Если вы когда-нибудь пользовались численными моделями для ГДИС, то, скорее всего, работали с сеткой Вороного. В задачах исследований скважин это решение стало де-факто стандартом. Но почему сложилось именно так? Давайте разберёмся вместе в этой статье.

Контекст использования численных моделей в ГДИС

В процессе исследований скважин мы используем модели, чтобы построить давление в точке. По сути, это единственная точка в пространстве, где нам важна точность. Деталями в других частях системы мы можем пренебрегать. Главное условие — чтобы упрощения не влияли на точность расчётов в интересующей нас области.

С другой стороны, мы стремимся к тому, чтобы вычисления были максимально быстрыми, чтобы мы могли за единицу времени проверить или просчитать как можно больше гипотез.

Эти два принципа закладывают ряд условностей, исходя из которых и формируется практический выбор тех или иных форматов как построения сетки, так и самих решателей численных моделей.

Формат расчётной сетки

Вариантов расчётных сеток много. Контекст нам диктует: мы должны считать как можно точнее в единственной целевой точке и как можно быстрее. Соответственно, нам нужно подобрать такую сетку, которая может описать любую геометрию, но детализацию которой можно менять в нужных областях. Алгоритм построения должен быть как можно проще, а решатель, используя такую сетку, должен работать как можно быстрее, и при этом количество ячеек должно быть минимальным. Пользуясь этими критериями, в этой работе мы остановимся на следующих типах:

  • Адаптивная декартова сетка
  • Адаптивная треугольная сетка
  • Неструктурированная четырёхугольная сетка
  • Сетка Вороного

Другие популярные типы сеток мы заведомо исключаем из сравнения по следующим причинам:

  • Классические структурированные сетки. В регулярных сетках сгущение вокруг скважин, разломов и границ неизбежно распространяется вдоль координатных линий на всю область, порождая множество избыточных ячеек. Впоследствии высокая скорость вычислений нивелируется кратным ростом размерности задачи. Для задач ГДИС это серьёзный недостаток, поскольку исследуемые объекты зачастую имеют сильно неоднородную структуру.
  • Криволинейные сетки. Этот класс сеток активно исследовался в задачах моделирования пласта, но на практике он плохо справляется со сложной геометрией разломов и тяжело масштабируется при локальном сгущении. По гибкости и простоте автоматизации они заметно уступают адаптивным и неструктурированным решениям.
  • Сетка с геометрией угловых точек. Такие сетки применяются в полномасштабном 3D-моделировании для детального воспроизведения сложной геологии пласта по вертикали. Для задач интерпретации ГДИС такой подход является заведомо избыточным.

Адаптивная декартова сетка

Данный тип сетки строит сеточную матрицу при помощи квадратного шаблона. Там, где нам не нужна детализация, мы можем использовать шаблон большей площади. Там, где детализация необходима, пользуемся рекурсивным делением шаблона. Максимально простой алгоритм, который может описать любую геометрию с требуемой точностью.

Адаптивная декартова сетка пласта со скважинами и трещинами ГРП

Из недостатков такого подхода — большое количество ячеек, что в итоге сказывается на скорости вычислений. Однако этот недостаток отчасти нивелируется упрощением самих вычислений. Строгая регулярность ячеек избавляет нас от необходимости хранить информацию о сложной геометрии граней и позволяет использовать максимально быстрые шаблонные алгоритмы вместо ресурсоёмких расчётов для произвольных многоугольников.

Адаптивная треугольная сетка

Эту сетку мы рассматриваем в качестве альтернативы декартовой, построенную на базе треугольного шаблона. При необходимости детализации каждый элемент делится по серединам сторон на четыре меньших треугольника с вдвое меньшим шагом. Благодаря тому, что рёбра ориентированы сразу в трёх направлениях, эта сетка позволяет точнее и с меньшим числом ступенек аппроксимировать комплексные области моделируемого объекта.

Адаптивная треугольная сетка пласта со скважинами и трещинами ГРП

Однако, несмотря на схожие базовые свойства, в задачах фильтрации треугольная сетка уступает квадратной по двум ключевым причинам: она нарушает ортогональность потоков между центрами ячеек, что снижает точность и замедляет сходимость расчётов. Второе — такая сетка требует большего количества элементов при том же шаге детализации. В результате её использование приводит к падению скорости вычислений, в чём мы убедимся далее в практической части.

Неструктурированная четырёхугольная сетка

Этот тип сетки состоит из четырёхугольников, форма и размеры которых подстраиваются под геометрию модели. В отличие от декартовой сетки, здесь нет единого квадратного шаблона: направления рёбер ячейки могут меняться, позволяя описывать произвольную конфигурацию пласта, разломов и трещин. Мелкие ячейки сосредотачиваем около скважин и трещин, а вдали от них сетка укрупняется.

Неструктурированная четырёхугольная сетка для моделирования ГДИС

На первый взгляд, использование такой сетки выглядит как хороший компромисс, так как сохраняются четырёхугольные ячейки, а их общее количество меньше, чем в декартовой сетке. Однако на практике этот подход упирается в две серьёзные проблемы. Во-первых, построить согласованную сетку из четырёхугольников, повторяющую произвольную геометрию, сложнее, чем рекурсивно делить квадраты или треугольники. Во-вторых, произвольная форма таких ячеек не гарантирует ортогональности потоков между их центрами, что негативно влияет на точность и скорость расчёта.

Сетка Вороного

Этот подход принципиально отличается от всех рассмотренных ранее. Классические сетки жёстко задают форм-фактор ячеек и правила их стыковки. Сетка Вороного работает по-другому: мы задаём не саму геометрию элементов, а, по сути, точки, вокруг которых уже после алгоритм Вороного выстраивает ячейки самостоятельно.

В результате мы получаем полную свободу в управлении плотностью сетки. Мы можем расставить точки-генераторы на плоскости ровно так, как диктует физика задачи: предельно сгустить их в окрестности исследуемой скважины и максимально разредить на периферии. При этом мы не привязаны к фиксированной форме ячейки и можем описать сколько угодно сложную геометрию границ и разломов сравнительно малым числом элементов.

Сетка Вороного со сгущением около скважины с трещиной ГРП

Основной недостаток метода заключается в высокой трудоёмкости этапа препроцессинга. Вся сложность переносится на алгоритмы расстановки генерирующих узлов: необходимо создавать параметрические шаблоны для скважин, задавать правила генерации узлов вдоль разломов и прописывать логику разрешения конфликтов при пересечении сложных объектов. Качество финальной сетки здесь полностью зависит от продуманности этих геометрических правил.

Тест скорости и качества моделирования

Чтобы на практике оценить, какая сетка лучше подходит для интерпретации гидродинамических исследований, проведём сравнительный тест со следующими условиями:

  • За основу возьмём карту пласта из обзора типов сеток и выберем одну скважину в качестве исследуемой.
  • Точность расчёта давления будем контролировать исключительно в исследуемой скважине.
  • В пассивных зонах пласта разрешается укрупнять ячейки, пока это не начинает влиять на давление в точке исследования.
  • Эталонным решением будем считать расчёт этой же задачи в коммерческом симуляторе с максимальными настройками точности.
  • Сравнивать сетки будем по двум показателям: отклонению производной Бурде от эталона и времени расчёта.

В качестве численного метода расчёта будем использовать метод конечных объёмов с полностью неявной схемой дискретизации по времени и двухточечной аппроксимацией потоков. Для каждого типа сетки рассмотрим два крайних режима построения:

  • Приоритет точности — плотная сетка с высокой детализацией, где время вычислений не является ограничивающим фактором.
  • Приоритет скорости — разреженная сетка с минимально допустимым числом ячеек, где ради производительности допускается снижение точности.

Кроме того, чтобы оценить чувствительность методов к размерности и структуре матрицы, каждую конфигурацию прогоним на двух типах линейных решателей: прямом (LU-разложение) и итерационном (BiCGSTAB с предобуславливателем ILU).

Тестирование детализированных сеток

Начнём с детализированных сеток, показанных в обзоре. На этом этапе сохраняем подробное описание геометрии и локальное сгущение, не пытаясь сократить число ячеек ради скорости расчёта.

Для всех сеток сохраняем одинаковые условия и временные шаги. Сравниваем время вычислений и RRMSE — среднеквадратичную относительную ошибку производной Бурде. Она чувствительнее к изменениям формы отклика и переходам между режимами фильтрации, поэтому лучше отражает значимые для интерпретации искажения.

Сравнение давления и производной Бурде на детализированных сетках с эталоном

Для начала посмотрим на получившиеся кривые. В целом они хорошо воспроизводят эталон, однако на двух участках заметны артефакты. На ранних временах отклонения особенно выражены и связаны с недостаточной детализацией около точки исследования. Второй участок расхождений соответствует переходу к режиму влияния границ и также обусловлен точностью детализации, но в этот раз уже контура и окружающих объектов.

Отдельно стоит выделить сетку Вороного: её кривые визуально ближе всего к эталону.

Теперь перейдём к численным показателям. В таблице приведено медианное время трёх прогонов в одном потоке на одном компьютере. Замер включает подготовку решателя, расчёт и проверки невязки и материального баланса. Построение сетки, начальная сборка операторов и отрисовка в него не входят.

СеткаЯчеекВремя LU, сВремя BiCGSTAB + ILU, сRRMSE производной, %
Декартова8 1344,2941,61313,25
Треугольная25 05213,6526,0576,95
Четырёхугольная10 1366,6522,6355,66
Вороного2 0431,1780,5783,12

Наименьшую среднеквадратичную относительную ошибку производной показывает сетка Вороного — 3,12 %, подтверждая визуальную близость к эталону. У треугольной и четырёхугольной сеток ошибка составляет 6,95 и 5,66 %. Декартова сетка заметно уступает остальным: её ошибка составляет 13,25 %. В целом цифры подтверждают то, что мы уже увидели на графике.

Самой объёмной по числу ячеек получилась треугольная сетка — около 25 тысяч. Четырёхугольная и декартова заметно компактнее и близки между собой: около 10 и 8 тысяч ячеек соответственно. Сетка Вороного — самая компактная, всего около 2 тысяч ячеек. Для обоих решателей сохраняется одна тенденция: явное падение скорости вычислений от количества ячеек.

Явный лидер этого теста — сетка Вороного: в ней меньше ячеек, при этом считает она точнее и быстрее остальных. Но часть преимущества по скорости может объясняться избыточной детализацией других сеток. Попробуем их оптимизировать, сократив число ячеек в пассивных областях. Сетку Вороного оставим без изменений и посмотрим, как изменится соотношение скорости и точности.

Тестирование оптимизированных сеток

Оптимизируем декартову, треугольную и четырёхугольную сетки. У исследуемой скважины пересмотрим подход к сгущению: сохраним локальную детализацию, но сократим избыточное число ячеек. У соседних скважин сетки значительно упростим, границы и разломы сделаем менее детальными, а в пассивных областях используем более крупные ячейки. Сетку Вороного оставим без изменений.

Декартова, треугольная, четырёхугольная и сетка Вороного после оптимизации

В результате оптимизаций число ячеек декартовой сетки сократилось с 8 134 до 2 999, треугольной — с 25 052 до 6 356, четырёхугольной — с 10 136 до 6 224. В сетке Вороного осталось 2 043 ячейки. Дальнейшее сокращение числа ячеек приводит к ощутимому ухудшению точности расчёта, поэтому остановимся на этих значениях.

Условия расчёта, решатели и способ оценки ошибки оставим прежними. Посмотрим, как укрупнение повлияло на кривые давления и производной.

Сравнение давления и производной Бурде на оптимизированных сетках с эталоном

На ранних временах поведение кривых практически не изменилось. На участке линейного режима появились небольшие волнообразные артефакты, наиболее заметные на производной четырёхугольной сетки. При переходе к режиму влияния границ артефакты усилились из-за более грубой детализации окружения. Кривая Вороного осталась прежней, поскольку её сетку не изменяли.

Перейдём к метрикам. Как и в первом тесте, время — медиана трёх прогонов в одном потоке; состав замера и интервал сравнения не меняются.

СеткаЯчеекВремя LU, сВремя BiCGSTAB + ILU, сRRMSE производной, %
Декартова2 9991,1980,61813,79
Треугольная6 3562,4621,2647,57
Четырёхугольная6 2243,2551,5859,53
Вороного2 0431,1780,5783,12

Оптимизация заметно ускорила расчёт. Декартова сетка почти вплотную приблизилась к сетке Вороного по скорости, а треугольная и четырёхугольная тоже стали считаться существенно быстрее.

При этом ускорение расчёта закономерно сопровождается потерей точности: это видно и по кривым, и по росту RRMSE производной. Дальнейшая оптимизация становится нецелесообразной — мы начинаем разменивать незначительный выигрыш в скорости на критические для практики ГДИС потери в точности.

Заключение

Подводя итог практическим вычислениям, можно сделать вывод — в задачах ГДИС сетка Вороного уверенно выигрывает у альтернатив одновременно и по скорости, и по точности. Возвращаясь к вопросу из начала статьи, теперь становится очевидно, почему именно этот подход стал стандартом де-факто в гидродинамических исследованиях скважин.

Однако стоит отметить, что другие типы сеток значительно проще в реализации. Сетка Вороного требует комплексного и выверенного алгоритма расстановки точек-генераторов, что повышает порог входа при создании собственного решателя. Поэтому в разовых исследовательских работах вполне разумно использовать более простые варианты — например, адаптивную декартову сетку: она даёт приемлемую точность и не требует глубокой проработки геометрии генератора.

Но если речь идёт о регулярных потоковых расчётах в ГДИС, здесь, безусловно, нужен лучший инструмент — в таком случае инвестиции в сложный генератор сетки полностью окупаются объёмом последующих работ. В своем программном продукте SiamWellTest мы используем именно такой подход к моделированию сетки.