Передовые статистические методы для улучшения качества кривой снижения

В нефтяной инженерии и управлении резервуарами способность точно прогнозировать снижение добычи имеет основополагающее значение для экономического планирования, оценки запасов и решений о вмешательстве. Анализ кривой убывания (DCA) был техникой рабочей лошадки в течение десятилетий, полагаясь в первую очередь на эмпирические модели Arps - экспоненциальные, гиперболические и гармоничные - для экстраполяции будущего поведения из исторических данных. Хотя эти модели просты и недороги в вычислительном отношении, они часто не в состоянии захватить сложность, шум и нестационарность, присутствующие в реальных производственных потоках. По мере созревания полей и увеличения объемов данных появились передовые статистические методы для улучшения качества, надежности и интерпретируемости кривой упадка. Эта статья исследует эти передовые методы, предоставляя всестороннее руководство для инженеров и аналитиков, стремящихся повысить свои возможности прогнозирования.

Основы анализа кривой упадка

Традиционный DCA начался с J.J. Arps в 1945 году, который формализовал три отношения скорости-времени, основанные на наблюдаемых тенденциях производства. Экспоненциальная модель предполагает постоянную скорость снижения, гиперболическая модель позволяет уменьшающуюся скорость снижения, контролируемую фактором b , а гармоническая модель является конкретным случаем гиперболической с b = 1.

q(t) = q i / (1 + b D i t)^(1/b)

где q i — начальная скорость, D i — начальная скорость снижения, а b — показатель снижения.Подбор этих моделей к производственным данным предполагает минимизацию ошибки между наблюдаемыми и прогнозируемыми скоростями, как правило, с использованием обычных наименьших квадратов.Несмотря на их простоту, модели Arps остаются широко используемыми, поскольку они требуют минимальных данных и обеспечивают простые проекции.

Однако предположения этих моделей — постоянные условия работы, однофазный поток и отсутствие изменений давления в резервуаре — редко встречаются на практике. Производственные данные часто загрязняются ошибками измерения, операционными прерываниями, вмешательствами скважины и изменениями в конструкции обратного давления или завершения. Кроме того, гиперболическая модель Arps с b больше 1 может привести к бесконечным запасам, физической невозможности, требующей специальных исправлений, таких как растянутые экспоненциальные или логистические модели. Эти ограничения мотивируют принятие более сложных статистических подходов.

Ограничения традиционных методов DCA

Прежде чем углубляться в передовые методы, полезно каталогизировать конкретные недостатки традиционного DCA, которые передовые методы направлены на решение:

• Предположение о постоянных темпах снижения: Экспоненциальные модели предполагают плоскую скорость снижения, которая редко держится в течение длительных периодов.Даже гиперболические модели предполагают плавно изменяющуюся скорость, которая игнорирует переходные эффекты от изменения условий эксплуатации или компартментализации резервуара.
• Чувствительность к шуму и выбросам: Подгонка на наименьшие квадраты очень чувствительна к экстремальным точкам данных.Один ошибочный скачок обратного потока или период ограниченного производства может исказить всю кривую, что приводит к предвзятым прогнозам.
• Ограниченная гибкость в моделировании сложного поведения: Модели Arps не могут обрабатывать несколько режимов снижения, таких как переходы от раннего пограничного потока к позднему истощению, или эффекты многофазного потока, деградация гидравлического разрыва или изменение динамики скважины.
• Отсутствие количественной оценки неопределенности: Традиционные припадки дают единый детерминированный прогноз без доверительных интервалов.
• Переподгонка и недоподгонка: При ограниченных данных гиперболические модели могут переподгонять, настроив параметры на шум, в то время как недоподгонка происходит, когда модель не может уловить важные тенденции.

Передовые статистические методы непосредственно сталкиваются с этими проблемами, предлагая инструменты для надежной оценки, распространения неопределенности и гибких структур моделей.

Расширенные статистические методы для повышения DCA

Нелинейная регрессия и оптимизация

Нелинейная регрессия расширяет наименьшие квадраты, позволяя прямое соответствие сложных многопараметрических моделей без линеаризации преобразований. Вместо использования логарифмических графиков для экспоненциального снижения, практикующие могут соответствовать общей модели Arps или более сложным функциям, используя итеративные алгоритмы, такие как методы Левенберга-Марквардта или доверительного региона. Эти алгоритмы минимизируют функцию затрат (например, сумму квадратных остатков) путем корректировки параметров на основе градиента.

Основные преимущества: Нелинейная регрессия обрабатывает модели, которые являются нелинейными по своим параметрам, таким как гиперболические и растянутые экспоненциальные (например, S-кривые модели). Она также может включать в себя схемы взвешивания до шумных периодов пониженного веса или недавних данных с избыточным весом. Современные реализации обеспечивают стандартные ошибки и корреляционные матрицы для параметров, давая первое представление о неопределенности.

Ограничения: Возможна конвергенция к локальному (а не глобальному) минимуму, особенно при плохих первоначальных догадках. Метод по-прежнему предполагает, что остаточные величины независимы и нормально распределены, что может не удерживаться для производственных временных рядов (аутокорреляция распространена). Варианты устойчивой регрессии (например, потеря Губера, итеративно перевзвешенные наименьшие квадраты) могут снижать чувствительность к выбросам.

Байесовский вывод и количественная оценка неопределенности

Байесовские методы включают в себя предварительное знание (например, типичные диапазоны для значений b ) и обновляют его наблюдаемыми данными для получения задних распределений для параметров модели.Задние количественно определяют неопределенность в каждом параметре и в прогнозе, обеспечивая достоверные интервалы, которые интуитивно интерпретируемы.

Markov Chain Monte Carlo (MCMC) — мощный байесовский инструмент для отбора проб сложных задних распределений, даже когда функция вероятности нестандартна или модель сильно нелинейна. Создавая тысячи правдоподобных наборов параметров, MCMC даёт полный вероятностный прогноз. Например, вместо одного номера EUR (оцениваемого конечного восстановления) инженер получает распределение вероятности EUR.

Преимущества:] Байесовское ДСА естественным образом обрабатывает скудные данные, сокращая оценки по отношению к предыдущим средствам, предотвращая нереалистичные экстраполяции. Оно также позволяет проводить иерархическое моделирование, где параметры в нескольких скважинах имеют общие априорные значения, улучшая индивидуальные хорошо вписывается. Полученные прогнозы включают интервалы прогнозирования, которые отражают как параметр, так и алеаторную неопределенность.

Практические соображения: MCMC требует тщательной настройки дистрибутивов предложений и может быть вычислительно интенсивным. Однако современные вероятностные языки программирования (например, Stan, PyMC) и специализированное программное обеспечение для анализа резервуаров сделали байесовский DCA доступным. Пользователи должны указать разумные априоры; например, b > 1 физически неправдоподобен для большинства резервуаров и может быть ограничен с помощью усеченного априора.

Подробное лечение см. Бхаттачарья и Никравеш (2015) на байесовском анализе кривой упадка с MCMC.

Машинное обучение и подходы, основанные на данных

Алгоритмы машинного обучения (ML) обеспечивают гибкую структуру для моделирования кривых упадка без навязывания жесткой функциональной формы. Эти методы изучают шаблоны непосредственно из данных, приспосабливая нелинейности, взаимодействия и изменения режима, которые традиционные модели упускают.

Нейронные сети (NNs), особенно повторяющиеся архитектуры, такие как LSTM (Long Short-Term Memory), хорошо подходят для прогнозирования временных рядов. Они могут захватывать временные зависимости и обрабатывать многовариантные входы (например, давление потока, размер удушья, разрез воды). Однако NN требуют больших наборов данных обучения и тщательной регуляризации, чтобы избежать переобучения. На практике они наиболее эффективны при применении к группам аналогичных скважин, а не отдельных скважин.

Градиентные машины (GBM) (например, XGBoost, LightGBM) предлагают альтернативу, которая часто хорошо работает с меньшими наборами данных. Они могут использоваться для прогнозирования скорости снижения на основе таких функций, как время, совокупное производство и инженерные переменные. GBM обеспечивают оценки важности функции, давая представление о факторах, способствующих снижению.

Поддержка векторной регрессии (SVR) — ещё один надёжный метод, минимизирующий другую метрику ошибок (эпсилон-нечувствительная потеря) и менее чувствительный к выбросам, чем обычные наименьшие квадраты.

Ключевые соображения: Модели ML имеют черный ящик в природе, что затрудняет физическую интерпретацию. Они требуют тщательной перекрестной проверки и настройки гиперпараметров. Кроме того, они могут плохо экстраполировать, если данные теста выходят за пределы диапазона обучения. Гибридные подходы, которые сочетают ML с физическими ограничениями (например, обеспечение снижения скорости остается положительным) являются активной областью исследований.

Всесторонний обзор приложений ML в DCA предоставляется Wang et al. (2020).

Методы повторного отбора образцов для надежной оценки

Когда данные ограничены или распределение остатков неопределенно, методы повторного отбора проб, такие как загрузочный шлем и нож, могут оценивать неопределенность параметров без сильных параметрических предположений.

Bootstrapping включает в себя многократную повторную выборку исходных данных (с заменой) и подгонку модели под каждый набор данных с повторным выборочным отбором. Распространение установленных параметров по репликам бутстрапа обеспечивает эмпирические стандартные ошибки и доверительные интервалы. Для кривых снижения может использоваться непараметрический бутстрап (остатки выборки) или блок-бутстрап (блоки выборки последовательных временных точек для сохранения автокорреляции).

Преимущества:Боостранение не предполагает распространения ошибок и работает с любым подходящим методом (нелинейная регрессия, байесовская и т. д.)

Ограничения: Загрузочный штрих может быть вычислительно дорогим, если алгоритм подгонки медленный. Для высокоавтокоррелированных данных стандартная загрузочная штриховка недооценивает неопределенность; необходимы блок- или движущиеся блок-загрузочные штрихи.

Методы регуляризации для предотвращения переобучения

Переобучение представляет собой значительный риск, когда сложные модели (например, полиномы высокой степени, нейронные сети) применяются к шумным производственным данным. Регуляризация добавляет штрафной срок к функции затрат, которая препятствует большим значениям параметров или чрезмерной сложности модели.

Регрессия границ (L2 регуляризация) сжимает параметры в сторону нуля, но сохраняет все в модели.Лассо (L1 регуляризация) может устанавливать некоторые параметры точно до нуля, выполняя выбор признаков.В DCA регуляризация может применяться к нелинейным моделям, добавляя штраф, пропорциональный квадратной величине отклонений параметров от их предыдущих средств (аналогично байесовской оценке MAP).

Эластичная сетка объединяет штрафные санкции L1 и L2 и полезна при наличии коррелированных параметров.Например, в многосегментной гиперболической модели регуляризация не позволяет b-фактору дико колебаться между сегментами.

Регуляризованные модели имеют тенденцию к более плавным, физически более правдоподобным кривым упадка и лучшей экстраполяции на невидимые данные. Для выбора прочности регуляризации используется перекрестная валидация.

Практическая реализация и рабочий процесс

Предварительная обработка данных

Передовые статистические методы хороши лишь в той мере, в какой они содержат данные. Производственные временные ряды должны быть проверены на:

• Выбросы из-за хорошо тестируемых, закрытых или метровых сбоев.
• Отсутствие периодов данных, которые могут потребовать интерполяции или моделирования в качестве скрытых переменных.
• Операционные изменения, такие как регулировка удушья, искусственные изменения подъема или стимуляция гидравлического разрыва пласта, могут быть отмечены и либо смоделированы отдельно, либо использованы в качестве ковариатов.
• Обратная связь и преходящее поведение в раннем возрасте, которое не следует тенденциям Arps. Часто первые несколько месяцев данных исключаются для достижения потока, в котором преобладают границы.

Разложение временных рядов (например, разложение сезонных тенденций STL) может помочь извлечь основные тенденции снижения из шума и периодических моделей.

Выбор модели и валидация

Выбор между передовыми методами зависит от доступности данных, уровня шума и желаемого выхода (детерминированный и вероятностный).

1. Начните с надежной нелинейной регрессии с M-оценщиками для обработки выпадающих. Вычислите стандартные ошибки параметров.
2. Применить бутстраппинг для получения непараметрических доверительных интервалов вокруг прогноза.
3. Если существует предварительное знание (например, геологические ограничения), примите байесовский подход с использованием MCMC. Используйте задние прогностические проверки для проверки модели — имитация данных с заднего и сравнение с наблюдаемыми данными.
4. Для многоточечных групп или больших наборов данных рассмотрите возможность усиления градиента или сетей LSTM после разработки функций (включая время с момента последнего вмешательства, совокупное производство, данные о давлении).
5. Всегда регуляризируйте , когда сложность модели высока относительно длины данных.

Перекрестная валидация с использованием разбивки временных рядов (например, прокатка, расширение окна) имеет важное значение для оценки прогнозирующей производительности, а не только пригодности.

Программное обеспечение и инструменты

Несколько коммерческих и открытых платформ поддерживают расширенные возможности DCA:

• Питон экосистема: SciPy ('curve fit' с 'метод ='trf''), StatsModels (нелинейные наименьшие квадраты), PyMC (байесовский), Scikit-learn (SVR, Gradient Boosting), TensorFlow/PyTorch (нейронные сети).
• R:«nls», «brms» (байесовский), «caret» (ML), «forecast» (временные ряды).
• Коммерческое программное обеспечение для резервуаров: GOHFER, KAPPA и Saphir включают модули для вероятностного DCA и машинного обучения.
• Специализированные пакеты: «деконвольт» для интеграции анализа с переходной ставкой с DCA.

Для практиков pyDCA — это библиотека Python с открытым исходным кодом, которая реализует многие из этих передовых методов.

Сравнительный анализ: традиционные и передовые методы

В следующей таблице кратко излагаются основные различия:

На практике гибридный подход часто дает наилучшие результаты: использование передовых статистических методов для повышения качества соответствия и количественной оценки неопределенности при сохранении физических ограничений для обеспечения достоверности прогнозов.

Заключение

Передовые статистические методы превратили анализ кривой убывания из субъективного упражнения, подгоняющего кривые, в строгую, основанную на данных дисциплину прогнозирования. Нелинейная регрессия, байесовский вывод, машинное обучение, повторная выборка и регуляризация — все они касаются конкретных ограничений классических моделей Arps. Применяя эти методы, инженеры могут производить более точные и надежные прогнозы, количественно оценивать неопределенность в оценках запасов и принимать более обоснованные решения относительно разработки месторождений, экономической жизнеспособности и времени вмешательства.

Выбор метода зависит от качества данных, доступных вычислительных ресурсов и контекста принятия решений. Прагматичный подход заключается в том, чтобы начать с надежной нелинейной регрессии и неопределенности бутстрапа, а затем перейти к байесовским или машинным моделям обучения, поскольку сложность проблемы требует. По мере того, как производственные данные становятся более детализированными и обильными - от высокочастотных датчиков и датчиков скважин - передовые статистические методы станут не только выгодными, но и необходимыми для сохранения конкурентоспособности в управлении резервуарами.

Для дальнейшего чтения, обратитесь к статье SPE Journal о вероятностном прогнозировании нетрадиционных скважин и dcafit библиотеке программного обеспечения для анализа кривой убывания с расширенными процедурами установки.