические методы. Последние версии почти всех известных статистических пакетов наряду с традиционными статистическими методами включают также элементы технологии интеллектуального анализа данных. Однако основное внимание в них уделяется все же классическим методикам - корреляционному, регрессионному и факторному анализу. Недостатком систем этого класса считают необходимость специальной подготовки пользователя. Также следует отметить, что мощные современные статистические пакеты слишком «тяжеловесны» для массового применения и весьма дороги. Есть еще один принципиальный недостаток статистических пакетов, ограничивающий их применение в технологии интеллектуального анализа данных. Большинство методов, входящих в состав пакетов, опираются на статистическую парадигму, в которой главными фигурантами служат усредненные характеристики выборки. А эти характеристики при исследовании реальных объектов часто являются фиктивными величинами [7,8]. В качестве примеров распространенных пакетов, построенных на основе статистических методов, можно назвать SAS (компания SAS Institute), SPSS (SPSS), STATGRAPHICS, STATISTICA, STADIA и другие.
Эта методология [9,10,11,12,13,14] имитирует построение нервной ткани из нейронов. В одной из наиболее распространенных архитектур, многослойном персептроне с обратным распространением ошибки, эмулируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов лежащего ниже слоя. На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т. д. Эти значения рассматриваются как сигналы, передающиеся в вышележащий слой и изменяющиеся в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ, реакция всей сети на введенные значения входных параметров. Для того чтобы сеть можно было применять в дальнейшем, ее прежде надо «натренировать» на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. Эта тренировка состоит в подборе весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам [15,16,17,18,19,20,21,22].
Основным недостатком нейросетевой парадигмы является необходимость иметь очень большой объем обучающей выборки. Другой существенный недостаток заключается в том, что даже натренированная нейронная сеть представляет собой черный ящик [23,24,25,26]. Знания, зафиксированные как веса нескольких сотен межнейронных связей, совершенно не поддаются анализу и интерпретации человеком [27,28,29,30,31,110]. Известные попытки дать интерпретацию структуре настроенной нейросети выглядят неубедительными (система KINOsuite-PR) [111]. Примеры нейросетевых систем - BrainMaker (CSS), NeuroShell (Ward Systems Group), OWL (HyperLogic) [112,113,114]. плохо формализованных задач распознавания, кластеризации, ассоциативного поиска, так и при решении хорошо формализованных, но трудоемких задач аппроксимации функций многих переменных и оптимизационных задач [115,116,117,118]. При нейросетевом подходе точность аппроксимации не зависит от размерности функции [119,120]. Для оптимизационных задач, относящихся к классу NP-полных, не существует другого точного метода решения, кроме полного перебора п! возможных вариантов решения, где п - размерность задачи. Нейросетевые алгоритмы обеспечивают достижение приемлемых решений этих задач [121,122,123,124]. Типовые постановки задач, решаемые с помощью нейросетевого подхода, подробно описаны также в работах [28,125,126,127,128].
Формирование технологических объектов с использованием методов векторной оптимизации
Для формирования технологического объекта, каким является КСС, используем интеллектуальный анализ данных, описывающих динамику этого объекта, состоящего из множества однотипных элементов, то есть, динамику эксплуатации газоконденсатного месторождения.
В настоящее время методы проектирования больших и сложных систем являются единственным доступным инструментом, который может быть использован в качестве базовой отрасли знаний, развивающей методы интеллектуального анализа данных технологических объектов [54]. В общем случае, метод системного анализа включает в себя: - разработку общей схемы решения поставленной проблемы, в том числе построение обобщенной модели, и целевых программ; - декомпозиция сложных систем и сложных объектов и операций их разработки и применения; - методические основы формирования альтернатив; - способы формирования целей и задач, назначение и согласование критериев; - общую методологию подготовки и обоснования решений» включая неформальные процедуры. Инструментом анализа являются математические модели. Математические модели подразделяются на имитационные, оптимизационные и экспертные системы. Имитационные модели позволяют осуществить сравнение альтернативных технических объектов воспроизведением в них течения технологического процесса. При этом альтернативные варианты объектов задаются извне, а не являются результатом решения оптимизационной задачи по выбору наилучшей конструкции. Таким образом, имитационные модели предназначены для сравнения конструкций путем вариантных просчетов. Оптимизационные модели в свою очередь направлены на отыскание оптимума конкретного объекта, они не предусматривают изменения исходных условий и корректировки конечных результатов. Термины «имитационная» и «оптимизационная» характеризуют не саму модель, а способ ее использования. Одна и та же модель в зависимости от целей может быть имитационной и оптимизационной. Считается, что имитационные модели более сложные и включают большее число величин, задаваемых лицом, принимающим решения (ЛПР). Обычно имитационные модели используются в имитационных экспериментах, когда ЛПР взаимодействует с компьютером в диалоговом режиме, получая от него информацию о состоянии моделируемого процесса, анализируя ее и вводя в компьютер выработанные на основе анализа решения. То же самое происходит и при решении оптимизационных задач, поскольку технология моделирования одинакова для всех видов математического моделирования, однако в имитационном моделировании ЛПР играет более важную роль, так как может накладывать условия и ограничения, которые трудно формализуются при включении в компьютерную программу. В технологии формирования объекта его облик формируется на множестве альтернативных вариантов комплекса в замкнутом итерационном цикле с последовательным приближением к наиболее рациональному решению. Для ускорения этого процесса используем человеко-машинные процедуры по выбору наилучших альтернатив. При векторном показателе эффективности выбор осуществляется на паретовом множестве, при этом используем два подхода; - рациональный, построенный на оптимизационных расчетах и требующий формулировки принципа оптимальности [55]; - психологический, базирующийся на теоретических и экспериментальных психологических исследованиях, изучающих процессы принятия решений с позиции того, как это делает ЛПР, даже если его выбор и не всегда оптимален [56]. Оба подхода объединяются на базе диалоговых процедур ЛПР с компьютером, в которых математические модели несут в себе рациональное начало, а предпочтения ЛПР - психологическое, ЛПР при сравнении объектов по векторному показателю эффективности может использовать две группы стратегий: - стратегии компенсации, в которых человек стремится сопоставить оценки одной альтернативы с оценками другой; - стратегии исключения, в которых исключаются из рассмотрения альтернативы, не удовлетворяющие требованиям по одному или нескольким показателям. Если альтернативных вариантов немного, то обычно используются стратегии компенсации. При большом числе альтернатив и показателей используется смешанная стратегия: сначала стратегия исключения, приводящая к небольшому числу альтернатив, а затем стратегия компенсации. Принятие решения путем диалога ЛПР с компьютером позволяет выявлять предпочтения одновременно с исследованием допустимого множества действий. Процесс принятия решения при этом состоит из этапов синтеза, оптимизации и анализа. Общая схема процесса принятия решения приведена на рисунке 2Л. В таком процессе происходит адаптация модели к системе предпочтения, вырабатываемой ЛПР, а ЛПР адаптируется к задаче. Адаптация модели к ЛПР связана с учетом информации, получаемой от ЛПР в виде решающего правила. Адаптация ЛПР к задаче происходит в результате осмысливания соотношения между своими потребностями и возможностями их достижения. В распоряжении ЛПР имеется БД, которую можно рассматривать как численное решение математической модели, описывающей состояние системы при некоторых известных граничных и начальных условиях. Подобное решение позволяет построить экспертную систему, которую можно подвергнуть анализу соответствующими методами, которые приме 47 няются для экспертных систем- Однако, полученные результаты будут ограничены сложившимся комплексом возмущений и управлений. Для того, чтобы иметь возможность решать имитационные и оптимизационные задачи на основании имеющейся БД преобразуем ее в БД, содержащую меньшее количество элементов, являющихся критериями оценки состояния системы. На основе проведенного анализа синтезируем технологический объект с заданными свойствами. В этом случае управление объектом осуществляется изменениями однотипных управляющих параметров элементов, содержащихся в анализируемом объекте. Формирование управлений (управляющих параметров) будем осуществлять на основе анализа ограниченного комплекса критериев, обеспечивающих необходимую достоверность состояний системы. В качестве критериев состояния системы — технологического объекта примем параметры эффекта. Под параметрами эффекта будем понимать промежуточное числовое значение между целевой функцией и характеристиками объекта. Характеристики объекта - это физические параметры, которые непосредственно не выражают пользу от применения объекта, хотя могут входить в состав параметров эффекта. Основным признаком параметра эффекта является то, что он определен через действие, выполняемое объектом, и поэтому является объективным показателем сравнительной оценки одних и тех же процессов.
Разработка программного обеспечения
Программа «Моделирования однофазных потоков в системе газоносный пласт - блок входных ниток» разработана в программной среде Borland Delphi 7, обеспечивающей генерацию 32-разрядных приложений Windows [66].
При реализации программы была применена объектно-ориентированная технология программирования, которая позволяет вести проектирование на более высоком уровне абстракции по сравнению с функциональным программированием. При объектно-ориентированной технологии программисты оперируют понятиями, которые соответствуют структуре реального мира, а именно классам, методам и событиям, определенным для данного класса. Объектно-ориентированный подход повышает уровень абстракции данных. Важным понятием в объектно-ориентированной технологии является инкапсуляция. Класс как бы скрывает свою реализацию от остальной программы, предоставляя ей общедоступный интерфейс, состоящий из методов. Благодаря свойству инкапсуляции классов в объектно-ориентированном программировании, классы ядра скрывают от остальной части программы реализацию запросов к базе данных.
Поэтому при разработке интерфейсных модулей уже можно оперировать с классами ядра, не задумываясь, как при этом они будут выполнять вычисления, что существенно сокращает величину кода программы и количество ошибок- Это также придает программе определенную гибкость, так как при изменении объектов изменяется только код класса, реализующего данный объект, и изменения не повлияют на остальную часть программы. Все это позволяет в некоторых случаях сократить дублирование кода программы и повысить ее надежность. Программное обеспечение, разработанное для моделирования и оптимизации КСС, защищено свидетельством РОСПАТЕНТА № 2006610001. Программа «Моделирования однофазных потоков в системе газоносный пласт - блок входных ниток» создана на основе алгоритма, составленного по математической модели, описанной во второй главе. Программа позволяет проводить математическое моделирование процесса движения газа в КСС, с учетом конструктивных особенностей подключения скважин к трубопроводу, конструкций скважин и свойств пласта. Программа позволяет определить дебиты каждой из скважин и давление во всех узлах КСС, которое является внутренней характеристикой системы данного технологического объекта, что дает возможность использовать предложенный комплекс параметров эффекта процесса добычи газа. Полученные расчеты дают возможность разработки новых конструкций КСС, и позволяют производить оптимизацию уже существующих КСС. Программа «Моделирования однофазных потоков в системе газоносный пласт - блок входных ниток» состоит из следующих модулей. Main.pas (Forml) - главный модуль программы, содержащий основную экранную форму. На экранной форме размещены объекты, управляющие логикой работы программы (элементы меню). Модуль реализует основной ал 66 горитм решения задачи математического моделирования процесса сбора газа, то есть определение внутренней характеристики технического объекта. Subsidiary,pas - модуль, содержащий вспомогательные процедуры и функции, необходимые для реализации основного алгоритма программы и расчета технико-экономических показателей технологического объекта, Aboutpas (Form2) - модуль, содержащий экранную форму, отображающую информацию о программе. В процессе создания программы все эти модули были объединены в одном файле проекта. Такая технология позволяет компилировать только те части программы, которые были подвержены изменениям в процессе редактирования. Это позволяет увидеть результаты разработки практически мгновенно после запуска программы. Инструментальная среда разработчика Delphi позволяет создавать сложные программные комплексы, прибегая к программированию лишь при описании предметной области приложения. При создании программы широко использовались возможности такого инспрумента Delphi, как инспектор объектов. С его помощью возможна эффективная настройка как визуальных, так и невизуальных объектов, входящих в состав приложения, непосредственно во время проектирования экранных форм [67]. Укрупненная схема алгоритма программы, показанная на рисунке 3.1, отражает работу программы и показывает, какие задачи выполняются на всех этапах работы программы.
Имитационное моделирование КСС
На этапе падающей добычи на газоконденсатном месторождении возможна ситуация, когда происходит «задавливание» скважин, т, е. резкое падение дебита наиболее удаленных от блока входных нитей (БВН) скважин или скважин, устьевое давление которых значительно меньше устьевых давлений других скважин, подключенных к данному шлейфу.
В настоящее время существуют программные средства, позволяющие моделировать условия движения продукции скважин от устья до точки сбора продукции (БВН).
Рассмотрим систему сбора газа, основанную на коллекторно-лучевом комплексе. Границы этой системы определены известными наперед заданными статическими давлениями газа. Пластовое давление определено геологией продуктивного пласта, а давление на БВН определено технологическим режимом эксплуатации месторождения. Таким образом, внутренней характеристикой рассматриваемой системы является давление газа. Основными элементами системы являются, кроме пласта и БВН, забои скважин, насосно-компрессорные трубы (НКТ), соединительные трубопроводы (нити), тройники и диафрагмы (регулируемые задвижки). Пласт, забой скважины, БВН и тройники характеризуются величиной статических давлений, а трубопроводы, диафрагмы, НКТ характеризуются падениями статических давлений между границами учасгков, которые определены постоянными значениями множества конструктивно-технологических параметров.
Потери статического давления при движении потока от газоносного пласта до БВН складываются из трех составляющих: потери в призабойной зоне скважин, потери на подъем газа на поверхность и трение о стенки ствола, потери давления при движении по трубопроводу и местные сопротивления в диафрагмах [60,61,62].
Анализ внешних величин описываемой системы показывает, что элементами управления этой системы являются диафрагмы и внутренние диаметры труб, непосредственно подключенных к устьям скважин.
В процессе анализа коллскторно-лучевых комплексов сбора газа Оренбургского газоконденсатного месторождения были получены средние характеристики для внутренних диаметров труб, среднее количество скважин, подключенных к одному шлейфу, и варианты конструкций, был сформирован опорный объект, рисунок 4Л2, - конструкция шлейфа, обладающего усредненными характеристиками В опорном объекте скважины 2, 4, 5 обладают следующими характери-стиками: глубина скважины 1800 метров, внутренний диаметр насосно-компрессорных труб 0,1 метра. Рисунки 4.13, 4.14, 4.15 иллюстрируют характер «задавливания» отдельных скважин опорного объекта.
На рисунке 4.13 показаны диаграммы изменения дебита системы при фиксированных значениях пластовых давлений двух скважин, равных 65 барам, и изменении пластового давления на третьей скважине. Из анализа рисунка 4,13 видно, что наибольший эффект возникает при изменении давления скважины № 2. Изменение давления на каждой из двух других скважин приводит к преждевременному «задавливанию» скважин, что выражается более низкими максимальными значениями дебита системы.
Рисунки 4.14 и 4.15 демонстрируют изменение дебита каждой скважины опорного объекта в зависимости от изменения пластового давления одной из скважин, при этом пластовые давления остальных скважин зафиксированы на уровне 65 бар.
