유압 Fracturing에 있는 Decline 곡선 분석에 소개

DCA는 기존의 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용할 수 있는 자원을 활용할 수 있는 기회를 제공합니다.

1. 기초: 고품질 생산 자료

정확한 DCA는 엄격한 vetted 생산 자료로 시작합니다. 유압 fracturing 프로젝트는 수시로 진실한 공기 쇠퇴를 직면할 수 있는 초기 흐름 및 시설 curtailments를 경험합니다. 가장 좋은 연습은 분석가에 요구합니다:

  • Validate 미터 및 분리기 레코드 탱크 게이지와 할당 보고서에 대한 - 단일 아웃리터는 감소 exponent를 협곡 할 수 있습니다.
  • 절단 데이터셋에서 종료된 기간과 작업의 일](예: 컴프레서 실패, 파이프라인 제한)을 제외합니다.
  • )압력 변이에 대한 정상화] 사용 하 여 바닥재 유량 (BHFP) 사용 하 여 데이터 사용할 수 있습니다. 가변의 효과를 제거 하는 일정 압력에 흐름율 변환.

많은 연산자는 장기적인 추세를 보존하면서 30 일 롤링 평균을 부드럽게하는 일시적 완성 효과를 찾는다는 것을 발견했습니다. 여러 단계로 수평 잘 알려진 경우, 생산은 downhole 감지가 사용되면 각 골절 단계에 올바르게 할당됩니다. 석유 엔지니어 협회 (SPE)의 연구는 데이터 일관성이 DCA에서 가장 큰 소스가 불명한 웰빙을 위해 ([[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[]]]]]]]]]]]]]]]])를 위한 DCA의 단일 최대 소스를 강조합니다.

2. 모형 선택: 표준 Arps의 저쪽에

고전적인 Arps 방정식 (전반, hyperbolic, 단자 감소와 hyperbolic)은 대중적 남아 있지만, 유압 fracturing 프로젝트는 종종 선형 및 bilinear 흐름을 캡처하는 수정이 필요합니다.

노출 Decline

잘 도달 한 후만 적용 가능한 경계선 흐름 – 높은 침투성 골절 또는 생산 년 후 일반. 거의 적합하지 않은 잘에서 초기 수명 DCA에 적합.

Hyperbolic Decline (아프스)

분쇄된 우물을 위한 가장 널리 이용되는 모형. b 요인 (0에서 1)는 빨리 비율이 느립니다 묘사합니다. 1개가 경계 지배한 교류를 위해 육체적으로 비대칭하는 b 요인 그러나 수시로 적당한 초기 transient 자료입니다. 특정 커트오프가 EUR를 강화하기 위하여 피하기 위하여 끝 쇠퇴 비율 (예를들면, 년 당 5 10%)를 피하기 위하여 이용하십시오.

Duong 모델

선형 흐름 지배인 골절된 리서치에 특히 설계. 듀옹 모델은 로그 로그 선형 추세를 사용 하 고 종종 중간 시간 데이터에 일찍 적합. 많은 연산자는 이제 하이브리드 접근을 적용: 첫 번째 1–3 년 동안 듀옹, 그 후 경계 하이퍼 학적 모델로 전환.

다른 방법

  • Stretched Exponential (SEPD) – 셰일에서 볼 수있는 힘 law 행동을 캡처합니다.
  • Logistic Growth Model – 때로는 전체 필드 골재에 사용됩니다.
  • Machine Learning–Assisted DCA – 임의 숲이나 신경망을 사용하여 새로운 트렌드를 통해 완료 및 저수지 속성에서 쇠퇴 매개 변수를 예측합니다.

모델의 철저한 비교는 ]SPE Journal of Petroleum Technology(select article)]에 의해 제공됩니다. 주요 취항지: 항상 데이터의 첫 6-12 개월에 적어도 3 가지 모델을 테스트하고 개최되는 검증에 가장 낮은 루트 메간-사각 오류 (RMSE)와 함께 하나를 선택하십시오.

3. 일정한 업데이트 및 적응 예측

유압 fracturing 프로젝트는 동적인 – refrac 가동, infill 훈련 및 변화 시설 constraints 모든 변화 쇠퇴 행동입니다. 제일 연습 dictates:

  • 월 모델 재편 첫 2년 동안, 그 후반으로.
  • 제품 데이터의 롤링 윈도우] (예: 최근 트렌드에 대한 민감성에 대한 전체 역사보다 18개월).
  • Monitor model residuals systematic deviations. 3개월 동안 연속적으로 overpredicts가 되면, reservoir 또는 시설 성능의 변화가 의심되는 경우.
  • 모든 모델 버전] 을 저장하여 왜 변화한 예측을 보장하는 것은 예약 및 투자자 커뮤니케이션에 중요한 것입니다.

많은 연산자는 Directus (원래 기사 타이인의 주제)와 같은 플랫폼을 사용하여이 워크플로우를 자동화하여 생산 데이터 파이프라인을 관리하고 새로운 월간 데이터가 도착했을 때 자동 복원을 트리거합니다. 이것은 의사 결정 제조업체가 현재 EUR 추정과 항상 작동한다는 것을 보장합니다.

4. 외부와 가동 요인을 통합

순수한 생산 곡선은 현실을 무시합니다. 유압 fracturing 프로젝트를 위한 튼튼한 DCA는을 위해 조정해야 합니다:

Completion Design 변경

더 큰 추진 볼륨 또는 더 단단한 단계 간격을 받는 것은 종종 가파른 초기 감소를 보여하지만 더 높은 EUR. 다변 DCA 접근 (예를 들어, proppant 로딩에 따라 다른 모델 그룹을 만듭니다)를 사용하여 완료 매개 변수의 요인.

학부모-Child Well 상호 작용

기존 생산자 근처의 드릴을 깔아 효과적인 골절 전도성과 교체 감소를 줄일 수 있습니다. 데이터 세트가 아이를 잘 포함하면, 0.1-0.3에 따라 B-factor를 축소하여 잘 간격을 조정합니다.

Curtailments 및 시장 요인

잘 가스 가격 변동성 또는 탈취 용량 제약으로 인해 쿡 드가 멈춰서, 쇠퇴 곡선이 볼록합니다. 비난한 쇠퇴 모양을 재구성하기 위해 속도 압력 디콘볼트를 사용합니다. 텍사스 철도위원회는 커넥트 생산 기록을 조정하기위한 지침을 제공합니다. ]RRC 생산 데이터 리소스.

환경 및 규제 시프트

난연, 물처리, 또는 지진 활동에 대한 새로운 규정은 가동 변화에 힘쓰게 될 수 있습니다. 항상 이러한 이벤트의 로그를 유지하고 비만적을 할당하기 위해 시나리오 기반 DCA (낮/중/고한 경우)를 적용합니다.

5. 주소 공유지 Pitfalls

경험 많은 분석가들은 함정으로 떨어졌다. 여기에 유압 fracturing 프로젝트에 대한 DCA에서 가장 빈번한 실수가 있습니다.

  • 초회 데이터 변동성을 무시: 첫 60-90일은 골절정정 및 흐름백에 의해 지배되며, 모델 피팅을 제외한 모델의 특수 플로우백 모델을 사용.
  • 높은 b 요인과의 비교: b 요인 >2 자주 마스크는 데이터 품질 또는 부적절한 모델. 항상 erratic 동작을 확인하기 위해 쇠퇴 곡선의 유래를 구합니다.
  • 다른 방법으로 검증되지 않음: 재료 균형 또는 시뮬레이션과 DCA 결과를 비교합니다. DCA EUR가 가장 많이 예상보다 30% 더 높으면 가정을 재 확증합니다.
  • Using Fixed terminal dec rate: 대신, 같은 분지에서 아날로그 성숙에서 파생된 데이터 중심 최소 쇠퇴 비율을 사용합니다.

이러한 pitfalls를 피하기위한 고전적인 참조는 Patzek, Saputelli 및 기타 ([FLT : 0]]SPE 162543[FLT : 1])에 의해 발명 된 저수지 "Decline Curve Analysis for Unconventional Reservoirs"입니다.

6. 진보된 기술: 기계 학습과 Bayesian 방법과 DCA 통합

데이터 볼륨이 성장함에 따라 업계는 세분화 곡선 피팅을 넘어 이동하고 있습니다. Bayesian Decline Curve Analysis는 사전 지식 (예, 전형적인 EUR 범위는 주어진 재생)을 통합하고 새로운 데이터가 도착함에 따라 예측을 업데이트 할 수 있습니다. 출력은 위험 기반 결정에 대한 단일 값보다 확률 분포입니다.

기계 학습 모델은 완료 속성 (예 : 단계 수, 유체 유형, 클러스터 간격)에서 쇠퇴 매개 변수를 직접 예측할 수 있습니다. 이 모델은 역사적으로 잘 수행되며 생산 역사없이 새로운 웰빙에 대한 DCA 불확실성을 줄일 수 있습니다. 그러나 그들은 out-of-sample 데이터에 대한주의적 검증을 요구합니다. 석유 과학 및 공학 [FLT : 1]이 하이브리드 접근 방식에 대한 여러 사례 연구를 발표했다.

7. 유압 파쇄 프로젝트에서 DCA 구현을 위한 실제적인 워크플로

  1. ]데이터 섭취: 매일 생산, 압력, 그리고 중앙 데이터베이스에 데이터를 완료(예:, Directus). 오토메이트 품질 관리는 0, 부정적인, 간격을 확인합니다.
  2. Initial model Selection: 은, 첫 12개월의 데이터에 b=0.5-1.2, Duong, SEPD) 와의 모델(exponential, hyperbolic)의 배치를 실행합니다. AIC 또는 RMSE의 순위.
  3. 아날로그 잘의 캐시레이트: 새로운 웰빙을 위해, 유사한 완성 디자인과 오프셋의 매개 변수와 DCA를 씨.
  4. 월 자동 업데이트: Script 30일마다 다시 다시 시도하고 EUR가 10% 이상 변경한 플래그를 잘 검색합니다.
  5. Uncertainty quantification:모델 파라미터에 Monte Carlo 시뮬레이션을 사용하여 P10, P50 및 P90 예측 생성. 이 범위는 보고를 위한 사용.
  6. 엔지니어링 팀에 의해 검토: 각 분기, 실제 생산의 영향을 따라 DCA 결과의 대시보드를 제시. 이것은 섹션 4에서 "외부 요인"이 통합되는 곳이다.

8. 결론

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

더 읽기를 위해, SPE 기술 논문 라이브러리는 관련 연구의 수백을 제공하고, 저수지 엔지니어와 데이터 과학자 간의 상호간 협력은 예측 정확도의 다음 수준에 잠금을 해제하는 열쇠입니다.