Table of Contents

Необходимость точной оценки запасов на маргинальных месторождениях

По мере того, как гигантские обычные резервуары созревают и новые открытия становятся все труднее находить, операторы все чаще нацеливаются на более мелкие, менее плодородные месторождения, которые когда-то считались неэкономичными. Международное энергетическое агентство отмечает, что почти половина оставшихся в мире традиционных нефтяных ресурсов находится на месторождениях менее 100 миллионов баррелей. Тем не менее, те самые характеристики, которые определяют эти активы - ограниченная протяженность, сложная разбивка по частям, редкий контроль скважин и тонкие зоны оплаты - делают оценку запасов необычайно трудной. 15%-я ошибка в многомиллиардном баррельном месторождении может быть поглощена, но та же относительная неопределенность в разработке на 10 миллионов баррелей может полностью стереть маржу проекта. Следовательно, поиск инновационных методов оценки не является академическим упражнением; это коммерческий императив, который определяет, развертывается ли капитал или возвращается акционерам. В этой статье рассматриваются наиболее эффективные современные методы оценки запасов в маргинальных и малых месторождениях, опираясь на геостатистику, машинное обучение, вероятностное моделирование и цифровые двойники.

Отличительные вызовы малых и маргинальных полей

Чтобы понять, зачем нужны новые методы, это помогает наметить конкретные препятствия, которые спотыкаются обычные рабочие процессы. Малые поля редко пользуются плотным покрытием данных, что делают гигантские аналоги. Одна разведочная скважина, возможно, с боковым торсом, может быть всем, что существует до принятия решения о разработке. Основное покрытие минимально, данные о давлении неполны, а образцы жидкости иногда скомпрометированы вторжением грязи-фильтрата. Сейсмические объемы, если они существуют, часто страдают от ограничений разрешения, которые размывают тонкие слои и небольшие дефекты - именно функции, которые контролируют связь резервуара и эффективность восстановления.

Экономические пороги также искажают традиционную последовательность оценок. В поле мирового класса оператор может оправдать многолетнюю программу оценки с несколькими скважинами и обширным тестированием. Для маргинального поля стоимость одной дополнительной скважины может превышать чистую приведенную стоимость всего открытия. Это заставляет инженеров резервуара принимать решения на основе гораздо меньшего количества точек данных, увеличивая риск как переоценки, так и недооценки. Волатильность рынка добавляет еще один уровень сложности: колебания цен на $20 за баррель могут сместить порог того, что «доказано развитым производством» по сравнению с просто «условными ресурсами», но традиционные детерминированные модели часто рассматривают экономические отсечки как статические входы, а не динамические переменные. Сочетание дефицита данных, экономической чувствительности и геологической сложности создает необходимость в методах оценки, которые могут извлекать максимальную ценность из ограниченной информации, прозрачно сообщая неопределенность.

Наилучшие практики оценки запасов Общества инженеров-нефтяников описывают технические и коммерческие аспекты, которые необходимо согласовать, но эти руководящие принципы предполагают определенную плотность надежных данных, которых просто не хватает многим операторам малых месторождений.

Почему традиционные методы неэффективны

Оценка условных запасов основывается на трех столпах: объемные расчеты, баланс материала и анализ кривой убывания для добывающих месторождений. Каждый из них требует входов, которые трудно ограничить в предельных условиях. Объемные показатели зависят от точной пористости, насыщенности, соотношения чистого к валовому и коэффициента восстановления. В поле с одной скважиной каждый из этих параметров несет широкий диапазон неопределенности. Умножение их вместе дает сложную неопределенность, которая может сделать скобку P10-P90 настолько широкой, что она становится практически бесполезной. Например, поле с детерминированной лучшей оценкой 10 миллионов баррелей может иметь P10 4 миллионов и P90 22 миллионов - диапазон, который делает инвестиционные решения почти невозможными.

Материальный баланс, элегантный в своей физике, требует надежных данных о давлении, которые часто недоступны, если поле не было на производстве достаточно долго, чтобы зарегистрировать измеримое падение давления. Анализ кривой падения - рабочая лошадка нетрадиционных игр - предполагает историю производства, которая еще не существует на стадии оценки. Традиционные рабочие процессы также в значительной степени зависят от аналоговых полей. Для небольшого накопления в новой геологической обстановке поиск соответствующего аналога может быть растяжением, подталкивая инженеров к дефолтам, которые могут не отражать недра реальности. Чистый результат был шаблоном повторных списаний и упущенных возможностей. Поля, которые выглядели многообещающими на детерминированной основе Р50, оказались маргинальными при производстве, в то время как подлинно экономические накопления иногда отказывались преждевременно, потому что ранние оценки были слишком консервативными. Реакция отрасли заключалась в разработке инструментария, который заимствует из пространственной статистики, искусственного интеллекта и современной вычислительной мощности для преодоления этих ограничений.

Геостатистические методы, которые уважают пространственную непрерывность

Геостатистика давно используется для заполнения моделей резервуаров с нефтефизическими свойствами, но ее применение для прямой оценки запасов в условиях голодания данных быстро продвинулось. Такие методы, как последовательное гауссовское моделирование и многоточечная статистика, теперь позволяют инженерам генерировать набор равновероятных реализаций из очень ограниченного контроля скважины, все обусловлено доступным сейсмическим объемом. Реальная сила геостатистического моделирования заключается в его способности нести неопределенность до расчета запасов. Вместо получения одного числа углеводородов на месте из усредненных карт, моделирование производит сотни или тысячи реализаций, каждая из которых учитывает данные о скважине и пространственную структуру, смоделированную в вариограмме. Полученное распределение газа первоначально на месте (GIIP) или резервуарная нефть первоначально на месте (STOIIP) обеспечивает P10, P50 и P90, которые математически обоснованы в данных, а не просто суждающие диапазоны, выбранные оценщиком. Для небольших полей, где может доминировать смещение суждения, эта количественная строгость особенно ценна.

Еще один геостатистический метод, набирающий тягу, - это индикаторная кригация для моделирования фаций. В тонкокорневых мутидитовых или флювиальных системах литология может резко изменяться на коротких расстояниях. Показательная кригинг оценивает вероятность заданных фаций в каждой ячейке сетки, позволяя модели сохранять геологически правдоподобные гетерогенные свойства, которые контролируют связь и восстановление. Недавнее исследование сообщества характеристик резервуаров SPE продемонстрировало, что включение вероятностей фаций улучшило точность оценки запасов на 22% по сравнению с детерминированными моделями слоеного пирога в шельфовом поле Мексиканского залива только с тремя скважинами. Метод также обеспечивает естественную основу для интеграции сейсмических атрибутов в качестве вторичных переменных, дополнительно ограничивая модель в межлунных регионах.

Практический рабочий процесс оценки геостатистического резерва

Для операторов с ограниченными данными прагматичный геостатистический рабочий процесс начинается с вариограммного моделирования с использованием всех доступных данных о скважинах и сейсмических тенденций. Если контроль скважины слишком скудный для надежной оценки вариограммы, можно использовать общую вариограмму из геологически аналогичного аналога с анализом чувствительности для проверки воздействия различных пространственных длин корреляции. Затем моделирование выполняется с достаточным количеством реализаций (обычно 100-500) для достижения стабильной статистики для значений P10 и P90. Полученное распределение объемов на месте сочетается с распределением коэффициента восстановления, часто получаемым из аналоговых характеристик или простых аналитических моделей, для получения распределения запасов. Этот подход успешно применяется в прибрежных разработках Таиланда, где быстро меняющиеся плавные каналы делают детерминированные модели ненадежными.

Алгоритмы машинного обучения, которые учатся из каждой доступной точки данных

Машинное обучение (ML) перешло от ажиотажа к практическому применению в оценке запасов за последние пять лет. В отличие от геостатистики, которая основана на пространственной корреляции, модели ML - особенно деревья с градиентным повышением и нейронные сети - могут обнаруживать нелинейные отношения между десятками переменных. В маргинальном поле модель ML может сочетать кривые скважин, сейсмические атрибуты, выходы моделирования бассейна и данные о производстве из близлежащих аналогов для прогнозирования окончательного восстановления на уровне перспективы. Надзорные подходы к обучению требуют набора данных обучения с сопоставлением исторических показателей скважин по всем бассейнам. Например, нейронная сеть, обученная на 5000 добывающих скважин в Пермском бассейне, может затем применяться к новому открытию в аналогичной среде осаждения только с логовыми и сейсмическими данными, производя распределение вероятности EUR до того, как будет произведена первая капля нефти. Критически, эти модели захватывают эффекты взаимодействия, которые пропустил бы ручной объемный расчет - комбинация модуля низкого Янга и высокого содержания глины может сигнализировать о плохом результате завершения, который простой продукт насыщения пористостью никогда не раскро

Физика-информированные модели машинного обучения

Особенно многообещающим развитием является использование нейронных сетей, основанных на физике, которые встраивают законы сохранения в архитектуру ML. PINNs решают пресловутую проблему экстраполяции за пределы диапазона обучения, что жизненно важно, когда небольшое поле демонстрирует поведение, не наблюдаемое в аналоговых скважинах. Например, PINN может быть обучен на небольшом количестве симуляций, выполняемых с помощью численной модели, а затем использоваться для генерации прогнозов, которые учитывают ограничения баланса материала, даже для входных комбинаций, не замеченных во время обучения. Этот гибридный подход снижает риск нефизических прогнозов, сохраняя при этом гибкость глубокого обучения. Команда на ежегодной технической конференции SPE SPE продемонстрировала, как PINN предсказал факторы восстановления с ошибкой корневой средней квадратной менее 3% в диапазоне сценариев свойств породы и жидкости, превосходя как традиционные модели с кривой снижения, так и чистые модели, управляемые данными.

Неконтролируемое обучение также играет роль. Кластерный анализ может идентифицировать семейства скважин или водохранилищ, которые разделяют поведение производства, помогая инженерам выбирать аналоговые группы для вероятностной оценки, которые более жестко ограничены, чем средние по бассейну. Основной компонентный анализ сейсмических атрибутов использовался для очерчивания границ отсека в небольшом поле Северного моря, где интерпретация неисправностей была неоднозначной, непосредственно информируя модели запасов на отсек. Важно подчеркнуть, что модели ML не являются оракулами. Их прогнозы так же хороши, как данные обучения, а в небольших полях риск переобучения высок. Наиболее успешные приложения встраивают ML в физически информированную структуру - например, используя модель с градиентным повышением для прогнозирования коэффициента восстановления, но затем ограничивая выход с помощью проверки баланса материала для обеспечения физической согласованности.

Моделирование водохранилищ: интеграция сейсмики, геологии и петрофизики

Современное моделирование резервуаров для маргинальных полей в значительной степени опирается на 3D сейсмические данные. Анализ пре-стековых инверсий и амплитудных вариаций с загрузкой (AVO) может производить количественные объемы свойств породы - P-импеданс, S-импеданс, плотность - которые служат мягкими ограничениями в геомодели. В небольших полях, где покрытие скважины минимально, это сейсмическое обусловливание часто является единственным способом заполнения межлунного пространства с любой уверенностью. Рабочий процесс обычно начинается со стратиграфической структуры, построенной из последовательно-стратиграфических пиков на сейсмической. Эта структура затем заполнена пропорциями фаций, полученными из сейсмических атрибутов, таких как сладость, спектральное разложение или относительный акустический импеданс. Подход моделирования объектов на основе процесса или правил может помещать геотела соответствующих размеров в сетку, гарантируя, что архитектура резервуара уважает систему осаждения. Например, извилистый пояс канала в небольшом флювиальном поле может быть смоделирована с помощью объектного

После построения статической модели динамическое моделирование обеспечивает коэффициент восстановления. Для маргинальных полей полнокомпозиционное моделирование может быть избыточным; масштабированные прокси-модели или упрощенное моделирование могут работать в считанные минуты и все еще захватывать взаимодействие неоднородности и размещения скважин. Ключ заключается в том, чтобы запустить достаточно реализации для создания значимого распределения конечного восстановления, которое затем может быть объединено с распределением на месте для получения диапазона запасов. Этот интегрированный подход - сейсмический к симуляции - был успешно применен в прибрежных разработках Таиланда, где быстро меняющиеся плавные каналы делают детерминированные модели ненадежными. Интеграция сейсмических данных не только снижает неопределенность, но и помогает определить дополнительные зоны оплаты, которые могут быть пропущены в чисто хорошо ориентированной интерпретации.

Вероятностные подходы, которые позволяют определить неопределенность

Существенное понимание, стоящее за оценкой вероятностных резервов, заключается в том, что одно число не может захватить диапазон возможных результатов. В маргинальных полях, где разница между успехом и неудачей тонкая, вероятностные методы обеспечивают лицу, принимающему решение, полную картину риска. Моделирование Монте-Карло является наиболее распространенной техникой, но недавние усовершенствования включают использование Markov Chain Monte Carlo (MCMC) для сопоставления истории и байесовского обновления для включения новых данных по мере поступления. Надежный вероятностный рабочий процесс начинается с назначения распределений вероятностей, а не отдельных значений, для каждого объемного ввода. Пористость может быть смоделирована как треугольное распределение с минимумом 8%, режимом 12% и максимумом 18%, на основе основных измерений из соседнего аналога. Насыщение воды может быть получено из J-функции с неопределенностью в кривой капиллярного давления. Фактор восстановления особенно сложен и часто моделируется с широким распределением, которое захватывает как вверху успешного водного наводнения, так и внизу раннего прорыва воды из-за проводящих ошибок.

Затем эти распределения тысяч раз отбираются в двигателе Монте-Карло для получения кривой ожидания для извлекаемых объемов. Выход - это не одно число, а распределение вероятности, которое отвечает на вопрос: сколько нефти мы можем ожидать производить с 90%-ной уверенностью, 50%-ной уверенностью или 10%-ной уверенностью? Это напрямую подводится к экономике проекта, где внутренняя норма прибыли (IRR) и чистая приведенная стоимость (NPV) могут быть рассчитаны для каждой точки кривой. Для маржинального поля разница между P90 и P50 может быть разницей между отрицательным и положительным NPV, поэтому количественная оценка этого спреда имеет важное значение. Анализ компании, использующей вероятностные оценки запасов, в два раза чаще достигает своих прогнозов производства в течение первых трех лет. Метод требует дисциплины в определении распределения входных данных и в противодействии соблазну манипулировать ими в направлении желаемого ответа, но при честном исполнении он обеспечивает наиболее прозрачную передачу риска инвесторам и партнерам.

Интеграция данных и рост цифровых близнецов

Растущая тенденция заключается в том, чтобы объединить многие из методов, описанных выше, в постоянно обновляющийся цифровой двойник резервуара. В небольшом поле с одним или двумя производителями цифровой двойник может быть относительно простой моделью резервуара, которая потребляет данные давления и скорости в режиме реального времени. По мере развития производства автоматизированные алгоритмы сопоставления истории - часто питаемые фильтрами ансамбля Калмана или оптимизацией на основе соединения - корректируют параметры модели, чтобы сохранить двойник в синхронизации с физическим активом. Эта постоянная калибровка означает, что оценки запасов больше не являются упражнением по времени, выполняемым один раз в год для ежегодной отчетности о запасах. Вместо этого они становятся живым продуктом, который развивается с каждой новой точкой данных. Для маргинального поля, где ранние производственные данные содержат самую ценную информацию о связанном объеме и механизме привода, такая система может значительно уменьшить неопределенность в течение первых шести месяцев производства. Проблема интеграции данных не тривиальна; она требует надежного управления данными и тщательной калибровки частоты обновления модели, чтобы избежать реакции на шум. Тем не менее, компании, которые внедрили цифровые двойные рамки в небольших полях

Реальное применение в зрелом бассейне

Рассмотрим гипотетический, но реалистичный пример: небольшое газоконденсатное месторождение в Южном Северном море, открытое в 2018 году одной вертикальной скважиной. Резервуар представляет собой тонкий песчаник Ротлигенда, на глубине примерно 3500 метров, с 12-метровой чистой оплатой. Оператору, малому независимому, нужно было решить, разрабатывать ли месторождение с одной горизонтальной подводной привязкой к соседней платформе. При наличии только одной скважины и унаследованной 3D-сейсмики умеренного качества традиционная детерминированная объемная оценка дала ГИИП 15 Bcf с коэффициентом извлечения 70%, подразумевая извлекаемый объем 10,5 Bcf. Этот объем был пограничным экономическим.

Затем команда применила интегрированный вероятностный рабочий процесс. Они использовали геостатистическое моделирование, обусловленное объемом сейсмической амплитуды, для генерации 500 реализаций пористости и чистой заработной платы. Они построили распределения вероятности для насыщения воды с помощью J-функции, откалиброванной до ядра с соседнего поля в трех километрах, признавая возможность различного капиллярного давления входа. Коэффициент восстановления был смоделирован с широким треугольным распределением (50% до 85%) для захвата неопределенности вокруг силы поддержки водоносного горизонта. Двигатель Монте-Карло произвел P90 из 7 Bcf, P50 из 12 Bcf и P10 из 18 Bcf. P50 был выше, чем детерминированная оценка. Но решающим было понимание P90: даже случай снижения превысил минимальный экономический порог 6 Bcf. Вооружившись этим вероятностным взглядом, совет одобрил разработку, и поле вышло на поток через шесть месяцев. После двух лет производства обновленный цифровой двойник указал на окончательное восстановление 13 Bcf, подтверждая вероятностный подход. Пример показывает, как современные

Количественные преимущества, которые защищают нижнюю линию

Принятие инновационных методов дает ощутимые улучшения, которые выходят за рамки технического удовлетворения. Во-первых, повышение точности приводит непосредственно к лучшему распределению капитала. Когда компания может с уверенностью различать 5 Bcf и 15 Bcf, она может избежать заточения капитала в субэкономические проекты или, наоборот, упустить жизнеспособную возможность. Исследование, опубликованное в журнале Petroleum Technology , показало, что операторы, использующие оценки резервов с помощью машинного обучения, сократили свои риски списания на 18% в течение пятилетнего цикла. Во-вторых, расширенная оценка рисков с помощью вероятностных моделей позволяет более жесткие условия финансирования. Кредиторы и партнеры по долевому участию все чаще требуют цифры P90 и P10 для понимания диапазона результатов. Предоставление этих цифр с количественной поддержкой, а не субъективными диапазонами, может снизить стоимость капитала. В-третьих, экономия затрат возникает из-за снижения потребности в обширном оценочном бурении. Хорошо ограниченная геостатистическая модель может продемонстрировать, что диапазон неопределенности уже достаточно узок для принятия решения, избегая 20-30 миллионов оценочных скважин, которые не будут существенно снижать спред

Преодоление барьеров на пути реализации

Несмотря на явные преимущества, многие операторы не решаются применять эти методы. Барьеры отчасти являются культурными: оценки запасов часто обучаются детерминированным методам и могут не доверять «черному ящику» характера моделей машинного обучения. Построение доверия требует прозрачной типовой документации, слепого тестирования на известные результаты и поэтапного развертывания, которое начинается с параллельного запуска с традиционным процессом. Программы обучения, которые оснащают инженеров-нефтяников базовыми навыками Python или геостатистики, оказались эффективными в преодолении этого разрыва. Качество данных и доступность остаются практическими препятствиями. Алгоритмы машинного обучения нуждаются в больших, чистых наборах данных, и многие операторы малого поля имеют данные, разбросанные по электронным таблицам, унаследованным базам данных и бумажным файлам. Первоначальные инвестиции в борьбу с данными могут быть значительными, хотя долгосрочная отдача от вычислительных знаний является еще одним препятствием. Некоторые компании решают эту проблему путем партнерства с университетами или лицензирования облачных платформ, которые внедряют необходимые алгоритмы с удобными интерфейсами. В конечном счете, организации, которые преуспевают, это те, которые

Дорога впереди: технологии следующего поколения

Несколько новых тенденций обещают дальнейшее уточнение оценки запасов в маргинальных полях. Крайние вычисления и ИИ на скважине могут позволить в реальном времени обновлять модели резервуаров от потоковых данных, закрывая петлю между измерением и решением. Физики-информированные нейронные сети, которые встраивают законы сохранения в архитектуру ML, решают пресловутую проблему экстраполяции за пределы диапазона обучения, что жизненно важно, когда небольшое поле демонстрирует поведение, не наблюдаемое в аналоговых скважинах. Автономное сопоставление истории, обусловленное обучением подкреплению, начинает автоматизировать утомительный процесс настройки параметров модели для соответствия производственным данным, освобождая инженеров для более высокоуровневой интерпретации. Квантовые вычисления, хотя все еще в зачаточном состоянии, могут в конечном итоге решить экспоненциальную сложность генерации ансамбля полного поля, позволяя вероятностным подходам включать в себя на порядок больше реализаций. Уже сейчас SPE сообщество резервов и ресурсов изучает, как эти разработки будут формировать следующее обновление системы управления нефтяными ресурсами (PRMS). Отрасль также начинает стандартизировать

Дисциплинированный путь к устойчивости портфеля

Инновационные методы оценки запасов в маргинальных и малых месторождениях больше не являются экспериментальными. Они были подтверждены результатами полевых исследований и растущим количеством публичных тематических исследований. Геостатистика обеспечивает дисциплинированную основу для выдавливания информации из разреженных точек данных. Машинное обучение обнаруживает закономерности, которые игнорируют оценщики. Усовершенствованное моделирование резервуаров превращает 3D-сейсмику в мягкое ограничение, которое уменьшает межлунную неопределенность. Вероятностные рабочие процессы обеспечивают полный спектр возможных результатов, позволяя скорректировать оценку запасов с помощью снимка на основе живого документа, который развивается с полем. Для энергетических компаний, ориентирующихся в мире более жестких марж и повышенного контроля, эти методы предлагают путь к лучшему управлению ресурсами. Они не устраняют неопределенность - ни один метод не может - но они количественно оценивают ее с честностью и точностью. В маргинальных полях, где один процентный пункт коэффициента восстановления может изменить судьбу проекта, что честная количественная оценка является наиболее ценным активом, который может предоставить оценщик.