תפקיד ההיסטוריה המתגלמת בסירוב תחזיות של רזרבור

מבוא

תחזית מדויקת של עתודות הנפט והגז היא הבסיס לניהול מאגר קול.ההערכות הללו מדריכות מיליארדי דולרים בהחלטות השקעה, מקידומת בארות חדשות לתכנון פרויקטים משופרים של התאוששות.היסטוריה תואמת, תהליך של סימולציה של מאגר כדי לצפות בנתונים ייצור, עומד כאחד השיטות האמינות ביותר לחידוש התחזיות הללו.

תעשיית הנפט הכירה כבר זמן רב כי מודל שנבנה רק מהנתונים הגיאולוגיים והפטרופיזיקה סטטיים לעתים קרובות נכשל ללכוד את המורכבות הדינמית של זרימת הנוזלים.היסטוריה התאמת הגשרים את הפער בין התיאורים הסטטיים לבין תצפיות דינמיות.זה הופך הבנה מושגית לכלי חיזוי שניתן להשתמש בו עם ביטחון. מאמר זה מספק בדיקה מקיפה של ההיסטוריה התאמה, כיסוי התפקיד שלו בחידושים, את היתרונות של תהליך משמעת מתקדם, וטכניקות מתקדמות, עיצוב מחדש, שיפור, וטכניקות מתקדמות.

הבנה של מילואים

[ה]המאגרים של המילואים מייצגים את כמויות הפחמנים שמוערך כתוצאה מהצטברות ידועה בתנאים הכלכליים והמבצעיים הקיימים, ההערכות הללו אינן סטטיות; הן מתפתחות ככל שהנתונים יהיו זמינים וכבוגרי ייצור מסווגים בדרך כלל לקטגוריות המוגדרות על ידי מידת הוודאות: FLT:0 מוכח (1P)FLT:1, LT:2probable (2: 3, 000) ו-Fable) ככל האפשר (הת)

התפקיד של חוסר הוודאות

לא בטוח כל שלב של הערכת המאגר.מודלים הגיאולוגיים בנויים מהנתונים הסחוסנים והפרשנויות הסיסמיות שיש להם פתרון מוגבל.פרמטרים פטרפיקליים נמדדים בדגימות ליבה קטנות או מפוסקים מהלוגים, אבל הטרוגניות של המאגר פירושה שהערכים הללו עשויים להשתנות באופן נרחב בין תכונות פלוריד, התחייבויות יחסית, והתנהגויות מציגות את כל השכבות הנוספות של אי הוודאות.

כיצד ההיסטוריה מתאמת משפרת את ההערכות

באמצעות התאמה הדרגתית, ההיסטוריה תואמת את טווח התוצאות האפשריות.זה עוזר לזהות אילו פרמטרים גיאולוגיים וזרימה עקביים עם ביצועים נצפים.לדוגמה, אם מודל עם קבוצה מסוימת של ערכים של חוסר יכולת יתר על ייצור מים, תהליך ההתאמה ההיסטוריה יתאים את הערכים האלה עד שהמים המדומים חתכים עם מדידות.

תהליך ההיסטוריה התאמת

התאמה היסטורית אינה צעד אוטומטי יחיד אלא זרימת עבודה מובנת, משיכה.כל אחד מהם כרוך השוואת ייצור מדמה כנגד נתונים היסטוריים, זיהוי פערים, שינוי פרמטרים מודל, ושיקום הסימולציה.התהליך נמשך עד שמשחק מקובל מושג - מצב שבו הבדלים נמצאים בטווחים מוקדמים מוגדרים ומודלים הוא הסתברות פיזית.

איסוף נתונים והכנת

הבסיס של כל משחק היסטוריה מוצלח הוא נתונים באיכות גבוהה.מהנדסים לאסוף שיעורי ייצור (נפט, גז, מים), חורב למטה ולחץ חזק, יחסי גז, קיצוץ במים, והנתונים מעקב אחר ההיסטוריה של הייצור של המאגר.יש לנקות את הנתונים האלה, לאמת, ולהתאים את השלבים הסימולציה של זמן לא עקבי או רועש יכול להוביל להתאמות כוזבות, איכות קפדנית כל כך הוא מידע חיוני, בנוסף, על שינויים תפעוליים, כדי לפעול באופן תקין, כדי למנוע שינויים במצבי עבודה, כדי להתאים את השינויים בפועל, כדי להתאים את השינויים בפועל, שינויים.

מודל חיקוי וסימפוציה

מודל מאגר ראשוני נבנה באמצעות פרשנות גיאולוגית, נתונים סיסמיים, ניתוח ליבה, יומני טוב, והערכה פטרופיזיקה.מודל זה כולל רשת המייצגת את נפח המאגר, מוקצים סלעים ונוזלים, ותיאור של תנאים ראשוניים (לחץ, ריצוף, טמפרטורה) הסימולציה מנוהלת על פני תקופת הזמן ההיסטורית, ופלט מופק היטב במקומות להשוואה עם המדידות הראשוניות לעתים קרובות.

הסתגלות פרמטר ואופטימיזציה

זה הליבה של ההיסטוריה התאמת מהנדסים לזהות אילו פרמטרים יש את ההשפעה הגדולה ביותר על העיוותים הנצפים.פרמטרים נפוצים כוללים מכפילים של יכולת ההכפלה באזורים שונים, התפלגות נקבוביות, עקומות יחסית, מכפילים זמניים, כוח חסימה, אופטימיזציה לדחיסות סלעית (Holed Data) ניתן לבצע באופן ידני על בסיס שיפוט הנדסי, אבל גישה זו היא זמן-conuming זמן ועלולים להציג טכניקות סימולציה (Fassied) באופן שיטתי, כגון פרמטרים).

בקרת איכות ובקרת איכות

לאחר שמשחק היסטוריה מקובל מושג, המודל חייב להיות מאומת כנגד נתונים שלא נעשה בהם שימוש בתהליך ההתאמה – לדוגמה, לחץ על נתונים מבארות תצפית, נתוני ייצור מתקופות מאוחרות יותר, או בדיקות הפרעות. מודל שמתאים להיסטוריה, אך אינו מצליח לחזות נתונים חדשים יותר מופסקים ולא אמינים. אימות כולל גם בדיקת כי הפרמטרים המותאמים הם גיאולוגיים ופיזיים סבירים.

היתרונות של היסטוריית יעילה

היסטוריה מנוהלת היטב התאמת פעילות גופנית מניבה יתרונות מרובים המשתרעים מעבר להערכות עתודות מעודן.

• (FLT:0)הפרו את ההסכמה של הערכות המילואים:FLT 1 על ידי הגבלת המודל עם ביצועים אמיתיים, היסטוריה תואמת את טווח אי הוודאות, העברת עתודות סבירות לעבר מעמד מוכח ולהגדיל את האמון ב 2P ו 3P מספרים.
• (ב) [ה] הבנה של דמויות של מילואים: [FLT:] תהליך ההסרטיביות מגלה לעיתים קרובות תכונות שלא נחקרו בעבר, כגון תקלות מחסום, ערוצי יכולת גבוהה, או תאיזציה, תנועה זו של נוזל שליטה.
• (FLT:0) חיזוי טוב יותר של ייצור עתידי Scenarios:BuildFLT) 1 מודל בעל תקדים היסטוריה יכול לשמש לחיזוי נפט וגז, דרישות הזרקת מים, ושיקום מוחלט תחת תרחישי פיתוח שונים, עוזר לבחור את האסטרטגיה האופטימלית.
• (FLT:0) אמון במימון תוכניות פיתוח והשקעות: 1 מפעילי ושותפים מסתמכים על מודלים הקשורים להיסטוריה כדי להצדיק הוצאות הון, מימון מאובטח, ולקבל אישורים רגולטוריים. מודל חזק מפחית את הסיכון של יצירת בארות או נטישת שדה מוקדמת.
• (FLT:0) אופטימיזציה של פרויקטים משופרים של הנדסת נפט (EOR):Felove:1 עבור שיטות EOR כגון ריצוף מים, זריקת גז, או שיטפונות כימיים, היסטוריה התאמה עוזר calibrate תנועות מול נוזל ויעילות גורפת, המוביל לתכנון טוב יותר ולעקוב אחר.

אתגרים בהיסטוריה

למרות ערכו, ההתאמה להיסטוריה היא בעייתית עם קשיים הדורשים ניהול זהיר.

הגבלת נתונים

נתונים היסטוריים הם לעתים קרובות לא שלמים, בלתי צפויים, או באיכות ירודה מדידות לחץ יכול להיות דליל, שיעורי הייצור עשויים להיות מוקצה על פני מספר רב של בארות עם זרמים מכווצים, וחתמי מים עשויים להיות מדווחים עם פערים ארוכים.

חוסר נאמנות של פתרונות

התאמה להיסטוריה היא בעיה הפוכה, ושילובים פרמטרים שונים רבים יכולים לייצר את אותו המשחק.זה (FLT:0) UniquenessFLT:1 פירושו כי מודל יכול להתאים להיסטוריה היטב אבל עדיין להיות רע עבור חיזוי.לדוגמה, אפקט תמיכה aquifererance ניתן לחקות על ידי דחיסות סלעית גבוהה, או חותם יכול להיות מוחלף על ידי יכולת נמוכה לייצר ללא ספקיות, כגון מודלים גיאומטריים, או קריטריונים מרובים של תכונות גיאומטרידות, כגון, או סימטריות, או סימטריות גבוהה, כגון, או דחיסה, או סימטריות גבוהה, אם כן, או דחיסה, אם כן, כגון מודלים של דחיסה, אם כן, או דחיסה, או דחיסה, או דחיסה, או קריטריונים של תכונות גיאומטרידות, או דחיסה, או דחיסה, אם כן, אם כן, או דחיסה, יכול להיות מטווח, אם כן, או דחיסה, או לא ניתן לחקות, אם כן, אם כן, אם כן, אם כן, אם כן, אם כן, ייתכן, אם כן, אם כן, אם כן, אם כן, אם כן, אם כן, אם כן, אם כן,

דרישות פיצויים

סימולציות Reservoir יכולות לקחת שעות או אפילו ימים כדי לרוץ עבור מודלים גדולים, מורכבים.כל אחד של התאמה להיסטוריה דורש סימולציה מרובים רץ, וכאשר פרמטרים רבים הם מותאמים, העלות החישובית הכוללת הופכת בלתי-מחייבת.מקבץ מחשוב ביצועים גבוהים נדרשים לעתים קרובות, ואפילו אז, מודלים מלאים שדה עשויים לדרוש סימולציות באמצעות עלייה או שימוש במודלים של Proxy / ניתוח.

סובייקטיביות ו- Human Bias

ההיסטוריה ידנית המתאמת מסתמכת רבות על הניסיון והאינטואיציה של המהנדס.קבוצות שונות עשויות להגיע למשחקים שונים, כל אחת מהתרשות תחת סט הנחות משלהן – ההטיה המנציח פרמטרים שמתאימים לרעיון מראש של המאגר – יכולה להוביל למודלים לא מציאותיים.סיוע בהיסטוריה מותאמת את הפחתת אך אינה מבטלת את הסובייקטיביות, כבחירה של תפקוד אובייקטיבי, פרמטרים, ומשקל משקל של כל סוגי הנתונים האנושיים.

טכניקות מתקדמות בהיסטוריה

ההתקדמות האחרונה במדעי חישוב ולמידה מכונה הופכת את ההיסטוריה להתאים מאימון ידני כואב לתוך תהליך אוטומטי יותר וחזק יותר.

היסטוריה תומכת (AHM)

AHM משתמש באלגוריתמים אופטימיזציה לחיפוש אחר פרמטרים הממזערים את הפונקציה האובייקטיבית (בדרך כלל את הסכום של הבדלים מרוצפים בין נתונים מדומים לנצפים) שיטות נעות בין גישות מבוססות ⁇ מקומית לאלגוריתמים סטוצ'סטיים גלובליים כמו אסטרטגיות אבולוציוניות: AHM יכול לחקור שילובים רבים יותר מאשר אדם יכול באופן ידני.

שיטות עריכת נתונים ו-Data Assimilation

(הטכניקה כמו ההרחבה:0)Ensemble Kalman (EnKF)BuilddsF)cioph:1 וגרסאותיה אומץ מחיזוי מזג האוויר והטמעת נתונים.In EnKF, אוסף של מודלים של מאגרים הוא מעודכן באופן שווה כמו נתוני ייצור חדשים להיות זמינים (למשל, חודשי או רבעון) כל מודל פועל קדימה בזמן, אז המשמעות של מודלים של מודלים של איסוף וניתן להתאים באופן טבעי ל-זמנית (DValFique) באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, כדי להתאים את הנתונים באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, ובאופן קבוע, כלומר, כדי להתאים את הנתונים של רצף של רצף של זמן של רצף של רצף של שימוש ב-Fique (למשל, כלומר, או קבוע (DValFique) באופן קבוע (DIFique) באופן קבוע (DIFique) באופן טבעי, באופן קבוע, באופן קבוע (DIFique) באופן קבוע (DValLTFique (D) באופן קבוע, באופן קבוע, באופן קבוע, באופן קבוע, באופן קבוע, אם הוא פועל באופן קבוע, אם הוא פועל באופן קבוע, אם הוא פועל באופן קבוע, אם הוא פועל באופן קבוע, כלומר, באופן קבוע

יישומים של Machine Learning

מודלים של למידת מכונות, במיוחד רשתות עצביות, יכולים לשמש כפרוקסיות מהירות עבור סימולציות נאמנות מלאה.על ידי אימון רשת עצבית על סט של פלטי סימולציה, מהנדסים יכולים להעריך אלפי שילובים פרמטרים בתוך שניות, באופן דרמטי מאיץ את ההיסטוריה התאמת לולאה. Reinforcement למידה נחקרת גם כדי להתאים את הבחירה של פרמטרים כדי להתאים את מה עוד מתפתח, אלה טכניקות כדי להפוך את ההיסטוריה יעילה יותר, במיוחד עבור משאבים בינוניים, במיוחד, במיוחד, או מוגבל, במקום יעיל יותר, במיוחד, כלומר, כלומר, יעיל יותר, במקום משאבים בינוניים, במיוחד, יעיל יותר, במיוחד, במקום יעיל יותר, במקום יעיל יותר, במקום ריכוזים, יעיל יותר, יעיל יותר, במיוחד, יעיל יותר, יעיל יותר, יעיל יותר, יעיל יותר, או מוגבל, יעיל יותר, הוא משמש יעיל יותר, כלומר, יעיל יותר, יעיל יותר, כלומר, כלומר, יעיל יותר, יעיל יותר, יעיל יותר, יעיל יותר, הוא משמש גם כדי להתאים משאבים בינוניים, במקום שבו מיומנויות מדידה מוגבלת, יעיל יותר, יעיל יותר, יעיל יותר, כלומר, הוא גם כן, יעיל יותר, הוא משמש כדי להתאים משאבים בינוניים, הוא משמש כדי להתאים משאבים בינוניים, יעיל יותר, יעיל יותר, במיוחד עבור משאבים בינוניים

השפעה על החלטות פיתוח שדה

המדד האולטימטיבי של פעילות גופנית של היסטוריה הוא איכות ההחלטות שהיא תומכת בו.מודל אמין של היסטוריה, שתואם מאפשר למפעילים:

• (ב) ⁇ :0) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0) עיצוב מים / גז תוכניות הזרקת גז: FLT:1 דפוסים גורפים, זמני פריצת דרך, ואת הצורך בהגדרה מחדש של דפוס.
• (ב) ⁇ :0) ,[דרוש מקור] ב[[1924]], [[1924]]]], [[1924]]]]
• (FLT:0) שדרוגים של מתקן פלן:FLT:1Builds, דרישות עיבוד גז וצרכים דחיסה.
• (FLT:0)Support שומרת על הזמנה ודיווח פיננסי: ההרחבה 1 (FLT:1) מספקת מסלולי ביקורת ותיעוד הנדרשים על ידי הרגולטורים כמו ה-SEC או SPE.

בכל מקרה, המודל מקטין את הסיכון ומגביר את ההסתברות להצלחה כלכלית.לדוגמה, מפעיל ים גדול בצפון הים השתמש בהיסטוריה כדי לזהות תא ללא ספק, לחסוך עשרות מיליוני דולרים על ידי הימנעות מבאר יבש כי היה ממקדח על בסיס המודל הסטטי לבדו.

כיוונים עתידיים

עתיד ההיסטוריה תואם שקרים באינטגרציה גדולה יותר של נתונים רב תחומיים, אוטומציה ועדכון בזמן אמת. תאומים דיגיטליים - ייצוגים דיגיטליים דינמיים של המאגר כי הם כל הזמן מסונכרנים עם מדידות שדה - הופכים למציאות.תאומות אלה יכללו לא רק נתוני ייצור אלא גם 4D של מיקום אירוע מיקרו-סיסטמי, וגרסאות מוטציות (DTS) ודיסטריות של נתונים מתקדמים יותר לגרסאות סטנדרטיות של נתונים סטנדרטיות (CDC) לגרסאות סטנדרטיות לאלגוריתמיות) לגרסאות סטנדרטיות יותר לגרסאות סטנדרטיות של נתונים נמוכות יותר לאלגוריתמיות של אלגוריתמיות של אלגוריתמיות של אלגוריתמיות של אלגוריתמיות של אלגוריתמיות של אלגוריתמיות של אלגוריתמיות של אלגוריתמיות (CDC) ו-SSD-SSD-CDC) ו-CDC-CDC (מתקני מחשוב מתקדמות יותר לאלגוריתמיות) ו-CDC (מתקני מחשוב נמוכות יותר לאלגוריתמיות) ו-SSD-SSD-SSD-SSD-D-D-D-SSD-CDC (מתקני מחשוב נמוכות יותר) ו-CDC) ו-SSD-CDC-D-SSD-D-D-D-S

עוד גבול מבטיח הוא השימוש ברשתות עצביות מותאמות ל-FLT:0 (פיסיקה) המיודעות על ידי רשתות עצביות (FLT:1) אשר הטמיעו את משוואות הזרימה השולטות באדריכלות הרשת, מה שהופך אותם עקביים באופן טבעי, תוך כדי יכולת ללמוד מהנתונים, שיטות כאלה יכולות בסופו של דבר להחליף סימולטורים מסורתיים עבור ההיסטוריה להתאים משימות, המציעות פקודות של מהירות גבוהה ללא דיוק.

מסקנה

(ההיסטוריה מתאימה לכלי חיוני לחידוש תחזיות המאגרים.זהו הגשר בין מודלים גיאולוגיים סטטיים לבין מציאות ייצור דינמיים, בעוד אתגרים של איכות נתונים, אי-שוויון, ועלות חישובית נמשכת, האבולוציה המתמדת של ההיסטוריה בסיוע התאמה, שיטות הרכב ולמידה מכונה היא עושה את התהליך חזק יותר, יעיל, ותובנה יותר.