Optimization of Shut-in Time in Shale Gas Wells Based on the Characteristics of Fracturing Flowback
-
摘要:
为确定页岩气井压后闷井时间,提高最终采收率,提出了基于页岩气井返排液特征的闷井时间优化方法。首先,以泸州地区深层页岩和威远地区中深层页岩为研究对象,开展自发渗吸试验确定实验室尺度闷井时间;然后,利用返排液矿化度和返排率数据反演得到矿场尺度裂缝宽度和特征长度;最后,结合自发渗吸无因次时间模型,计算得到矿场尺度闷井时间。结果表明,矿场尺度闷井时间与岩心尺度闷井时间并不一定呈正相关关系,其结果受渗吸速率、返排液矿化度和返排率等因素影响。研究结果为页岩气井压后闷井时间优化提供了一种新的方法。
Abstract:To determine the shut-in time after fracturing and improve the ultimate gas recovery of shale gas wells, the optimization method of shut-in time in shale gas wells based on the characteristics of fracturing flowback fluid was proposed. The deep shale in Luzhou area and the medium and deep shale in Weiyuan area were studied. First, the shut-in time in the lab scale was obtained by spontaneous imbibition experiment. After that, fracture width and characteristic length in the field scale were inverted by using fracturing flowback fluid salinity and flowback efficiency data. Finally, the shut-in time in the field scale was calculated according to the dimensionless time model of spontaneous imbibition. The results indicated that the shut-in time was not always in a positive correlation with that in the lab scale. It was affected by factors including imbibition rate, fracturing flowback fluid salinity, flowback efficiency, etc. The result provides a new idea for optimizing shut-in time after fracturing of shale gas wells.
-
我国大多数油田以注水开发为主,精细注水是油田稳油控水的主要手段[1–3]。随着高强度注水开发的进行,储层非均质性日臻明显,层间、层内和平面上渗透率变化大[4–6],注入水总沿高渗透带推进,导致油井产量下降,严重影响油气田的开发和经济效益[7–9]。因此,需实时监测储层参数,及时掌握储层动态变化[10],为调整开采策略和提高采收率提供支撑。套后地层电阻率是储层评价的重要物理量之一,目前常用的测量方法有井间电位探测、低频电磁探测和过套管瞬变电磁探测等[11–14]。然而,金属套管对电磁信号具有屏蔽效应,上述方法存在监测效率低、径向探测距离有限等问题[15–17]。瞬变电磁套后储层监测系统结构简单,通过磁性线圈式接收天线能够采集微弱磁场信号,实现地层电阻率分析,受到越来越多研究人员的关注[18–21]。但对于射孔或布置筛管的产层段,电磁感应受套管非均匀性影响,探测距离精度严重受损。考虑线源激励在远距离探测中的强激励场优势以及瞬变电磁法的微弱信号采集优势,将二者结合可实现过套管探测的强磁场激励与弱信号采集,有利于增大探测距离。
现有线源探测方法主要用于探测井底或井间的异常体[22–23],在单井探测领域鲜少发现相关应用。为此,建立了基于线源的套后储层监测系统,并开展了模拟分析,将套管视为一段线源,在套管中设置电极形成激励,分析了套后磁场分布,优化了线源长度及电极的排布位置,以期为单井套后储层远距离探测提供理论依据。
1. 基于线源的套后储层监测理论
基于线源的套后储层监测系统如图1所示(E为电场强度,V/m;H为磁感应强度,T)。该系统通过激励电极将电流导入套管或筛管,间隔一段距离设置回路电极,在套管上形成线电流源,通过调整激励电极和回路电极间距,改变探测距离以适应不同井况和储层。在基于线源的套后储层监测系统中,线源沿井轴方向(z方向)布设,因此,其激励的一次电场仅存在Ez分量,由该交流激励产生的磁场则包括Hx分量和Hy分量,相对于线源方向为水平极化波。
套管直径远远小于套管长度,因此在利用线源发射过程中可将套管作为线电流源处理。基于线源的套后储层监测系统通过向地下发射电磁波并接收其产生的二次场来反映地下目标的物理参数。该系统由发射线源和接收部分2个部分构成。对发射体施加交流电,使电磁波在地层中传播并产生电动势,根据电磁感应原理,电动势在接收线圈中被感应。接收元件采集到激发出的二次场,进而确定井周介质信息,有效区分套后介质的电性差异,反演出生产过程中储层动态变化或水油分布情况。
2. 基于COMSOL的套后储层监测系统
2.1 线源法储层监测系统构建
线源法将套管作为线源,可以施加更大的电流,紧贴于套管内壁的双电极将金属套管作为激励,形成一段线电流源;接收阵列位于套管内,通过观测不同位置的接收电极响应,实现套后储层远距离监测。该线源结构的优点是可以进一步提高识别套后储层电阻率的准确性。与传统的电磁发射方式相比,将双电极灵活地放置在待监测井段的双电极体系,施加在套管上的电流更大,形成的磁场更有聚焦性,有利于提升探测的有效性和可靠性。对应COMSOL中的三维线源模型如图2所示。
在COMSOL构建的柱状模型中,初步设定了1 m长的套管作为线源,储层电导率设置为1 S/m,套管的电导率为1.12×107 S/m,磁芯的电导率为1 S/m,空气的电导率为1×10−7 S/m。
2.2 网格剖分
套后储层监测系统主要包含套后的多层介质模型和双层管柱模型,模型网格划分时遵循由内到外、由密到疏的原则,套管作为模型最薄的区域应首先进行剖分。对于产层段双层管柱,由外到内分别是水泥环、套管、井液和管内空气等多层介质。随后添加水层与油层,建立油水界面三维模型。将地层作为长方体,圆柱水层与油层相邻,设定水层半径20 m,设定油层半径为5 m、高50 m,与线源保持一致,油层电导率设置为2 mS/m,水为0.2 S/m,接收探头置于管柱内部,探头参数与以上相同。6个面仍然设置为无限元域,具体设置和网格划分如图3所示。
2.3 激励源的加载与求解
在AC/DC模块中,选择时域磁场,在磁场中设置线源激励电流,模拟电极发射电流施加在套管上,从而形成一段线电流,研究步骤选择瞬态,信号为阶跃信号,设置关断时刻为0.5 s,幅值为2 A。模型外部边界条件设置为磁绝缘,初始值磁矢势为0。
根据以上激励设置,首先验证均匀全空间垂直线源电磁场分布情况。设定整个全空间地层电阻率为1 Ω·m,线源供电为2 A,垂直线源居中放置,线源端点分别距离上下地层边界15 m,求解后的三维空间的磁场分布如图4(a)所示,二维横向切面磁场线的分布如图4(b)所示。
3. 基于线源的套后储层监测影响因素分析
3.1 线源电流影响
在实际储层探测中,对于不同的套管井,研究不同的线源电流对探测性能的影响。设置储层电导率为1 S/m,线源长度L为50 m,当线源电流I分别为10,20,30,40和50 A时,距离线源5,10,15和20 m处的磁场强度如图5所示。
磁场强度与电流成正相关趋势,以距离线源5 m为例,当电流为10 A时,磁场强度约为1.51 nT;当电流增至2倍即20 A时,磁场强度大小为2.3 nT,磁场强度增大至1.5倍;电流增加至3倍即30 A时,约为10 A电流时的2.5倍。以此类推,当电流为50 A时,磁场强度约为10 A电流的4.5倍,即发射电流越大,在同一位置所接收磁场强度越高,信噪比也就越高。
3.2 线源长度影响
线源的长度即设置的2个触点之间的距离。在实际测井中,可通过下放工具任意改变发射线源的长度,以此调整信号的传输效果,找到最适合的测井参数。首先建立基本的线源长度变化正演模型,固定一个发射电极的位置,设置线源起始点,将其坐标记为(x, z)=(0, 550),改变每段线源的长度L为沿起始点下延,依次为100,200,300,400和500 m,观测线始终为每段线源的z=L/2处。发射电流为10 A,计算时间范围为0~100 ms,步长为1 ms,不同线源长度时z=L/2处电场Ex分量随时间变化的响应如图6所示。
从图6可见,随着线源发射长度不断增加,Ex分量瞬变响应的幅值呈先上升后下降的趋势,并在300 m处达到峰值;随着线源发射长度继续增大,Ex分量最大值响应有减小的趋势,Ex分量的大小可反映线源长度对横轴径向距离的探测能力。因此实际测井时,在兼顾成本的情况下应加大线源长度,线源长度优选值为300 m左右。
3.3 套管厚度对套后储层监测性能的影响
选取外径为139.7 mm的套管,套管的厚度分别为7.72,9.17和10.54 mm,套管长度均为50 m,电导率为1.12×107 S/m,分析套管厚度对径向探测距离的影响。不同套管厚度参数条件下接收的电场响应幅度曲线如图7所示。
保证其他条件不变,只改变套管厚度,在套管径向距离2~20 m处,每个壁厚对应不同的衰减曲线。当套管壁厚增大时,同一径向距离下对应的电场强度值升高。由于线电流施加在套管上,壁厚的增大意味着同样的电流可以激发更大的电磁场,使得二次电流在套管内的衰减速度下降,因此电场值上升;与之相反,随着套管壁厚减小,感应电场幅值明显下降。
实际探测时,由于井下复杂环境及金属套管的存在,可能会导致探测信号局部异常,从而影响解释结果的准确性。当前研究的主要目的是验证利用金属套管构建瞬变电磁线源激励,并利用磁性接收天线进行信号采集的探测方法可行性研究。在后续的研究工作中,还需进一步优化分析,提升探测性能及解释结果的可靠性。
4. 线源法套后储层油水界面监测模拟与试验
4.1 油水界面模拟分析
储层开采过程中的流体运移会导致套后储层的孔隙流体和电阻率发生变化,瞬变信号在衰减时与均匀地层衰减情况区别明显,尤其是在油气开采的产层段,开采过程中也会造成油水界面的移动,因此,有必要研究响应信号的衰减过程。
根据油水界面模型,保持水层与油层的坐标不变,只改变油层的半径,依次设置为r为5, 10和 15 m,以此来模拟油水界面的移动。在激励关断后的同一个时间范围内观察接收到的电压信号值,油体半径变化时对应的观测电压值如图8所示。
在激励电流关断后的同一时间范围内,油体半径增大造成界面移动,r =5 m时,最小接收信号的幅值出现在32.0 ms;r =10 m时,最小接收信号幅值出现在31.5 ms;r =15 m时,最小接收信号幅值出现在30.5 ms。以上研究表明,接收到的电压信号随着水油界面的移动而产生相应的偏移。
4.2 水体远近识别测试
拼接2根长度为1 m的试验套管,作为试验线源横置于试验场地中。移动探测线源,固定水池位置,同步改变套管、探头与水池距离,在此过程中,探头始终放置在套管内部不动,保持稳压电源输出电流不变,以此模拟不同的油水界面、注水突进前沿和电阻率变化情况。试验过程中,线源探头以1 m为单位进行移动,线源每隔水池n m(n=1,2,3,4,5,10,15,20和30)放置一个水瓶标志,观察信号的变化。通过移动线源,调整线源与水池间距离,模拟实际试验环境中线源与监测层间不同距离。
分别对线源每隔水池1,2,3,4,5,10,15,20和30 m所测信号进行精细化处理,并对比处理结果与传统的线圈式探测工具探测结果,如图9所示。当线源或常规测试工具与水池相距较远,20~30 m过程中,线源方法和常规方法的接收信号几乎无变化;从20 m移动至15 m,再推进至10 m时,线源方法的接收信号强度逐渐增强,而常规方法接收信号仍无变化;当线源距水池较近,在0~10 m范围内时,随距离变近,信号幅值明显增强,而常规测试工具距水池距离8 m时,测试信号才开始出现变化。此外,当线源与水池的距离与常规测试工具与水池距离相等时,线源测试信号均大于常规方法测试信号,验证了线源系统的可靠性。
5. 结 论
1)将套管作为线源,能够施加更大的电流激励,产生的二次场信号强度与线源激励电流呈正相关,套管壁厚越大,电场响应幅值越高。
2)地面模拟试验表明,在距离线源15 m范围内,基于线源的套后储层监测系统对水质远近识别具有较好的区分能力。
3)后续还需进一步分析复杂环境下线源的优化构建方式及接收天线的优化设计,并结合适用于套管井中复杂环境的信号处理方法,提升探测性能及解释结果的可靠性。
-
表 1 页岩样品物性参数
Table 1 Physical parameters of shale samples
井号 编号 垂深/m 长度/mm 直径/mm 质量/g 孔隙度,% 渗透率/mD 泸A A1 3 986.12 23.51 25.32 28.82 6.21 0.019 泸A A2 3 989.18 21.38 25.19 27.46 5.45 0.012 威B B1 2 705.18 22.46 25.00 27.03 8.41 0.120 威B B2 2 710.13 23.41 25.11 29.12 7.89 0.145 -
[1] US Energy Information Administration (EIA). Unconventional dry natural gas production [EB/OL]. [2022-12-30].https://www.eia.gov/naturalgas/data.phpproduction.
[2] 刘鸿渊,蒲萧亦,张烈辉,等. 中国页岩气效益开发:理论逻辑、实践逻辑与展望[J]. 天然气工业,2023,43(4):177–183. LIU Hongyuan, PU Xiaoyi, ZHANG Liehui, et al. Beneficial development of shale gas in China: Theoretical logic, practical logic and prospect[J]. Natural Gas Industry, 2023, 43(4): 177–183.
[3] 高芸,王怡平,胡迤丹,等. 2022年中国天然气发展述评及2023年展望[J]. 天然气技术与经济,2023,17(1):1–10. GAO Yun, WANG Yiping, HU Yidan, et al. China’s natural gas development: 2022 review and 2023 outlook[J]. Natural Gas Technology and Economy, 2023, 17(1): 1–10.
[4] 陈志明,赵鹏飞,曹耐,等. 页岩油藏压裂水平井压–闷–采参数优化研究[J]. 石油钻探技术,2022,50(2):30–37. CHEN Zhiming, ZHAO Pengfei, CAO Nai, et al. Fracturing parameters optimization of horizontal wells in shale reservoirs during “well fracturing-soaking-producing”[J]. Petroleum Drilling Techniques, 2022, 50(2): 30–37.
[5] 蒋廷学,周珺,廖璐璐. 国内外智能压裂技术现状及发展趋势[J]. 石油钻探技术,2022,50(3):1–9. JIANG Tingxue, ZHOU Jun, LIAO Lulu. Development status and future trends of intelligent fracturing technologies[J]. Petroleum Drilling Techniques, 2022, 50(3): 1–9.
[6] 曾波,王星皓,黄浩勇,等. 川南深层页岩气水平井体积压裂关键技术[J]. 石油钻探技术,2020,48(5):77–84. ZENG Bo, WANG Xinghao, HUANG Haoyong, et al. Key technology of volumetric fracturing in deep shale gas horizontal wells in southern Sichuan[J]. Petroleum Drilling Techniques, 2020, 48(5): 77–84.
[7] 韩慧芬,王良,贺秋云,等. 页岩气井返排规律及控制参数优化[J]. 石油钻采工艺,2018,40(2):253–260. HAN Huifen, WANG Liang, HE Qiuyun, et al. Flowback laws and control parameter optimization of shale gas wells[J]. Oil Drilling & Production Technology, 2018, 40(2): 253–260.
[8] GHANBARI E, ABBASI M A, DEHGHANPOUR H, et al. Flowback volumetric and chemical analysis for evaluating load recovery and its impact on early-time production[R]. SPE 167165, 2013.
[9] 申颍浩,葛洪魁,宿帅,等. 页岩气储层的渗吸动力学特性与水锁解除潜力[J]. 中国科学:物理学 力学 天文学,2017,47(11):114609. SHEN Yinghao, GE Hongkui, SU Shuai, et al. Imbibition characteristic of shale gas formation and water-block removal capability[J]. SCIENTIA SINICA: Physica, Mechanica & Astronomica, 2017, 47(11): 114609.
[10] GHANBARI E, DEHGHANPOUR H. The fate of fracturing water: a field and simulation study[J]. Fuel, 2016, 163: 282–294. doi: 10.1016/j.fuel.2015.09.040
[11] WIJAYA N, SHENG J J. Effect of desiccation on shut-in benefits in removing water blockage in tight water-wet cores[J]. Fuel, 2019, 244: 314–323. doi: 10.1016/j.fuel.2019.01.180
[12] 才博,毕国强,何春明,等. 人工裂缝复杂程度的压裂液返排表征方法及应用[J]. 石油钻采工艺,2017,39(1):20–24. CAI Bo, BI Guoqiang, HE Chunming, et al. A characterization method on complexity degree of artificial fractures based on fracturing fluid flowback and its application[J]. Oil Drilling & Production Technology, 2017, 39(1): 20–24.
[13] CARPENTER C. Impact of liquid loading in hydraulic fractures on well productivity[J]. Journal of Petroleum Technology, 2013, 65(11): 162–165. doi: 10.2118/1113-0162-JPT
[14] BERTONCELLO A, WALLACE J, BLYTON C, et al. Imbibition and water blockage in unconventional reservoirs: Well-management implications during flowback and early production[J]. SPE Reservoir Evaluation and Engineering, 2014, 17(4): 497–506. doi: 10.2118/167698-PA
[15] YAICH E, WILLIAMS S, BOWSER A, et al. A case study: The impact of soaking on well performance in the Marcellus[R]. URTEC-2154766-MS, 2015.
[16] LAN Qing, GHANBARI E, DEHGHANPOUR H, et al. Water loss versus soaking time: Spontaneous imbibition in tight rocks[J]. Energy Technology, 2014, 2(12): 1033–1039. doi: 10.1002/ente.201402039
[17] MA Shouxiang, MORROW N R, ZHANG Xiaoyun. Generalized scaling of spontaneous imbibition data for strongly water-wet systems[J]. Journal of Petroleum Science and Engineering, 1997, 18(3/4): 165–178.
[18] MAKHANOV K, HABIBI A, DEHGHANPOUR H, et al. Liquid uptake of gas shales: a workflow to estimate water loss during shut-in periods after fracturing operations[J]. Journal of Unconventional Oil and Gas Resources, 2014, 7: 22–32. doi: 10.1016/j.juogr.2014.04.001
[19] HANDY L L. Determination of effective capillary pressures for porous media from imbibition data[J]. Transactions of the AIME, 1960, 219(1): 75–80. doi: 10.2118/1361-G
[20] ROYCHAUDHURI B, TSOTSIS T T, JESSEN K. An experimental investigation of spontaneous imbibition in gas shales[J]. Journal of Petroleum Science and Engineering, 2013, 111: 87–97. doi: 10.1016/j.petrol.2013.10.002
[21] 郭建成,林伯韬,向建华,等. 四川盆地龙马溪组页岩压后返排率及产能影响因素分析[J]. 石油科学通报,2019,4(3):273–287. GUO Jiancheng, LIN Botao, XIANG Jianhua, et al. Study of factors affecting the flowback ratio and productive capacity of Longmaxi Formation shale in the Sichuan Basin after fracturing[J]. Petroleum Science Bulletin, 2019, 4(3): 273–287.
[22] WIJAYA N, SHENG J J. Comparative study of well soaking timing (pre vs. post flowback) for water blockage removal from matrix-fracture interface[J]. Petroleum, 2020, 6(3): 286–292. doi: 10.1016/j.petlm.2019.11.001
[23] HU Jinghong, ZHAO Haopeng, DU Xianfei, et al. An analytical model for shut-in time optimization after hydraulic fracturing in shale oil reservoirs with imbibition experiments[J]. Journal of Petroleum Science and Engineering, 2022, 210: 110055. doi: 10.1016/j.petrol.2021.110055
[24] 卜淘,严小勇,伍梓健,等. 基于返排期动态数据的页岩气井EUR快速评价方法[J]. 非常规油气,2023,10(3):74–79. BU Tao, YAN Xiaoyong, WU Zijian, et al. Quick evaluation method of EUR for shale gas wells based on dynamic data of flowback period[J]. Unconventional Oil & Gas, 2023, 10(3): 74–79.
[25] 杨海,李军龙,石孝志,等. 页岩气储层压后返排特征及意义[J]. 中国石油大学学报(自然科学版),2019,43(4):98–105. YANG Hai, LI Junlong, SHI Xiaozhi, et al. Characteristics and significance of flow-back processes after fracturing in shale-gas reservoirs[J]. Journal of China University of Petroleum (Edition of Natural Science), 2019, 43(4): 98–105.
[26] ZOLFAGHARI A, DEHGHANPOUR H, GHANBARI E, et al. Fracture characterization using flowback salt-concentration transient[J]. SPE Journal, 2016, 21(1): 233–244. doi: 10.2118/168598-PA
[27] YANG Liu, WANG Shuo, CAI Jianchao, et al. Main controlling factors of fracturing fluid imbibition in shale fracture network[J]. Capillarity, 2018, 1(1): 1–10. doi: 10.26804/capi.2018.01.01
[28] JIANG Yun, SHI Yang, XU Guoqing, et al. Experimental study on spontaneous imbibition under confining pressure in tight sandstone cores based on low-field nuclear magnetic resonance measure-ments[J]. Energy & Fuels, 2018, 32(3): 3152–3162.
[29] ZOLFAGHARI A, TANG Yingzhe, HE Jia, et al. Fracture network characterization by analyzing flowback salts: Scale-up of experimental data[R]. SPE 185078, 2017.