Development of probabilistic and statistical models for evaluation of oil and gas potential of Tl2-b and Bb reservoirs of Pozhvinskiy sector

Abstract


The necessity to apply probabilistic and statistical methods for evaluation of oil and gas potential of small-size local structures is substantiated. The existing large amount of geological and geophysical data on the characteristics of structures is a good basis to use probabilistic and statistical methods to forecast their oil and gas potential. The paper presents a methodology for predicting the oil and gas potential of local structures by probabilistic and statistical methods on the Pozhvinskiy sector for Tl2-b and Bb reservoirs. Geological and geophysical parameters that control the oil and gas potential of local structures are analyzed. Those parameters are as follows: altitudes on the roof of layers Tl2-b, Bb, net oil-bearing thickness of Tl2-b, Bb, net reservoir thickness Tl2-b, Bb, interval time between reflecting layers 2K-2P - d T 2K-2P, interval velocities between layers 2K-2P - V 2K-2P, interval time between reflecting layers 3-2K - d T 3-2K, interval velocities between layers 3-2K. Informativeness of each parameter was determined on reference sectors with determined oil and gas potential and sectors that have deep wells but oil and gas potential is unknown. To solve the prediction problems, it is necessary to comprehensively take into account all the considered informative parameters considering the contribution of each parameter to the final result. The complex P com criterion which estimates the oil and gas potential for a set of parameters was used for that purposes. Oil and gas content is evaluated by the developed method over the entire study area by constructing maps of equal probabilities. Minimum, maximum and average P com values for Tl2-b and Bb reservoirs are calculated within the contours of local structures. The work resulted in an evaluation of the oil and gas potential of the structures for Tl2-b and Bb reservoirs. As a result of analysis, it is established that Bezgodovskaya and Ryabovskaya b structures within the Pozhvinskiy sector are the most promising ones in terms of oil and gas potential.


Full Text

Введение Для определения очередности ввода структур в глубокое поисковое бурение необходимо выполнить их ранжирование по перспективам нефтегазоносности. Для этого необходимо установить те геолого-геофизические показатели, которые контролируют нефтегазоносность локальных структур. Особую роль в этом направлении играет развитие теории и практики вероятностно-статистического прогноза нефтегазоносности. Методические вопросы построения вероятностно-статистических моделей прогноза различных явлений при поисках, разведке и разработке месторождений нефти и газа детально описаны в работах [1-21]. Различные математические аппараты и возможности их использования для решения различных прогнозных задач приведены в [22-35]. Значительный накопленный объем геолого-геофизических данных позволяет решать поставленную задачу с использованием методов математической статистики и теории вероятностей [19-21, 26, 27, 32, 35]. Несмотря на существенные успехи в теории и практике прогноза нефтегазоносности, высокая изученность территории приводит к усложнению данной проблемы, так как приходится оценивать нефтегазоносность малоразмерных структур, что затрудняет их поиск. Возникают риски обнаружения в них залежей нефти и газа. Другой особенностью высокоизученных территорий является наличие огромного объема геолого-геофизической информации. При таком объеме данных применение вероятностно-статистических методов является оправданным инструментом исследований. В работе представлена методика прогноза нефтегазоносности локальных структур на Пожвинском участке по пластам Тл2-б и Бб. Разработанная вероятностно-статистическая методика оценки нефтегазоносности структур на Пожвинском участке была использована для ранжирования структур по степени нефтегазоносности по пластам Тл2-б и Бб. Установлено, что наиболее перспективными в отношении нефтегазоносности являются Безгодовская и Рябовская б структуры. Анализ влияния геолого-геофизических показателей на нефтегазоносность Для определения перспектив нефтегазоносности были проанализированы следующие показатели: абсолютные отметки по кровле пластов Тл2-б, Бб - Ао, м; нефтенасыщенные толщины по пласту Тл2-б, Бб - Ннн, м; эффективные толщины по пласту Тл2-б - Нэф, м; интервальное время между отражающими горизонтами 2К-2Р - dT2K-2P, мс; интервальные скорости между горизонтами 2К-2Р - V2K-2P, м/с; интервальное время между отражающими горизонтами 3-2К - dT3-2K, мс; интервальные скорости между горизонтами 3-2К - V3-2K, м/с. Информативность каждого показателя определялась на эталонных участках с установленной нефтеносностью (класс 1) и отсутствием ее (класс 2). Для создания обучающей выборки использовались гриды вышеперечисленных показателей: класс 1 - в пределах контура запасов категории С1-2; класс 2 - на прилегающей территории за пределами контура нефтеносности (рис. 1). Для каждого показателя рассчитывались основные статистические характеристики (среднее значение, стандартное отклонение, минимальное и максимальное значение), строились гистограммы, вероятностные кривые. На первом этапе построения индивидуальных моделей было выполнено сравнение средних значений по критерию t, который вычислялся по следующей формуле: где Х1, Х2 - соответственно средние значения показателей по классу 1 и 2; S12, S22 - дисперсии показателей по классу 1 и 2. Рис. 1. Схема обоснования эталонных объектов: перспективные структуры (названия и индексы) и эталонные участки (красные - нефтяные, синие - пустые) по пласту Тл2-б Различие в средних значениях считается статистически значимым, если tp > tt. Значения tt определяются в зависимости от количества сравниваемых данных и уровня значимости (α = 0,05). Основные статистические характеристики для изучаемых показателей приведены в табл. 1. Из табл. 1 видно, что средние значения по всем показателям являются статистически различными для пластов Тл2-б, Бб. Для более глубокого статистического анализа показателей исследованы их распределения. Необходимость Таблица 1 Основные статистические характеристики показателей Показатель Пласт Статистические характеристики показателей Критерии t p нефтяные зоны пустые зоны Ао, м Тл2-б -1601,8 ± 6,2 -1614,0 ± 5,9 127,3 0,000000 Бб -1605,7 ± 7,0 -1622,6 ± 5,9 92,8 0,000000 Ннн, м Тл2-б 1,40 ± 1,06 0,00 ± 0,03 107,54 0,000000 Бб 1,31 ± 1,14 0,00 ± 0,0 73,76 0,000000 Нэф, м Тл2-б 3,05 ± 1,18 2,65 ± 1,16 20,838 0,000000 Бб 4,27 ± 2,76 3,10 ± 3,15 17,007 0,000000 dT2K-2P, мс Тл2-б 0,019 ± 0,003 0,021 ± 0,005 29,954 0,000000 Бб 0,018 ± 0,003 0,022 ± 0,005 38,451 0,000000 V2K-2P, м/с Тл2-б 3668 ± 258,6 3613 ± 295,8 12,427 0,000000 Бб 3668 ± 242 3633 ± 302 5,576 0,000000 dT3-2K, мс Тл2-б 0,185 ± 0,005 0,184 ± 0,005 18,284 0,000000 Бб 0,187 ± 0,003 0,184 ± 0,004 69,538 0,000000 V3-2K, м/с Тл2-б 5405 ± 14,5 5404 ± 19,6 4,155 0,000000 Бб 5401 ± 6,8 5400 ± 2,1 17,033 0,000000 исследования распределений при прогнозе нефтегазоносности описана в работах [2, 3, 11]. Для этого первоначально были определены оптимальные величины интервалов варьирования показателей, которые вычисляются по формуле Стерджесса где Хmax - максимальное значение показателя; Хmin - минимальное значение показателя, N - количество данных. В каждом интервале определяются частости: где P(Х) - частость в k-м интервале для нефтяных и пустых зон; Nk - число случаев содержания показателя P(Х) в k-м интервале; Nq - объем выборки для 1-го и 2-го классов. Далее значения P(Х) в каждом интервале сопоставлялись со средними значениями показателя в интервале варьирования. Распределение частостей в исследуемых классах по показателю Ао для пласта Тл2-б приведено в табл. 2. Видно, что нефтяные зоны располагаются на гипсометрически более высоких отметках, чем пустые. По остальным показателям также построены распределения значений в пределах нефтяных и пустых зон. По этим данным строились вероятностные модели из условия, что они наилучшим образом описывают соотношения средних интервальных значений показателей и интервальных вероятностей P(Х). Детально информация о построении и использовании индивидуальных вероятностных моделей для прогноза нефтегазоносности изложена в работах [2, 3]. По этим методикам были построены индивидуальные вероятностные модели, которые приведены в табл. 3. С использованием вышеприведенных формул были вычислены вероятности нефтегазоносности по структурам, средние значения вероятностей по пласту Тл2-б приведены в табл. 4. Отсюда видно, что значения индивидуальных вероятностей значительно изменяются. Следовательно, показатели обладают различной степенью информативности. Аналогичные расчеты выполнены по пласту Бб. Таблица 2 Распределение значений Ао Зона Интервалы варьирования Ао, м -1640… -1635 -1635… -1630 -1630… -1625 -1625… -1620 -1620… -1615 -1615… -1610 -1610… -1605 -1605… -1600 -1600… -1595 -1595… -1590 -1590… -1585 -1585… -1580 Пустые 0,001 0,005 0,006 0,082 0,242 0,468 0,177 0,016 - - - - Нефтяные - - - - - 0,050 0,291 0,351 0,150 0,101 0,050 0,005 Таблица 3 Индивидуальные вероятностные модели Показатель Пласт Вероятностная модель Ао, м Тл2-б Р(Ао) = -1,1202·106 - 2087,8114 Ао - 1,2971 - 0,0003 Бб Р(Ао) = -9,4798·105 - 1765,2266 Ао - 1,0956 - 0,0002 Ннн, м Тл2-б Р(Ннн) = 0,56 + 0,038 Ннн Бб Р(Ннн) = 0,56 + 0,038 Ннн Нэф, м Тл2-б Р(Нэф) = 0,3589 + 0,0368 Нэф + 0,0141 - 0,002 Бб Р(Нэф) = 0,3522 + 0,0905 Нэф - 0,0123 +0,0005 dT2K-2P, мс Тл2-б Р(dT2K-2P) = 1,5054 - 68,2355 dT2K-2P + 822,8466 Бб Р(dT2K-2P) = 1,7823 - 97,6289 dT2K-2P + 1395,1523 V2K-2P, м/с Тл2-б Р(V2K-2P) = -7,7356 + 0,0056 V2K-2P - 1,2635·10-6 + 9,4949·10-11 Бб Р(V2K-2P) = -6,867 + 0,0049 V2K-2P - 1,0712·10-6 + 7,7496·10-11 dT3-2K, мс Тл2-б Р(dT3-2K) = -34,0695 + 358,3739 dT3-2K - 926,6127 Бб Р(dT3-2K) = 427,679 - 7021,185 dT3-2K + 38285,936 - 69256,484d V3-2K, м/с Тл2-б Р(V3-2K) = -1,7875·105 + 98,6665 V3-2K - 0,0182 + 1,1134·10-6· Бб Р(V3-2K) = 1,3929·105 - 78,1132 V3-2K + 0,0146 - 9,0909·10-7 Таблица 4 Средние значения вероятностей по структурам Структура Р(Ао) Р(Ннн) Р(Нэф) Р(dT2K-2P) Р(V2K-2P) Р(dT3-2K) Р(V3-2K) Pком Безгодовская 0,750 0,588 0518 0,595 0,515 0,468 0,722 0,898 Рябовская д 0,714 0,505 0,518 0,463 0,512 0,501 0,590 0,710 Рябовская б 0,689 0,553 0,454 0,649 0,515 0,503 0,593 0,837 Верх-Пожвинская 0,668 0,575 0,542 0,543 0,518 0,447 0,717 0,830 Дедовская б 0,667 0,537 0,507 0,635 0,518 0,431 0,709 0,835 Рябовская а 0,664 0,550 0,490 0,696 0,520 0,496 0,722 0,869 Дедовская а 0,663 0,558 0,539 0,584 0,516 0,434 0,718 0,839 Северо-Пожвинская 0,659 0,504 0,509 0,515 0,518 0,478 0,676 0,731 Налимовская 0,658 0,550 0,512 0,592 0,513 0,444 0,736 0,847 Южно-Рябовская 0,652 0,594 0,551 0,581 0,511 0,523 0,550 0,822 Рябовская г 0,621 0,483 0,519 0,597 0,515 0,517 0,658 0,778 Рябовская в 0,618 0,496 0,521 0,543 0,518 0,492 0,550 0,675 Южно-Левинская 0,610 0,357 0,532 0,528 0,509 0,502 0,606 0,612 Рябовская е 0,251 0,518 0,505 0,683 0,524 0,479 0,742 0,654 Таблица 5 Корреляционная матрица Ао Ннн Нэф dT2K-2P V2K-2P dT3-2K V3-2K Ао 1,00 1,00 0,55 0,66 0,04 0,06 -0,36 -0,49 0,11 0,03 0,34 0,61 0,04 0,07 Ннн 1,00 1,00 0,44 0,36 -0,16 -0,28 0,07 0,01 0,19 0,50 -0,01 0,04 Нэф 1,00 1,00 0,09 0,02 -0,03 -0,04 0,09 0,08 0,07 0,08 dT2K-2P 1,00 1,00 -0,47 -0,47 0,06 -0,31 0,33 0,03 V2K-2P 1,00 1,00 -0,13 0,03 -0,13 0,10 dT3-2K 1,00 1,00 0,65 0,30 V3-2K 1,00 1,00 Примечание: вехняя строка - пласт Тл2-б, нижняя - Бб. Для более полного анализа вычислим значения коэффициентов корреляции r между показателями (табл. 5). Анализ данных табл. 5 показывает, что между показателями отсутствуют очень сильные корреляционные связи. Это также свидетельствует об их разной информативности. Отметим, что в ряде случаев значения коэффициентов r для изучаемых пластов отличаются. Например, между Ннн и dT3-2K. При этом видно, что ни один из показателей, взятый в отдельности, не отображает нефтегазоносность изучаемой территории. Построение многомерных моделей прогноза нефтегазоносности Для решения прогнозных задач необходимо комплексно учитывать все рассматриваемые показатели с учетом вклада каждого из них в окончательный результат. Для этих целей будем использовать комплексный критерий, который оценит нефтегазоносность более верно. Возможности его использования для прогноза различных геолого-технологических явлений приведены в работах [5, 9, 10, 14, 17, 20, 26-28]. Значения комплексной вероятности по используемым показателям будем вычислять по следующей формуле: где Р(W1/Xj) - соответственно вероятности исследуемых показателей. Расчеты, выполненные по данной формуле для точек грида эталонной выборки, показали максимальную среднюю распознаваемость классов, равную 93,1 % (рис. 2). Для учета многообразия различных, в ряде случаев разнонаправленных влияний изучаемых показателей на Pком построим Рис. 2. Распознаваемость эталонной выборки многомерные модели с помощью пошагового регрессионного анализа (РА). Расчет регрессионных коэффициентов в разрабатываемой модели выполним при помощи метода наименьших квадратов. Под регрессионным анализом понимается статистический метод исследования зависимостей между зависимой переменной Y и одной или несколькими независимыми переменными Х1, Х2, Хр. Зависимый признак в регрессионном анализе называется результирующим, независимый - факторным. Обычно на зависимую переменную действуют сразу несколько факторов. Совокупное влияние всех независимых факторов на зависимую переменную учитывается благодаря множественной регрессии. В общем случае множественную регрессию оценивают параметры линейного уравнения вида Y = а + b1X1 + b2X2 +…+ bрXр. В данном уравнении регрессионные коэффициенты (b-коэффициенты) представляют независимые вклады каждой независимой переменной в предсказание зависимой переменной. Линия регрессии выражает наилучшее предсказание зависимой переменной (Y) по независимым переменным (Х). В нашем случае в качестве зависимого признака выступает Pком, а в качестве независимых факторов - значения Ао, Ннн, dT2K-2P, V2K-2P, Нэф, dT3-2K, V3-2K. Для решения задачи регрессионного анализа методом наименьших квадратов вводится понятие функции невязки: Условие минимума функции невязки: Полученная система является системой N + 1 линейных уравнений с N + 1 неизвестными b0...bN. Если представить свободные члены левой части уравнений матрицей а коэффициенты при неизвестных в правой части матрицей то получаем матричное уравнение А×Х = В, которое легко решается методом Гаусса. Полученная матрица будет матрицей, содержащей коэффициенты уравнения линии регрессии: Уравнение множественной регрессии для пласта Тл2-б имеет следующий вид: Pком = 25,9224 + 0,0180Ао + 0,0753Ннн - - 23,4552dT2K-2P + 0,0001V2K-2P + 0,0250Нэф - - 5,5702 dT3-2K + 0,0009V3-2K. Формирование модели происходило следующим образом: на 1-м шаге в модель включен показатель Ао (R = 0,78), на 2-м - Ннн (R = 0,84), на 3-м - dT2K-2P (R = 0,87), на 4-м - V2K-2P (R = 0,89), на 5-м - Нэф (R = 0,90), на 6-м - dT3-2K (R = 0,91) и на 7-м - V3-2K (R = 0,92). Уравнение множественной регрессии для пласта Бб следующего вида: Pком = -7,0116 + 0,0042Ао + 0,18755Ннн + + 8,9975dT3-2K - 11,8635dT2K-2P - 0,0021Нэф + + 0,0023V3-2K + 0,0001V2K-2P. Формирование модели происходило следующим образом: на 1-м шаге в модель включен показатель Ао (R = 0,76), на 2-м - Ннн (R = 0,79), на 3-м - dT3-2K (R = 0,82), на 4-м - dT2K-2P (R = 0,84), на 5-м - Нэф (R = 0,87), на 6-м - V3-2K (R = 0,88) и на 7-м - V2K-2P (R = 0,89). По данным формулам вычислены значения Pком и построены карты изовероятностей. Пример такой карты по пласту Тл2-б приведен на рис. 3. В пределах контуров структур рассчитаны минимальные, максимальные и средние значения Pком по пластам Тл2-б и Бб. Отсюда видно, что все структуры на данной площади характеризуются комплексной вероятностью выше 0,5, она изменяется от 0,612 (Южно-Левинская структура) до 0,898 (Безгодовская структура). В контуре запасов категорий С1 и С2 (Верх-Пожвинская структура) вероятность нефтеносности изменяется от 0,153 до 0,910 при среднем значении 0,830, а минимальные значения Рис. 3. Вероятностная схема нефтегазоносности пласта Тл2-б по Pком вероятностей наблюдаются вблизи контура нефтеносности. Таким образом, можно констатировать, что разработанная вероятностно-статистическая методика оценки нефтегазоносности структур на Пожвинском участке может быть использована для ранжирования структур по степени нефтегазоносности. Сопоставление оценки нефтегазоносности пластов Тл2-б и Бб по значениям комплексных вероятностей приведено на рис. 4. Рис. 4. Комплексные вероятности для структур Майкорского участка по пластам Тл2-б и Бб Анализ рис. 4 показывает, что по 10 структурам представляется возможным оценить нефтегазоносность по обоим пластам. Для этого предлагается использовать следующую формулу: где - соответственно комплексные вероятности исследуемых пластов. Данные расчетов приведены в табл. 6 Наиболее перспективной является Безгодовская структура. Графическое изображение формирования значений от показателей и приведено на рис. 5. Таблица 6 Ранжирование структур по вероятности Структура Безгодовская 0,971 Рябовская б 0,951 Рябовская г 0,918 Дедовская а 0,942 Дедовская б 0,924 Рябовская а 0,941 Налимовская 0,921 Северо-Пожвинская 0,800 Верх-Пожвинская 0,865 Рябовская в 0,720 Рис. 5. Зависимость от и Заключение Таким образом, можно констатировать, что разработанная вероятностно-статистическая методика оценки нефтегазоносности структур на Пожвинском участке может быть использована для ранжирования степени нефтегазоносности структур по пластам Тл2-б и Бб. Это позволяет считать, что наиболее перспективными в отношении нефтегазоносности являются Безгодовская и Рябовская б структуры.

About the authors

Konstantin A. Koshkin

Uraloil LLC

Author for correspondence.
Email: konstkoshkin@rambler.ru
4 Sibirskaya st., Perm, 614990, Russian Federation

Head of the Team for Geological Prospecting and Exploration

References

  1. Galkin V.I., Brodiagin V.V., Potriasov A.A., Skachek K.G., Shaikhutdinov A.N. Zonal'nyi prognoz neftegazonosnosti iurskikh otlozhenii v predelakh territorii deiatel'nosti TPP «Kogalymneftegaz» [Zonal prediction of oil and gas content of Jurassic sediments within the territory of the Kogalymneftegaz TPE]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2008, no.8, pp.31-35.
  2. Galkin V.I., Zhukov Iu.A., Shishkin M.A. Primenenie veroiatnostnykh modelei dlia lokal'nogo prognoza neftegazonosnosti [Application of probability models for a local oil and gas prediction]. Ekaterinburg, Ural'skoe otdelenie Rossiiskoi akademii nauk, 1990, 108 p.
  3. Galkin V.I., Rastegaev A.V., Galkin S.V. Veroiatnostno-statisticheskaia otsenka neftegazo­nosnosti lokal'nykh struktur [Probabilistic and statistical evaluation of oil and gas potential of local structures]. Ekaterinburg, Ural'skoe otdelenie Rossiiskoi akademii nauk, 2001, 277 p.
  4. Putilov I.S., Galkin V.I. Primenenie veroiatnostnogo statisticheskogo analiza dlia izucheniia fatsial'noi zonal'nosti turne-famenskogo karbonatnogo kompleksa Sibirskogo mestorozh­deniia [The results of statistical analysis for study fades characterization of T-Fm stage of Sibirskoe oilfield]. Oil industry, 2007, no. 9, pp.112-114.
  5. Galkin V.I., Shaikhutdinov A.N. O voz­mozhnosti prognoza neftegazonosnosti iurskikh otlozhenii veroiatnostno-statisticheskimi metodami (na primere territorii deiatel'nosti TPP “Kogalymneftegaz” [About possibility to forecast the oil-and-gas content of Jurassic sediments based on probable and statistical methods (case study of the territorial industrial enterprise “Kogalymneftegas”]. Geology, Geophysics and Development of Oil and Gas Fields, 2009, no.6, pp.11-14.
  6. Galkin V.I., Shaikhutdinov A.N. Postroenie statisticheskikh modelei dlia prognoza debitov nefti po verkhneiurskim otlozheniiam Kogalymskogo regiona [Development of statistical models for predicting the oil flow rates by example jurassic deposits of Kogalym region territory]. Oil industry, 2010, no.1, pp.52-54.
  7. Krivoshchekov S.N., Galkin V.I. Postroenie matritsy elementarnykh iacheek pri prognoze neftegazonosnosti veroiatnostno-statisticheskimi metodami na territorii Permskogo kraia [Construction of a matrix of elementary cells in the forecast of oil and gas content by probabilistical and statistical methods in the territory of the Perm region]. Geology, Geophysics and Development of Oil and Gas Fields, 2008, no.8, pp.20-23
  8. Galkin V.I., Krivoshchekov S.N. Obosnovanie napravlenii poiskov mestorozhdenii nefti i gaza v Permskom krae [Substantiation of the directions of prospecting oil and gas fields in the Perm region]. Nauchnye issledovaniia i innovatsii, 2009, vol.3, no.4, pp.3-7.
  9. Galkin V.I., Kozlova I.A. Rastegaev A.V., Vantseva I.V., Krivoshchekov S.N., Voevodkin V.L. K metodike otsenki perspektiv neftegazonosnosti Solikamskoi depressii po kharakteristikam lokal'nykh struktur [Estimation procedure of petroleum potential of Solikamsk depression based on local structures parameters]. Oilfield engineering, 2010, no.7, pp.12-17.
  10. Galkin V.I., Rastegaev A.V., Kozlova I.A., Vantseva I.V., Krivoshchekov S.N., Voevodkin V.L. Prognoznaia otsenka neftegazonosnosti struktur na territorii Solikamskoi depressii [Probable estimation of oil content of structures in territory of Solikamsk depression]. Oilfield engineering, 2010, no.7, pp.4-7.
  11. Belokon' T.V., Galkin V.I., Kozlova I.A., Pashkova S.E. Dodevonskie otlozheniia Permskogo Prikam'ia kak odno iz perspektivnykh napravlenii geologo-razvedochnykh rabot [Pre-Devonian deposits of Perm Prikamye region as one of the promising areas of geological exploration work]. Geology, Geophysics and Development of Oil and Gas Fields, 2005, no.9, pp.24-28.
  12. Putilov I.S. Razrabotka tekhnologii kompleksnogo izucheniia geologicheskogo stroeniia i razmeshcheniia mestorozhdenii nefti i gaza [Development of technologies for comprehensive study of the geological structure and location of oil and gas fields]. Perm', Izdatel'stvo Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta, 2014, 285 p.
  13. Galkin V.I., Kozlova I.A., Krivoshchekov S.N., Piatunina E.V., Pestova S.N. O vozmozhnosti prognozirovaniia neftegazonosnosti famenskikh otlozhenii s pomoshch'iu postroeniia veroiatnostno-statisticheskikh modelei [On the possibility of predicting the oil and gas content of the Famennian deposits by constructing probabilistic statistical models]. Geology, Geophysics and Development of Oil and Gas Fields, 2007, no.10, pp.22-27.
  14. Galkin V.I., Solov'ev S.I. Classification of Perm krai areas according to prospectivity for oil fields acquisition. Perm Journal of Petroleum and Mining Engineering, 2015, no.16, pp.14-24. doi: 10.15593/224-9923/2015.16.2
  15. Sosnin N.E. Development of statistical models for predicting oil-and-gas content (on the example of terrigenous devonian sediments of North Tatar arch). Perm Journal of Petroleum and Mining Engineering, 2012, no.5, pp.16-25.
  16. Galkin V.I., Sosnin N.E. Razrabotka geologo-matematicheskikh modelei dlia prognoza neftegazonosnosti slozhnopostroennykh struktur v devonskikh terrigennykh otlozheniiakh [Geological development of mathematical models for the prediction of oil and gas complex-built structures in the Devonian clastic sediments]. Oil industry, 2013, no.4, pp.28-31.
  17. Dement'ev L.F. Matematicheskie metody i EVM v neftegazovoi geologii [Mathematical methods and computers in oil and gas geology]. Moscow, Nedra, 1987, 264 p.
  18. Davydenko A.Iu. Veroiatnostno-statisticheskie metody v geologo-geofizicheskikh prilozheniiakh [Probabilistic and statistical methods in geological and geophysical applications]. Irkutsk, 2007, 29 p.
  19. Mikhalevich I.M. Primenenie matemati­cheskikh metodov pri analize geologicheskoi informatsii (s ispol'zovaniem komp'iuternykh tekhnologii) [Application of mathematical methods in the analysis of geological information (using computer technology)]. Irkutsk, 115 p.
  20. Andreiko S.S. Development of mathematical model of gas-dynamic phenomena forecasting method according to geological data in conditions of Verkhnekamskoie potash salt deposit. Perm Journal of Petroleum and Mining Engineering, 2016, no.21, pp.345-353. doi: 10.15593/224-9923/2016.21.6
  21. Devis Dzh. Statistika i analiz geologicheskikh dannykh [Statistics and analysis of geological data]. Moscow, Mir, 1977, 353 p.
  22. Darling T. Well logging and formation evalution. Gardners Books, 2010, 336 p.
  23. Pomorskii Iu.L. Metody statisticheskogo analiza eksperimental'nykh dannykh [Methods of statistical analysis of experimental data]. Leningrad, 1960, 174 p.
  24. Watson G.S. Statistic on spheres. New York, John Wiley and Sons, Inc., 1983, 238 p.
  25. Yarus J.M. Stochastic modeling and geostatistics. AAPG. Tulsa, Oklahoma, 1994, 231 p.
  26. Cherepanov S.S. Integrated research of carbonate reservoir racturing by Warren – Root method using seismic facies analysis (evidence from tournaisian-famennian deposit of Ozernoe field). Perm Journal of Petroleum and Mining Engineering, 2015, no.14, pp.6-12. doi: 10.15593/224-9923/2015.14.1
  27. Galkin V.I., Ponomareva I.N., Cherepanov S.S. Development of the methodology for evaluation of possibilities to determine reservoir types based on pressure build-up curves, geological and reservoir properties of the formation (case study of famen deposits of Ozernoe field). Perm Journal of Petroleum and Mining Engineering, 2015, no.17, pp.32-40. doi: 10.15593/224-9923/2015.17.4
  28. Cherepanov S.S., Martiushev D.A., Ponomareva I.N. Otsenka fil'tratsionno-emkostnykh svoistv treshchinovatykh karbonatnykh kollektorov mestorozhdenii Predural'skogo kraevogo progiba [Evaluation of the reservoir properties of fractured carbonate reservoirs in the deposits of the Ural marginal trough]. Oil industry, 2013, no.3, pp.62-65.
  29. Houze O., Viturat D., Fjaere O.S. Dinamie data analysis. Paris, Kappa Engineering, 2008, 694 p.
  30. Van Golf-Racht T.D. Fundamentals of fractured reservoir engineering. Amsterdam, Oxford, New York, Elsevier scientific publishing company, 1982, 709 p.
  31. Horne R.N. Modern well test analysis: A computer aided approach, 2nd ed., Palo Alto, PetrowayInc, 2006, 257 p.
  32. Johnson N.L., Leone F.C. Statistics and experimental design. New York, London, Sydney, Toronto, 1977, 606 p.
  33. Montgomery D.C., Peck E.A. Introduction to liner regression analysis. New York, John Wiley & Sons, 1982, 504 p.
  34. Galkin V.I., Kunitskikh A.A. Statistical modelling of expanding cement slurry. Perm Journal of Petroleum and Mining Engineering, 2017, vol.16, no.3, pp.215-244. doi: 10.15593/224-9923/2017.3.2.
  35. Galkin V.I., Ponomareva I.N., Repina V.A. Study of oil recovery from reservoirs of different void types with use of multidimensional statistical analysis. Perm Journal of Petroleum and Mining Engineering, 2016, no.19, pp.145-154. doi: 10.15593/224-9923/2016.19.5.

Statistics

Views

Abstract - 254

PDF (Russian) - 91

PDF (English) - 29

Refbacks

  • There are currently no refbacks.

Copyright (c) 2018 Koshkin K.A.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies