Реализация методов неопределенности в моделях оценки резервов

Инженерная неопределенность

Инженерные параметры регулируют процесс восстановления и включают в себя:

• Относительные кривые проницаемости — часто полученные из лабораторных экспериментов на нескольких образцах; масштабирование до условий резервуара добавляет неопределенности.
• Хорошая производительность — индексы производительности, факторы кожи и эффективность завершения варьируются в зависимости от скважин.
• Механизмы восстановления (FLT:0) — процессы затопления, впрыска газа или повышения нефтеотдачи (EOR) имеют переменную эффективность зачистки.
• Индекс привода водохранилища — различие между истощением, приводом с водой и приводом с уплотнением неопределенно.

Экономическая и операционная неопределенность

Резервы определяются как экономически возмещаемые, поэтому цены на сырьевые товары, операционные расходы, капитальные расходы и фискальные условия вносят свой вклад. В то время как UQ традиционно фокусируется на физических объемах, современная лучшая практика интегрирует экономическую неопределенность в оценку риска полного цикла.

Математические основы количественной неопределенности

UQ опирается на теорию вероятностей и статистику. Основная концепция заключается в том, чтобы рассматривать неопределенные входные параметры как случайные переменные, характеризующиеся функциями плотности вероятности (PDF). Эти PDF-файлы могут основываться на:

• Распределения, управляемые данными — приспособлены для измеренных данных (например, логнормальные для проницаемости, нормальные для пористости после преобразования).
• Экспертное выяснение — когда данные скудны, эксперты по предметам предоставляют минимальные, наиболее вероятные и максимальные значения (треугольные или PERT-распределения).
• Бейесовское обновление — предыдущие дистрибутивы обновляются производственными данными с использованием методов MCMC или ансамбля.

Распространение неопределенности может осуществляться с помощью аналитических методов (например, второго момента первого порядка, FOSM) или численного моделирования (Monte Carlo). По оценке запасов, моделирование Монте-Карло является наиболее распространенным из-за его гибкости и способности обрабатывать нелинейные модели. Процесс включает в себя:

1. Определение PDF-файлов для каждого неопределенного ввода.
2. Генерация случайных образцов (обычно 10 000–100 000 итераций).
3. Запуск модели резервов для каждого образца (или использование прокси-модели для снижения вычислительной стоимости).
4. Агрегирование выпуска для получения кумулятивных функций распределения (CDF) запасов.

Передовые методы, такие как Латинское гиперкубное выборочное исследование (LHS), повышают эффективность конвергенции путем стратификации входного пространства, в то время как модели случайных полей захватывают пространственную корреляцию (геостатистику) для свойств резервуара.

Всесторонний обзор UQ-технологий

Оригинальный список методов — моделирование Монте-Карло, байесовские методы, анализ чувствительности и анализ дерева ошибок / событий — остается актуальным, но каждый требует более глубокого лечения.

Моделирование Монте-Карло в деталях

Моделирование Монте-Карло (MCS) является рабочей лошадкой запасов UQ. В типичном нефтегазовом приложении используется объемное уравнение для исходной нефти на месте (OOIP):

где A - площадь, h - чистая оплата, φ - пористость, S w - насыщение воды, а B o - коэффициент объема образования нефти. Каждому параметру присваивается PDF на основе полевых данных или аналогов. Стандартная MCS может показать, что соотношение P10/P90 составляет 2,5, что означает, что высокая оценка в 2,5 раза превышает низкую оценку - меру ширины неопределенности.

Основные соображения по осуществлению:

• Обработка корреляции — входные переменные (например, пористость и проницаемость) часто коррелируют; игнорирование этого может резко недооценивать неопределенность.
• Прокси-модели — для моделирования резервуара, которое занимает часы за пробег, MCS неосуществима.Вместо этого модели поверхности реакции (полиномиальный хаос, гауссовские процессы) построены из ограниченного числа высокоточных прогонов, затем используются для MCS.
• Конвергенция диагностики — количество итераций должно быть достаточным для стабильных процентилей.Общие показатели включают стандартную ошибку Монте-Карло среднего значения и статистику Гельмана-Рубина для MCMC.

Инструменты с открытым исходным кодом, такие как R (пакет 'mc2d') и Python (SciPy, NumPy, UncertaintyPropagation]] , широко используются. Коммерческое программное обеспечение, такое как @RISK, Crystal Ball и Dakota, предлагает рабочие процессы корпоративного уровня. Узнайте больше о программном обеспечении моделирования Монте-Карло .

Байесовские методы оценки резервов

Байесовский UQ рассматривает как предшествующие знания, так и наблюдаемые данные вероятностно. Заднее распределение резервов:

Эта структура особенно полезна при оценке месторождения и на ранних этапах производства, когда предварительная информация из аналогичных полей или сейсмических данных может быть объединена с первоначальными испытаниями скважин или данными о добыче. Байесовская инверсия также применяется к сопоставлению истории, где параметры модели резервуара обновляются в соответствии с историческими темпами производства.

Методы Markov Chain Monte Carlo (MCMC) (например, Metropolis-Hastings, Hamiltonian Monte Carlo) используются для выборки из сложных задних дистрибутивов. Однако вычислительная стоимость остается высокой. Приблизительные байесовские вычисления (ABC) и вариационный вывод предлагают более быстрые альтернативы. Исследуйте байесовский анализ в нефтяной инженерии .

Анализ чувствительности

Анализ чувствительности (СА) определяет, какие исходные параметры наиболее влияют на оценки запасов, направляя дальнейшее получение данных.

• Local SA — исследует влияние небольших возмущений вокруг базового случая (например, вариации параметров «один в момент времени»).
• Global SA — изменяет все входы одновременно в пределах их диапазонов, количественно оценивая как основные эффекты, так и взаимодействия.Методы включают индексы Соболя, скрининг Морриса и коэффициент корреляции с частичным рангом (PRCC).

На практике глобальное СА должно быть выполнено до полного СМК для уменьшения размерности. Параметры с незначительным влиянием могут фиксироваться на их базовых значениях, экономя вычислительные ресурсы.

Анализ дерева ошибок и дерева событий

Эти методы часто используются для оценки риска катастрофических неопределенностей, таких как провал, выдувание или крупные геологические сюрпризы, а не для непрерывного распределения объема. Комбинации отказов деревьев разломов, приводящих к главному событию (например, сокращение запасов из-за разделения), в то время как модели деревьев событий приводят к исходам после инициирующего события (например, потеря инъекций).

Дополнительные методы: Bootstrapping и экспертная элицитация

Когда данные слишком ограничены, чтобы соответствовать параметрическим распределениям, bootstrapping пересортирует имеющиеся данные (с заменой) для генерации эмпирического распределения запасов. Этот непараметрический подход избегает предположений о форме, но требует по крайней мере нескольких точек данных. структурированное экспертное выяснение (например, метод Дельфи или протокол Кука) формализует захват субъективных суждений о вероятности, когда твердые данные отсутствуют. Оба метода распространены в пограничном исследовании.

Интеграция UQ в рабочие процессы оценки резервов

Успешное внедрение UQ требует встраивания вероятностных методов в существующий трубопровод оценки запасов, а не рассматривать их как последующее упражнение. Типичный рабочий процесс включает:

1. Аудит и подготовка данных — оценка качества данных, недостающих значений и ошибок измерения.Использовать геостатистический анализ для количественной оценки пространственной изменчивости.
2. Параметризация и распределение фитинга — присваивать PDF-файлы всем неопределенным входам с использованием программного обеспечения, такого как Python scipy.stats или специализированных инструментов пример: программное обеспечение UQ в геомеханике.
3. Прокси-модель построения (при необходимости) — для вычислительно дорогостоящего моделирования резервуара, построить суррогат с использованием расширения многочленного хаоса, гауссовской регрессии процессов или нейронных сетей.
4. Неопределенное распространение — выполнение MCS (или альтернативного) с адекватными итерациями.Мониторинг ключевых выходов: P90, P50, P10 и ширина доверительного интервала 90%.
5. Постобработка и связь — генерация участков торнадо (чувствительность), кривых CDF и таблиц вероятностей. Проверка путем обратного тестирования истории производства, где это возможно.
6. Рамки принятия решений — использование вероятностного распределения в деревьях решений, расчеты ожидаемой денежной стоимости (EMV) или оптимизация портфеля.

Многие нефтегазовые компании разработали собственные платформы UQ, но коммерческие пакеты, такие как Petrel (Schlumberger) Uncertainty Management и tNavigator, предоставляют удобные интерфейсы для инженеров-резервистов.

Тематические исследования: UQ в действии

Тематические исследования 1: Открытие глубоководного Мексиканского залива

Крупный оператор оценил глубоководный мутидитовый резервуар с ограниченным контролем скважин (две скважины). Детерминированные объемные оценки дали точечную оценку 200 ММбоэ, но руководству необходимо было понять риск снижения финансирования разработки на миллиард долларов. Используя МКС с коррелированной пористостью и коэффициентом чистого к валу (коэффициент корреляции Пирсона ~0,6), P90 составлял 130 ММбоэ, а P10 - 310 ММбоэ. Широкий диапазон подчеркнул необходимость дополнительного оценочного бурения. После бурения третьей скважины обновленное соотношение P10/P90 сузилось с 2,4 до 1,8, и проект продолжил стратегии финансового хеджирования, основанные на вероятностных резервах.

Тематическое исследование 2: Зрелое поле водяного потопа

Наземное месторождение с 20-летней добычей использовало байесовскую историю, соответствующую количественной оценке неопределенности оставшихся запасов. Предыдущая модель была построена на основе геологической статистики, в то время как вероятность включала данные о давлении на вырубку воды и донных скважин. Выборка MCMC генерировала 5000 задних реализаций. Полученный P10 оставшихся запасов был на 40% выше детерминированного прогноза, потому что сопоставление истории исправило чрезмерно пессимистическое предположение относительной проницаемости. Вероятностная модель использовалась для оптимизации мест бурения наливных скважин, увеличив чистую приведенную стоимость на 15%.

Тематическое исследование 3: нормативное соблюдение отчетности SEC

Международная компания должна была отчитываться о доказанных запасах (1P) по правилам SEC, которые требуют детерминированного или вероятностного подхода с уровнем уверенности 90%. Они приняли вероятностный рабочий процесс с использованием геостатистической модели со 100 равновероятными реализациями. P90 каждого имущества (чистая оплата, пористость, насыщенность) были рассчитаны, а затем объединены детерминистически для получения резервов SC-SEC. Этот гибридный метод удовлетворял нормативным требованиям при сохранении пространственной неоднородности. Окончательные заявленные запасы были на 10% ниже предыдущей детерминированной оценки, но были оправданы во время аудита SEC.

Проблемы и лучшие практики внедрения UQ

Несмотря на свои преимущества, внедрение UQ в оценке запасов сталкивается с реальными препятствиями:

• Вычислительные затраты — полное моделирование резервуаров для тысяч MCS-запусков часто невозможно.Смягчение: использование прокси-моделей, параллельных вычислений или снижение сложности модели (например, повышение масштаба).
• Нехватка входных данных — параметры распределения часто плохо ограничены.Смягчение: экспертное выяснение, аналоговые полевые данные и байесовские априоры.
• Корреляция и моделирование зависимостей — игнорирование зависимостей переменных может искажать диапазон P10/P90.Смягчение: использование копул или многомерных распределений; проверка чувствительности к предположениям корреляции.
• Модельное несоответствие — сама модель запасов является несовершенным представлением реальности, что добавляет эпистемическую неопределенность.Смягчение: включите в байесовскую структуру термины несоответствия моделей или выполните проверку модели на соответствие истории производства.
• Общение с неспециалистами — утверждения вероятности, такие как «P90 = 500 MMbbl», могут быть неверно истолкованы.Смягчение: использование аналогий (например, «9 из 10 результатов бурения соответствовали бы этому порогу») и визуальные панели приборов.

Наилучшие практики включают: документирование всех предположений и вариантов распределения, выполнение проверки (проверки кода) и валидации (сравнение с историческими данными), проведение анализа чувствительности для определения приоритетности ресурсов и установление рабочего процесса UQ, который воспроизводим и проверяем.

Нормативно-правовые стандарты и стандарты отчетности

Резервы, отчитывающиеся перед фондовыми биржами (SEC, ASX, LSE), все чаще требуют вероятностного раскрытия. PRMS (Общество инженеров-нефтяников) определяет детерминированные и вероятностные категории:

• Доказательство (1P) — высокая уверенность; вероятностный P90.
• Вероятно (2P) — умеренная уверенность; Р50.
• Возможно (3P) — низкая уверенность; P10.

Компании должны продемонстрировать, что их методы UQ являются последовательными, проверенными и воспроизводимыми. Например, SEC требует, чтобы вероятностные оценки генерировались с использованием «надежной технологии» и что базовые данные поддерживают параметры распределения. Несоблюдение этих стандартов может привести к действиям по соблюдению или судебным искам инвесторов. Таким образом, внедрение UQ является не просто техническим упражнением, но юридической и доверительной ответственностью.

Будущие направления в области неопределенности в отношении количественных показателей резервов

Машинное обучение и UQ, управляемый данными

Модели глубокого обучения появляются в качестве быстрых прокси для моделирования резервуаров. Суррогаты, обученные на основе результатов моделирования на основе физики, могут прогнозировать поля давления и насыщения в миллисекундах, позволяя полные MCS с миллионами итераций. Однако необходимо позаботиться о количественной оценке ошибки суррогатной модели - формы дополнительной неопределенности - с помощью таких методов, как байесовские нейронные сети или методы ансамбля.

UQ в реальном времени с IoT и цифровыми близнецами

По мере того, как поля оснащаются датчиками скважин и непрерывными стримерами, интеграция данных в реальном времени позволяет динамический UQ. Цифровой двойник резервуара может принимать производственные данные, обновлять задние распределения с использованием фильтров частиц или фильтров ансамбля Kalman и обеспечивать живые диапазоны P10-P90 для прогнозов производства. Это поддерживает оперативную гибкость, такую как настройка удушья при сужении неопределенности.

Интеграция ESG и экономическая неопределенность

Переход на энергоресурсы вносит новые неопределенности: ценообразование на углерод, регулирование выбросов и альтернативные технологии. Модели UQ расширяются, чтобы включить генераторы экономических сценариев, моделирование кривых затрат Монте-Карло и метрики рисков на уровне портфеля. Концепция «разумно определенных» запасов развивается, чтобы включить экологические обязательства и социальную лицензию на работу.

Руководство по практическому осуществлению

Для команд, стремящихся внедрить UQ в оценку запасов, рекомендуется поэтапный подход:

1. Пилот на простом поле — применить MCS к объёмной модели с 5—10 параметрами; обучить команду вероятностному мышлению.
2. Включите в ежегодный аудит запасов — проведите вероятностный рабочий процесс вместе с детерминированными оценками за один отчетный цикл; сравните результаты.
3. Расширение до сложных моделей — добавление моделей моделирования резервуаров, обработка корреляций и байесовское обновление для полей, соответствующих истории.
4. Автоматическая отчетность — создание скриптов для генерации таблиц, соответствующих PRMS, и диаграмм P90/P10 из выходной базы данных.
5. Постоянное улучшение — отслеживание точности прогноза по фактическому производству; уточнение предположений распределения на основе моделей несоответствия.

Свободных и открытых ресурсов предостаточно: R пакет «mc2d» для MCS, Python «emcee» для MCMC, и GaussianProcessRegressor в scikit-learn для прокси-моделей. Учебные материалы от SPE, SEG и AAPG регулярно охватывают темы UQ; многие отраслевые конференции предлагают специализированные семинары.

Заключение

Количественная оценка неопределенности больше не является факультативной для строгой оценки запасов - это основная компетенция, требуемая регулирующими органами, инвесторами и рациональной практикой управления. Приняв такие методы, как моделирование Монте-Карло, байесовское обновление и глобальный анализ чувствительности, организации могут выйти за рамки одноточечных оценок к вероятностным выводам, которые охватывают весь спектр возможностей. Эта статья предоставила подробную дорожную карту для реализации этих методов, от математических основ до интеграции рабочих процессов и реальных тематических исследований. По мере того, как вычислительная мощность и доступность данных продолжают расти, способность количественно оценивать и сообщать неопределенность станет решающим конкурентным преимуществом в оценке ресурсов и управлении рисками.