Introduzione

L'analisi della curva di declineamento è una pietra angolare dell'ingegneria del serbatoio, fornendo le previsioni che sostengono la pianificazione dello sviluppo del campo, la stima delle riserve e la valutazione economica empi. Per decenni, l'industria ha fatto affidamento su due famiglie distinte di modelli: metodi empirici, causati dai dati che si adattano alla produzione storica a semplici funzioni matematiche, e modelli meccanici basati sulla fisica che tentano di onorare le equazioni del flusso dei fluidi nei mezzi porosi.

La spinta verso gli approcci ibridi è motivata da esigenze pratiche. I serbatoi non convenzionali, con le loro complesse reti di frattura e il flusso multifase, sfidano i metodi di declino tradizionali. Gli ingegneri hanno bisogno di previsioni che siano sia accurate e robuste, soprattutto quando i dati di produzione sono limitati o rumorosi. Integrando i vincoli fisici, i modelli ibridi riducono il rischio di sovraccaricare e migliorare le prestazioni in condizioni di cambiamento come la pressione, l'eliminazione, l'interferenza, o la stimolazione, o la stimolazione.

Modelli di declino empirico

I modelli empirici trattano il tasso di produzione come funzione di tempo, privo di fisica del serbatoio sottostante, la loro semplicità è il loro vantaggio principale: richiedono solo dati di produzione, si adattano rapidamente e producono previsioni immediate.

q(t) = q]i] / (1 + b D]i t] / b[]]]

] è la prima volta ]Di è il tasso di declino iniziale, e b] è il declino dei modelli convenzionali

Duong (2011) ha introdotto un modello su misura per serbatoi fratturati con flusso lineare transitorio:

q(t) = q]i]] t[]-n[[]] [(a/(1-n)] [1-n[]]]]]] ]]]]]

dove a]] e n[]] sono parametri adatti. Il modello di Duong spesso supera le Arps iperboliche nella fase transitoria della prima vita ma può sopravvalutare la produzione a lungo termine.

Modelli di declino basati sulla fisica

I modelli basati sulla fisica incorporano esplicitamente le equazioni che regolano il flusso di fluido, le caratteristiche idrauliche e di serbatoio. Queste vanno dalle soluzioni analitiche per geometrie idealizzate ai simulatori di serbatoio numerici completi. Le curve di tipo Fetkovich (1980), ad esempio, combinano il declino di Arps con soluzioni analitiche per il dispendio analitico e il flusso derivato-limitato.

Per i serbatoi complessi, la multistadio ha fratturato idraulicamente i pozzi orizzontali nello shale, le aziende spesso costruiscono modelli numerici che simulano il flusso multifase, la geomeccanica e i cambiamenti nella conducibilità della frattura.

Approcci di modellazione ibridi

I modelli ibridi sono progettati per colmare il divario tra convenienza data-driven e coerenza fisica.

Calibrazione sequenziale dei modelli di fisica con Empirics

Un sistema ibrido comune utilizza modelli empirici per inizializzare o constranee una previsione basata sulla fisica. Ad esempio, un esponente di declino delle Arps [b[] può essere utilizzato per inferire il regime di flusso (ad esempio, b=2 per puro flusso lineare), che poi informa i parametri di una soluzione analitica numerica.

Modelli empirici informativi

[LT] un altro approccio impone vincoli fisici direttamente sul raccordo di curva empirica[[LlT][[[]]]]][[FLT]]]][[[[FLT]]]]] potrebbe essere costretto a seguire una forma funzionale prevista derivata dall'equilibrio materiale, in modo che il modello non possa violare la conservazione della massa.

Correzione dei modelli di fisica

In questa categoria, un modello di fisica fornisce una previsione di base, e uno strato di apprendimento empirico o automatico corregge i residui. Ad esempio, un simulatore numerico potrebbe generare una tendenza di declino di primo ordine, e una rete gaussiana di processo o neurale è addestrata a prevedere la differenza tra i tassi osservati e simulati. Il modello combinato mantiene la struttura fisica del simulatore ma impara errori sistematici, calibrando efficacemente il modello di fisica per i dati osservati senza metodo di simulazione multipla.

Imparare a macchina in forma fisica

I recenti progressi nell'apprendimento profondo hanno introdotto reti neurali informate (PINN)], che incorporano il PDE governativo (ad esempio, l'equazione di diffusione) come termine di regolarizzazione nella funzione di perdita.

Studi e applicazioni dei casi

In un documento SPE del 2020 (] SPE-201571-MS), i ricercatori hanno sviluppato un approccio ibrido che accoppia un modello numerico basato su equilibrio materiale con una rete neurale addestrata sui dati di produzione sul campo da Bakken.

Gli operatori del campo utilizzano anche modelli ibridi indirettamente attraverso piattaforme software che combinano RTA con raccordo di curva statistica. Ad esempio, strumenti commerciali ([[[]IHS Harmony[]] o ]]]]Fekete RTA[[]]]]]]) consentono agli utenti di imporre vincoli di flusso-regimi su misura empirica, creando efficacemente un flusso, creando un flusso, impedendo così il flusso, creando un flusso, impedendo così il flusso, impedendo così di lavoro fisico.

Sfide nello sviluppo di modelli ibridi

Nonostante la loro promessa, i modelli ibridi affrontano diverse sfide durature. In primo luogo, integrazione di diversi framework di modellazione[ richiede un'attenta attenzione alle scale di tempo, alle condizioni di confine e alla convalida. Un modello sequenziale che utilizza una misura empirica per inizializzare una simulazione fisica può propagare errori se la vestibilità empirica è scarsa.

In secondo luogo, qualità e quantità dei dati[[]] rimangono fattori limitanti. I modelli basati sulla fisica richiedono pressione, proprietà fluide e dettagli di completamento; i modelli empirici hanno bisogno di una storia di produzione affidabile. I modelli ibridi ereditano le debolezze di entrambi se i dati sono radi o inaffidabili.

In esecuzione di un simulatore di serbatoio completo per migliaia di pozzi in un flusso di lavoro di previsione giornaliero è impraticabile. Anche i modelli analitici di bassa fisica, quando accoppiati con ottimizzazione iterativa, possono diventare troppo lenti per applicazioni in tempo reale. Molti approcci ibridi così compromesso utilizzando la fisica semplificata—per esempio, assumendo il modello di flusso mono-fase.

Quarto, model selezione e validazione[[]] non sono banali. Con un modello ibrido, l'ingegnere deve decidere quali vincoli fisici imporre e quanto peso dare loro rispetto ai dati in forma.

Le direzioni future

L'evoluzione dei modelli di declino ibrido sarà guidata da progressi in quattro aree: machine learning, assimilazione dei dati, monitoraggio in tempo reale e gemelle digitali.

Imparare la macchina e la scoperta automatica della fisica

Le reti neurali e la regressione simbolica possono scoprire relazioni fisiche latenti nei dati di produzione. Ad esempio, una chiara identificazione delle dinamiche non lineari (SINDy) può estrarre le equazioni di governo direttamente dalle curve di tasso-tempo, producendo modelli che sono entrambi dati-driven e parsimonious.

Assimilazione dei dati e Aggiornamento continuo

I filtri e i filtri antiparticella permettono di aggiornare i modelli ibridi come nuovi dati di produzione. Invece di una sola previsione statica, il modello si evolve con il tempo, ritrasformando sia i parametri empirici che gli input fisici (ad esempio, i moltiplicatori di permeabilità). Questo assimilato-loop]] è già utilizzato in alcuni campi intelligenti ma rimane raro per l'analisi curva di declino di routine.

Gemelli digitali per il ciclo di vita bene

Un'estensione naturale è il gemello digitale ben specifico, un modello continuamente aggiornato che fonde simulatori di fisica con dati di produzione in tempo reale, ben test e registri operativi. Il componente ibrido di previsione si commuta automaticamente tra i modelli basati sul rilevamento del regime di flusso, utilizzando formule empiriche per fasi transitorie e spostandosi al bilanciamento dei materiali basato sulla fisica per periodi delimitati-dominati.

Conclusioni

I modelli ibridi che combinano approcci empirici e basati sulla fisica offrono un percorso pratico verso previsioni più accurate, robuste e interpretabili di curva di declino. Mantenendo la semplicità e la potenza di data-fitting dei metodi empirici, pur mantenendo le previsioni alle leggi fisiche, si rivolgono ai limiti di ogni approccio puro. Il campo si sta evolvendo rapidamente, con le innovazioni nell'apprendimento delle macchine e nell'assimilazione dei dati in grado di fornire modelli che sono auto-calibranti, adattamento alle risorse più lunghe.