כיצד לנהל נתונים בלתי-וודאות ומשתנים ב תהליכי מודלים של מטה

ניתוח עקומה (DCA) נשאר אחת הטכניקות הנפוצות ביותר בתעשיית הנפט והגז לחיזוי שיעורי הייצור העתידיים, הערכת עתודות, והנחיית החלטות כלכליות.השיטה, שמתאימה למודל להפחתה מתמטית לנתונים ייצור היסטוריים, מופיעה בפשטות בתיאוריה. בפועל, עם זאת, שני אתגרים מתמידים - אי ודאות וגמישות טבעית - יכול להפחית את האמינות ולהוביל למסקנות מטעה.

מאמר זה מספק בדיקה מקיפה של אי ודאות וגמישות ב DCA, משורש הסיבות לאסטרטגיות ניהול מעשיות.We מכסה ניקוי נתונים, קוונטיזציה סטטיסטית, בחירת מודל, פלח, ושיטות הטובות בעולם האמיתי, כל אלה נועדו לעזור לאנשי מקצוע בתעשייה לשפר את הדיוק ואת המיומנות של תחזיות הירידה שלהם.

יסודות של Decline Curve Modeling

לפני התייחסות לאי ודאות וליציבות, חשוב להבין את המסגרת הסטנדרטית.קלאסית DCA מסתמכת על משוואות אמפיריות שפותחו על ידי J.J. Arps בשנות ה-40, המתארת כיצד קצב הייצור יורד לאורך זמן בתנאים קבועים של הפעלה.שלושת דגמי Arps העיקריים - חשיפה, היפרבולית, והרמוניה - מוגדרים על ידי ירידה של LTF:0bjecti: 3D2D) ו-F2D.

(ב) ויקרא י"ד): "וַיְהִיא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא" (ב')

מודלים אלה מניחים התנהגות חלקה, ⁇ סטית.נתוני ייצור אמיתי, אך לעתים רחוקות לעקוב אחר עקומות אידיאליות כאלה עקב התערבויות טובות, שינוי תנאי המאגר, מגבלות המתקן ורעש מדידה.הכרה הפער בין הנחות מודל למציאות הוא הצעד הראשון לניהול אי ודאות וגמישות.

הגנה על נתונים בלתי-וודאות ומשתנים

למרות שהמונחים משמשים לעתים קרובות, אי ודאות וגמישות מייצגים מושגים נפרדים עם מקורות שונים והשלכות עבור DCA.

נתונים בלתי בטוחים

אי הוודאות של נתונים נובעת מהידע הלא מושלם על קצב הייצור האמיתי או נפח מצטבר בכל נקודה נתונה בזמן.מקורות כוללים:

(ב) [15] ,9) ,9 טעויות של טיהור: [15] , נבואות טיהור, אי ודאות בהקצאת מדידות עבור כריות מרובות.
(ב) פערי נתונים ורשומות חסרות:FLT:1 בדיווחים חודשיים שלמים, תקופות שבהן המדים לא היו במצב לא מקוון או לקויות.
(ב) שגיאות:0) תוצאות שגיאות: FLT:1 Misapplication of Unit ההמרה, היערכות לא נכונה של זמן תאריך, או שגיאות כניסה ידניות של נתונים.
(ב) ,0) אי ודאות או הקצאה: 1 כאשר הייצור מוקצה ממטר קבוצתי באמצעות מודלים שיש להם אי ודאות.

אי-וודאות היא צמצום באמצעות מדידה משופרת ואבטחת איכות, אך לא ניתן למחוק אותה לחלוטין.

אפשרויות

השונות מתייחסת לתנודות הטבעית, הסטורית לעיתים קרובות בשיעורי הייצור הנגרמים על ידי תהליכים פיזיים או תפעוליים בסיסיים.

(ב) ⁇ :0) ⁇ ⁇ (ה) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
שינויים תפעוליים:0 (FLT:1 Well Shut-ins עקב תחזוקה, התאמות מעלית מלאכותיות, שינויים חנוקים או פגיעה ברווחים הסמוכים.
(ב) השפעות עונתיות ומזג אוויר: FLT:1Build, טמפרטורה משפיעה על סטיות נוזליות.
(ב) ,0) התערבות: פיתוי לחץ מבארות סמוכים גורם תנודות לא טבעיות בהתנהגות ירידה.

השונות אינה מוטה למערכת ולא ניתן לתכנן אותה; היא חייבת להיות מודל או להטמיע במסגרת החיזוי.

השפעות על אי-וודאות ויציבות על ה- DCA

כישלון לחשוב על תופעות אלה יכול להוביל לשגיאות חיזוי משמעותיות.לדוגמה, עלייה בייצור מעבודה עשוי להיות מפרש בטעות כמגמה חדשה ירידה אם הירידה הקודמת אינה נפרדת. בדומה, התעלמות משגיאה מדידת מובילה להתאמה יתר, שם המודל רודף רעש ולא אות.מחקרים של רגישות S85 הראו כי אפילו אי ודאות צנועה בשיעורים ראשוניים או ירידה במקרים של 20–0% מתוחכמים בהחלמה בלתי ריאלית (F85), אם הם נותנים ירידה של 16.

יתר על כן, variability יכול להסוות התנהגות של מאגר אמיתי. A טוב המציג ייצור לא יציב בגלל משאבה לסירוגין עשוי להופיע יש ירידה מאוד רדודה, המוביל לתחזיות אופטימיות יתר, אלא אם כן הפרקים התפעוליים הם disaggregated.האותם חל על בארות עם אפקטים עונתיים חזקים - או מחזוריות יכול להטיות תחזיות לטווח ארוך.

אסטרטגיות לניהול נתונים ללא וודאות

ניקוי נתונים וקידום

ניקוי נתונים הוא הדרך המיידית והחסכונית ביותר להפחית את אי הוודאות.

(FLT:0Outlier זיהוי וטיפול: FLT:1ir להשתמש בשיטות סטטיסטיות (למשל, סטייה מוחלטת, פיזור Z-scores) כדי לסמן נקודות נתונים בלתי-מועילות. יש לחקור עבור שורש סיבה - ייתכן שיהיה לגיטימי (למשל, זרימת גבוה זמנית) בעוד אחרים הם שגיאות מדידה שיש להסיר או לתקן.
(FLT:0) מילוי והתערבות: FIRLT:1) עבור פערים קצרים (ימים עד שבועות), התפוצצות ליניארית עשויה להיות מקובלת. פערים ארוכים דורשים טיפול נוסף; לשקול שימוש במודלים של הקצאת הייצור או השוואת בארות מרשימות.
(FLT:0) נורמטיביזציה: שיעור ההתאמה של 1FLT:1 שינויים בתנאי הפעלה כמו לחץ חור תחתית, גודל חנוק או מהירות משאבה לבודד ירידה מונעת מאגר משינויים מונעים על ידי המתקן.
(FLT:0) זמן עקבי באינדקס:FLT:1 ודא שכל הנתונים תואמים לבסיס זמן אחיד (למשל ימי לוח שנה לעומת ימי ייצור) כדי להימנע מהפסקתיות מלאכותיות.

זרימת עבודה אוטומטית יכולה להתמודד עם ניקוי שגרתי, אבל ביקורת אנושית נותרה קריטית למקרים שבהם אירועים יוצאי דופן דורשים פרשנות מומחה. יומן ניקוי מנוהל היטב הוא חיוני עבור ביקורת והתאמה מחדש.

שיטות סטטיסטיות להגדרה בלתי-וודאית

במקום להתייחס לנתונים כמפורט, זרימת העבודה של DCA המודרנית משלבת אי-ודאות קוונטית (UQ) ישירות.

(FLT:0) מרווחי ביטחון מתוקפנות: FIRLT:1 לאחר התאמה מודל ירידה, השתמש במטריקס covariance של פרמטר הערכות כדי לחדד את האמון על התחזית.לדוגמה, מרווח אמון של 90% סביב EUR נותן טווח המכיל את הערך האמיתי עם 90% הסתברות, בהנחה מודל מוגדר כראוי.
(ה) סימולציה של מונטה קרלו: 1FLT) התפלגות ההסתברות של הסתברות אסימונים לא בטוחים (למשל, שיעור ראשוני, ירידה במדרונות עוינים, טנט) וביצוע אלפי סימולציות קדימה.הההפצה של EUR או בעתיד מספקת ראייה פרוביסטנטית מלאה.
(FLT:0)Bayesian Inference:FLT:1hil משלב ידע קודם (למשל, ירידה טיפוסית של עבריינים להיווצרות) עם נתונים צפוניים לייצר התפלגות אחורית של פרמטרים מודל.

שיטות אלה לכמת את אי הוודאות עקב טעות מדידה, בחירת מודל וערכת פרמטר, נותן קבלת החלטות מראה שקוף של הסיכונים.

ניתוח רגישות

ניתוח רגישות מזהה כי משתנים קלט יש את ההשפעה הגדולה ביותר על תוצאות החיזוי.על ידי שינוי שיטתי כל פרמטר (אחד בזמן או באמצעות טכניקות גלובליות כמו היפרקובה sampling), אנליסטים יכולים לאשר מראש את מאמצי איכות הנתונים כלפי המשתנים המשפיעים ביותר. לדוגמה, אם EUR הוא רגיש מאוד לשלושת החודשים האחרונים של ייצור נתונים, אז להבטיח כי חודשים אלה הם מדויקים ביותר של עדיפות.

ניהול מודלים ב-Creline Curve Models

הפחתה של ריקנות אינה אפשרית; המטרה היא מודל נכון, כך שהתחזיות אינן מוטות והערכות אי הוודאות הן מציאותיות.

בחירת מודל עבור מערכות שונות

מודלים מסורתיים של Arps מניחים כי ירידה מתמדת התנהגות חלקה ושברירית.כאשר פנויות היא נוכחת, ניסוחים חלופיים עשויים להופיע טוב יותר:

(FLT:0) הידרדרות צנטרית: FIRLT:1 (המודלים האלה מתייחסים לפרמטרי הירידה כטיולים אקראיים של זמן-מה.לדוגמה, מודל של שטח המדינה עם מסנן קלמן יכול לעדכן את הפרמטרים באופן דינמי ככל שהנתונים החדשים מגיעים, ובכך למעשה מפרידים בין אות לרעש מבצעי.
(FLT:0) מודלים פרוביביליסטיים: FLT:1ure במקום עקומה אחת הטובה ביותר, ליצור אוסף של עקומות שממנו נגזרים סטטיסטיקות הפצה.
(FLT:0) Machine Learning פונדקאים:FLT:1 רשתות ניאל או עצים מבוהלים יכולים ללמוד יחסים לא ליניאריים בין קצב הייצור לבין קובאריאטים כמו זמן, ייצור מצטבר ותנאי הפעלה.מודלים אלה יכולים להתמודד עם גמישות מורכבת אבל דורשים אימות זהיר כדי להימנע מהתאמה.

אף מודל יחיד אינו מתאים לכל בארות. a pragmatic workflow מבדק כמה מודלים מועמדים על תקופת התחזוקה ובוחר את אחד עם הביצועים הטובים ביותר על מדדים כמו טעות אחוז מוחלט (MAPE) וכיסוי מרווחי חיזוי.

סיווג נתונים ומשטר זיהוי

אחת הדרכים היעילות ביותר להתמודד עם ריקנות היא לחלק את ההיסטוריה של הייצור לחלקים המתאימים למשטרים הפעלה נפרדים, יחידות גיאולוגיות או מנגנוני זרימה.

(ב) לפני / אחרי העבודה: 1FLT:1ure ירידה נפרדת בתקופות לפני ואחרי טיפול גירוי.
(FLT:0) ,Boundary מבוקר מול זרם transiental זרימה: ibph:1 , בבארות לא קונבנציונליות, זרימה מוקדמת לא צריך להיות מעורב עם זרימה מאוחרת יותר של גבולות נשלטים על ידי שימוש במזימה אבחון (למשל, שיעור לוגיסטי-לוג מול הזמן או איזון חומרי זורם) כדי לזהות שינויים משטר.
(FLT:0) פלחי עונתי: 1FLT 1 לבארות עם מוגבלות מבוססת מזג אוויר חזקה, מודל כל עונה באופן עצמאי או משלבת דוממים עונתיים במסגרת תוקפנות.

הסגמנטציה מפחיתה את ההטרוגניות בתוך כל מודל המתאים לחלון, ומאפשרת מודלים פשוטים יותר (למשל אקספוננציאלית, או היפרבולי) לבצע היטב.המפתח הוא שיש שיטה אובייקטיבית לזיהוי נקודות שינוי.

שילוב של משתנים חיצוניים

המשתנים מונעים לעתים קרובות על ידי גורמים שניתן למדוד באופן עצמאי, כולל אלה covariates במודל יכול להסביר הרבה מהתנודות ולשפר את יציבות התחזית.

(FLT:0)Botomhole זורם לחץ (BHFP): 1 כאשר BHFP משתנה (למשל, בשל התאמות משאבה), שינויים בקצב בהתאם.מודלים הכוללים BHFP כנספח יכול להפריד את הירידה המונעת לחץ מניכוי המאגר.
גודל אלקייק, מהירות המשאבה או הרמת שיטת: 1 Categorical או מתמשך המתארים תנאים תפעוליים.
(ה)התחילה פעילות טובה: 1FLT:1 עבור מאגרים הדוקים, פעילות frac קרובה עלולה לגרום להגדלת הייצור (או הפסדים) שהם זמניים אך גדולים.

כאשר נתונים אלה זמינים, מודלים של ירידה רב-לשונית (למשל, תוקפנות מרובה, למידת מכונה) יכולים להפחית באופן דרמטי את הרגישות הלא מוסברת.

מודל מתמשך

עקומות ירידה סטטית הופכות מיושנות במהירות כאשר variability היא הנוכחית. אסטרטגיה דינמית עדכון - המכונה לעתים קרובות "rolling DCA" - מתאים למודל במרווחים קבועים (חודשיים, רבעון) תוך שימוש רק בחלון הנתונים העדכני ביותר.

הוא מתאים לשינויים הדרגתיים בהתנהגות המאגר (למשל מעבר מזרם לזרם נשלט גבול).
היא משלבת באופן אוטומטי את ההשפעות של שינויים תפעוליים אחרונים.
זה מספק דרך טבעית לזהות כאשר התנהגות של ירידה של טוב השתנתה באופן משמעותי, מה שגורם לסקירה.

אורך החלון המתגלגל הוא פרמטר כוונון קריטי.חלון קצר (למשל, שישה חודשים) ללכוד את יכולת ההחלמה האחרונה אבל עשוי להיות רועש; חלון ארוך (למשל, שלוש שנים) הוא יציב יותר אך איטי יותר להסתגל.תרגול משותף הוא להשתמש באורך החלון הניב הערכות פרמטר יציבות ולאחר מכן ליישם משקל אקספוננציאלי כדי לתת יותר חשיבות לנתונים האחרונים.

Best Practices for Reliable Decline Curveing

מעבר לטכניקות סטטיסטיות ספציפיות, כמה שיטות חיזוי יתר יכולות לשפר את האיכות וההגנה של התחזיות של DCA בנוכחות אי ודאות וגמישות.

השתמש במספר מודלים ואנסמבלים

אף מודל יחיד אינו טוב באופן אוניברסלי.ריצה מספר מודלים של מועמדים (Arps Hyperbolic, צמיחה לוגיסטית, Duong, מתוח אקספוננציאלית, וגישה למידת מכונה) והשוואה בין התחזיות שלהם בונה אמון.אם מודלים מרובים מסכימים בתוך להקה צרה, התחזית היא חזקה יותר. - שיטות קבוצתיות כי תחזיות ממוצעות על פני מודלים (עם או ללא משקל) לעתים קרובות לייצר תחזיות מדויקות יותר ומשתנים פחות מאשר כל מודל בודד.

Integrate Unquity Bounds inתחזיות

תחזיות נקודה (מספר EUR יחיד) אינן מספיקות.כל הניתנות - דוחות פנימיים, ביקורת SPEE, מצגות משקיעים - צריכות לכלול מגבלות אי ודאות מפורשות, באופן אידיאלי כדרישות הסתברותיות:

P10 ו- P90 ביטחון מרווחים לייצור חודשי ו-EUR.
רוחב הלהקה של אמון לאורך זמן (לא בטוח גדל עם אופק תחזית).
מקור אי ודאות (טעות חישובית, מודל טופס, אי ודאות פרמטר).

תקשורת אי הוודאות מונעת בכנות התערבות לא נכונה ועוזרת לבעלי העניין לקבל החלטות בעלות מודעות סיכון.

לשמור על איכות המידע והממשל

ניקוי נתונים לא צריך להיות פעילות חד פעמית.הקמת מסגרת ניהול נתונים עם:

נהלים סטנדרטיים ללכידת נתונים, אימות וקשת.
בדיקות איכות אוטומטיות כי דגלים, פערים, ונומנגינות בזמן אמת.
בקרת גרסאות עבור נתוני ייצור ונתוני חיזוי.
ביקורת תקופתית השוואת מחירים שהוקצו לעומת שיעורי נמדד.

נתונים באיכות גבוהה הם הבסיס של כל מאמץ לשיפור תחזית.השקעה בתשתיות נתונים משלמת דיבידנדים ארוכי טווח.

שילוב מומחה משותף

מודלים סטטיסטיים אינם יכולים להחליף ידע דומיין. גיאולוגים, מהנדסי מאגר ומהנדסי ייצור צריכים להיות מעורבים:

שילוב של תרופות (למשל ירידה פתאומית של קצב עשוי להיות סגור, לא מחיקה).
בחירת גבולות פלח המבוססים על אזורים גיאולוגיים או על שלבי השלמתם.
אימות הנחות מודל (למשל, הוא זרימה של גבול הצפוי בשלב זה?)

ביקורות קבועות של תחזיות עקומת ירידה מסייעות לתפוס שגיאות מוקדם ולבנות רכישה ארגונית - במתודולוגיה החיזוי.

שיטות מתקדמות: שיטות Bayesian ו- Machine Learning

ככל שיכולות חישוביות גדלות, שיטות מתוחכמות יותר הופכות לנגישות.מודלים היררכיים של בייסיאנוס מתייחסים לפרמטרים של ירידה אישית כמו שואבים מהתפלגות ברמת האוכלוסייה, תוך מאגרי מידע על פני בארות לשיפור ההערכות לגבי בארות עם היסטוריה קצרה או רועשת.זה חשוב במיוחד בניתוחים שלא קונבנציונליים של שדה, שבו אלפי בארות עשויים להתאים בו זמנית.

אלגוריתמי למידת מכונה, כגון יערות אקראיים או רשתות עצביות עם שכבות temporal convolution, יכול ללמוד דפוסים מורכבים מקלטים תלת-ממדיים גבוהים (למשל, עיצוב השלמת, תכונות סלע, ספיגה, וזמן) מודלים אלה לעתים קרובות מחוץ לחיזויים לטווח קצר, אבל דורשים עיצוב זהיר כדי להימנע מהתאמה ולהבטיח שהם מחלחלים באופן סביר מעבר לאימון.

למרות כוחם, טכניקות מתקדמות אלה אינן מבטלות אי ודאות או ריקנות - הן הופכות את האופן שבו אנו מנהלים אותן.כל מודל חייב להיות מאומת כנגד נתונים מוחזקים, וזיהוי אי ודאות חייב להישאר בעל יכולת לספק הליבה.

מסקנה

אי הוודאות והגמישות של הנתונים טעו להפחתה של מודלים, אך הם אינם צריכים לערער את האמינות של החיזוי.על ידי התייחסות שיטתית לשגיאות מדידה באמצעות ניקוי נתונים ועיבוד, תוך מיפוי אי הוודאות עם שיטות סטטיסטיות, ומודלים של ריקנות באמצעות פלח, עדכון דינמי ובחירת מודל מתאימה, אנשי מקצוע הנפט יכולים לייצר תחזיות שהם חזקים ומציאותיים.

זרימת העבודה היעילה ביותר של DCA משלבת הקפדה טכנית עם תובנה תפעולית, מינוף מודלים מרובים ואימות מתמשך במקום להסתמך על עקומה אחת.כפי שתעשיית הנפט והגז נעה לקראת דיגיטציה גדולה יותר, שילוב כלים מתקדמים כמו מודלים בייסיאניים ולמידה מכונה יהיה נפוץ יותר ויותר - אבל יסודות ההבנה וניהול אי הוודאות והגמישות נשארים זהים.

בסופו של דבר, המטרה אינה לחסל כל מקור שגיאה, אלא להפוך את אי הוודאות לבלתי נראית לעין וניתנת לניהול, המאפשרת החלטות טובות יותר תחת חוסר יכולת הטמון של ייצור אנרגיה תת-קרקעית.