Исследование предлагает алгоритмический комплекс оптимизации режимов закачки газа для повышения нефтеотдачи зрелых терригенных месторождений при одновременном соблюдении двух критичных ограничений: сдерживание роста обводненности и предотвращение техногенной сейсмичности, возникающей из-за превышения порового давления вблизи тектонических разломов. Методологически работа опирается на полномасштабный цифровой двойник пласта (3D сетка 250×300×40 ячеек), интегрирующий 3D-сейсмику, интерпретацию ГИС 87 скважин, PVT-анализ и 15-летнюю историю разработки; фильтрация моделируется композиционной black-oil моделью с тщательной калибровкой относительных фазовых проницаемостей, а геомеханический модуль откалиброван по микросейсмическим данным и испытаниям скважин. Центральным элементом является гибридный оптимизатор (генетический алгоритм для глобального поиска + сопряжённые градиенты с adjoint-моделированием для локальной доводки), решающий многокритериальную задачу в форме безусловной оптимизации с двумя штрафными слагаемыми за превышение порога обводненности и критического давления вблизи разломов. Верификация на десятилетнем горизонте показала, что по сравнению с базовым проектным режимом с постоянными объёмами закачки оптимизированная стратегия увеличивает накопленную добычу нефти на 8,19% при снижении суммарной закачки газа на 5,36%, уменьшает добычу воды на 21,33% и снижает среднее забойное давление нагнетания на 5,59%, что указывает на повышение энергоэффективности и охвата вытеснением. Геомеханические ограничения соблюдены: максимальные давления в контрольных точках рядом с разломом удержаны ниже порога сейсмоопасности (34,5 МПа), тогда как базовый сценарий его превышает. Чувствительный анализ выявил нелинейный компромисс: ужесточение предельной обводненности с 70% до 40% снижает итоговый КИН с 0,418 до 0,375, при этом удельный газовый фактор минимален около 50% благодаря более тонким режимам. По вычислительной эффективности гибридный алгоритм сходится на 39,5% быстрее, чем чистый ГА на малой модели, а на детализированной сетке обеспечивает приемлемое время расчёта для задач планирования; перспективы включают распараллеливание и прокси-модели для работы в контуре близком к реальному времени.
The study proposes an algorithmic framework for optimizing gas injection modes to enhance oil recovery of mature terrigenous fields while simultaneously satisfying two critical constraints: controlling water cut growth and preventing induced seismicity caused by excessive pore pressure near tectonic faults. Methodologically, the work relies on a full-scale digital twin of the reservoir (3D grid of 250×300×40 cells) integrating 3D seismic data, interpretation of well logs from 87 wells, PVT analysis, and a 15-year production history. Flow simulation is carried out using a compositional black oil model with careful calibration of relative phase permeabilities, and the geomechanical module is calibrated against microseismic data and well tests. The central element is a hybrid optimizer (genetic algorithm for global search combined with conjugate gradients using adjoint modeling for local refinement) that solves a multi-objective problem in the form of unconstrained optimization with two penalty terms for exceeding the water cut and critical pressure thresholds near faults. Ten-year verification showed that compared with the baseline project mode with constant injection volumes, the optimized strategy increases cumulative oil production by 8.19%, reduces total gas injection by 5.36%, decreases water production by 21.33%, and lowers average bottomhole injection pressure by 5.59%, indicating improved energy efficiency and sweep coverage. Geomechanical constraints are met: maximum pressures at control points near the fault remain below the seismic hazard threshold (34.5 MPa), while the baseline scenario exceeds it. Sensitivity analysis revealed a nonlinear trade-off: tightening the water cut limit from 70% to 40% reduces the final recovery factor from 0.418 to 0.375, while the specific gas factor is minimized around 50% due to thinner regimes. In terms of computational efficiency, the hybrid algorithm converges 39.5% faster than a pure genetic algorithm on a small model and provides acceptable computation times on a detailed grid for planning tasks; future developments include parallelization and proxy models to operate in near-real-time conditions.