Introducción

El análisis de curvas es una piedra angular de la ingeniería de embalses, proporcionando las previsiones que sustentan la planificación de desarrollo de campo, la estimación de reservas y la evaluación económica. Durante décadas, la industria ha dependido de dos familias distintas de modelos: métodos empíricos, basados en datos que se ajustan a la producción histórica a simples funciones matemáticas, y modelos triviales basados en la física que intentan honrar las ecuaciones de flujo de fluido en los medios porosos.

El impulso hacia enfoques híbridos está motivado por necesidades prácticas. Los depósitos no convencionales, con sus complejas redes de fractura y flujo multifase, cuestionan los métodos de declive tradicionales. Los ingenieros necesitan previsiones que sean precisas y robustas, especialmente cuando los datos de producción son limitados o ruidosos. Al integrar las limitaciones físicas, los modelos híbridos reducen el riesgo de sobreajustar y mejorar el rendimiento en condiciones cambiantes como el agotamiento de presión, interferencia o estimulación.

Modelos empíricos de declinación

Los modelos empíricos tratan la tasa de producción como función del tiempo, desprovisto de la física subyacente de los embalses. Su simplicidad es su principal ventaja: sólo requieren datos de producción, encajan rápidamente y producen pronósticos inmediatos.

q(t) = qi] / (1 + b D]i t)1/b][

qi ] es la tasa inicial D]i es la tasa de declive inicial, y b

Duong (2011) introdujo un modelo adaptado para depósitos fracturados con flujo lineal transitorio:

q(t) = qi t-n] exp[(a/(1-n)) (t1-n - 1) ]

donde a y n]] son parámetros adecuados. El modelo de Duong a menudo supera los Arps hiperbólicos en la fase transitoria de la primera vida, pero puede sobreestimar la producción a largo plazo. El modelo de crecimiento logístico (Clark et al., 2011) y el modelo exponencial estirado también son comunes.

Modelos de Divulgación basados en Física

Los modelos basados en la física incorporan explícitamente las ecuaciones que rigen el flujo de fluidos, la hidráulica de pozos y las características de embalse. Estos varían desde soluciones analíticas para geometrías idealizadas hasta simuladores de embalses numéricos completos. Las curvas tipo Fetkovich (1980), por ejemplo, combinan el descenso de Arps con soluciones analíticas para el flujo de carga constante y el flujo de regulación de la presión de valores.

Para los embalses complejos -multistage fracturado hidráulicamente pozos horizontales en la shale- se suelen crear modelos numéricos que simulan el flujo multifase, la geomecánica y los cambios en la conductividad de las fracturas. Estos modelos pueden representar procesos físicos como el bloqueo de agua, la desorción de gas y la permeabilidad dependiente del estrés.

Enfoques de modelado híbrido

Los modelos híbridos están diseñados para salvar la brecha entre la comodidad basada en datos y la consistencia física. Han surgido varias estrategias, cada una con metodologías y dominios de aplicaciones distintos.

Calibración secuencial de modelos de física con empírico

Un esquema híbrido común utiliza modelos empíricos para inicializar o limitar un pronóstico basado en la física. Por ejemplo, un exponente de declive de Arps b puede utilizarse para inferir el régimen de flujo (por ejemplo, b=2 para el flujo lineal puro), que luego informa los parámetros de una solución analítica.

Modelos empíricos de información física

[LT] [FLT] [FLT] [FLT] [FLT]] [FLT]] [FLT]] [FLT]]] [FLT]]] [FLT] [FLT]] [FLT]] [FLT]] [FLT]] [Flejo de la corriente [FLT]]] [Flente de la corriente [

Corrección de datos de los modelos de física

En esta categoría, un modelo de física proporciona una previsión de base, y una capa empírica o de aprendizaje automático corrige los residuos. Por ejemplo, un simulador numérico podría generar una tendencia de declive de primer orden, y un proceso gausiano o red neuronal está entrenado para predecir la diferencia entre las tasas observadas y simuladas.El modelo combinado conserva la estructura física del método de simulación pero aprende errores sistemáticos, calibrando efectivamente el error físico para datos observados.

Aprendizaje de máquina con información física

Los avances recientes en el aprendizaje profundo han introducido redes neuronales informadas por la física (PINNs), que incrustaron el PDE gobernante (por ejemplo, la ecuación de la difusividad) como un término de regularización en la función de pérdida. Para aplicaciones curvas de declive, un PINN puede ser entrenado para la velocidad de salida versus tiempo mientras penaliza las predicciones que violan el equilibrio de material o el flujo de flujo.

Casos de estudios y aplicaciones

Numerosos estudios publicados demuestran los beneficios prácticos de los modelos híbridos.En un documento SPE 2020 (]SPE-201571-MS), los investigadores desarrollaron un enfoque híbrido que combinaba un modelo numérico basado en el equilibrio material con una red neuronal entrenada en datos de producción de campo de Bakken.

Los operadores de campo también utilizan modelos híbridos indirectamente a través de plataformas de software que mezclan RTA con ajuste de curvas estadísticas. Por ejemplo, herramientas comerciales ( IHS Harmony o Fekete RTA) permiten a los usuarios imponer restricciones de regulación de flujo en los ajustes empíricos, creando efectivamente un flujo de trabajo híbrido.

Desafíos en el desarrollo de modelos híbridos

A pesar de su promesa, los modelos híbridos enfrentan varios desafíos duraderos. En primer lugar, ] la integración de diferentes marcos de modelado requiere una atención cuidadosa a escalas temporales, condiciones de límite y validación. Un modelo secuencial que utiliza un ajuste empírico para inicializar una simulación física puede propagar errores si el ajuste empírico es pobre. Optimización simultánea (por ejemplo, uso de la Bayferas aumenta)

En segundo lugar, ] calidad y cantidad de datos siguen siendo factores limitantes. Los modelos basados en física requieren presión, propiedades fluidas y detalles de terminación; los modelos empíricos necesitan un historial de producción confiable. Los modelos híbridos heredan las debilidades de ambos si los datos son escasos o no confiables. En campos maduros con pruebas de presión infrecuentes, el modelo de física puede ser mal restringido, mientras que los cambios en forma

Tercero, gasto computacional puede ser una barrera. Ejecutar un simulador de depósito completo para miles de pozos en un flujo de trabajo de previsión diaria es poco práctico. Incluso modelos analíticos de cuerpo reducido, cuando se combina con optimización iterativa, puede llegar a ser demasiado lento para aplicaciones en tiempo real. Muchos enfoques híbridos así comprometen mediante el uso de física simplificada, por ejemplo, asumiendo un error repostólico monofápico.

Cuarto, selección y validación modelo no son triviales. Con un modelo híbrido, el ingeniero debe decidir qué limitaciones físicas imponer y cuánto peso darles en relación con los datos que se ajusten. Sobre-construir la física puede reducir la capacidad del modelo para igualar la historia, mientras que la subconstrucción conduce de nuevo a la sobreposición empírica pura.

Future Directions

La evolución de los modelos de declive híbridos se verá impulsada por avances en cuatro áreas: aprendizaje automático, asimilación de datos, monitoreo en tiempo real y gemelos digitales.

Aprendizaje automático y descubrimiento de Física

Las redes de reorganización neuronal y la regresión simbólica pueden descubrir relaciones físicas latentes en los datos de producción. Por ejemplo, identificación parcial de dinámicas no lineales (SINDy) puede extraer ecuaciones de gobierno directamente de curvas de tiempo, produciendo modelos de repersión híbridos que son tanto de datos como de paria.

Asimilación de datos y actualización continua

Los filtros de Kalman y los filtros de partículas permiten actualizar los modelos híbridos a medida que llegan nuevos datos de producción. En lugar de una única previsión estática, el modelo evoluciona con el tiempo, recalibrando tanto los parámetros empíricos como los insumos de física (por ejemplo, multiplicadores de permeabilidad).Este ] marco de conversión de componentes híbridos ya se utiliza en algunos campos inteligentes, pero sigue adaptando raramente a la infraestructura de de de des.

Gemelos digitales para el ciclo de vida bueno

Una extensión natural es el gemelo digital bien específico, un modelo actualizado continuamente que combina simuladores de física con datos de producción en tiempo real, pruebas de pozo y registros operativos. El componente de previsión híbrida cambiaría automáticamente entre modelos basados en la detección del régimen de flujo, utilizando fórmulas empíricas para fases transitorias y moviéndose al equilibrio de material basado en la física para períodos dominados por límites.

Conclusión

Los modelos híbridos que combinan enfoques empíricos y físicos ofrecen un camino práctico hacia previsiones de curvas de declive más precisas, robustas e interpretables. Al conservar la simplicidad y el poder de ajuste de datos de métodos empíricos al anclar las previsiones de leyes físicas, abordan las limitaciones de cada enfoque puro.El campo está evolucionando rápidamente, con innovaciones en el aprendizaje automático y la asimilación de datos para ofrecer modelos que son autocalibradores