Table of Contents

Анализ кривой упадка (DCA) является одним из самых устойчивых и широко применяемых методов в нефтяной инженерии для прогнозирования производства и оценки запасов. От его скромного начала как чисто эмпирического упражнения для подгонки кривых до его текущей интеграции с машинным обучением и высокочастотными данными эволюция DCA отражает более широкую трансформацию самой нефтегазовой промышленности. В этой статье прослеживается историческое развитие анализа кривой упадка, изучение ключевых теоретических вкладов, вычислительных прорывов и современных тенденций, которые сформировали то, как инженеры прогнозируют будущее производство из прошлых результатов.

Ранние эмпирические основания (1900–1940-е годы)

Истоки анализа кривой убывания восходят к ранним дням нефтяной промышленности, когда операторы впервые заметили, что добыча нефти из скважины не оставалась постоянной, а постепенно снижалась с течением времени. Эти ранние наблюдения были чисто описательными: инженеры наносили темпы производства на графике и рисовали плавные кривые через точки данных. Наиболее распространенными наблюдаемыми моделями были либо постоянное процентное снижение (экспоненциальное), либо постепенное уплощающее снижение (гиперболическое).

В 1920-х и 1930-х годах геологи и инженеры-резервуары начали систематически документировать эти модели упадка. Работа Р. Е. Олдфатера и Джей Арпса (до его более известных более поздних вкладов) заложила основу, показав, что снижение производства часто следовало предсказуемой математической форме. Однако эти ранние методы не имели теоретической основы в физике резервуара; они были чисто эмпирическими инструментами, соответствующими кривой. Инженер просто соответствовал линии или кривой историческим данным о производстве и экстраполировал их в будущее для оценки окончательного восстановления. Этот подход был быстрым и простым, но ему не хватало понимания того, почему скважина упала так, как это было, делая прогнозы ненадежными, когда менялись эксплуатационные условия.

Несмотря на эти ограничения, эмпирические методы стали отраслевым стандартом, поскольку они требовали только производственных данных — никаких свойств резервуара, данных давления или сложных вычислений. Типичная кривая снижения с этой эпохи состояла из полулогового графика скорости по сравнению со временем, при этом наклон прямой линии давал номинальную скорость снижения. Простота и скорость этих ручных кривых подгонки обеспечили их широкое распространение, особенно в отсутствие цифровых компьютеров.

Эра Арпса: теоретическое обоснование (1940-1970-е годы)

Единственный наиболее важный прорыв в анализе кривой упадка произошел в 1945 году, когда Джон Арпс опубликовал свою знаковую статью «Анализ кривых упадка» «Анализ кривых упадка» в Транзакциях AIME. Арпс предложил три математические модели — экспоненциальную, гиперболическую и гармоничную — которые остаются основой DCA по сей день. Важно отметить, что Арпс не просто представил уравнения, соответствующие кривой; он связал параметры упадка с физическими свойствами резервуара и режимами потока.

Арпс ввёл показатель убывания b, который колеблется от 0 (экспоненциальный) до 1 (гармонический), причём гиперболические снижения имеют промежуточные значения между 0 и 1. Он показал, что показатель убывания связан с режимом потока: b = 0 соответствует резервуару с газораспределительным раствором, производящему выше точки пузыря (однофазный жидкий поток), тогда как b = 0,5 связан с линейным потоком, а b = 0,33 с билинейным потоком.Это теоретическое соединение дало инженерам рациональную основу для выбора соответствующей модели убывания и интерпретации её параметров.

Модели Arps быстро стали отраслевым стандартом. Их принятие ускорилось публикацией нескольких ключевых учебников в 1950-х и 1960-х годах, включая B. C. Craft и M. F. Hawkins'Прикладная нефтяная инженерия водохранилища (1959), в которых были выделены целые главы для DCA. К 1970-м годам практически каждый учебник по водохранилищу включал кривые типа Arps, и методология была укоренена в нормативных требованиях к отчетности для оценки запасов.

Однако модели Arps имели важные ограничения. Они предполагали, что условия эксплуатации скважин (например, давление в скважине) остаются постоянными, что редко бывает на практике. Они также требовали долгой истории производства, чтобы надежно определить тенденцию к снижению, и они не могли справиться с переходными периодами потока или последствиями вмешательств скважин. Эти ограничения мотивировали дальнейшие теоретические разработки в последующие десятилетия.

Критика и уточнение моделей Арпса

В 1960-х и 1970-х годах исследователи начали критически изучать предположения, лежащие в основе моделей Арпса. М. Я. Феткович в 1980 году (хотя его работа была предвосхищена более ранними исследованиями) показал, что модели Арпса строго действительны только для потока с преобладанием границ — условие, которое может быть достигнуто только в конце жизни скважины. Для скважин, все еще находящихся в переходном потоке, использование моделей Арпса может привести к сверхоптимистическим прогнозам. Кривые типа Фетковича, которые сочетали снижение Арпса с решениями переходного потока, обеспечивали более прочную структуру, но они все еще полагались на предположение постоянного протекающего давления.

Другим важным усовершенствованием было признание того, что показатель снижения b не может превышать 1 для потока с преобладанием границ в обычных резервуарах. Значения b > 1, часто наблюдаемые в плотных/сланцевых резервуарах, указывали на то, что основные предположения были нарушены. Это наблюдение проложило путь для новых моделей, специально предназначенных для нетрадиционных ресурсов.

Расширение моделей упадка (1980-1990-е годы)

В 1980-х и 1990-х годах наблюдалось распространение альтернативных моделей снижения, направленных на преодоление ограничений уравнений Арпса. Два заметных примера были моделью растянутого экспоненциального упадка (SEPD) и моделью Дуонга (FLT: 2).

Модель растянутого экспоненциального упадка (SEPD)

Предложенная J. L. Valkó и W. J. Lee в 1995 году, модель SEPD использует растянутую экспоненциальную функцию для описания снижения производства. В отличие от гиперболической модели Arps, которая в последнее время плато до постоянной скорости для bb< 1, the SEPD model eventually reaches zero rate, a behavior more consistent with physical reality for depleted wells. The SEPD model also provides a better statistical fit for noisy production data, as it has only two adjustable parameters (amplitude and stretch exponent) compared to Arps’ three (initial rate, decline rate, and .

Модель Дуонга для разбитых водохранилищ

В 2008 году (хотя концептуально разработан в 1990-х годах), W. J. Duong представил модель снижения, специально предназначенную для трещинных резервуаров, таких как сланца Bakken и Eagle Ford. Duong наблюдал, что горизонтальные скважины с несколькими гидравлическими разрывами часто демонстрируют линейный период потока, который сохраняется в течение многих лет, производя скорость производства, которая снижается пропорционально t ^(-n]. Его модель включает параметр a , который характеризует наклон логарифмического участка и коэффициент q 1 , который масштабирует скорость. Модель Duong стала популярной для нетрадиционных резервуаров, потому что она лучше соответствует длительному поведению переходного потока, которое модели Arps не могут точно захватить, не давая нереалистично высокого конечного восстановления.

Другие специализированные модели

В 1990-х годах также были разработаны модели для конкретных сценариев, таких как газовые скважины, водоводные резервуары и многослойное комминглированное производство. Например, кривая типа Wattenbarger для линейного потока в плотных газовых резервуарах и кривая типа Gringarten для скважин с разрывами конечной проводимости расширили применение DCA за пределы простых эмпирических подгонки. Эти аналитические решения связывают поведение снижения непосредственно со свойствами резервуара, такими как проницаемость, половина длины перелома и кожный фактор.

Вычислительная революция (1990-2000-е годы)

Широкая доступность персональных компьютеров и инструментов численного моделирования в 1990-х годах коренным образом изменила способ анализа кривой упадка. Ручное построение графиков на полулоговой бумаге уступило место программным пакетам, которые могли автоматически подгонять данные, обрабатывать несколько скважин и генерировать вероятностные прогнозы. Ранние программы, такие как DeclineCurve и Fekete (теперь часть IHS)], позволили инженерам подогнать модели Arps несколькими щелчками мыши, мгновенно вычислить EUR и генерировать отчеты для нормативных документов.

Что еще более важно, компьютеры позволили применять нелинейную регрессию для оценки параметров. Вместо ручной настройки кривой убывания для соответствия данным инженеры могли использовать оптимизацию наименьших квадратов для автоматического поиска наилучших параметров. Это уменьшило предвзятость человека и увеличило повторяемость. Передовые статистические методы, такие как Бутстрап-репетиция и Байесовские выводы были включены в программные платформы для количественной оценки неопределенности в прогнозах, обеспечивая не только одну оценку EUR, но и диапазон возможных результатов с ассоциированными вероятностями.

Вычислительная революция также позволила интегрировать DCA с другими инструментами характеристики резервуара. Например, рейт-переходный анализ (RTA) , который сочетает в себе концепции кривой убывания с данными о проходящем давлении, стал практичным, потому что численные тренажеры могли решить уравнение диффузивности в реальном времени. Программное обеспечение, такое как Topaze и RTA (KAPPA) , позволило инженерам одновременно сопоставлять историю производства и давление, давая более надежные оценки свойств резервуара и будущего производства.

Вероятностные и Браунфилдские приложения

Другим важным событием стал переход от детерминированного анализа кривой вероятностного снижения. В 1990-х годах Общество инженеров-нефтяников (SPE) и другие организации начали продвигать использование вероятностного резервирования, где прогнозы выражаются в значениях P10, P50 и P90. Этот подход признает присущую прогнозам неопределенности снижения и согласуется с современными практиками управления портфелем. Программные пакеты теперь обычно включают возможности моделирования Монте-Карло, которые распространяют неопределенность от входных параметров (например, коэффициент снижения, ]b экспонента, начальная ставка) до окончательного распределения EUR.

Для буропромысловых (зрелых) активов DCA все чаще использовался не только для отдельных скважин, но и для прогнозирования на местах. Инженеры агрегировали тысячи кривых снижения для прогнозирования совокупного производства из крупных портфелей, помогая в планировании производства, размерах объектов и экономической оптимизации. Методология SMART (одновременное многопрофильное агрегирование и регрессионный инструмент) возникла как способ кластерных скважин с аналогичным поведением снижения и подходящими моделями на уровне кластера, снижая шум и улучшая стабильность прогноза.

Современные тенденции: машинное обучение и большие данные (2000-е годы)

За последние два десятилетия нефтегазовая отрасль пережила взрыв доступности данных, обусловленный распространением цифровых датчиков (систем SCADA), высокочастотного измерения производства и широким распространением электронного сбора данных. Этот поток данных в сочетании с достижениями в области машинного обучения (ML) и искусственного интеллекта (AI) открыл новые границы для анализа кривой упадка.

Модели машинного обучения для прогнозирования производства

Традиционные модели Arps и их производные принимают фиксированную функциональную форму (экспоненциальную, гиперболическую и т. Д.). Методы машинного обучения, напротив, могут изучать шаблон снижения непосредственно из данных, не налагая предварительно определенную форму. Методы, такие как Random Forests , Gradient Boosting Machines (например, XGBoost) и особенно Рекуррентные нейронные сети (RNN) и Сети с длительной кратковременной памятью (LSTM)], применяются для прогнозирования будущих темпов производства на основе исторических последовательностей. Эти модели могут включать в себя множество входных функций за пределами времени и скорости, включая давление в скважине, настройки удушья, отсечение воды и даже эксплуатационные события, такие как переработки или обработка переломов.

Недавние исследования показали, что модели на основе LSTM часто превосходят традиционные модели Arps, особенно для нетрадиционных скважин, где поведение снижения сильно нелинейно и зависит от сложных сетей разрушения. Например, Ван и Чен (2019) продемонстрировали, что модель LSTM, обученная на тысячах горизонтальных скважин в Пермском бассейне, достигла на 20% меньшей средней абсолютной процентной ошибки (MAPE) по сравнению с лучшей гиперболической моделью Arps. Однако эти модели черного ящика не имеют физической интерпретируемости, что делает их менее привлекательными для бронирования нормативных резервов, где требуется физическое обоснование.

Аналитика больших данных и автоматизированные рабочие процессы кривой снижения

Доступность облачных вычислительных платформ (AWS, Azure, Google Cloud) позволила обрабатывать целые наборы данных в масштабе бассейна, содержащие миллионы данных о добыче за хорошие месяцы. Такие компании, как Novi Labs , Enverus и Bernstein разработали автоматизированные рабочие процессы DCA, которые потребляют сырые производственные данные, выполняют контроль качества (например, устраняют выбросы, обнаруживают ошибки распределения), подходят для нескольких моделей снижения и генерируют вероятностные евро — все без вмешательства человека. Эти платформы используют алгоритмы кластеризации для группировки скважин с аналогичными характеристиками снижения, что позволяет инженеру сосредоточиться на тенденциях, а не на отдельных скважинах.

Другой важной тенденцией является интеграция пространственной статистики и геостатистики с DCA. Анализируя географическое распределение экспоненты Arps' b , инженеры могут определить сладкие пятна и понять, как геология и проектирование завершения влияют на снижение производства. Этот пространственный DCA особенно ценен для решений по бурению на заливке и планирования разработки месторождения.

Физико-управляемое машинное обучение

Чтобы преодолеть разрыв между чистым ML, управляемым данными, и физическим моделированием резервуаров, исследователи разработали физически управляемые нейронные сети (PGNN) . Эти модели включают физические ограничения, такие как уравнение баланса материала или уравнение диффузивности, в функцию потерь нейронной сети, гарантируя, что прогнозы физически реалистичны, даже если они экстраполируются за пределы диапазона данных обучения. PGNN для DCA являются многообещающей областью исследований, предлагая гибкость ML с интерпретируемостью и надежностью физических моделей.

Будущие направления и вызовы

По мере продвижения отрасли, несколько проблем и возможностей будут формировать следующую главу анализа кривой упадка.

Обработка нетрадиционных водохранилищ

Быстрый рост нетрадиционной добычи нефти и газа (сланцы, плотные пески, угольный метан) заставил фундаментально переосмыслить ДЦА. Эти резервуары демонстрируют длительный переходный поток, сложные взаимодействия трещин и стрессочувствительную проницаемость, все из которых нарушают предположения классических моделей Арпса. В то время как модели, такие как Duong и SEPD, были адаптированы, они часто требуют дополнительных предположений о геометрии трещин и истощении резервуара. Будущая работа, вероятно, будет сосредоточена на разработке моделей разрушения, ориентированных на разрыв, которые явно объясняют свойства гидравлического разрыва (например, проводимость, половина длины, расстояние) и их эволюцию с течением времени.

Интеграция с данными реального времени

С появлением Интернета вещей (IoT) на нефтяных месторождениях, потоковые производственные данные в режиме реального времени становятся обычным явлением. Методы DCA, которые могут динамически обновлять прогнозы по мере поступления новых данных — так называемое онлайн-обучение — станут все более важными. Алгоритмы, такие как Рекурсивные наименьшие квадраты (RLS) или Фильтры Калмана могут использоваться для адаптивной корректировки параметров снижения в режиме реального времени, обеспечивая постоянно обновляемые оценки EUR, которые отражают самое последнее производственное поведение.

Количественная неопределенность и принятие решений

Современный DCA выходит за рамки простых доверительных интервалов в полные теоретико-решительные рамки, которые включают экономическую оптимизацию и толерантность к риску. Например, вместо того, чтобы спрашивать «что такое P50 EUR?», операторы теперь спрашивают «какова оптимальная стратегия удушья для максимизации чистой приведенной стоимости при неопределенности в ставках снижения?» Это требует связи DCA с надежными алгоритмами оптимизации и инструментами анализа сценариев. Байесовские иерархические модели все чаще используются для объединения информации по скважинам, уменьшая неопределенность в прогнозах для новых скважин с ограниченными данными.

Проблемы регулирования и отчетности

Регуляторы по ценным бумагам (например, SEC) и отраслевые органы (например, SPEE) установили строгие руководящие принципы для резервирования, которые традиционно благоприятствуют детерминированным моделям Arps с документально подтвержденным обоснованием. По мере того, как новые подходы на основе ML набирают силу, будет возникать проблема проверки того, что эти методы соответствуют стандарту «разумной определенности», необходимому для доказанных запасов. PRMS Общества инженеров-нефтяников (FLT:0) (Система управления ресурсами нефтепродуктов) ] начал признавать вероятностные методы, но еще не полностью принял машинное обучение. Дальнейший диалог между регуляторами, операторами и поставщиками программного обеспечения будет необходим для адаптации руководящих принципов к современным методам прогнозирования.

Заключение

От нарисованных вручную кривых на полулоговой бумаге до адаптивных нейронных сетей, обученных терабайтам потоковых данных, анализ кривой упадка претерпел замечательную трансформацию за последнее столетие. Эмпирические методы начала 1900-х годов уступили место теоретическим основам, заложенным Арпсом, которые затем развивались через специализированные модели для сломанных резервуаров и вычислительных инструментов, которые автоматизировали процесс подгонки. Сегодня машинное обучение и аналитика больших данных раздвигают границы того, что может достичь DCA, предлагая беспрецедентную точность и гибкость, а также поднимая новые вопросы о интерпретируемости и нормативном принятии.

По мере того, как отрасль продолжает извлекать углеводороды из все более сложных резервуаров, потребность в надежном, физически значимом и адаптируемом прогнозировании добычи будет только расти.Будущее DCA заключается не в отказе от наследия Arps, а в дополнении его современной наукой о данных, гарантируя, что инженеры могут принимать обоснованные решения в неопределенном и быстро меняющемся мире.