קוונטיות בלתי-וודאית (UQ) הפכה למרכיב חיוני של הערכת עתודות מודרניות, במיוחד בתעשיות בעלות הון-רגישות כגון שמן וגז, כרייה ואנרגיה גיאותרמית. מילואים מעריכים כי הם מניעים החלטות השקעה, תכנון ייצור ושווי תאגידי - אך הם אינם בטוחים בשל הידבקות גיאולוגית, מדידה, וסימולציות מודלים קפדניים של UQ מספק נוסחאות מתקדמות של מחקר טכני, אשר יכול להפוך את התקני ניהול יעיל של שיטות ניהול יעיל של מחקר יעיל של שיטות פעולה, וטכניקות יעילות וטכנולוגיות מתקדמות.

מדוע לא ברור דברים ב-Resss Estimation

estimation מסורתי מייצרת לעתים קרובות "הערכה טובה" יחיד (למשל, ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מסגרות תגמול, כולל FLT:0 (Polroleum Resources Management System) (PRMS)BuildFLT:1 ו-FLT:2SEC מודרניized RulessFLT 3, יותר ויותר דורשות הערכות פרובינציאליות עבור סיווג וגילוי.לדוגמה, PRMS מגדיר הוכחה מוכח (1P) כ-90% מההתקבלות (P90), עתודות סבירות) כדרישות אמינות (P5) כדרישות (OQ) כדרישות).

מקורות מרכזיים של חוסר ודאות ב- Reserve Models

אי הוודאות עולה משלושה קטגוריות רחבות: גיאולוגי, הנדסה וכלכלה.הבנת מקורות אלה חיונית לבחירת טכניקות UQ מתאימות.

גיאולוגי בלתי-וודאות

מודלים גאולוגיים בנויים מהנתונים הסרבים - יומניות, סקרים סיסמיים, דגימות ליבה - כל נושא לטעייה מדידה והטיה לפרשנות.

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15] יחס ה-Net-to-gros היחס ל-FIRLT:1) – מושפע מקריטריונים של קיצוץ וסיווג המשרות.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) מגעים פלוידאליים (FLT:1) - נמדדים מהנתונים או יומני לחץ, עם מגבלות החלטה אנכיות.

הנדסה בלתי-וודאות

הפרמטרים בהנדסה שולטים בתהליך ההתאוששות וכוללים

  • (ב) ,0) עקומות של חוסר יכולת נחיתות (FLT:0) , אשר נגזרות לעתים קרובות מניסויים במעבדה על דגימות מועטות; סקאלה לתנאי המאגר מוסיפה אי ודאות.
  • (ב) ,0) ביצועים טובים (FLT:1) - אינדיקציות פריון, גורמי עור ויעילות השלמה משתנה בין בארות.
  • (FLT:0 מנגנוני מנגנוני ⁇ FLT:1) - דליפות מים, זריקת גז או התאוששות שמן מוגברת (EOR) תהליכים יש יעילות גורפת משתנה.
  • (ב) ,0) ,Reservoir Drive indexFLT:1, הבחנה בין מחיקה, מים כונן וכונן קומפקטיות אינה בטוחה.

כלכלה ומבצעית בלתי-וודאות

הפדרים מוגדרים כ-FLT:0 מבחינה כלכלית, החלים מ- 1 (המחירים של סחורות, עלויות תפעול, הוצאות הון ותנאים פיסקליים כולם תורמים.בעוד UQ מתמקד באופן מסורתי ב כרכים פיזיים, הפרקטיקה המודרנית משלבת אי ודאות כלכלית להערכת סיכון מלאה.

יסודות מתמטיים של אי-ודאות

UQ נח על הסתברות תיאוריה וסטטיסטיקה.המושג הליבה הוא לטפל פרמטרים לא בטוחים של קלט כמו משתנים אקראיים המאופיינת פונקציות צפיפות סבירות (PDFs) PDF אלה עשוי להיות מבוסס על:

  • (ב) התפלגות מבוססת נתונים (FLT:0) ,(FLT:1) - מצוידת בנתונים נמדדים (למשל, קונסולה להסתברות, נורמלית לנפיחות לאחר טרנספורמציה).
  • (ב) ⁇ :0) , כאשר נתונים הם דלים, מומחים חשובים מספקים מינימום, סביר ביותר, ערכים מקסימליים (הפצה של טריאנגולרית או PERT).
  • (FLT:0) ,Bayesian updateFLT:1 - התפלגות קודמות מעודכנים עם נתוני ייצור באמצעות MCMC או שיטות הרכב.

ניתן לבצע סימולציה בלתי-וודאית באמצעות שיטות אנליטיות (למשל, הרגע השני מסדר ראשון, FOSM) או סימולציה מספרית (מונטה קרלו) ברזרבות estimation, סימולציה מונטה קרלו היא הנפוצה ביותר בשל הגמישות והיכולות שלה להתמודד עם מודלים לא ליניאריים.

  1. Defining PDFs לכל קלט לא ברור.
  2. יצירת דגימות אקראיות (בדרך כלל 10,000-100,000 איורים).
  3. הפעלת מודל הרזרבות עבור כל דגימה (או באמצעות מודל Proxy כדי להפחית את העלות החישובית).
  4. תפוקה מצטברת לייצור פונקציות הפצה מצטברות (CDFs) של עתודות.

טכניקות מתקדמות כגון:0 (LHS) Hypercube Sampling (LHS)FIRLT:1 לשפר את יעילות ההתכנסות על ידי stratating את שטח הקלט, בעוד FLT:2random מודלים שדה LT 3 לכידת מרחבי (geostatistics) עבור נכסים.

סקירה מקיפה של טכניקות UQ

הרשימה המקורית של טכניקות - מונטה קרלו סימלו, שיטות בייסיאניות, ניתוח רגישות ו Fault / event עץ ניתוח - נשאר רלוונטי, אבל כל אחד מהם מצדיק טיפול עמוק יותר.

מונטה קרלו סימלוט בפירוט

מונטה קרלו סימולציה (MCS) היא עבודת הכפלת של רזרבות UQ. ביישום שמן וגז טיפוסי, המשוואה הנפחית עבור שמן מקורי במקום (OOIP) משמשת:

(ב) .

כאשר A הוא שטח, h הוא תשלום נטו, ⁇ הוא porosity, S w הוא ריצוף מים, ו B o הוא מדד היווצרות שמן היווצרות נפח. כל פרמטר מוקצה PDF מבוסס על נתונים שדה או אנלוגיות. A סטנדרטי MCS עשוי להראות כי יחס P10 / P90 הוא 2.5, כלומר הערכה גבוהה היא 2.5 פעמים הערכה נמוכה - מדד של חוסר ודאות.

שיקולי יישום מרכזיים:

  • (FLT:0Correlation TreatmentFLT:1) - משתנים קלט (למשל, פורוזיות וכושר) הם לעתים קרובות מתואמות; התעלמות מכך יכולה להמעיט באופן דרמטי באי ודאות.
  • (ב) (ב) ⁇ :0) , (המודלים של ההרחבה) (התמ"ל) , (ה-MAC) הם בלתי ניתנים להשגה, במקום זאת, FLT:2response Surface ModelsFLT 3: (כאוס כפול, תהליכי גאוסיאן) בנויים ממספר מוגבל של ניהול נאמנות גבוהה, ולאחר מכן משמש עבור MCS.
  • (FLT:0) אבחון של קונפורנס 1IR) - מספר ההסרות צריך להיות מספיק עבור אחוזות יציבות. metric Common כוללים את השגיאה הסטנדרטית של מונטה קרלו של המשמעות ואת הסטטיסטיקה גלמן-רובין עבור MCMC.

(ב) כלי קוד פתוח כמו:0 (חבילה 'mc2d) ו-FLT:2Python (SciPy, NumPy, UnquityPropgation) ,3FLT 3 משמשים נרחב תוכנה מסחרית כגון FLT:4@RISK, Crystal, ו-PalatanF:5s Producation) Producation (אנמיות של קרלו) 7.

שיטות Bayesian עבור מילואים אסטימוation

Bayesian UQ מתייחס הן ידע קודם וצפה בנתונים באופן פרוביביליסטי.הפצה הנקבנית של עתודות היא:

(ב) 1

מסגרת זו מועילה במיוחד במהלך הערכת שדה והפקה מוקדמת, שבו מידע קודם מתחומים אנלוגיים או נתונים סיסמיים ניתן לשלב עם בדיקות ראשוניות טובות או נתוני ייצור.הסתה בייסיאנית מוחל גם על ההיסטוריה התאמה, שבו פרמטרים מודל המאגר מעודכנים כדי להתאים את שיעורי הייצור ההיסטוריים.

מארקוב שרשרת מונטה קרלו (MC) שיטות (למשל, מטרופוליס-הינגס, המילטון מונטה קרלו) משמשים לדגימה מהתפלגות פסים אחוריות מורכבות.עם זאת, עלות חישובית נותרה גבוהה. Approximate Bayesian Computation (ABC) וריאציות של השוויון מציע חלופות מהירות יותר.FLT:0Explore Bayesian ניתוח הנדסי של נפט גולמיFLT:1.

ניתוח רגישות

ניתוח רגישות (SA) מזהה אילו פרמטרים של הקלט את רוב הערכות, המנחה רכישה נוספת של נתונים.שני סוגים עיקריים קיימים:

  • (FLT:0) SAIRLT:1 ; בוחן את ההשפעה של הפרעות קטנות סביב מקרה בסיס (למשל, פרמטר חד פעמי). פשוט אך אינו מהווה חשבון לאינטראקציות.
  • (FLT:0 Global SAIRLT:1) משתנה כל קלטות במקביל על טווחיהם, לכמת הן השפעות עיקריות ואינטראקציות. Methods כוללים אינדיקציות של Sobol, בדיקת מוריס, ו-Colleative coefficient (PRCC).

בפועל, SA גלובלית צריכה להתבצע לפני MCS מלא כדי להפחית את המימדיות. פרדוקסים עם השפעה רשלנית ניתן לתקן בערכי הבסיס שלהם, חיסכון משאבים חישוביים.

עץ ריאה ואירוע עץ

טכניקות אלה משמשות לעתים קרובות להערכת סיכונים של אי-ודאות קטסטרופלית - כגון גם כישלון, מכות או הפתעות גיאולוגיות גדולות - במקום התפלגות נפח רציפה.מודלים עץ תקלות הנובעים מאירוע עליון (למשל MC, הפחתה עתודות בשל התאליזציה), בעוד שמודלי עץ אירוע לאחר אירוע מחלחל (למשל, אובדן רעלה).

טכניקות נוספות: מגמגפיים ומומחה אלי ציטוטים

כאשר הנתונים מוגבלים מדי להתפלגות parametric,FLT:0bootstrappingFeloph:1samples את הנתונים הזמינים (עם החלפת) כדי ליצור הפצה אמפירית של עתודות. גישה לא-פרמטרית זו נמנעת הנחות על צורה, אך דורשת לפחות כמה נקודות נתונים.

אינטגרציה UQ לתוך Reserves אסטימום עבודה

יישום UQ מוצלח דורש הטמעת שיטות פרוביביליסטיות לתוך צינור estimation עתודות הקיים, במקום להתייחס אליהן כאימון פוסט-הוק.זרימת עבודה טיפוסית כוללת:

  1. (FLT:0) ביקורת נתונים והכנת מידע 1:1 - להעריך איכות נתונים, ערכים חסרים וטעויות מדידה. השתמש בניתוח גיאטטיסטי כדי לכמת את יכולת הגמישות המרחבית.
  2. (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  3. (FLT:0)Proxy Model Building (אם נדרש) ,R1) , עבור סימולציה של מאגר יקר חישובי, לבנות פונדקאית באמצעות התרחבות הכאוס הפולנומי, תהליך גאוסיאני תוקף, או רשתות עצביות.
  4. (FLT:0) ,Unוודאותיות propagation Reduction:1 - בצע MCS (או חלופה) עם תפוקה נאותה של מפתחי מחיאות כפיים: P90, P50, P10, ורוחב מרווח האמון של 90%.
  5. (ב) ,0) עיבוד ותקשורת (Post-מעבדים ותקשורת) 1 (הספק) – יצירת פיסות קרורדו (רגישות), עקומות CDF וטבלאות הסתברותיות.
  6. (FLT:0) קביעת מסגרת של כפל 1 (FLT) – השתמש בהתפלגות הפרובביליסטית בעצי החלטות, חישובים כספיים צפויים (EMV) או אופטימיזציה של תיק.

מדפסות אוטומציה ב- Python או R יכולים להתחבר למאגרי מידע ולדיווחי עתודות.חברות נפט וגז רבות התפתחו בפלטפורמות UQhouse, אך חבילות מסחריות כמו FLT:0Petrel (Schlumberger) Unquity ManagementFLT:1 ו-FLT:2NavigatorFLT:3 לספק ממשקים ידידותיים למשתמש עבור מהנדסים.

מחקרים: UQ בפעולה

אתר אינטרנט: Deepwater Gulf of Mexico Discovery

מפעיל גדול העריך מאגר טורדני מים עמוק עם שליטה מוגבלת (שני בארות) העריך נפח רב טווחי נתן נקודה הערכה של 200 MMboe, אבל ניהול צריך להבין את הסיכון בצד התחתון של מימון פיתוח מיליארד דולר.שימוש MCS עם רזולוציה גבוהה של 1.8S עם הסתברות ופרויקטים פיננסיים נטו-to-gros (Pearson coefficient -0.6), P90 היה MMBObed אסטרטגיות נוספות.

מקרה 2: שדה מים בוגר

שדה על החוף עם 20 שנים של ייצור המשמש היסטוריה של Bayesian תואם לכמת יתר של ודאות.המודל הקודם נבנה מסטטיסטיקה גיאולוגית, בעוד הסבירות כלל נתונים בלחץ מים ותחתית לחץ דם. MCMC sampling יצר 5,000 חידות אחוריות.המודל המתקבל P10 של מילואים נשאר היה גבוה 40% מהחיזוי הקבעיסטי, כי ההיסטוריה תואמת יתר על פני הפסימיים של הנחה יחסית לרמה 15%, נעשה שימוש ב-תועלת נטופיליסטית.

מקרה מחקר 3: התפטרות דו"ח ה-SEC

חברה בינלאומית הנדרשת לדווח על עתודות מוכחות (1P) לפי כללים של ה-SEC, הדורשות גישה ⁇ סטית או פרובביליסטית עם רמת ביטחון של 90%.הם אימצו זרימת עבודה פרוביביליסטית באמצעות מודל גיאטטיסטי עם 100 התגשמות שווה ערך.ה-P90 של כל נכס (תשלום נטו, נקבוביות, חיקה) נקובה ולאחר מכן באופן חקוני לביקוש ל-SEC, אך היו בטוחים יותר מאשר שמירה על דרישות סודיות קודמות.

אתגרים ועיסוקים טובים ביותר ב-UQ

למרות היתרונות שלה, יישום UQ במילואים estimation עומד בפני מכשולים בעולם האמיתי:

  • (FLT:0) חישוביות עלות גבוהה FLT:1 - סימולציה מלאה של מאגרים עבור אלפי ריצות MCS היא לעתים קרובות בלתי סבירה. Mitigation: להשתמש במודלים של Proxy, מחשוב מקביל, או להפחית מורכבות מודל (למשל, עלייה).
  • (FLT:0) חישוב מחסור בנתונים 1 - פרמטרים הפצה הם לעתים קרובות מוגבלים לרעה. Mitigation: eliצטט מומחה, נתוני שדה אנלוגי, וראשי תיבות Bayesian.
  • (FLT:0Correlation and תלות מודלים של ההרחבה:1) - התעלמות מהתלויים המשתנים יכולה להטעות את טווח P10/P90. Mitigation: השתמש בשוטרים או בתפוצה רב-לשונית; רגישות לבחינה להנחה של מתאם.
  • (FLT:0)Model Disrepancy:1) - מודל הרזרבות עצמו הוא ייצוג בלתי מושלם של המציאות, אשר מוסיף אי ודאות אפיסטמית. Mitigation: לשלב מודלים המונחים של פערים לתוך מסגרת Bayesian, או לבצע אימות מודל נגד ההיסטוריה של הייצור.
  • (FLT:0) תקשורת ל- non- ⁇ sFLT:1) , הצהרות הסתברותיות כגון "P90= 500 MMbbl" ניתן לפרש באופן שגוי. Mitigation: השתמש באנלוגיות (למשל, "9 מתוך 10 תוצאות קידוח יפגשו את הסף הזה") ולוחדיונים חזותיים.

שיטות הטובות ביותר כוללות: לתעד את כל הנחות והבחירות ההפצה, ביצוע אימות (בדיקות קוד) ואימות (הופנה מהדף היסטורי), ביצוע ניתוח רגישות כדי לאשר משאבים, והקמת זרימת עבודה UQ אשר ניתנת לחינוך וביקורת.

סיקור ודיווח על סטנדרטים

המילואים שדיווחו על חילופי מניות (SEC, ASX, LSE) דורשים יותר ויותר גילוי פרוביביליסטי. PRMS (Society of Oil) מגדיר קטגוריות ⁇ סטיות ופרוביליסטיות:

  • (ב) ,0) ,ב"ד (ב) ,ב"ה) ,"ה' (ב) ,"ה', "האמין הגדול" (ב"ב)
  • (ב) ,0) ,5 ,5 ,5 , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,(ב) ,(ב) ,ב) , (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

חברות חייבות להוכיח כי שיטות UQ שלהם עקביות, מאומתות, וניתן להסיק מחדש.לדוגמה, ה-SEC דורש כי הערכות פרוביביליסטיות ייצרו באמצעות "טכנולוגיה אמינה" וכי הנתונים הבסיסיים תומכים בפרמטרים ההפצה.כישלון לעמוד בסטנדרטים אלה עלולים לגרום לפעולות עמידה או תביעות משקיעים.

כיוונים עתידיים ב-Unknownty Quantification for Reserve

למידת מכונות ו-Data-Driven UQ

מודלים למידה עמוקה מתעוררים כמו פרוקסים מהירים עבור סימולציה של מאגר.החוקרים מאומן על תוצאות סימולציה המבוססת על פיזיקה יכולים לחזות את הלחץ ואת שדות היסוס במלי השניות, המאפשרים MCS מלאה עם מיליוני אמירות.עם זאת, טיפול חייב להיות נלקח כדי לכמת את השגיאה מודל הפונדקאית - צורה של חוסר ודאות נוסף - באמצעות טכניקות כגון רשתות עצביות או שיטות הרכב.

זמן אמיתי UQ עם IoT ו- Digital Twins

כאשר שדות הופכים להיות מופעלים עם חיישני הירכיים והזרמים המתמשכים, שילוב נתונים בזמן אמת מאפשר דינמיקה UQ. תאום דיגיטלי של המאגר יכול לזרז את נתוני הייצור, לעדכן התפלגות אחוריות באמצעות מסננים חלקיקים או פילטרים של Kalman, ולספק טווחי P10-P90 חיים לתחזיות ייצור.זה תומך גמישות מבצעית, כגון התאמת הגדרות נחנק כאשר אי ודאות צרה.

שילוב של ESG ו- Economic Unquity

מעבר האנרגיה מציג אי-וודאויות חדשות: תמחור פחמן, תקנות פליטה וטכנולוגיות חלופיות.מודלים של UQ מתרחבים לכלול גנרטורים תרחישים כלכליים, סימולציה מונטה קרלו של עקומות עלות, ומדדי סיכון ברמת תיקו.המושג של עתודות "סבירות" מתפתח לשלב התחייבויות סביבתיות ורישיונות חברתיים לפעול.

מדריך יישום מעשי

עבור צוותים המבקשים ליישם UQ ברזרבות estimation, מומלץ גישה בשלב:

  1. (FLT:0) פינקו על שדה פשוט של 1FLT (ראה להלן:0) החל את MCS למודל נפחי עם 5-10 פרמטרים; להכשיר את הצוות על חשיבה פרובבילייסטית.
  2. (FLT:0) להגשת דוחות שנתיים ביקורת על ביקורת FIRLT:1) - הפעלת זרימת העבודה הפרוביביליסטית לצד הערכות ⁇ סטיות עבור מחזור דיווח אחד; להשוות תוצאות.
  3. (FLT:0)Expand למודלים מורכבים FLT:1, להוסיף מודלים סימולציה של סימולציה Proxy, טיפול קורלציה ו Bayesian עדכון עבור שדות הקשורים להיסטוריה.
  4. (FLT:0)Automate ReportFLT:1 - לבנות תסריטים כדי ליצור טבלאות של PRMS-compliant ו- P90/P10 תרשימים ממסד הנתונים.
  5. (FLT:0) שיפור מתמיד של ה- 1LT - לעקוב אחר דיוק התחזית נגד ייצור בפועל; זיכוך הנחות הפצה המבוססות על דפוסים של חוסר יציבות.

מקורות קוד פתוח ופתוחים בשפע: חבילת ה- 0R 3 עבור MCMC, ו-FLT 1: עבור MCS,FLT:2 של Python של "emcee"FLT 3 עבור MCMC, ו-FLT:4 Gausian ProcessRegressorFLT:5 in scikit-learn for Models for Proxy, ו-SAP, SEGAP, , , , ועידות ייעודיות ו-Comigives.

מסקנה

קוונטיות בלתי-וודאית כבר אינה אופציונלית עבור הסמכת עתירה קפדנית - היא הליבה הדורשת על ידי הרגולטורים, משקיעים, ותרגול ניהול קול.על ידי אימוץ טכניקות כגון מונטה קרלו סימולציה, Bayesian עדכון וניתוח רגישות גלובלית, ארגונים יכולים לנוע מעבר לאמדנים חד-נקודות כדי לקדם תובנות ניהול יעילות שלוכדות את טווח האפשרויות המלאות.