Table of Contents

हाइड्रोलिक फ्रैक्चरिंग में डिक्लाइन वक्र विश्लेषण का परिचय

डिक्लाइन वक्र विश्लेषण (DCA) लंबे समय से जलाशय इंजीनियरिंग का एक आधारशिला रहा है, और हाइड्रोलिक रूप से फ्रैक्चरित कुओं के लिए इसका अनुप्रयोग अद्वितीय चुनौतियों और अवसरों को प्रस्तुत करता है। पारंपरिक कुओं के विपरीत जो अक्सर एक पूर्वानुमानित एक्सोनेंशियल गिरावट, फ्रैक्चरित जलाशयों को प्रदर्शित करते हैं - विशेष रूप से तंग तेल और शेल गैस नाटकों में -आमतौर पर एक क्षणिक प्रवाह व्यवस्था का पालन करते हैं जो वर्षों तक जारी रह सकते हैं। यह व्यवहार सही मॉडल का चयन करता है और विश्वसनीय पूर्वानुमान के लिए डेटा गुणवत्ता पैरामाउंट सुनिश्चित करता है। डीसीए ऑपरेटरों को अंतिम वसूली (EUR) का आकलन करने की अनुमति देता है, पूर्ण प्रभावशीलता का मूल्यांकन करता है, और फील्ड विकास योजनाओं को अनुकूलित करता है। जब सही ढंग से डीसीए लागू किया जाता है।

1. फाउंडेशन: उच्च गुणवत्ता वाले उत्पादन डेटा

सटीक डीसीए कठोर रूप से उत्पादन डेटा के साथ शुरू होता है। हाइड्रोलिक फ्रैक्चरिंग प्रोजेक्ट अक्सर प्रारंभिक समय में प्रवाह वापस सफाई और सुविधा के लिए सही तरीके से काम करने का अनुभव करते हैं जो वास्तविक जलाशय संचालित गिरावट को मास्क कर सकते हैं।

  • ]Validate मीटर और विभाजक रिकॉर्ड टैंक गेज और आवंटन रिपोर्ट के खिलाफ - एक एकल outlier गिरावट exponent को छोड़ सकता है।
  • ]]] [ [[ ]]]] ]]] ]]] [ [[[] [[[[[]]]]]]]]]]]]]]] ]]]]]]]]]]]]]]]]]]]]] [[[[[FLT- में बंद अवधि और दिन के साथ परिचालन upsets [[[[[[[FLT:]]]]]]]]]]]]]]]]]]]]] [[[[FLT [[[FLT:]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[[[[[[[[FLT:
  • ]]"Normalise for backpressure विविधताओं जब उपलब्ध हो तो नीचे के छेद में बह दबाव (BHFP) डेटा का उपयोग करके। परिवर्तनीय ड्रॉडाउन के प्रभाव को हटाने के लिए निरंतर दबाव समकक्षों के लिए बह दरों को परिवर्तित करें।

कई ऑपरेटरों का पता चलता है कि 30-day रोलिंग औसत का उपयोग लंबे समय तक चलने वाली प्रवृत्ति को संरक्षित करते हुए क्षणिक पूरा होने के प्रभावों को बाहर कर देता है। कई चरणों के साथ क्षैतिज कुओं के लिए, यह सुनिश्चित करें कि डाउनहोल सेंसिंग का इस्तेमाल होने पर प्रत्येक फ्रैक्चर चरण के लिए सही ढंग से उत्पादन आवंटित किया जाता है। सोसाइटी ऑफ पेट्रोलियम इंजीनियर्स (SPE) द्वारा एक अध्ययन में प्रकाश डाला गया है कि डेटा असंगति अप्रत्याशित कुओं के लिए DCA में त्रुटि का एक बड़ा स्रोत है (देखें SPE-187024 )।

2. मॉडल चयन: मानक Arps से परे

क्लासिक एरप्स समीकरण (exponential, अति-तरल, अति-तरल टर्मिनल गिरावट के साथ अति-तरल) लोकप्रिय रहे हैं, लेकिन हाइड्रोलिक फ्रैक्चरिंग परियोजनाओं को अक्सर रैखिक और द्वि-रेखीय प्रवाह पर कब्जा करने के लिए संशोधन की आवश्यकता होती है।

एक्सेंशियल डिक्लाइन

केवल एक अच्छी तरह से पहुंचने के बाद ही सीमित-प्रशासन प्रवाह - उच्च-प्रेरितता फ्रैक्चर में या कई वर्षों के उत्पादन के बाद आम। शायद ही कभी अपरंपरागत कुओं में प्रारंभिक जीवन डीसीए के लिए उपयुक्त है।

हाइपरबोलिक डिक्लाइन (Arps)

फ्रैक्चर कुओं के लिए सबसे व्यापक रूप से इस्तेमाल किया जाने वाला मॉडल। बी-फैक्टर (0 से 1) बताता है कि कितनी जल्दी गिरावट दर धीमी हो जाती है। 1 से अधिक बी-फैक्टर सीमा-प्रमुख प्रवाह के लिए शारीरिक रूप से अवास्तविक है लेकिन अक्सर प्रारंभिक क्षणिक डेटा फिट बैठता है। EUR को ओवरस्टिम करने से बचने के लिए एक निश्चित कटऑफ के बाद टर्मिनल गिरावट दर (जैसे, प्रति वर्ष 5-10%) का उपयोग करें।

डुओंग मॉडल

विशेष रूप से फ्रैक्चरित जलाशयों के लिए डिज़ाइन किया गया जहां रैखिक प्रवाह हावी होता है। डुओंग मॉडल दर बनाम समय की लॉग-लॉग रैखिक प्रवृत्ति का उपयोग करता है और अक्सर मध्यकालिक डेटा के शुरुआती समय में बेहतर फिट बैठता है। कई ऑपरेटर अब एक हाइब्रिड दृष्टिकोण लागू करते हैं: पहली 1-3 वर्षों के लिए डुओंग, फिर एक सीमित हाइपरबोलिक मॉडल में संक्रमण होता है।

अन्य तरीके

  • ]Stretched expnential (SEPD)] – शेल में देखी गई शक्ति कानून व्यवहार को कैप्चर करता है।
  • ]लॉजिस्टिक ग्रोथ मॉडल - कभी कभी पूरे क्षेत्र के कुलों के लिए इस्तेमाल किया।
  • मशीन लर्निंग-असिस्टेड DCA - उभरती हुई प्रवृत्ति, जो कि पूरा होने और जलाशय गुणों से गिरावट मापदंडों की भविष्यवाणी करने के लिए यादृच्छिक जंगलों या तंत्रिका नेटवर्क का उपयोग करती है।

मॉडल की पूरी तुलना ]SPE जर्नल ऑफ पेट्रोलियम टेक्नोलॉजी (चयनित लेख) द्वारा प्रदान की जाती है। कुंजी टेकअवे: हमेशा डेटा के पहले 6-12 महीनों पर कम से कम तीन मॉडलों का परीक्षण करते हैं और एक को सबसे कम रूट-मीन-वर्ग त्रुटि (RMSE) के साथ एक को एक आयोजित-आउट सत्यापन सेट पर चुनें।

3. नियमित अद्यतन और अनुकूली पूर्वानुमान

हाइड्रोलिक फ्रैक्चरिंग प्रोजेक्ट गतिशील हैं - रिफ्रैक ऑपरेशन, इंफिल ड्रिलिंग और चेंजिंग सुविधा सभी बदलावों में गिरावट के व्यवहार को बाधित करती है। सर्वश्रेष्ठ अभ्यास का निर्देश:

  • ]मासिक मॉडल recalibration पहले दो वर्षों के लिए, फिर त्रैमासिक बाद में।
  • ]]] (जैसे, पिछले 18 महीने) हाल के रुझानों के प्रति संवेदनशील रहने के बजाय पूरे इतिहास के बजाय उत्पादन डेटा की एक रोलिंग विंडो का उपयोग करें।
  • Monitor मॉडल अवशिष्ट [ व्यवस्थित विचलन के लिए। यदि मॉडल लगातार तीन महीनों तक आगे बढ़ जाता है, तो जलाशय या सुविधा प्रदर्शन में बदलाव का संदेह है।
  • ]सभी मॉडल संस्करणों को स्टोर करें ताकि ऑडिट किया जा सके कि पूर्वानुमान क्यों बदल गया - यह आरक्षित बुकिंग और निवेशक संचार के लिए महत्वपूर्ण है।

कई ऑपरेटर इस वर्कफ़्लो को डायरेक्टस (मूल लेख टाई-इन का विषय) जैसे प्लेटफॉर्म का उपयोग करके उत्पादन डेटा पाइपलाइनों का प्रबंधन करने और नए मासिक डेटा आने पर ऑटो-रिफिट को ट्रिगर करने के लिए स्वचालित करते हैं। यह सुनिश्चित करता है कि निर्णय लेने वाले हमेशा सबसे वर्तमान EUR अनुमानों के साथ काम करते हैं।

4. बाह्य और परिचालन कारक शामिल करना

शुद्ध उत्पादन वक्र वास्तविकता को नजरअंदाज करते हैं। हाइड्रोलिक फ्रैक्चरिंग परियोजनाओं के लिए एक मजबूत डीसीए को समायोजित करना चाहिए:

पूर्णता डिजाइन परिवर्तन

वेल्स जो बड़े प्रॉपेंट वॉल्यूम या टाइटर स्टेज स्पेसिंग प्राप्त करते हैं, अक्सर एक तेज़ जल्दी गिरावट दिखाते हैं लेकिन उच्च EUR। एक बहुविध DCA दृष्टिकोण (जैसे, proppant लोडिंग के आधार पर विभिन्न मॉडल समूह बनाती हैं) का उपयोग करके पूरा होने के मापदंडों में कारक।

माता-पिता-पिता-बच्चे खैर बातचीत

मौजूदा उत्पादकों के पास ड्रिल्ड को इंफिल करें प्रभावी फ्रैक्चर चालकता को कम कर सकता है और गिरावट को बदल सकता है। यदि आपके डेटासेट में बच्चे के कुओं को शामिल किया गया है, तो ऑफसेट अच्छी तरह से रिक्ति के आधार पर 0.1-0.3 द्वारा B-फैक्टर को नीचे की ओर समायोजित करें।

बाजार और बाजार

जब गैस की कीमत अस्थिरता या टेकअवे क्षमता के बाधा के कारण कुओं को वापस काट दिया जाता है, तो गिरावट की अवस्था उत्तल हो जाती है। अविभाजित गिरावट के आकार को फिर से बनाने के लिए दर-दबाव का उपयोग करें। टेक्सास रेलरोड कमीशन क्यूरेटेड प्रोडक्शन रिकॉर्ड को समायोजित करने के लिए दिशानिर्देश प्रदान करता है; देखें RRC उत्पादन डेटा संसाधन ]।

पर्यावरण और विनियामक बदलाव

ज्वलनशीलता, जल निपटान, या भूकंपीय गतिविधि पर नए विनियम परिचालन परिवर्तनों को लागू कर सकते हैं। हमेशा ऐसी घटनाओं का एक लॉग बनाए रखें और अनिश्चितता को निर्धारित करने के लिए परिदृश्य आधारित डीसीए (कम / मध्यम / उच्च मामले) लागू करें।

5. आम पिटफॉल को संबोधित करना

यहां तक कि अनुभवी विश्लेषक भी जाल में पड़ते हैं। यहां हाइड्रोलिक फ्रैक्चरिंग परियोजनाओं के लिए डीसीए में सबसे अधिक बार गलतियां हैं:

  • ]] प्रारंभिक समय डेटा अस्थिरता की पहचान: पहला 60-90 दिन फ्रैक्चर क्लीनअप और फ्लोबैक द्वारा प्रभुत्व है - उन्हें मॉडल फिटिंग से बाहर निकाल दें जब तक आप एक विशेष प्रवाह मॉडल का उपयोग नहीं करते हैं।
  • ]उच्च b-factors के साथ ओवरफिटिंग: एक b-factor>2 अक्सर खराब डेटा की गुणवत्ता या अनुचित मॉडल को मास्क करता है। हमेशा अनियमित व्यवहार की जांच के लिए गिरावट वक्र के व्युत्पन्न की साजिश है।
  • ]एक अलग विधि के साथ मान्य नहीं है: DCA की तुलना में भौतिक संतुलन या अनुकरण के साथ परिणाम है। यदि DCA EUR एक अनुकरण आधारित अनुमान से 30% अधिक है, तो मान्यताओं को फिर से समाप्त करें।
  • ]]इसके बजाय, एक ही बेसिन में अनुरूप परिपक्व कुओं से प्राप्त डेटा संचालित न्यूनतम गिरावट दर का उपयोग करें।

इन पिटफों से बचने के लिए एक क्लासिक संदर्भ है "बेस्टलाइन वक्र विश्लेषण फॉर अनकॉनोवेंशनल रिज़र्वॉयर्स" पैटज़ेक, सैपुटेली और अन्य (]SPE 162543)।

6. उन्नत तकनीक: मशीन लर्निंग और बायेसियन तरीकों के साथ डीसीए को एकीकृत करना

चूंकि डेटा वॉल्यूम बढ़ता है, उद्योग नियतिवादी वक्र फिटिंग से परे चल रहा है। बायेसियन डिक्लाइन वक्र विश्लेषण पूर्व ज्ञान (जैसे, विशिष्ट EUR किसी दिए गए नाटक के लिए) को शामिल करने की अनुमति देता है और पूर्वानुमान को नए डेटा के रूप में अद्यतन करता है। आउटपुट एक संभावित वितरण है, बल्कि जोखिम आधारित निर्णय लेने के लिए एक ही मूल्य के बजाय।

मशीन लर्निंग मॉडल सीधे पूर्ण विशेषताओं (जैसे स्टेज गिनती, द्रव प्रकार, क्लस्टर रिक्ति) से गिरावट मापदंडों की भविष्यवाणी कर सकते हैं। ये मॉडल ऐतिहासिक अच्छी तरह से प्रदर्शन पर प्रशिक्षित होते हैं और बिना किसी उत्पादन के इतिहास के नए कुओं के लिए डीसीए अनिश्चितता को कम कर सकते हैं। हालांकि, उन्हें आउट-ऑफ-सैंपल डेटा के खिलाफ सावधानीपूर्वक मान्यता की आवश्यकता होती है। पेट्रोलियम विज्ञान और इंजीनियरिंग के जर्नल ने इस हाइब्रिड दृष्टिकोण पर कई केस अध्ययन प्रकाशित किए हैं।

7. हाइड्रोलिक फ्रैक्चरिंग प्रोजेक्ट्स में डीसीए को लागू करने के लिए प्रैक्टिकल वर्कफ़्लो

  1. डेटा ingestion: एक केंद्रीय डेटाबेस (जैसे, Directus) में दैनिक उत्पादन, दबाव और पूरा डेटा खींचें। शून्य, नकारात्मक और अंतराल के लिए गुणवत्ता नियंत्रण जांच को स्वचालित करें।
  2. ]Initial मॉडल चयन: डेटा के पहले 12 महीनों में उम्मीदवार मॉडल (b=0.5-1.2, Duong, SEPD के साथ असाधारण, अति-bolic) का एक बैच चलाएं। AIC या RMSE द्वारा रैंक।
  3. ]]Apx अनुरूप कुओं के साथ क्लाइब्रेट: नए कुओं के लिए, इसी तरह के पूरा होने वाले डिजाइन के साथ ऑफसेट कुओं से पैरामीटर के साथ DCA को बीज दें।
  4. मासिक ऑटो-अपडेट: डीसीए इंजन को हर 30 दिनों में रिफाइन करने के लिए स्क्रिप्ट करें और जहां यूरो 10% से अधिक बदल गया है, ध्वज कुओं को झंडा।
  5. ]Uncertainty quantification: मॉडल मापदंडों पर मोंटे कार्लो सिमुलेशन का उपयोग करके P10, P50 और P90 पूर्वानुमान उत्पन्न करें। आरक्षित रिपोर्टिंग के लिए इन श्रेणियों का उपयोग करें।
  6. ] इंजीनियरिंग टीम द्वारा समीक्षा: प्रत्येक तिमाही, वास्तविक उत्पादन विसंगतियों के साथ DCA के परिणाम का एक डैशबोर्ड पेश करता है। यह वह जगह है जहां धारा 4 से "बाहरी कारक" को शामिल किया गया है।

8. निष्कर्ष

Decline Curve Analysis हाइड्रोलिक फ्रैक्चरिंग परियोजनाओं के प्रबंधन के लिए एक अनिवार्य उपकरण है, बशर्ते इसे अपनी सीमाओं के अनुशासन और मान्यता के साथ लागू किया जाता है। उच्च गुणवत्ता वाले डेटा पर जोर देकर, उचित गिरावट मॉडल (अक्सर डुओंग और बाध्य हाइपरबोलिक का संयोजन) का चयन करके, पूर्वानुमान को नियमित रूप से अद्यतन करना और बाहरी कारकों के लिए समायोजन करना, इंजीनियर विश्वसनीय भविष्यवाणियां उत्पन्न कर सकते हैं जो पूरा करने के डिजाइन, उत्पादन अनुकूलन और वित्तीय योजना का मार्गदर्शन करते हैं। स्वचालित डेटा प्लेटफॉर्म और मशीन लर्निंग एकीकरण की वृद्धि केवल एक अच्छी तरह से निष्पादित डीसीए कार्यक्रम के मूल्य को बढ़ाती है। चूंकि अपरंपरागत जलाशय महत्व में बढ़ने के लिए जारी रहता है, इन सर्वोत्तम प्रथाओं को बढ़ावा देने से परिसंपत्तियों को अलग कर दिया जाता है।

आगे पढ़ने के लिए, SPE तकनीकी पेपर लाइब्रेरी जलाशय इंजीनियरों और डेटा वैज्ञानिकों के बीच सैकड़ों प्रासंगिक अध्ययन प्रदान करता है, और अंतर-विषय सहयोग पूर्वानुमान सटीकता के अगले स्तर को अनलॉक करने की कुंजी है।