שילוב מודלים לסימולציה של Reservoir עם נתונים שדה עבור קבלת החלטות טובה יותר

שילוב מודלים של סימולציה של מאגר עם נתונים שדה מייצג אחד התהליכים הקריטיים ביותר בתחום הנדסת נפט וניהול מאגר מודרני. גישה מקיפה זו משלבת מודלים חישוביים מתוחכמות עם מדידות בעולם האמיתי כדי ליצור ייצוגים מדויקים של מאגרים תת-קרקעיים, המאפשרים למפעילים לקבל החלטות מושכלות כי אופטימיזציה ייצור, להפחית עלויות תפעוליות, למקסם את ההתאוששות של פחמן לאורך כל החיים של נפט או גז.

הבנה של סימולציה ושילוב נתונים

סימולציה Reservoir היא תחום של הנדסת מאגר שבו מודלים ממוחשבים משמשים כדי לחזות את זרימת הנוזלים (בדרך כלל, שמן, מים וגז) באמצעות מדיה ⁇ .מודלים מתוחכמים אלה משמשים כמעבדות וירטואליות שבו מהנדסים יכולים לבחון תרחישים ייצור שונים, להעריך אסטרטגיות התאוששות, וחיזוי ביצועי מאגר עתידיים ללא הסיכונים והעלויות הקשורות לניסוי שדה.

בתעשיית הנפט והגז, המאגר מודלינג כרוך בבניית מודל מחשב של מאגר נפט, למטרות שיפור הערכת עתודות וקבלת החלטות לגבי פיתוח השדה, חיזוי ייצור עתידי, הצבת בארות נוספות והערכה של תרחישי ניהול המאגר חלופיים.שילוב הנתונים למודלים אלה הופך אותם ממבנה תיאורטי לכלים מעשיים המשקפים את תנאי המאגר בפועל.

"מודל רסובר" הוא ייצוג מתמטי של נפח מסוים של רוק המשלב את כל "הכריזקטינים" של המאגר תחת לימוד.זה יכול להיחשב כמבנה תלת-ממדי מושגי של מאגר יחיד או במקרים מסוימים של שדה נפט / גז.הדיוק ואמינות של מודלים אלה תלויים במידה רבה באיכות ובכמות הנתונים המשולבים בהם.

הקרן: נתונים סטטיים ודינמית

הנתונים Reservoir נופלים לשתי קטגוריות בסיסיות שיש לשלב כדי ליצור מודלים סימולציה מקיפה.הנתונים המתקבלים מהשדה יכולים להיות מסווגים כנתוני סטטי או נתונים דינמיים.הנתונים הסטטיים אינם משתנים עם הזמן e.g. Permeability, porosity וכו ' בעוד הנתונים הדינמיים משתנים עם זמן e.g. , נשאו לחץ זורם וכו '.

נתונים סטטיסטיים על Static Reservoir Data

נתונים סטטיים מספקים את המסגרת הגיאולוגית ואת תכונות סלע בסיסיות המאפיינת את המאגר.הנתונים האלה נאספים ממקורות מרובים, כולל: נתונים גיאולוגיים: מידע על היווצרות הסלע, קווים פגומים, ונפיחות של המאגר.הנתונים האלה נגזרים לעתים קרובות מסקרים סיסמיים, דגימות ליבה, וכן יומנים סטטיים נוספים כוללים תכונות פטרופיות, כגון חסינות, נקבוביות, נקבוביות, וכושר הני המגדיר את יכולת הנזיס כדי להעביר את המאגר.

מודל מאגר מייצג את החלל הפיזי של המאגר על ידי מערך של תאים דיסקרטיים, המתבסס על ידי רשת שעשויה להיות סדירה או לא סדירה.מערך התאים הוא בדרך כלל תלת-ממדי, אם כי מודלים 1D ו 2D משמשים לעתים קרובות.ערכים לתכונות כגון porosity, Permeability ושקיקה מים קשורים לכל תא.

נתונים דינמיים Reservoir Data

נתונים דינמיים תופסים את ההתנהגות התלת-זמן של המאגר במהלך ייצור ופעולות הזריקה.ייצור נתונים: שיעורי ייצור היסטוריים, שינויים בלחץ וביצועים טובים לאורך זמן.זה כולל מדידות של נפט, גז, ושיעורי ייצור מים, לחץ על חור תחתית, יחסי גז, קיצוץ מים, ונתוני הזריקה.

האופי הדינמי של מאגרי הנפט והגז מבינים טוב יותר כאשר נתונים רלוונטיים שנרכשו או נוצרים לאורך חיי המאגר משולבים, ויזואליים וניתחו בשיתוף פעולה על ידי צוותי מאגרים.על ידי שילוב נתונים סטטיים ודינמיים, שיטה משולבת של מודלים מאגר מציעה אמצעי יעיל מאוד להשגת דיוק רב יותר של איסוף.

בניית מודלים משולבים Reservoir

תהליך יצירת מודל מאגר משולב כרוך שלבים מרובים, כל אחד הדורש תשומת לב זהירה לאיכות הנתונים ולעקביות.מודלים מבוססים על מדידות שנלקחו בשדה, כולל יומני טוב, סקרים סיסמיים והיסטוריית הייצור.סיסמית' לסימולציה מאפשר שילוב כמותי של כל הנתונים למודל מאגר מעודכן שנבנה על ידי צוות של גיאולוגים, גיאופיזיקאים, מהנדסים ומהנדסים.

בנייה גיאולוגית

נתונים שמקורם ממקורות שונים משולבים על ידי שיטות רדיניסטיות או גיאוסטיסטיות, או שילוב של שניהם, כדי לבנות את המודל.השלב הדוגמני הגיאולוגי קובע את המסגרת המבנית, מזהה מערכות פגומות, מגדיר שכבות סטריפיות, ומגביל את המודל עם תכונות סלע.מודל הגיאולוגי הזה מספק את הבסיס לסימולציה דינמית מאוחרת.

המודל הזה מייצג את מסגרת ההתייחסות לחישוב כמות פחמימנים במקום, ומצד שני, מהווה את הבסיס לחידוש המודל הדינמי.האפיון הגיאולוגי הוא חיוני כי שגיאות או אי ודאויות במודל סטטי propagate דרך סימולציות דינמיות ובסופו של דבר משפיע על תחזיות הייצור.

דינמי מודל פיתוח

המודל הדינמי משלב את המודל הסטטי, את התכונות התלות והישאה, מיקומים וגאומטריה, כמו גם את הפריסה של המתקנים כדי לחשב את חלוקת הלחץ / בידוד לתוך המאגר, ואת פרופילי הייצור לעומת הזמן. טרנספורמציה זו מייצוג סטטי לדינמיקה דורשת שילוב תכונות נוזלים, יחסי אחריות יחסית, ותפקודי לחץ על מנת למשול התנהגות רב-phase לזרום.

לאחר שהנתונים הקלטיים משולבים, התוכנה חלה מודלים מתמטיים מורכבים כדי לדמות זרימה נוזלים דרך מדיה ⁇ (סלע המאגר) זרימת נוזלים במאגרים נשלטת על ידי חוק דארסי, המתאר את התנועה של נוזלים באמצעות חומרים ⁇ , כמו גם חוקים פיזיים אחרים ששולטים מכניקה נוזלית, העברה חום, ותרמודינמיקה.

סוגים של מודלים לסימולציה

סוגים שונים של מאגר ומנגנוני ייצור דורשים גישות סימולציה מיוחדות.מודל שמן שחור: מודל פשוט המשמש למאגרי שמן קונבנציונליים שבו הרכב נוזל לא משתנה באופן משמעותי עם לחץ.זה מודל שמן, גז ומים כמו שלושה שלבים נפרדים. גישה זו יעילה מבחינה חישובית מתאים עבור מאגרים קונבנציונליים רבים.

סימולטור מאגר הרכב מחשב את התכונות PVT של שמן וגז בשלבי פעם הם הוצמדו משוואה של מדינה (EOS), כתערובת של רכיבים.הסימולטור לאחר מכן משתמש משוואה EOS התואם כדי לעקוב דינמי התנועה של שני השלבים והרכיבים בתחום.זה מושג עלות מוגברת בזמן ההתקנה, זמן מקביל, ומודלים ממוחשבים חיוניים עבור גזים מתואמים, מערכות דלקות משופרות ושרירים.

היסטוריה: אימות מודלים עם נתונים שדה

התאמה היסטורית מייצגת את הגשר הקריטי בין מודלים תיאורטיים למציאות שדה.ההיסטוריה של Reservoir מתייחסת לתהליך של התאמה מתמדת של הפרמטרים של מודל המאגר, כך שתגובה דינמית שלה תתאים לנתונים תצפית היסטוריים, המהווה תנאי מוקדם לחיזויים המבוססים על מודל המאגר.זה תהליך זה מחייב כי מודלים הדמיה מתרבים באופן מדויק של התנהגות מאגרים לפני השימוש בתחזיות עתידיות.

תהליך ההתאמה ההיסטוריה

כאשר המעבר ממאגרי סטטיים לדינמיקה מודלינג, חיזוי ביצועי שדה היסטוריים משמש כמדן מכריע.מודלים גיאולוגיים חדשים לעתים קרובות אינם קצרים של שחזור מדויק של התנהגות היסטורית זו, הדורשת התאמות; תרגול המכונה "התאמה להיסטוריה". התהליך כולל השוואת תוצאות סימולציה עם נתוני ייצור בפועל והתאמה שיטתית של פרמטרים מודל לצמצום פערים.

פרויקט סימולציה של שדה מפותח בדרך כלל דורש "התאמה להיסטוריה" שבו ייצור השדה ההיסטורי והלחץ הם בהשוואה לערכים מחושבים.פרמטרים של המודל מותאמים עד שמשחק סביר מושג על בסיס שדה ובדרך כלל עבור כל בארות. Commonly, הפקת חתכים מים או יחסי שמן מים ויחסי גז מתאימים.

ברגע שהסימולציה הראשונית הושלמה, המודל הוא מסודר דרך תהליך שנקרא היסטוריה התאמה.בצעד זה, התוכנה משווה את תוצאות הסימולציה עם נתוני ייצור בפועל כדי להתאים את המודל ולשפר את הדיוק שלו.אם התוצאות המאופיינות שונה משיעורי ייצור בעולם האמיתי או מגמות לחץ, הפרמטרים של המודל מותאמים עד הסימולציה מקרוב להתאים את הנתונים ההיסטוריים.

מדריך נגד היסטוריה אוטומטית

בהנדסת מאגר נפט, ההיסטוריה תואמת מתייחס לתהליך ה calibration שבו מודל סימולציה מאגר מאומת באמצעות תפוקה סימולציה תואם עם מדידה של נתונים נצפו.טכניקה היסטורית מותאמת מבוצעת באופן ידני על ידי הנדסה שבה הפרמטרים הנצפים ביותר לא בטוחים משתנים עד התאמה משביעת רצון מתקבל בין המודל שנוצר ומידע היסטורי.

עם זאת, ההיסטוריה ידנית התאמה יש מגבלות משמעותיות.בגלל זה, ההיסטוריה ידנית-ההתאמה הייתה הנורמה, וכתוצאה מכך, מהנדסי המאגר עשו לעתים קרובות שינויים במודלים של סימולציה של מאגר שהובילו למודל של מאגר תואם היסטוריה עם נתונים סטטיים ומידע גיאולוגי ופירוש. כך המודל שהושג על ידי התאמה היסטורית העניק לעתים קרובות תחזיות לא אמינות של ביצועים עתידיים.

טכניקות מתקדמות בהיסטוריה מציעות יתרונות משמעותיים.בסיוע לטכניקת התאמת ההיסטוריה, הנתונים המדומים בהשוואה לנתונים ההיסטוריים באמצעות תפקוד לא הולם, פונקציה אובייקטיבית.ההיסטוריה תוורגמת לבעיה אופטימיזציה שבה הפונקציה הלא מתאימה היא פונקציה אובייקטיבית המוקפת על ידי מגבלות המודל.התפקוד האובייקטיבי מצמצם באמצעות אלגוריתם אופטימיזציה מתאים ולכן התוצאות הן הפרמטרים הטובים ביותר של לחץ משוער ורישום נתונים במהלך המאגר.

אתגרים בהיסטוריה

התאמה להיסטוריה היא סוג של בעיה הפוכה במקום להשתמש במערך של משתנים מודל מאגר כדי לחזות ביצועי המאגר (הבעיה קדימה), היסטוריה תואמת שימושים צפו בהתנהגות המאגר כדי להעריך את משתנים מודל המאגר שגרמו להתנהגות. היסטוריה התאמת בעיות הם כמעט תמיד רע בתחושה כי שילובים אפשריים רבים של פרמטרים של מאגר תוצאה מתאימים באופן שווה לתצפיות ההיסטוריות.

חשוב להכיר בכך שההיסטוריה תואמת את האתגר.כבעיה הפוכה, היא כוללת מציאת פרמטרים מודל שמתאימים לתגובות ידועות בהתבסס על קלטות שנצפו.הטבע הבלתי מוגדר של בעיה זו מוסיף מורכבות ולעתים קרובות מורכב על ידי אי-יציבות או אי-ודאות של נתונים.לא-לא-ניקיון זה פירושו שמודלים רבים של מאגרים שונים יכולים לייצר התאמה טובה לנתונים היסטוריים, מה שמדגיש את החשיבות של שילוב ידע גיאולוגי ומגבלות קודמות.

טכניקות אינטגרציה מתקדמות

זמן-Lapse Seism

מתודולוגיה וקוד עבור ההיסטוריה האוטומטית של נתונים סיסמיים של זמן הושלמו.זמן-חלוף (4D) נתונים סיסמיים מספק מידע יקר על תנועה נוזלית ושינויים בלחץ בתוך המאגר לאורך זמן. integraing נתונים אלה עם היסטוריה ייצור יוצר הבנה מקיפה יותר של דינמיקת המאגר ויכול לשפר באופן משמעותי את אמינות המודל.

בשלב האחרון של סיסמי לסימולציה, סימולציה זרימה ממשיכה בתהליך האינטגרציה על ידי הבאת ההיסטוריה של הייצור.זה מספק אימות נוסף של המודל הסטטי נגד ההיסטוריה. קבוצה מייצגת של מימושי המודל מההסתה הגיאוגרפית הם היסטוריה תואמת נגד נתוני הייצור.

המונחים: unquitification

כתוצאה מכך, מודל אחד של היסטוריה מתאים עשוי להיות שימושי, אבל זה לא סביר להיות מספיק לתכנון כפי שהוא לא מאפשר את הערכת הסיכון.הפתרון המלא לבעיה של התאמה להיסטוריה צריך תמיד לכלול הערכה של אי ודאות בתכונות המאגר ובתחזיות מאגר. תחזיות עבודה מודרניות להעסיק יותר ויותר גישות מבוססות-רכב שיוצרות מודלים רבים ככל הנראה, ומאפשרות החלטות להעריך אי-ודאות וסיכון.

מהנדסים מאיצים את תהליך בניית המודל כדי ליצור מודלים המתאימים ביותר בתולדות הייצור, לעתים קרובות מייצרים אנסמבל של מודלים, כל אחד עם וריאציות מסוימות, כדי להבין טוב יותר את אי הוודאות. גישה זו מספקת מגוון של תוצאות אפשריות ולא תחזית אחת לקביעת החלטות, המאפשרת קבלת החלטות חזקה יותר תחת אי הוודאות.

למידת מכונות ו-Algorithms מתקדמים

התאמה להיסטוריה היא שלב חשוב בתהליך ייצור וסימולציה של מאגר, שבו אחד נועד למצוא תיאור מאגר הממזער את ההבדל בין הביצועים הנצפו לבין הפלט סימולטור בתקופת הייצור ההיסטורית.עבור הבעיה המתאמת אוטומטית דרך אפיון מאגר, שיטת אופטימיזציה גלובלית הנקראת אלגוריתם גנטי הסתגלות (AGA) הועסקה.AGA היא טכניקת אופטימיזציה חדשה יחסית אשר יש לו פעילות גנטית הסתגלות כי יש לולאמית כי יש לו גישה דינמית לפתרונות פונקציונליים לכל אחד כדי להשיג מוטציות אופטימליים של כל אחד על פי פתרונות פונקציונליים של מוטציות ופתרונות כושר.

טכניקות חישוביות מתקדמות ממשיכות להתפתח, עם רשתות עצביות ולמידה של מכונות המציגות הבטחה לשיפור היעילות והדיוק של ההיסטוריה.שיטות אלה יכולות לזהות דפוסים מורכבים בנתונים ולהאיץ את תהליך האופטימיזציה, למרות שהן עדיין מעודנות ליישום מסחרי נרחב.

איסוף נתונים וניהול איכות

איכות מודלים משולבים מאגר תלויה ביסודו באיכות נתוני קלט.במחקר סימולציה מספראריים של ייצור היסטורי / נתונים של סימולציה (נפט, גז ושיעורי מים) יש לספק למודל המתמטי.כמובן, איכות טובה / נתונים של ייצור / אי הזרקת מידע הם חיוניים למחקר סימולציה אמין, במונחים של נתונים קלט ישיר והנתונים התייחסות כדי להעריך את הדיוק של שלב ההתאמה ההיסטוריה.

ייצור נתונים

פעילות הנפט והגז המודרנית מעסיקה מערכות ניטור מתוחכמות כדי ללכוד את נתוני הייצור באופן רציף.מערכות אלה מודדות את קצב זרימת החומרים, לחץ, טמפרטורה ורכבות נוזליות בנקודות מרובות בכל מערכת הייצור. ובכן, תוכניות בדיקה מספקות מידע מפורט על ביצועים טובים, בעוד מדדי הפחתת החשיכה הקבועים מאפשרים ניטור בזמן אמת של לחץ וטמפרטורה.

הבנה מעמיקה של נתוני הייצור ושילובו עם נתונים אחרים מסייעת מהנדסי מאגר לפתח מודלים מדויקים ושימושיים יותר של סימולציה של מאגר מידע.המודלים טובים יותר להתאים לתנאי המאגר בפועל, כך טוב יותר התחזיות של ייצור עתידי.זה מדגיש את החשיבות של השקעה במערכות רכישה באיכות גבוהה של נתונים ולשמור על נהלי בקרה קפדנית של נתונים.

אימות וטעויות ניהול

אלגוריתם חיזוי-מקסימיזציה (EM) הוחל בהצלחה לאפיין את השגיאה של המדידה עבור נתונים סיסמיים ונתונים ייצור.האלגוריתם הנוכחי הוא שינוי של אלגוריתם EM המצוי בספרות הלמידה הסטטיסטית.זה שונה קבוצות נתונים על ידי ערך וקואורדציה ובאופן אוטומטי בוחר מספר מתאים של קבוצות, אשר מוביל לשיפור עצום של היקף שגיאות שהושגו על ידי שימוש באלגוריתמים סטריטיסטיים הוא נבדק בהצלחה על ידי מספר דוגמאות של זמן טוב של תסמינים, אשר נבדקוטיסה, אשר נבדקומים של שגיאות, אשר נבדקו בהצלחה, אשר מוביל לשיפור עצום של שגיאות ביצועים טובים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים טובים, אשר נבדקו בהצלחה, אשר מוביל לשיפור עצום של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים, אשר נבדקו בהצלחה, אשר מוביל לשיפור נרחב של אלגוריתמים של אלגוריתמים טובים, אשר מוביל לשיפור נרחב של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים טובים, אשר מוביל לשיפור

הבנה ואופיון שגיאות מדידה הוא חיוני עבור שילוב נתונים תקין.כל מדידות השדה מכילות מידה מסוימת של אי ודאות, וחשבונאות נכונה לאי ודאות זו בתהליך ההתאמה ההיסטוריה מובילה למודלים ריאליסטיים ואמינים יותר.

היתרונות של שילוב Reservoir Modeling

שיפור החיזוי

עם זאת, הקמתה היא תהליך דינמי, שכן מודל מאגר חייב להיות קבוע up-to-dated ומעודכנת כאשר נתונים חדשים הופכים זמינים או חוסר עקביות בין התנהגות המאגרים חזוודה לבין אמיתי נמצא.תהליך עדכון מתמשך זה מבטיח כי מודלים נשארים מדויקים ורלוונטיים לאורך החיים של השדה. כמו בארות חדשות הם קידוחים ונתוני ייצור נוספים הופכים זמינים, מודלים יכולים להיות מעודנים כדי לשפר את יכולת החיזוי שלהם.

כאשר ייושמו לתוך התוכנה, האלגוריתמים והטכנולוגיה שפותחו בפרויקט המחקר הזה יספק פלטפורמה לשילוב נתונים עם תהליך ההתאמה ההיסטוריה כדי להשיג מודל מאגר תואם היסטוריה, אשר עקבי עם כל הנתונים והמידע.זה יביא לחיזויים טובים יותר של ייצור עתידי וזיהוי אי הוודאות בביצועי המאגר הצפויים.

קבלת החלטות מוגברת -Making

זה משמש לשיפור הערכת מאגרי המידע, תמיכה בקבלת החלטות מושכלות לגבי פיתוח שדה, לחזות ייצור עתידי, לקבוע מיקום אופטימלי והערכה של תרחישים ניהול מאגר חלופיים. מודלים משולבים מאפשרים למהנדסים להעריך תרחישים פיתוח מרובים, להשוות אסטרטגיות ייצור שונות, ולהעריך את יכולת הצמיחה הכלכלית של אפשרויות שונות לפני ביצוע הון משמעותי.

את האופי המשתנה של התנאים במאגר נפט וגז ניתן להבין רק כאשר כל הנתונים הרלוונטיים נתפסים באופן קולקטיבי במדיום משותף בלבד, רק אז ניתן ללמוד אינטראקציות בין סוגי נתונים שונים של דיסקרטי לבין המאגר כפי שתואר כולו.תיאור מאגר מדויק יותר מקטין את הסיכון, מקטין את הזמן לקבל החלטות ולכן משפר את יעילות ניהול שדה.

אופטימיזציה של אסטרטגיות ייצור

מודל דינמי ניתן להשתמש כדי לדמות מספר פעמים את כל החיים של מאגר, בהתחשב תוכניות ניצול שונות ותנאי תפעול כדי להתאים את תוכנית המחיקה שלה. יכולת זו מאפשרת למפעילים לבחון תרחישים ייצור שונים כמעט, אסטרטגיות זיהוי הממקסימות את ההתאוששות תוך צמצום עלויות והשפעה סביבתית.

מודלים משולבים עוזרים לייעל מיקום טוב, לקבוע את שיעורי הייצור אופטימליים, עיצוב תוכניות תחזוקה יעילות לחץ, להעריך טכניקות שיקום שמן משופר. על ידי הבנה כיצד המאגר מגיב להתערבות שונה, מפעילי יכול לבצע התאמות יזום לשיפור ביצועי שדה הכולל.

ניכוי סיכונים וחיסכון בעלויות

מאגר מונחה נתונים מדגימים את הפער בין הגיאו-נתונים נמדדים לבין המודל הגיאולוגי, המאפשר למפעילים לחקור אי-ודאות ולמזער את הסיכונים של חקר.על ידי זיהוי בעיות פוטנציאליות לפני שהן מתרחשות והטמעת אסטרטגיות ייצור המבוססות על מודלים אמינים, מפעילי יכולים להימנע מטעויות יקרות ולהקטין את ההוצאות התפעוליות.

סימולציה של זרימה בשילוב עם סיווג המאגר המודרני הוכיחה להיות אמצעי יעיל מאוד לניהול הפיתוח של המאגרים כאשר מוחל כראוי. ההשקעה בבניית ותחזוקה של מודלים משולבים מאגרים בדרך כלל משלם עבור עצמו פעמים רבות על ידי התאוששות משופרת, עלויות קידוח מופחת, ופעולות יעילות יותר.

המונחים: workflows

גישה משותפת

שילוב נתונים מוצלח דורש שיתוף פעולה בין דיסציפלינות מרובות. הגיאולוגים מספקים פרשנות מבנית וסטרגנטית, גיאופיזיקאים תורמים נתונים וסימונים סיסמיים, פטרופיזיקאים מנתחים תכונות סלע ונוזל, ומהנדסי מאגר בונים ומאמתים מודלים סימולציה. גישה רב תחומית זו מבטיחה כי כל המידע הזמין משולב כראוי במודל המשולב.

כאשר הנתונים משולבים, חזותיים, וניתחו לחקור את האינטראקציות המורכבות בין מבנים תת-קרקעיים, תכונות וביצועים היסטוריים, צוותי ניהול להשיג הבנה מדויקת יותר של ביצועי המאגר.היכולת לשלב בקלות נתונים סטטיים ודינמיים רלוונטיים מאפשרת פיתוח מהיר יותר של מודלים מדויקים יותר של מאגרים שיכולים להנחות החלטות תפעוליות כדי למקסם את ההתאוששות קדימה.

תוכנה וטכנולוגיה

איסוף מאגר מודרני מסתמך על פלטפורמות תוכנה מתוחכמות המאפשרות שילוב נתונים, הדמיה וניתוח.פלטפורמות אלה מספקות כלים לייבוא נתונים ממקורות שונים, בניית מודלים גיאולוגיים, סימולציות זרימה, ביצוע היסטוריה התאמה, וזיהוי תוצאות.היכולת לשלב נתונים ממוכרים ופורמטים מרובים חיונית עבור זרימות עבודה יעילות.

באמצעות הרישום הנתונים, CoViz 4D בקלות משלבת ודמיינום מגוון רחב של נתונים סטטיים ודינמיים, כולל כרכים וסיבים סיסמיים ותכונות, סימולציות מאגר, יומנים, ייצור נוזלים והנתונים ניטור.Ease של גישה לנתונים רלוונטיים ואת היכולת לתאם ולנתח נתונים ספציפיים בהקשר של נתונים אחרים תת-קרקעיים משפר את היעילות והדיוק של מודלים.

מודל אינטגרטיבי

CoViz 4D זרימות עבודה לנהל את השינויים הרציניים ודמיון של סימולציות מאגר.צוותים באמצעות Python ו / או Jupyter Notebook יש את האפשרות של יצירת תסריטים מותאמים אישית כדי לנהל את ההערכה של מודלים מרובים סימולציה. גלגולים ותסריט להקל הערכה מהירה יותר של פרמטרים, המאפשר צוותי מאגר להפחית באופן משמעותי את הזמן שנדרש כדי לקבוע את המודל הטוב ביותר.

הקמת זרימות עבודה יעילות לעדכון מודל היא חיונית, במיוחד עבור שדות בוגרים שבהם נתונים חדשים הופכים זמינים באופן קבוע.זרימות עבודה אוטומטיות יכולות להפחית משמעותית את הזמן הנדרש כדי לשלב נתונים חדשים ועדכונים, המאפשרים ניהול מאגרים תגובתי יותר.

שיקולים מיוחדים ל-Complex Reservoirs

באופן טבעי, reervoirs

סימולציה של שבר טבעי (הידועה כפולנית ורגישות כפולה) היא תכונה מתקדמת אשר מודל הידרופחמנים בלוקים ממטריקס הדוק. Flow מתרחשת מאבני המריצה הדוקות לרשתות השבורות יותר המקיפים את בלוקים, ולמאגרים.פראטס מציגים אתגרים ייחודיים לשילוב נתונים מכיוון שרשתות שבורות קשות לאפיין ויכולות לשלוט בהתנהגות.

הגדלת נתוני הייצור עם מידע גיאולוגי וגיאופיזיקה חשוב במיוחד במאגרים שבורים, שבו נתוני הליבה והלוגן קונבנציונליים עשויים לא לייצג כראוי את מערכת השבבים.בדיקת הייצור, ניתוח מתמיד לחץ, ומחקרי מעקב מספקים מידע חשוב על קישוריות ונכסים שיש לשלב במודלים של סימולציה.

ביקורת בלתי קונבנציונלית

מטרת המחקר הזה היא ליישם מודל שבר הידראולי רב-שלבי לאפיין גיאומטריה מורכבת של שבר ולשלב אותו עם מאגר גיאומכניקה מודל סימולציה מאגר כדי לייעל טיפולים שבר ופיתוח מאגר. פיתחנו מודל מורכב הידראולי של הפחתת שבר, אשר ניתן להשתמש כדי לדמות ריבוי שבר מרובים אופטימיזציה של אדורגמנטציה עם וללא התחשבות בדורי סלע.

מאגרים לא קונבנציונליים כגון שמן פצלי וגז דורשים גישות דוגמנות מיוחדות שחשבונות רשתות שבר הידראוליות, אפקטים גיאומכניים, והתנהגות נוזלית מורכבת. integrating נתונים מיקרו-סוציאלניים, מדידות אופטיות סיבים, ונתוני ייצור עוזרים לאפיין את נפח המאגר הממריץ ואופטימיזציה של עיצובי השלמה.

ניהול שדה

שילוב נתונים תקין גדל יותר חיוני כמו שדות שמן בוגר ומשתנה תנאי שדה חייב להיות מובן.כאשר מדובר בניתוח, שמן ייצור גז נתונים אינם שלמים ללא תמיכה בנתונים מכל התחומים התורמים.זה נכון במיוחד עבור שדות בוגרים אשר לעתים קרובות יש שפע נתונים בפורמטים שונים ומקורות מרובים.

שדות בוגרים מציגים את האתגרים וההזדמנויות לשילוב הנתונים.בעוד שהם בדרך כלל יש היסטוריה ייצור נרחב והנתונים בשפע, נתונים אלה עשויים להתקיים בפורמטים שונים ורמות איכות.נתוני Legacy חייבים להיות דיגיטלית, מאומתים, ומשולבים עם המדידות המודרניות כדי ליצור מודלים מקיפים התומכים אסטרטגיות אופטימיזציה של החיים מאוחר כגון קידוח, התאוששות שמן משופרת, אופטימיזציה ייצור.

מגמות עתידיות וטכנולוגיות מתפתחות

אינטגרציה דיגיטלית ושילוב בזמן אמת

הרעיון של תאומים דיגיטליים - העתקים וירטואליים של נכסים פיזיים המתעדים באופן רציף עם נתונים בזמן אמת - הוא צובר מתחים בניהול מאגרים.מודלים דינמיים אלה משלבים נתונים של חיישנים, מערכות ייצור וציוד ניטור כדי לספק ייצוגים עדכניים של תנאי מאגר. שילוב נתונים בזמן אמת מאפשר קבלת החלטות יזום ותגובה מהירה לתנאי שינוי שדה.

טכנולוגיות חיישן מתקדמות, כולל מערכות ניטור קבועות של חור, טמפרטורות מבוזרות, וניתוק אקוסטי מבוזר, לספק כמויות חסרות תקדים של נתונים על התנהגות המאגר. integrating אלה גבוה שטף נתונים לתוך מודלים סימולציה מציג הזדמנויות אתגרים, הדורש גישות חישוביות חדשות אסטרטגיות ניהול נתונים.

אינטליגנציה מלאכותית ולמידה של מכונות

אלגוריתמי למידת מכונות מוחלים יותר ויותר על מנת לאסוף מודלים ואתגרי שילוב נתונים.טכניקות אלה יכולות לזהות דפוסים במאגרי נתונים גדולים, להאיץ את ההיסטוריה התאמת תהליכים ולשפר דיוק חיזוי.רשתות נילי יכולות לשמש כמודלים מורכבים שדמיית הסימולציה המשוערת מביאה הרבה יותר מהר מאשר סימולטורים מספריים מסורתיים, המאפשרים הערכה מהירה של תרחישים מרובים.

גישות למידה עמוקות מראות הבטחה לשילוב סוגים שונים של נתונים ומיצוי יחסים משמעותיים אשר עשויים לא להיות ברורים באמצעות ניתוח קונבנציונלי.עם זאת, שיטות אלה דורשות אימות זהיר וצריכים להשלים במקום להחליף גישות סימולציה המבוססות על פיזיקה.

מחשוב ענן ו-High-Performance Computing

הדרישות החישוביות של איסוף מאגר משולב ממשיכות לגדול ככל שהמודלים הופכים גדולים יותר ומפורטים יותר.ענן מחשוב ומשאבים מחשוב ביצועים גבוהים מאפשרים למהנדסים להפעיל מודלים גדולים יותר, לבצע ניתוחים אי ודאות מקיפים יותר, והיסטוריה שלמה תואמת מחקרים מהר יותר מאי פעם.טכנולוגיות אלה מדמוקרטיות גישה ליכולות מתקדמות של מודלים מתקדמים, מה שהופך כלים מתוחכמות זמינים למפעילים קטנים יותר.

ארכיטקטורות מחשוב במקביל מאפשרות לבצע סימולציה מרובות בו זמנית, צמצום דרמטי של הזמן הנדרש עבור זרמי עבודה מבוססי הרכב ומחקרי אופטימיזציה.כוח חישובי זה מאפשר מחקר מעמיק יותר של אי ודאות וקבלת החלטות חזקה יותר.

שיטות טובות לשילוב נתונים מוצלח

קביעת מטרות ברורות

לפני תחילת מחקר של איסוף מאגר, להגדיר בבירור את המטרות וההחלטות כי המודל יתמוך.יעדים שונים עשויים לדרוש רמות שונות של פרטים וסוגים שונים של נתונים.מודל שנבנה עבור estimation עתודות עשוי להיות דרישות שונות מאשר אחד מיועד לקידוד ביצועים קרקעיים או הערכה של אפשרויות התאוששות שמן משופרות.

הבנת השימוש המיועד במודל מסייעת לקביעת מאמצי איסוף הנתונים ולהבטיח כי המשאבים מתמקדים בהיבטים הקריטיים ביותר של סיווג המאגר.זה גם עוזר לבסס קריטריונים קבלה מתאימים עבור ההיסטוריה התאמה ואי ודאות קוונטית.

לשמור על איכות המידע ותיעוד

יישום נהלי בקרת איכות נתונים קפדניים כדי להבטיח שכל הנתונים הנכנסים למודל מדויקים ואמינים. מקורות נתונים של מסמך, תהליכי עיבוד וכל הנחות שנעשו במהלך בניית המודל.תיעוד זה חיוני לאימות מודלים, העברת ידע ועדכוני מודל עתידיים.

מערכות ניהול נתונים המאפשרות גישה קלה למידע רלוונטי תוך שמירה על בקרת גרסאות ודרכי ביקורת. שיטות ניהול נתונים טובות מונעות שגיאות, להפחית את השכפול של מאמץ, ומאפשרות שיתוף פעולה יעיל בין חברי הצוות.

כבוד הגיאולוגי Constraints

בעוד השגת משחק היסטוריה טוב חשוב, המודל המתקבל חייב להישאר הגיוני ועקבי עם כל הנתונים הזמינים. להימנע ביצוע התאמות פרמטר שרירותיות לשיפור המשחק ההיסטוריה, אך מפרות הבנה גיאולוגית או נתונים סטטיים.המודלים הטובים ביותר משלבים נתונים דינמיים וסטטיים באופן שמכבד את שני סוגי המידע.

השתמש בידע הגיאולוגי ומידע לפני אימון ההיסטוריה של תהליך התאמה.זה עוזר למנוע התאמה יתר של נתוני הייצור ולהבטיח כי המודל נשאר מציאותי פיזית.טכניקות סדירות ניתן להשתמש כדי לשמור על עקביות עם מודלים גיאולוגיים קודמים ועדיין להשיג התאמה מקובלת לנתונים דינמיים.

המונחים: conicate Unquity

ההכרה כי כל דגמי המאגר מכילים אי ודאות, ועושים מאמצים לכמת ולתקשר אי הוודאות הזאת למקבלי ההחלטות. השתמש בגישות מבוססות-רכב כדי ליצור מודלים רבים ככל האפשר המקיפים את טווח אי הוודאות.הווה תחזיות כהתפלגות הסתברות ולא תוצאות ⁇ סטיות בודדות.

ברור שמתקשרים את הנחות, המגבלות וחוסר הוודאות הקשורים לתחזיות מודל.שקיפות זו מסייעת למקבלי ההחלטות להבין את הסיכונים הקשורים לאפשרויות פיתוח שונות ולקבל החלטות מושכלות יותר.

יישום שיפור מתמשך

טיפול במאגרים כתהליך מתמשך ולא במחקר חד פעמי.כפי שהנתונים החדשים זמינים מתרגול, ייצור ופעולות ניטור, מודלים לעדכן כדי לשלב מידע זה. השוו תחזיות מודל עם תוצאות בפועל לזהות אזורים שבהם ניתן לשפר את המודל.

יצירת לולאות משוב המאפשרות שיעורים של פעולות שדה כדי ליידע שיפורים מודל.תהליך למידה מתמשך זה מוביל מודלים טובים יותר בהדרגה וניהול יעיל יותר של מאגר לאורך זמן.

תוצאות חיפוש

אופטימיזציה של Waterflood

מודלים משולבים מאגר לשחק תפקיד מכריע בקידוד פעולות ריצוף מים.על ידי התאמת הזרקת מים היסטוריים ונתוני ייצור, מהנדסים יכולים לעגל מודלים כדי לייצג במדויק יעילות גורפת, התנהגות פורצת דרך מים, והמשך חלוקת ריצוף שמן.מודלים אלה מותאמים יכול לשמש כדי לייעל את קצב ההזרקה, לזהות infill קידוח הזדמנויות, דפוסים עיצוב שמשפר התאוששות שמן.

שילוב נתונים ייצור מסייע לזהות מחסומים זרימה, ערוצי יכולת גבוהה, ואזורים של גורף עני שאולי לא ניתן לראות בנתונים סטטיים בלבד.מידע זה מדריך החלטות תפעוליות כגון הקצאת מים, שילוב מפיקים והתאמות טיפולים.

פרוייקטי גז

עבור פרויקטים של הזרקת גז, בין אם לתחזוקה של לחץ, רכיבה על גז או שיטפון לא סביר, מודלים משולבים חייבים לייצג באופן מדויק התנהגות שלב מורכבת ואפקטים מורכבים של הרכב. התאמת מגמות יחס גז, תגובות לחץ, שינויים הרכב שנצפו בנוזלים המיוצרים מסייע לאמת את היכולת של המודל לחזות ביצועי הזרקת גז.

מודלים אלה תומכים בהחלטות קריטיות על הרכב גז הזרקת, שיעורי ההזרקה, ומיקום טוב.הם עוזרים לחזות את זמני פריצת הדרך, להעריך אסטרטגיות הזריקה שונות, וייעל את האיזון בין החלפת רִיק ושיקום שמן משופר.

תכנון ופיתוח

מודלים משולבים להנחות החלטות מיקום טוב על ידי זיהוי אזורים עם ריצוף הנפט הגדול ביותר, תכונות מאגר אופטימלי, ודפוסי ניקוז נוחים.על ידי הדמיה של מיקומים שונים ואסטרטגיות השלמת, מהנדסים יכולים לבחור אפשרויות הממקסמות ערך נוכחי נטו תוך ניהול סיכונים טכניים ומסחריים.

עבור מאגרים לא קונבנציונליים, מודלים משולבים לעזור לייעל טוב ספאק, אזורי נחיתה, עיצובים השלמת ואסטרטגיות ייצור.היכולת להתאים את הייצור מבארות קיימות ולהשתמש במודלים אלה מותאמים לחיזוי ביצועים של בארות עתידיות חיונית לפיתוח שדה כלכלי.

מסקנה

שילוב זה הופך מודלים תיאורטיים לכלים מעשיים המייצגים באופן מדויק את התנהגות המאגר, מאפשר תחזיות אמינות, ותמיכה בקבלת החלטות מושכלות לאורך כל החיים של שדה.

התהליך דורש תשומת לב זהירה לאיכות הנתונים, אימות קפדני באמצעות התאמה להיסטוריה, והתאמה נאותה של אי ודאות.הצלחה תלויה בשיתוף פעולה רב תחומי, שימוש הולם בטכנולוגיה, ודבקות בשיטות הטובות ביותר לכבוד הן מגבלות גיאולוגיות סטטיות והן נתונים דינמיים של ייצור.

בעוד הטכנולוגיה ממשיכה להתקדם, הזדמנויות חדשות מופיעות עבור שילוב נתונים מתוחכם יותר, מודל בזמן אמת עדכון, ותמיכה משופרת של החלטות. Machine Learning, תאומים דיגיטליים, ומחשוב ביצועים גבוהים מרחיבים את האפשרויות לדגמי מאגר תוך הצגת אתגרים חדשים בניהול נתונים ופרשנות.

ארגונים שמשקיעים בבניית מודלים משולבים של מאגרים חזקים, שמירה על נתונים איכותיים, ופיתוח קבוצות רב תחומיות מיומנים מציבים עצמם כדי להתאים את הייצור, למקסם את ההתאוששות וליצור ערך מנכסים שלהם הידרופחמיים.שילוב של מודלים סימולציה עם נתונים שדה אינו רק פעילות טכנית, אלא יכולת אסטרטגית שמניעה את היתרון התחרותי בסביבה מורכבת ומאתגרת יותר ויותר.

לקבלת מידע נוסף על טכנולוגיות הנדסה וסימולציה של מאגר מידע, בקר ב-FLT:0 (הכולל של מהנדסי הנפט הנדסת חשמל) 1 או לחקור משאבים ב-FLT:2U.S. Department of Energy Office of Fosil Energy Visil Energy, FigFLT 3 (ההדרכה טכנית נוספת ניתן למצוא באמצעות ארגונים מקצועיים כגון FLT:4 איגוד הנפט האמריקני של גיאולוגים:5 ו- מוסדות הנדסה אקדמית).