Система и способы для прогнозирования поведения скважины

Система и способы для прогнозирования поведения скважины

Иллюстрации

Показать все

Реферат

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ

Настоящая заявка имеет приоритет предварительной заявки на патент США № 61/369476, поданной 30 июля 2011 года, озаглавленной "Системы и способы для прогнозирования поведения скважины", полный объем которой включен сюда путем ссылки.

ОБЛАСТЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ

Настоящая методика относится к системе и способу для предоставления модели физических свойств, представляющей физические свойства. В частности, примерный вариант осуществления настоящей методики относится к применению модели физических свойств к прогнозированию поведения производительности скважины и отклика на интенсификацию добычи.

УРОВЕНЬ ТЕХНИКИ

Этот раздел предназначен для представления различных аспектов данной области техники, которые могут быть ассоциированы с примерными вариантами осуществления настоящего изобретения. Это описание, как предполагается, поможет в предоставлении основы, способствующей лучшему пониманию отдельных аспектов настоящего изобретения. Соответственно, следует понимать, что этот раздел следует читать в этом свете, а не обязательно как признание предшествующего уровня техники.

Многие приложения затрагивают обработку информации о физических свойствах. При обработке информации, относящейся к физическим свойствам комплексных систем, может быть желательным предоставить модель физических свойств, представляющих физические свойства, которые применимы для конкретной цели. В области разведки углеводородов, модели физических свойств могут быть использованы для прогнозирования поведения скважины или месторождения в пределах входных условий. Более того, моделирование поведения скважины или месторождения может помочь специалистам по разведке углеводородов улучшить производительность углеводородных ресурсов.

Месторождения нефти и природного газа геологически гетерогенны, при этом некоторые участки месторождения обладают физическими свойствами, благоприятными для производства нефти и газа, такими как высокая проницаемость к потоку и высокая нефтенасыщенность, а другие участки того же самого месторождения обладают физическими свойствами, вредящими потоку нефти и газа, такими как низкая проницаемость к потоку и низкое нефтенасыщение. Физические свойства месторождений меняются в зависимости от глубины и расположения скважины на поверхности и могут в значительной мере отличаться при различных масштабах длины. Гетерогенная природа месторождений ведет к широким колебаниям в углеводородной производительности скважин в одном и том же месторождении. Неопределенность в углеводородной продуктивности предполагаемой скважины должна быть минимизирована, если специалисты, принимающие решение, должны сделать точные, своевременны и выгодные решения относительно бурения и расстановки новых скважин.

По мере продолжения освоения месторождения, неопределенность о физических свойствах данного месторождения уменьшается, но полное знание никогда не достигается. Подобным образом, отклик производительности углеводородов существующей скважины на воздействие на пласт посредством процессов разрыва пласта или закачки зависит от неопределенных свойств месторождения.

Инженеры месторождения нефти и природного газа должны принять решение о расположении ствола скважины и интенсификации добычи перед лицом неопределенности о природе месторождения, пробуренного данной скважиной, и, следовательно, производительности углеводородов скважины. Снижение этой неопределенности может привести к увеличению производительности углеводородов, меньшему числу сухих скважин, улучшенных применений интенсификации добычи, и меньшему числу ненужных полевых работ.

Решения относительно расстановки новых скважин и интенсификации добычи существующих скважин зависят, по большей части, от данных, собранных со скважин, пробуренных ранее в том же самом или геологически похожих месторождениях. Используя эти данные, математические представления о моделях физических свойств месторождения разработаны и используются для прогнозирования производительности предполагаемых скважин.

Большинство базовых математических представлений моделей физических свойств месторождений называют емкостными моделями и основываются только на принципе баланса масс. Эти модели имеют жесткие ограничения и в значительной степени вытесняются более развитыми моделями, которые требуют компьютерного моделирования. Построение имитационной модели является чрезвычайно времязатратным, а сами моделирования могут занять дни или даже недели. Эти ограничения по времени жестко ограничивают способность инженеров выполнять работу по прогнозированию для широкого спектра возможных размещений скважин или сценариев интенсификации добычи. Даже когда моделирование выполнено своевременно, из-за уникальности каждого месторождения и сложности проведения измерений, требуемых для математических моделей, эти модели часто оказываются не в состоянии обеспечить достаточное прогнозирование поведения.

Заявка на патент США № 2006/0092766 описывает способ для прогнозирования производительности скважины. Параметры каротажа для скважин в месторождении ассоциируют с индикаторами производительности для скважин в данном месторождении. Каротаж для скважины совпадает с соответствующими параметрами каротажа. Каждый параметр каротажа может быть создан посредством группирования каротажа для скважин в данном месторождении. Параметры каротажа и каротаж могут включать в себя магнитно-резонансное исследование и/или другие подходящие данные.

Патент США № 6957146 описывает способ геофизической разведки изучаемой области недр. Раскрываемый способ использует сеть обучения без учителя для систематизации сейсмических данных, отражающих изучаемую область недр, и корреляция применима к сейсмическим данным для оценки литологии изучаемой области недр.

Заявка на патент США № 2004/0133531 описывает систему и способ для выбора набора данных режима обучения из набора образцов входных многомерных геофизических данных для обучения модели для прогнозирования целевых данных. Входные данные могут быть набором данных, произведенных прибором импульсного нейтронного каротажа на множестве глубинных точек обсаженной скважины. Целевые данные могут быть показаниями каротажного прибора для необсаженных скважин. Входные данные разделяют на грозди. Фактические целевые данные из обучающей скважины связывают с данными гроздями. Связанные грозди анализируют на вариантность и так далее, и нечеткий логический вывод используют для выбора части каждой грозди для включения в обучающий набор. Сокращенный набор используют для обучения модели, такой как искусственная нейронная сеть (ANN). Обученная модель может затем быть использована для производства синтетических каротажей необсаженных скважин в ответ на входные данные каротажей обсаженных скважин.

Публикация международной заявки № WO2006/112864 раскрывает способ и устройство для моделирования системы для оценки значений и ассоциированных неопределенностей для первого набора переменных, описывающих данную систему. Второй набор системных показателей выбирают, где второй набор прямо или косвенно причинно связан с первым набором переменных. Данные, полученные или предположенные для каждой переменной во втором наборе, и качество выбранных данных оценивают. Сеть создают из узлов, включающих в себя оба набора переменных и оценки качества, имеющих направленные связи, соединяющие независимые узлы, направленные связи, выполняющие известные причинные зависимости. Алгоритм байесовской сети (BN) используют с данными и информацией о качестве для решения сетью для первого набора переменных и их ассоциированных неопределенностей.

Другой известный способ для прогнозирования поведения скважин применяет способы, основанные на искусственном интеллекте, после интенсификации добычи скважины. Один подобный подход использует геологические данные и данные освоения скважины, такие как координаты скважины и длину пробуренного песка как входные данные в модель, основанную на ANN, для прогноза дебита нефти после интенсификации добычи.

Другой подход относится к использованию графической нейронной сети без учителя, такой как самоорганизующаяся карта (SOM) и ANN для прогнозирования совокупной добычи после интенсификации гидроразрывом пласта из входных данных, таких как вид расклинивающего агента и масса расклинивающего агента. Одна подобная техника относится к ANN для прогнозирования того, как скважины откликнутся на воздействие полимерами, используя входные данные, такие как дебит нефти и воды до применения полимера и координаты скважины. В другой технике, входные данные, такие как тип кислоты, объем кислоты на отверстие, и скорость закачивания, среди прочих, подают в модели, основанные на SOM и ANN для прогнозирования ухудшение коллекторских свойств пласта и производительности после интенсификации кислотой, соответственно. Другая техника применяет SOM для литолого-фациальной идентификации и прогнозирования проницаемости на основании данных каротажа.

Не существует общеприменимых моделей физических свойств, для прогнозирования того, будет или нет интенсификация добычи успешной.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Примерный вариант осуществления настоящей методики содержит способ прогнозирования поведения физической системы. Примерный способ содержит идентификацию набора входных переменных, которые имеют влияние на выходной показатель и идентификацию поднабора из набора входных переменных, где данный поднабор имеет относительно большое влияние на выходной показатель. Модель физических свойств построена для прогнозирования выходного показателя как функции поднабора из набора входных переменных. Предполагаемые изменения в поднаборе из набора входных переменных ранжируют по вероятности, используя модель физических свойств. Поведение физической системы прогнозируют на основании степени предполагаемых изменений.

Способ прогнозирования поведения может содержать предоставление визуального представления модели физических свойств. Идентификация поднабора из набора входных переменных может содержать получение поднабора из набора входных переменных из самоорганизующейся карты.

Ранжирование по вероятности предполагаемых изменений во входных переменных может содержать получение выходных данных, соответствующих предполагаемым изменениям, из BN. Набор правил, извлеченный из оценки вероятности, вычисленной с использованием BN, может быть предусмотрен. Альтернативно, ранжирование по вероятности предполагаемых изменений во входных переменных может содержать получение выходных данных, соответствующих предполагаемым изменениям, из SOM.

В одном примерном варианте осуществления настоящей техники, физическая система содержит, по меньшей мере, одну скважину, производящую углеводороды. Выходной показатель может содержать газонефтяную производительность.

Набор входных переменных может содержать, по меньшей мере, одно из: глубина, местоположение, данные анализа керна, данные каротажа скважины, данные бурения, данные заканчивания, данные интенсификации добычи или данные испытания скважины. При этом набор входных переменных может содержать, по меньшей мере, одно из: параметр конструкции скважины, параметр режима бурения, параметр конструктивной схемы оснащения скважин или параметр схемы интенсификации добычи. Набор входных переменных может содержать интерпретацию, по меньшей мере, одной геологической сущности, такой как интервал, горизонт, трещина, разрыв или окружающая среда. Набор входных переменных может также содержать интерпретацию вероятности события, по меньшей мере, одной из геологических сущностей, такой как интервал, горизонт, трещина, разрыв или окружающая среда.

Примерный способ в соответствии с настоящей методикой относится к производству углеводородов из нефтяного и/или газового месторождения, используя модель физических свойств, представляющую физические свойства данного нефтяного и/или газового месторождения. Способ содержит идентификацию входных переменных, которые имеют влияние на выходной показатель, относящийся к данному нефтяному и/или газовому месторождению и идентификацию поднабора из набора входных переменных. Данный поднабор выбран потому, что входные переменные, содержащиеся в данном поднаборе, имеют относительно большое влияние на выходной показатель.

Модель физических свойств построена для прогнозирования выходного показателя, относящегося к нефтяному и/или газовому месторождению как функции поднабора из набора входных переменных. Предполагаемые изменения в поднаборе из набора входных переменных могут быть ранжированы по вероятности, используя модель физических свойств. Поведение нефтяного и/или газового месторождения может быть спрогнозировано на основании степени предполагаемых изменений. Углеводороды извлекают из нефтяного и/или газового месторождения на основании спрогнозированного поведения.

Примерный способ извлечения углеводородов может содержать предоставление визуального представления модели физических свойств. Идентификация поднабора из набора входных переменных может содержать получение поднабора из набора входных переменных из SOM.

В одном примерном способе извлечения углеводородов, ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из BN. Набор правил, извлеченный из оценки вероятности, вычисленной с использованием BN, может быть предусмотрен.

В одном примерном варианте осуществления, ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из SOM. Выходной показатель может содержать газонефтяную производительность.

Один примерный вариант осуществления настоящей методики относится к компьютерной системе, приспособленной для прогнозирования поведения физической системы. Компьютерная система содержит процессор и материальный машиночитаемый носитель информации, который хранит машиночитаемые команды для исполнения процессором. Машиночитаемые команды, хранимые вещественным, машиночитаемым носителем информации, могут содержать код, который, будучи исполненным процессором, приспособлен заставить процессор идентифицировать набор входных переменных, которые имеют влияние на выходной показатель. Машиночитаемые команды могут также содержать код, который, будучи исполненным компьютером, приспособлен заставить процессор идентифицировать поднабор из набора входных переменных. Данный поднабор выбран потому, что входные переменные, содержащиеся в данном поднаборе, имеют относительно большое влияние на выходной показатель. Машиночитаемые команды могут дополнительно содержать код, который, будучи исполненным компьютером, приспособлен заставить процессор построить модель физических свойств для прогнозирования выходного показателя как функции поднабора из набора входных переменных. Машиночитаемые команды кроме того могут дополнительно содержать код, который, будучи исполненным компьютером, приспособлен заставить процессор ранжировать по вероятности предполагаемые изменения в поднаборе из набора входных переменных, используя модель физических свойств. Кроме того, машиночитаемые команды могут содержать код, который, будучи исполненным процессором, приспособлен заставить процессор прогнозировать поведение физической системы на основании степени предполагаемых изменений.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Выгоды настоящей методики могут стать очевидными после рассмотрения нижеследующего подробного описания и чертежей примеров вариантов осуществления, не имеющих ограничительного характера, при этом:

Фиг. 1 является принципиальной технологической схемой, показывающей процесс с управлением данными прогнозирования поведения скважины в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 2 является принципиальной технологической схемой, показывающей процесс подготовки к предоставлению калькулятора вероятности в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 3 является диаграммой, показывающей множество устройств отображения самоорганизующейся карты (SOM), которая полезна в объяснении идентификации сильно влияющих входных данных в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 4 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 5 является таблицей вероятностей узлов, описывающей вероятностные зависимости между var4 и var1 в модели на Фиг. 4;

Фиг. 6 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 7 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 8 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 9 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 10 является принципиальной технологической схемой, показывающей способ для прогнозирования поведения скважины в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 11 является принципиальной технологической схемой, показывающей способ для производства углеводородов из области недр, такой как нефтяное и/или газовое месторождение в соответствии с примерным вариантом осуществления настоящей методики; и

Фиг. 12 является функциональной схемой компьютерной системы, которая может быть использована для выполнения способа для прогнозирования поведения скважины в соответствии с примерным вариантом осуществления настоящей методики.

Хотя настоящее раскрытие является допускающим различные модификации и иные виды, конкретный пример вариантов осуществления такового был приведен в чертежах и подробно описан в настоящем документе. Следует понимать, однако, что описание в настоящем документе конкретных примеров осуществления не предназначено ограничить данное раскрытие отдельными видами, описанными в настоящем документе, а наоборот, это раскрытие должно покрывать все модификации и эквиваленты, как описано в прилагаемой формуле изобретения. Следует также понимать, что чертежи не обязательно в масштабе, акцент вместо этого сделан на ясность иллюстрации принципов примерных вариантов осуществления настоящего изобретения. Более того, некоторые размеры могут быть преувеличены, чтобы помочь наглядно передать подобные принципы.

ПОДРОБНОЕ ОПИСАНИЕ

В нижеследующем разделе подробного описания, конкретные варианты осуществления настоящего изобретения описаны применительно к предпочтительным вариантам осуществления. Однако при условии, что нижеследующее описание является конкретным для отдельного варианта осуществления или отдельного применения настоящего изобретения, это предназначено только в целях примера и просто предоставляет описание примерных вариантов осуществления. Соответственно, данное изобретение не ограничивается конкретными вариантами осуществления, описанными ниже, а напротив, оно включает в себя все альтернативы, модификации и эквиваленты, попадающие в истинную сущность и объем прилагаемой формулы изобретения.

Изначально, и для простоты поиска, некоторые термины, используемые в этой заявке, и их значения, используемые в данном контексте, объясняются. В тех случаях, когда термин, используемый в настоящем документе, не описан ниже, ему следует дать наиболее широкое определение, какое специалисты в данной области техники дали бы этому термину, как отражено, по меньшей мере, в одной печатной публикации или выданном патенте.

В данном контексте, термин «Байесовская сеть» относится к вероятностной графической модели и поддерживающим ее вычислениям, которая представляет собой набор случайных переменных и их условные независимости.

В данном контексте, термин "компьютерный компонент" относится к элементу, связанному с применением компьютера, любому из аппаратного, программно-аппаратного, программного обеспечения, их сочетания, или выполнения программного обеспечения. К примеру, компьютерный компонент, может быть, но не ограничивается этим, процессором, объектом, исполнимым модулем, потоком вычислений, программой и/или компьютером. Один или несколько компьютерных компонентов могут находиться в процессе и/или потоке вычислений, и компьютерный компонент может быть локализован на одном компьютере и/или распределен между двумя и более компьютерами.

В данном контексте, термин "машиночитаемый носитель", "материальный машиночитаемый носитель" и тому подобные, относятся к любому вещественному хранилищу, которое участвует в предоставлении команд процессору для исполнения. Подобный носитель может принимать многие виды, в том числе, но не ограничиваясь, энергонезависимые носители и энергозависимые носители. Энергонезависимые носители включают в себя, к примеру, NVRAM, или магнитные или оптические диски. Энергозависимые носители включают в себя динамические запоминающие устройства, такие как оперативное запоминающее устройство. Машиночитаемые носители могут включать в себя, к примеру, накопитель на гибком диске, гибкий магнитный диск, накопитель на жестком диске, магнитную ленту или любой другой магнитный носитель, магнитооптический носитель, CD-ROM, любой другой оптический носитель, ОЗУ, PROM и EPROM, FLASH-EPROM, твердотельный носитель, подобные голографическому запоминающему устройству, карту памяти, или другой кристалл или плату памяти, или любой другой физический носитель, с которого компьютер может читать. Когда машиночитаемый носитель данных скомпонован как база данных, следует понимать, что эта база данных может быть любым видом баз данных, например, реляционной, иерархической, объектно-ориентированной и/или тому подобной. Соответственно, примерные варианты осуществления настоящей методики могут быть рассмотрены как включающие в себя вещественный носитель информации или вещественный распространяемый носитель, и признанные на предшествующем уровне техники эквиваленты и последующие носители, на которых программные реализации, осуществляющие настоящую методику, хранятся.

В данном контексте, термин "с управлением данными" относится к подходу, в котором прогнозирование делают на статистическом базисе (калиброванному по данным), в противоположность подходу, в котором прогнозирование делают на некотором первопричинном базисе (модельно-управляемый).

В данном контексте, термин "горизонт" относится к механически отмеченным границам в строении разреза, которые считаются важными специалистом по интерпретации. Отметка этих границ может быть сделана специалистом по интерпретации, когда интерпретирует сейсмические области посредством черчения линий на сейсмическом разрезе. Каждая линия изображает наличие интерпретированной поверхности в этом местоположении. Проект интерпретации обычно создает несколько дюжин, а иногда сотен горизонтов. Альтернативно, эти границы могут быть начерчены специалистом по интерпретации, когда он интерпретирует каротажи скважин, посредством черчения поверхностей раздела между интервалами с разными литологическими или другими характеристиками.

В данном контексте, термин "анализ смещений" относится к процессу использования поведения соседних скважин, чтобы сделать предсказание о поведении новой скважины. Эти анализы могут брать в расчет известные свойства недр в соседних скважинах и оценивать, как эти свойства могут отличаться в местоположении новой скважины.

В данном контексте, термин "свойство" относится к характеристикам, относящимся к разным топологическим элементам на поэлементном базисе.

В данном контексте, термин "сейсмические данные" относится к информации, собранной посредством создания сейсмических волн источниками сейсмической энергии и наблюдением времен прихода и амплитуд волн, отраженных от поверхностей раздела с контрастными скоростями распространения звука и/или объемной плотностью или преломленными сквозь высокоскоростные интервалы. Эти данные обрабатывают, используя процедуры, такие как фильтрацию, удаление кратных отражений, обнуление трасс, суммирование и миграцию.

В данном контексте, термин "самоорганизующаяся карта" относится к виду искусственной нейронной сети, которая может быть обучена, с использованием обучение без учителя, чтобы вырабатывать низкоразмерные дискретизированные представления входного пространства выборки данных.

Некоторые части подробного описания, которое следует ниже, представлены в терминах процедур, этапов, логических блоков, обработки и других условных обозначений об операциях над битами данных в запоминающем устройстве компьютера. Эти описания и обозначения являются средством, используемым специалистами в области обработки данных, для более эффективной передачи сути их работы другим специалистам в данной области техники. В настоящей заявке, процедура, этап, логический блок, процесс и тому подобное, задумано быть логичной последовательностью этапов или команд, ведущих к желаемому результату. Этапы являются теми, кто требует физической обработки физических величин. Обычно, хоть и не обязательно, эти величины имеют вид электрических или магнитных сигналов, способных быть сохраненными, перенесенными, объединенными, сравненными, и иным образом обработанными в компьютерной системе.

Следует учесть, однако, что все эти и похожие термины подлежат ассоциированию с соответствующими физическими величинами и являются только удобными ярлыками, применяемыми к этим величинам. Если специально не указано иное, как очевидно из нижеследующих рассуждений, понятно, что на протяжении всей настоящей заявки, рассуждения используют такие термины, как "регулируют", "строят", "сравнивают", "вычисляют", "создают", "описывают", "определяют", "отображают", "извлекают", "идентифицируют", "ограничивают", "получают", "исполняют", "прогнозируют", "обрабатывают", "производят", "предоставляют", "ранжируют", "выбирают", "сохраняют", "преобразуют", "обновляют" или тому подобные, относятся к действиям и процессам компьютерной системы, или похожего электронного вычислительного устройства, которое преобразует данные, представленные как физические (электронные) величины в регистрах и запоминающих устройствах компьютерной системы в другие данные, похожим образом представленные как физические величины в запоминающих устройствах или регистрах компьютерной системы или другом подобном хранилище информации, передаче или устройствах отображения. Примерные способы могут быть лучше восприняты со ссылкой на блок-схемы.

Хотя в целях простоты объяснения иллюстрированные методологии показаны и описаны как серии блоков, должно быть понятно, что данные методологии не ограничиваются порядком блоков, поскольку некоторые блоки могут встречаться в других порядках и/или одновременно с другими блоками, чем те, что показаны и описаны. Более того, меньше чем все иллюстрированные блоки могут быть востребованы для реализации примерной методологии. Блоки могут быть объединены или разделены на множество компонентов. Кроме того, дополнительные и/или альтернативные методологии могут применять дополнительные, не показанные блоки. Хотя фигуры иллюстрируют различные последовательно происходящие действия, следует понимать, что различные действия могут происходить одновременно, в значительной степени параллельно, и/или в значительной степени в разные моменты времени.

В прогнозировании производительности скважин, уникальность и сложность месторождений означает, что многие факторы необходимо рассмотреть, чтобы идентифицировать, какие из данных факторов влияют на поведение скважины в конкретном месторождении. Кроме того, естественная изменчивость недр и недоступность желаемых наблюдений могут способствовать необходимости использовать прогнозирование, которое включает в себя оценку неопределенности данного прогноза. К примеру, подходящий подход к предсказанию производительности должен помочь инженеру идентифицировать наиболее важные факторы поведения для конкретного месторождения, а также предоставить оценку неопределенности данного прогноза на основании этих факторов.

В соответствии с примерными вариантами осуществления настоящей техники, управляемые факторы интенсификации добычи, которые приводят к увеличению производительности, могут быть идентифицированы посредством корреляции показателя производительности после интенсификации добычи, такого как увеличение суммарной добычи, уменьшение призабойной зоны, повышенный коэффициент продуктивности, и так далее, с интенсификацией добычи, освоением скважины, и параметрами месторождения в призабойной зоне скважины. Вместо того, чтобы тщательно исследовать область параметров, использование графической нейронной сети без учителя, такой как SOM, может быть использовано, чтобы вести инженера к важным параметрам производительности. Однажды построенная, SOM может быть использована в режиме прогнозирования. Факторы интенсификации добычи, такие как вид расклинивающего агента и объем, могут быть предположены и спарены с параметрами месторождения. С этим полным набором параметров, SOM может предоставить оценку желаемой производительности после интенсификации добычи.

В соответствии с примерными вариантами осуществления настоящей методики, SOM может быть использована для построения модели физических свойств для прогнозирования желаемого выходного показателя как функции поднабора из большего набора входных переменных. Модель физических свойств представляет данные, соответствующие одному или нескольким интересующим свойствам физической системы, такой как скважина или месторождение. Как разъяснено в настоящем документе, поднабор входных переменных может быть проанализирован для ранжирования по вероятности предполагаемых изменений для оценки поднабора входных переменных, используя модель физических свойств.

Примерные варианты осуществления настоящей методики облегчают интеграцию доступных данных без необходимости упрощающих предположений, присущих математически упрощенным физическим моделям. Таким образом, корреляции между доступными данными и параметрами поведения могут быть найдены. Проблемы прогнозирования поведения месторождения, в том числе оценка производительности предполагаемых к бурению скважин и оценка отклика на обработку для интенсификации добычи, может быть решена посредством подхода с управлением данными, как уже указано в настоящем документе. Более того, примерные варианты осуществления настоящей методики относятся к подходу с управлением данными к прогнозированию производительности углеводородов для новых и существующих скважин.

В соответствии с примерным вариантом осуществления настоящей методики, BN может быть использована для выполнения процесса, известного как анализ смещения для корреляции географического местоположения, вида освоенной скважины, геологических данных, данных каротажа скважины, и других статических данных, с известными результатами производства, такими как дебит нефти и обводненность скважины. Более того, примерный подход с управлением данными является хорошо подходящим для определения хороших географических местоположений для новых скважин. Хорошие местоположения для скважин обеспечивают относительно высокую производительность скважины. Инженер может постулировать новые географические местоположения и использовать BN, чтобы оценить вероятный темп добычи нефти и воды, если скважина будет фактически пробурена.

Фиг. 1 является принципиальной технологической схемой, показывающей процесс с управлением данными прогнозирования поведения и/или производительности скважины в соответствии с примерным вариантом осуществления настоящей методики. Данная схема обычно упоминается посредством ссылочного номера 100. Как полностью изложено в настоящем документе, процесс 100 предоставляет инструмент прогнозирования поведения для физической системы. Общая математическая процедура для выполнения прогнозирования в соответствии с настоящей методикой предоставлена для разработки математической модели (то есть, модели физических свойств), которая соотносит выходные данные с некоторым набором входных данных. При наличии новых входных данных, модель может затем предоставить оценку в виде новых выходных данных.

В блоке 102, примерный процесс 100 начинается. В блоке 104, набор входных данных подготавливают, используя различные источники. Например, входные данные могут быть постулированы на основании опыта эксперта, или измерены, с использованием статистических способов. Для прогнозирования производительности углеводородов, желательно существование входных данных для всех интересующих скважин, если возможно.

В блоке 106, входные данные, которые были подготовлены, оценивают калькулятором вероятности. Калькулятор вероятности в соответствии с примерным вариантом осуществления настоящей техники может быть использован для ранжирования предполагаемых изменений во входных переменных относительно изменений, которые они вызовут в желаемом выходном показателе. Подобный алгоритм, в соответствии с примерным вариантом осуществления настоящей методики, может облегчить узнавание и идентификацию предыдущих действий, которые привели к хорошей или плохой производительности. Более того, поскольку примерный алгоритм отражает это знание, это может быть использовано в способности прогноза.

В одном примерном варианте осуществления, BN может быть использована, чтобы делать прогнозы об интересующем выходном показателе посредством ранжирования предполагаемых изменений во входных условиях. В этом случае, вероятностные зависимости между важными входными переменными и выходной переменной(ыми) фиксируются в BN, которая может использовать их, чтобы делать вероятностные прогнозы для результата, данного новыми обозрениями входных переменных.

Теорема Байеса предоставляет математическое основание для BN, эффективной математической базы для вычисления вероятностей в соответствии с байесовской вероятностью. Теорема формулируется как:

и может быть прочитана, как условная вероятность наступления события A, учитывая событие B, равна условной вероятности события B, учитывая событие A, умноженной на априорную вероятность события A, разделенных на априорную вероятность события B.

Принципиально, теорема Байеса математически описывает, как обновить предположение о некотором событии (A) на основании новой информации (B). BN является воплощением теоремы Байеса с использованием компьютера, которое позволяет вычисление общего случая, где имеется много других рассматриваемых переменных. Обычная BN включает в себя дюжину или больше переменных и моделей вероятностных зависимостей между ними.

BN, применяемая в прогнозировании производительности с управлением данными в соответствии с настоящей методикой, не обязательно должна быть причинно-следственной сетью. В этом случае, получившаяся сеть может быть названа наивной BN. Наивная BN не воссоздает причинно-следственные физические зависимости между переменными. Вместо этого, она предполагает, что все входные переменные модели являются следствием прогнозируемой выходной переменной. Несмотря на свою простую структуру, этот подход может давать эффективные