Esaminare le riserve nelle formazioni di olio stretto utilizzando analisi avanzate

Esaminare le riserve nelle formazioni di olio stretto utilizzando analisi avanzate

La stima dei volumi petroliferi recuperabili in formazioni strette rappresenta una delle sfide più impegnative nel settore dell'ingegneria petrolifera moderna. Questi serbatoi a bassa permeabilità – spesso misurati in nanodarcies – difendono i calcoli volumetrici tradizionali e declinano le ipotesi curve nate in giochi convenzionali.

Perché le formazioni di olio stretto Defing stima convenzionale

La stima della riserva convenzionale si basa su metodi consolidati come l'equilibrio materiale, l'abbinamento analogico e l'analisi della curva di declino dell'Arps. Queste tecniche sono state sviluppate per serbatoi con permeabilità superiori a un milliDarcy, dove la comunicazione della pressione è affidabile e i volumi di drenaggio sono ben definiti.

Barriera permeabilità e dinamica di flusso

La maggior parte della vita produttiva di un pozzo si verifica durante il periodo di flusso transitorio, che significa flusso limitato-dominato- il regime richiesto per stima volumetrica affidabile - è raramente osservato. Come risultato, i parametri di declino iperbolico devono essere montati con dati di ritardo, spesso introducendo significative over-phasempmation di analisi finale stimata (EUR).

Eterogeneità geologica e identificazione dolce del punto

Le formazioni di Wolfcamp e Bone Spring del bacino di Permian mostrano un'eterogeneità verticale e laterale estrema. I letti sottili di mudstone ricco di organici, i flussi di detriti di carbonato, e gli interbiti silenziati si alternano su scale di pollici ai piedi. Le buone prestazioni possono variare da un fattore di dieci all'interno di una singola sezione a causa di sottili cambiamenti nella litologia, pressione dei pori e l'intensità della frattura naturale.

L'inadeguatezza delle Arps Decline Curves in Unconventionals

L'equazione di declino iperbolico Arps, con il suo caratteristico b-factor superiore a 1.0 per le formazioni strette, è stata ampiamente criticata per la produzione di previsioni empiriche fisicamente. Quando b supera 1, il comportamento cumulativo divergono integrali, implicando volumi infinitamente recuperabili nel tempo infinito.

Costruire una Fondazione Digitale: Acquisizione e Integrazione dei Dati

L'accuratezza di qualsiasi stima di riserva basata sull'analisi dipende in modo netto dalla larghezza e dalla qualità dei dati sottostanti. Un moderno operatore di oli stretti raccoglie terabyte di informazioni provenienti da sondaggi sismici, registri di filiali, analisi di base, saggi geochimici, monitoraggio microsesmico, rilevamento della fibra ottica, diagnostica di completamento e record di produzione quotidiana.

Dati sismici e microsismici

I dati relativi all'integrazione dei cavi di analisi, che offrono un'analisi dei parametri di analisi dei parametri, consentono di distinguere i dati di analisi dei parametri di analisi dei dati di tipo acustico.

Log petroliferi e analisi del nucleo

I dati relativi alla produzione di minerali e di saturazione dei fluidi possono essere utilizzati per la valutazione della natura, per la quale vengono utilizzati dei sistemi di controllo e per la valutazione dei dati relativi alla produzione di minerali, per la loro capacità di elaborazione.

Parametri di dati e di completamento di produzione

Il comportamento quotidiano di petrolio, gas e acqua, le pressioni scorrevoli e le impostazioni di colata formano la colonna portante di serie temporale di qualsiasi modello EUR guidato dai dati. Nelle formazioni strette, il design dei completamento—la lunghezza del palco, la spaziatura del cluster, il caricamento del proppant e il volume del fluido—evidenzia un'influenza di primo ordine sulla buona produttività.

Imparare la macchina come motore di stima

A differenza dei modelli deterministici che richiedono equazioni fisiche predefinite, gli algoritmi ML imparano direttamente dalla produzione storica e dagli analoghi geologici, catturando complesse interazioni non lineari che sono difficili da parametrizzare manualmente.

Apprendimento supervisionato per la previsione di produzione

I modelli di apprendimento supervisionati possono includere le funzioni di input (descrittori geologici, parametri di completamento e dati di produzione di prima scelta) ad una variabile di destinazione come il petrolio cumulativo di 6 mesi o 30 anni EURoste.

Apprendimento profondo e reti neurali ricorrenti

Le previsioni di tempo per le architetture che si differenziano da quelle che si presentano in termini di dipendenza, come le reti di memoria a breve termine (LSTM) e le unità di corrente (GRU).

Ingegneria e selezione della caratteristica

Il successo di qualsiasi modello supervisionato dipende dalla qualità e dalla pertinenza delle sue caratteristiche di input. In una stima di riserva di petrolio stretta, l'ingegneria delle caratteristiche comporta la costruzione di variabili che catturano la geologia (porosità, TOC, saturazione dell'acqua, volume di argilla), geomeccanica (modulo di Young, rapporto di Poisson, minimo stress orizzontale), i completamento (proppanto per piede, fluido per lunghezza del palco, efficienza del cluster), e produzione anticipata).

Approcci non supervisionati e informati sulla Fisica

Oltre alla previsione diretta, l'analisi avanzata svolge un ruolo fondamentale nella scoperta e nella convalida. L'apprendimento non supervisionato identifica i raggruppamenti naturali in dati senza etichette predefinite, rivelando modelli che possono rappresentare nuove facies del serbatoio, interazioni fratture e regimi di produzione.

Incisione per le Facies e Rock Typing

I sistemi di distribuzione dei dati di base e di distribuzione dei dati di base, che si basano su modelli di distribuzione dei dati di base, sono più flessibili e sismici.

Fisica-Reti Neurali Constrained

L'interpretazione di un sistema di analisi dei dati è stata ampiamente utilizzata per l'integrazione delle leggi fisiche nella formazione della rete neurale. Le reti neurali informatiche (PINN) hanno incorporato le equazioni di governo del flusso fluido, come l'equazione della diffusione per l'analisi dei reattori di pressione, direttamente nella funzione di perdita del modello.

Riduzione della dimensione per il riconoscimento del modello di grande scala

Con centinaia di curve di log, attributi sismici e variabili di completamento disponibili per ogni pozzo, lo spazio di funzionalità nell'analisi di petrolio stretto può superare 200 dimensioni.

Dalla Predizione alla Decisione: Integrazione Operativa

L'analisi avanzata non si ferma a generare un numero di EUR. Il valore sta nel threading che l'intuizione attraverso l'intero ciclo di pianificazione dello sviluppo del campo. I flussi di lavoro integrati combinano modelli geologici, previsioni di apprendimento automatico e ottimizzazione economica per guidare la scelta della zona di sbarco e l'allocazione del capitale. Ad esempio, una mappa probabile EUR stratificato con modelli di costo di perforazione e completamento consente un'ottimizzazione del valore attuale (NPV) che si trasforma in posizioni di riserva statisticamente redditizie a prezzi correnti.

Quantificazione e gestione dei rischi

Gli enti di regolamentazione e gli auditor finanziari richiedono riserve per essere classificati secondo il grado di certezza. L'analisi avanzata fornisce solidi framework per la quantificazione dell'incertezza attraverso l'aggregazione di bootstrap, il modello Bayesian media e la predizione conformale.

Ottimizzazione del portafoglio e assegnazione del capitale

Le aziende possono eseguire simulazioni Monte Carlo attraverso l'intero portafoglio di asset, calcolando la probabilità di incontrare obiettivi di produzione aziendale o le convenzioni di debito sotto vari scenari di sviluppo.

Successi e lezioni sul campo

L'applicazione di analisi avanzate nelle riserve di petrolio stretto non è teorica. Nel bacino di Midland, un importante operatore indipendente ha implementato un pipeline di apprendimento automatico che ha ingerito la produzione quotidiana, i completamento e i dati geologici da oltre 5.000 pozzi orizzontali. Il modello ha generato previsioni P50 EUR che sono diminuite del 12% della produzione cumulativa effettiva di cinque anni per l'85% dei pozzi, un netto miglioramento rispetto alla banda di errore più alta del 30% metodi tradizionali di previsione di tipo.

Lezioni di fallimento dell'attuazione

I gruppi comuni di analisi non riescono a fornire lezioni di valore per il settore. I casi comuni includono modelli di formazione su dataset biased che rappresentano pozzi di alta qualità, trascurando di tenere conto di tagli economici e vincoli operativi nelle previsioni EUR, e implementando modelli senza una quantificazione adeguata dell'algoritmo, che portano a prenotazioni di riserva troppo sicuro. Un altro problema di riesame è la disconnessione tra il team di dati di scienza dei dati e il team di assetto.

La strada principale: l'apprendimento continuo e la gestione autonoma del server

Il futuro della stima di riserva nel petrolio stretto sarà definito da un passaggio da valutazioni statiche, periodiche a sistemi continui e chiusi. Poiché il rilevamento della fibra ottica e il calcolo dei bordi forniscono in tempo reale pressione, temperatura e dati di sforzo da parte di laterali orizzontali, i modelli di apprendimento automatico aggiorneranno le previsioni EUR su base giornaliera, imparando da ogni nuovo dato di produzione.

Il ruolo dei modelli di AI e Foundation Generative

I modelli di fondazione pre-trained su corpora massiccia di ingegneria del petrolio letteratura, ben report, e database di produzione possono generare le descrizioni iniziali del serbatoio, suggeriscono i parametri di curva di declino, e anche redigere rapporti di riserva in linguaggio naturale. Mentre questi strumenti non sono ancora pronti per la presentazione diretta di regolamentazione, servono come potenti assistenti che accelerano il lavoro di ingegneria di riserva analogica.

Integrare l'elemento umano

Per tutte le sue sofisticazioni tecniche, l'analisi avanzata rimane uno strumento che magnifica, piuttosto che sostituire il giudizio umano. Le implementazioni più efficaci accoppiano i dati scienziati con esperti ingegneri del serbatoio e geologi che possono controllare le uscite del modello, identificare quando una previsione viola la ragione fisica e riconoscere le tendenze del bacino emergente che le statistiche pure potrebbero perdere.