La necessità di pressare le valutazioni delle riserve accurate nei campi marginali

In questo modo, i piccoli investimenti industriali e i piccoli investimenti sono stati resi più difficili da trovare, ma i più piccoli investimenti economici sono stati in grado di determinare, in misura relativamente modesta, le nuove economie di scala.

Le sfide distintive dei campi piccoli e marginali

Per capire perché sono necessari nuovi metodi, aiuta a mappare gli ostacoli specifici che i flussi di lavoro convenzionali incidono sopra. I piccoli campi raramente godono della copertura densa dei dati che fanno le controparti giganti. Un'unica esplorazione bene, forse con una sidetrack, può essere tutto ciò che esiste prima di una decisione di sviluppo.

In un campo di classe mondiale, un operatore può giustificare un programma di valutazione pluriennale con più pozzi e test approfonditi.Per un campo marginale, il costo di un singolo pozzo aggiuntivo può superare il valore attuale netto dell’intera scoperta. Questo costringe gli ingegneri del serbatoio a prendere decisioni sulla base di un numero molto minore di punti di dati, aumentando il rischio di sovra-e sottovalutazione.

La Società delle Riserve di stima degli ingegneri del petrolio[[] delinea le dimensioni tecniche e commerciali che devono essere riconciliate, ma queste linee guida assumono una certa densità di dati affidabili che molti operatori di campo piccolo semplicemente manca. Il divario tra l'ideale e l'innovazione disponibile spinge.

Perché i metodi tradizionali cadono breve

La stima delle riserve convenzionali poggia su tre pilastri: calcoli volumetrici, bilancia dei materiali e analisi dei riduzioni per i campi di produzione. Ciascuno richiede input difficili da limitare in ambienti marginali. I volumetrici dipendono da una precisione di porosità, saturazione, rapporto di detersivi netti e fattore di recupero. In un campo con un pozzo, ciascuno di questi parametri può portare un ampio intervallo di incertezza.

L’equilibrio dei materiali, elegante nella sua fisica, richiede dati di pressione affidabili che spesso non sono disponibili se il campo non è stato in produzione abbastanza a lungo per registrare una diminuzione della pressione misurabile.

Metodi geostattici che rispettano la continuità spaziale

La gamma di geostazioni è stata a lungo utilizzata per popolare i modelli di serbatoi con proprietà petrofisiche, ma la sua applicazione per la stima diretta delle riserve nelle impostazioni data-starved è avanzata rapidamente.

Un altro tipo di geostazioni che acquisiscono la trazione è l'indicatore che si basa sulla modellazione delle favole. Nei sistemi di turbidite o fluviali a letto sottile, la litologia può cambiare drasticamente su distanze brevi.

Flusso di lavoro pratico per le riserve geostatiche

Per gli operatori con dati limitati, un flusso di lavoro geostazionario pragmatico inizia con la modellazione variogram utilizzando tutti i dati disponibili e le tendenze derivate dal sismico. Se il controllo è troppo scarso per stimare il variogramma affidabile, un variogramma generico da un analogico geologicamente simile può essere utilizzato, con un'analisi della sensibilità per testare l'impatto delle diverse lunghezze di correlazione spaziale.

Algoritmi di apprendimento della macchina che imparano da ogni punto di dati disponibile

I dati relativi all’apprendimento delle macchine (ML) sono passati da hype a applicazione pratica nel calcolo delle riserve negli ultimi cinque anni. A differenza delle geostatiste, che si basano sulla correlazione spaziale, i modelli ML, in particolare gli alberi a basso contenuto di argilla e le reti neurali, potrebbero scoprire relazioni non lineari tra decine di variabili.

Modelli di apprendimento automatico informatizzato dalla fisica

Uno sviluppo particolarmente promettente è l'uso di reti neurali informate dalla fisica (PINN) che incorporano le leggi di conservazione all'interno dell'architettura ML. PINNs risolvere il problema noto di estrapolare al di fuori della gamma di formazione, che è vitale quando un piccolo campo mostra comportamento non visto in pozzi analogici ridurre.

L'analisi del cluster può identificare le famiglie dei pozzi o dei compartimenti di serbatoio che condividono il comportamento di produzione, aiutando gli ingegneri a selezionare i gruppi analogici per stima probabilistica che sono più strettamente vincolati delle medie di bacino-wide. L'analisi dei componenti principali degli attributi sismici è stata utilizzata per delineare i confini del compartimento in un piccolo campo del Mare del Nord dove l'interpretazione del difetto è ambiguale, direttamente informando i modelli di stress.

Migliorata la riproduzione del Conservatorio: Integrazione di Sismica, Geologia e Petrofisica

La modellazione moderna dei campi marginali si basa su dati sismici 3D. L'inversione di pre-stack e l'analisi di ampiezza-variazione-con-offset (AVO) possono produrre volumi di varietà di roccia-property, l'impedenza di P, l'impedenza di S-impedenza, la densità, che servono come vincoli soffici nel geomodello.

Una volta costruito il modello statico, la simulazione dinamica fornisce il fattore di recupero. Per i campi marginali, la simulazione full-compositional può essere eccessiva; modelli proxy scalati o simulazione semplificata può funzionare in minuti e ancora catturare l'interazione di eterogeneità e posizionamento bene. La chiave è quella di eseguire abbastanza realizzazioni per generare una distribuzione significativa del recupero finale, che può poi essere combinata con la distribuzione in-place per produrre un range di riserve.

Approcci probabilistici che quantificano l'incertezza trasparente

In campi marginali, dove la differenza tra successo e fallimento è sottile, metodi probabilistici forniscono al decisore un quadro completo del rischio. La simulazione di Monte Carlo è la tecnica più comune, ma recenti perfezionamenti includono l'uso della catena Markov Monte Carlo (MCMC) per le misurazioni di storia corrispondenti e l'aggiornamento Bayesian per incorporare nuovi dati robusti come arriva.

Le distribuzioni sono quindi valutate migliaia di volte in un motore Monte Carlo per produrre una curva di aspettativa per i volumi recuperabili. L’uscita non è un singolo numero ma una distribuzione di probabilità che risponde alla domanda: quanto petrolio possiamo aspettarci di produrre con una fiducia del 90%, la fiducia del 50%, o la fiducia del 10%? Questo si alimenta direttamente in economia di progetto, dove il tasso interno di ritorno (IRR) e il valore attuale netto (NPV) possono essere calcolati per ogni punto su ogni punto negativo.

Integrazione dei dati e Rise of Digital Twins

In un piccolo campo con uno o due produttori, il gemello digitale potrebbe essere un modello di serbatoio relativamente semplice che ingerisce la pressione in tempo reale e i dati di tasso. Come progredizioni di produzione, algoritmi di analisi della storia-matching-spesso alimentati da filtri di Kalman di insieme o ottimizzazione basata su contiguità-

Applicazione in un bacino di maturazione

Considerare un esempio ipotetico ma realistico: un piccolo campo condensato a gas nel Mare del Nord meridionale, scoperto nel 2018 da un unico pozzo verticale. Il serbatoio è una sottile arenaria rotliegend, a circa 3.500 metri di profondità, con una paga netta di 12 metri. L'operatore, un piccolo detersivo, ha dovuto decidere se sviluppare il campo con un unico tie-back orizzontale a una piattaforma di recupero vicina.

Il team ha poi applicato un flusso di lavoro probabilistico integrato. Hanno usato una simulazione geostattica condizionata al volume di ampiezza sismica per generare 500 realizzazioni di porosità e di retribuzione netta. Hanno costruito le distribuzioni di probabilità per la saturazione dell'acqua utilizzando un'intuizione J-funzione calibrata al core da un campo di deterre a tre chilometri di distanza, riconoscendo la possibilità di diverse pressioni di entrata capillari.

Vantaggi quantificabili che proteggono la linea inferiore

I risultati dell'adozione di metodi innovativi possono portare a miglioramenti tangibili che vanno oltre la soddisfazione tecnica. In primo luogo, i guadagni di precisione si traducono in una migliore ripartizione dei capitali. Quando una società può distinguere tra un 5 Bcf e un campo di incertezza 15 Bcf con fiducia, evita il capitale in flessione nei progetti sub-economici o, inversamente, manca un'opportunità di valutazione dei costi.

Superare i Barriers per l'attuazione

Nonostante i benefici chiari, molti operatori esitano ad adottare queste tecniche. Le barriere sono in parte culturali: gli istituti di riserve sono spesso formati in metodi deterministici e possono sfiorare la natura “black box” dei modelli di apprendimento automatico. La fiducia costruttiva richiede documentazione del modello trasparente, il test cieco contro i risultati conosciuti, e un algoritmo di lancio graduale che inizia con un percorso parallelo al processo tradizionale.

La strada principale: tecnologie di prossima generazione

I sistemi di calcolo e di gestione dei dati di base sono più avanzati, ma i sistemi di calcolo di livello inferiore possono essere utilizzati per l’analisi dei dati.

Un percorso disciplinato per la resilienza del Portfolio

I metodi innovativi per stimare le riserve nei campi marginali e piccoli non sono più sperimentali, sono stati convalidati dai risultati del campo e dal crescente corpo di studi di casi pubblici.