Rezerv Estimation Neden Bir İstatistiksel Aşırıhaullara İhtiyacı Var

Rezerv tahminleri, her yüksek petrol işletmesinin yatakrockunu oluşturur. Bu rakamlar sermaye tahsisi, proje değerlemesi, düzenleyici filingler ve yatırımcı güvenini gerektirir. On yıllardır, endüstri, tek değerlerin anahtar parametreler için seçtiği ve bir avuç duyarlılığın önerdiği, düşük, orta ve yüksek senaryonun belirsizliği yakalaması için yeterli olduğu tahminleri ortaya koyardı. Uygulamada, bu yaklaşımlar genellikle hassas bir hassas noktalama açısından incelenebilir.

Bir milyar dolarlık fiyat etiketi ile derin bir su projesi düşünün.Deterministic high-case, bu düşük puan 80 milyonunu sürekli bir araya getirerek bu durumu ortaya çıkarabilir ve gerçek dağıtım genellikle aşağı yukarı doğru bir yağ kuyruğu ortaya koyar.

Core Philosophical Shift

Bayesian, uzun vadeden daha fazla güven ölçütünü yeniden şekillendiriyor. Klasik sık sıklık istatistikte, olasılık yalnızca birçok varsayımsal tekrarlanan deneylerde anlamlıdır.Reservoir sistemleri, ancak analistlerin sismik, analog, analog ve baski çalışmalarla ilgili kararları paylaşmaları, o zaman iyileştirici davranışlar olarak değerlendirebilmeleri için bu kararları gözden geçirmeleri gerekir.Bu uyum doğal olarak petrol mühendisliği iş akışları ile uyumlu hale getirir.

Bayesian analizinin çıktısı, faiz miktarı için tam bir olasılık dağılımıdır, bu orijinal petrolün yerinde, kurtarılabilir rezervler veya kurtarma faktörüdür. Bu dağıtım doğrudan güven aralıkları ve güvenilir aralıklar gibi ifadeleri destekler, sık sık sık yanlış raporlarda 100 milyon var.

Credible vs. Confidence Intervals

Sık sık güven aralığı, deney birçok kez tekrarlandığında, bu tür aralıkların %90'ı gerçek değeri içerecektir. A Bayesian güvenilir aralığı doğrudan parametrenin bu aralıkta yatıyor olması olasılığı nedir?” Bu ince değişim, risk iletişimi için derin pratik etkilere sahiptir.

Bayes ’ Pratik Şartlarda Teorem

Matematiksel temel basittir. Bayes ’ teorem devletler:

[FONT=0)Posterior[[Dön: 1) veprop; [Dön:2|Dönetici[Dönler: 3)|Dönler; [Dönler: 3)|Dönler; [DüzDönler;|Dönler: 4)

[FONT=0]prior[[Dönetici:0) Mevcut bilgileri yeni veriler gelmeden önce kodlar.Bu, bölgesel analog özelliklerden, deposal modellerden veya uzman yargıdan gelebilir. [Ücretsizlik[DÜye Olmayanlar[DÜye Olmayanlar[DÜye Olmayanlar) Gerçek Ölçümlerle Daha Önce Bilgiyi Bir Şekilde Belirlemeden Sonra Güncellenen Verileri Nasıl Potansiyel Olarak Tanımlayabilir.

Rezerv analistleri için, bu, iyilerden ve geologic kavramlardan inşa edilen net ücret kalınlığı için önceden bir dağıtım anlamına gelir.Bu, hem bilgi kaynakları içeren bir arka dağıtım üretmek için gerçek iyi loglar ile bir araya getirilebilir.Veriler sparse olduğunda, arka durum uygun bir şekilde geniştir.Veriler bol olduğunda, temel, test etmek ve analizdeki niteliğe olan bu açık bir karışımdır.Theorem ayrıca doğal olarak birden çok veri kaynağını ele alır.

Bayesian Differs from Traditional Deterministic Workflows

Deterministic rezerv tahminleri genellikle her giriş parametresine tek bir değer verir ve tek bir rezerv numarası hesaplar. Uncertainty yüksek, orta ve düşük vakalar ile sık sık sık sık, tahkimde etiketlenen P50 ile yapılır. Belirsiz dağıtım şekli nadiren gerçek sonuçlara karşılanır veya doğrulanır. aksine, Bayesian iş akışı, tüm parametreler için olasılıksal girişler ve son tahminler yoluyla bunları Monte Carlo yöntemlerini kullanarak rapor eder.Daha önemlisi, bu giriş dağıtımları Bayes &rs aracılığıyla kullanarak güncellemektedir.

Sonuç, P90, P50 ve P10'un doğrulanmış bir dağıtımdan gerçek bir miktar olduğu, yargı aramaları değil. Bir değerlendirmede, Bayesian modeli, bu iyi bir şekilde satış yaptıktan sonra, P90-to-P10 serisi sözleşmelerini 40–130 MMbbl'den 55–95 MMbbl. Yönetim doğrudan bu tür bir dağıtım şekilleri hakkında bağlantılı olabilecek bir risk azaltmayı ölçmek.

Monte Carlo vs. Bayesian Updating

Standart Monte Carlo simülasyonu olasılıksal girişlere izin verir, ancak her zaman tutarlı ve açıklanamaz bir şekilde dağıtımlar üretemez.Inspektif olarak sonuçlar gördükten sonra giriş aralıklarını manuel olarak ayarlar, öznel ve tekrarlanamaz olmayan bir süreçtir. Bayesian güncelleştirmesi bu revizyonu titiz bir matematiksel çerçeve kullanarak, tutarlı ve defensible arka dağıtımları her seferinde üretir.For Companies face denetimler veya düzenleyici scrutiny, this tekrarlanabilirlik büyük bir avantajdır.

Defensible Before Dağıtımları Oluşturma

Bayesian yöntemlerinin eleştirmenleri genellikle bir işletmede önceki bir seçim kaynağı olarak odaklanır.Bu eleştiri, uygulamanın önceki işlevlerini nasıl yanlış anlamaları gerekir.Her rezervuar değerlendirme zaten önceden bilgi içeriyor, bir gevrici-rsquo aracılığıyla; analog veritabanı, varsayımlar bir şirkette geçmiş olan bir modele veya kurallara dayanıyor. Bayesian yöntemleri, bu bilgiyi açıkça ve nicelendirilmesini gerektirir.

Öncekiler birkaç form alabilir:

  • [FONT:0)Üninformatif öncekiler[[[DÜT:1) minimum yapıyı, tipik olarak üniforma veya çok geniş dağıtımları empoze eder, arka cephelere hükmedebilmelerine izin verir
  • [FONT:0)Ortaklık hakkında güçlü varsayımlar olmadan,% 5 ile% 35 arasında, büyük kısıtlamalar dahil olmak üzere, genel kısıtlamalar dahil olmak üzere, merkez eğilim hakkında güçlü varsayımlar olmadan,% 35 arasında sınırlandırılmıştır.
  • [FONT:0]Informative befores[[[Dönetici: 1 ) analoglardan, küresel veritabanılardan veya aynı basindeki önceki çalışmalarda önemli bilgiler şifrelenir.

En iyi uygulama, kurumlarda geliştirilen protokolleri kullanarak yapılandırılmış uzman bir uygulama içerir.Carnegie Mellon Üniversitesi), çoklu uzmanlar değerlendirmelerini bağımsız olarak sağlar ve girişleri, her bir önceki için rasyonel yöntemler kullanılarak yapılır.

Sparse Data'yı Informative Befores ile Yönetin

Sınır basları sadece birkaç iyi olan, önceki seçim özellikle de etkili hale gelir. Küresel analoglardan önce bilgilendirici bir tahminler stabilize edebilir ve gerçekçi olmayan posterleri engelleyebilir. Örneğin, net-to-gross oranına benzer bir depozito sistemine dayanan bir önceki, arkayı jeolojik olarak makul değerlere kapsayabilir, hatta sadece bir tane iyi durumdayken bile.

Likelihood Functions Aligned with Real Data

Olasılık fonksiyonu, ölçümleri gözlemlemek için model parametrelerini bağlar. rezerv tahminlerinde, veriler çeşitli kaynaklardan gelir: temel fişler, tel loglar, iyi testler ve üretim oranları. Uygun bir olasılık seçin hem ölçüm hatası hem de gözlem arasındaki fiziksel ilişkiyi anlamak.

Ortak örnekler şunlardır:

  • Core porosity ölçümleri normalde bilinen bir laboratuvar hatası ile gerçek formasyon porosity etrafında dağıtılırken modellendi.
  • Bir günlük normal dağıtım takip edilebilirliği test edin
  • Üretim oranları, modellenen ve gerçek fiyatlar arasındaki gerileme eğri analizi ile birlikte, bir Öğrenci dağıtımını dışlayıcılar için takip eder.

Modern Bayesian yazılımı, açıklanmış veriler, birden fazla veri türü ve materyal dengesi veya rezervuar simülasyonu gibi doğrusal olmayan fiziksel modeller ile ilgili olarak, statik hacim tahminleri ve dinamik performans verileri arasındaki geleneksel boşlukları tek bir olasılıksal çerçevede destekler. Örneğin, baskı deliği ölçümleri basit bir rezervuar modeli kullanarak, permeability ve cilt faktörü gibi parametreleri doğrudan güncellemeye olanak sağlayan bir olasılık ile dahil edilebilir.

Bayesian Analizlerini Sağlayan C ⁇ Tools

Tarihsel olarak, Bayesian inference karmaşık integralleri analitik bir şekilde çözmeli, bu da uygulamasını basit sorunlara sınırlıyor. Markov Zinciri Monte Carlo (MCMCMC) algoritmalarının gelişimi alanı değiştirdi. Open-source araçları gibi 3D:0)Stan[FLT)

Tipik bir rezerv tahmin akışında, bir analist, brüt kaya hacmi için önceki dağıtımları belirtir, net-to-gross oranı, porosity, su saturasyon ve kurtarma faktörü. İyi veriler büyük uzaysal modeller için beslenir ve MCMC örneklemeleri, binlerce çizimi arka dağıtımını oluşturur; birincil meydan okuma karmaşıklığından ziyade algoritmalar tasarlanır.

Model Checking ve Validation

Bayesian modelleri dikkatli bir şekilde geçerlidir.Örnek tahmin edici çekler, net dağıtımlarını gerçek iyi tanımlı verilere kıyasla karşılaştırırsa, gözlemlenen veriler RİLFLT gibi merkezi bir yere düşmelidir.3.

Vaka Çalışması: Appraisal Well Data ile Cilt Hastalıkları

Yeni bir yapı değerlendirme ekibi düşünün. Seismic yorumu, 15 km²'nin en muhtemel alanını göstermektedir; önemli bir belirsizlikle takım, 15 metreden fazla normal bir dağıtım alanı sunar. Porosity ve su saturation önceki 25 km² ve P10 25 km² Net ödeme kalınlığı daha belirsizdir, bölgesel analoglara dayanan 80 MMl180'e ve 15 metre standart sapma ile.

Bir değerlendirme iyi yapılır ve standart sapmasını azaltır. Sonuç olarak arka P50 yağının% 95 MMbbl olduğunu gösterir: 55–150 MMbbl. belirsizlik azaltması hemen görünür ve doğrulanabilir. Yönetim, uygulamanın doğru şekilde azaltılabilir olduğunu doğrudan görebilir.

Bu örneği genişletmek, ikinci bir değerlendirme iyi fakir rezervuarla karşılaşabilir, her birini izole bir veri noktası olarak tedavi eden 15 metre net ödeme ve% 8 porosity deyin.The Bayesian modeli tekrar güncellemek, potansiyel olarak daha düşük değerlere doğru kaydırıp, önceki verilere aykırı bir şekilde belirsizlikleri genişletecektir.

Portföy-Scale Estimation için Hierarchical Models for Portfolio-Scale Estimation

Bayesian hiyerarşik modellerden onlarca veya yüzlerce iyi idare eden şirketler, genel tahmin faktörü gibi alan bazlı parametreler, genel bir tahminde artış gösteren kısmi havuzlu bir tahmin için kullanılmaktadır.

Bu yaklaşım özellikle kaynakta, üretim verilerini birkaç iyiden elde etmenin her iki alandan ve portföy seviyesindeki belirsizlik için bilgilendiriciler bildirmektedir. Hierarchical modeller portföydeki heterojenliği ele alırken bireysel iyiler için tahminler sağlar. Çıktılar, bir kanal sistemi boyunca her iki üst düzey ve portföy seviyesindeki belirsizlik için hesap veren bir hesap sunar.

Uygulamada Katılımcı Havuzları

On iyi olan bir yatay iyi ped düşünün. Sadece üç tanesi altı ay boyunca üretime devam ediyor. Bir hiyerarşik model, özellikle de her ped için iyi bir tahmin sırasında, daha erken verilerle ilgili tahminleri tahmin etmek anlamına gelir.

Geliştirilmiş Sayıların Ötesinde Faydaları

İyileştirilmiş belirsizlik ölçütleri başlık yararıdır, ancak Bayesian değişim, takımların tek bir rezerv numarası, olasılık aralıkları ve güvenilir aralıkları savunmak yerine, en sık sık sık sık sık sık sık sık sık kesintiye uğrama olasılığını azaltır. Yönetim, risk altındaki başkente karşı asgari bir rezerv eşini karşılama olasılığını açıkça ölçebilir.

Bayesian modelleri doğrudan ekonomik değerlendirmeye bağlanır. Posterior rezerv dağıtımları net mevcut değere (NPV) modellere beslenir, proje ekonomisinin tam bir dağılımını üretir. Bu entegre risk profili, daha iyi karar kapı onaylarını ve veri kodlarını destekler; 0,0Petroleum Kaynakları Yönetimi Sistemi (PRMS)[FONT)[FOV)[FOV)[FONT) Kaynak sınıflandırması ve raporlama için daha fazla beklenen yönteme sahiptir.

Common Application Challenges'a hitap etmek

Önce Hassasiyet ve Uzman Elicitation

Eleştirmenler, verinin seyrek olduğu zamanlarda meşru kaygılar yükseltir. Uygun yanıt Bayesian yöntemleri terk etmek değil, resmi olarak önceden duyarlı analiz yapmak. daha iyi analog seçim dahil olmak üzere, iyimser, karamsar ve tarafsız varyantlar da dahil olmak üzere, daha önce yapılan olumsuz varsayımlara bağlı olarak, önyargı ve aşırı güven artışı sağlar.If not, analiz daha iyi analog seçim yoluyla önceki verilerin veya düzeltme ihtiyacı tespit eder. Structuredcitation protokolleri, örneğin Sheffield Ücretli uygulama çerçevesi, önyargı ve aşırı güven içinde ne kadar fazla güven.

C ⁇ Yetkinlik

MCMC araçları bir öğrenme eğrisi gerektirir. Birçok rezervuar mühendisi, ortak rezerv tahmin problemleri için daha rahattır. ancak, Bayesian kütüphanelerinin Python'a entegrasyonu ve R, Bayesian rezervuar analizlerine önemli ölçüde daha az önem veriyor ve ortak bir organizasyon içinde erişim konusunda şablon modelleri daha da demokratikleştirebilir.

Paydaşlara Olasılıksal Sonuçlarla İletişim

Tüm yönetim üyeleri veya yatırımcılar arka dağıtımlarını rahatça yorumlamıyorlar. Etkili iletişim, iş dostu dilde olasılıksal çıktıları tercüme etmek ve olasılık tekerlekleri 60 MMbbl&rdquo'yı aşabilecek 90 şans; Daha geniş çaplı bir yaklaşımla 60 MMbbl.”P90, fan grafiği, yoğunluk arsaları ve olasılık tekerlekleri dahil olmak üzere 60 MMbbl&rdquo'ı görmezden geliyor.

Düzenleme ve raporlama

Borsa filingleri genellikle SPE PRMS yönergelerine göre sınıflandırılmış veya mümkün olduğu durumlarda, olasılıksal temeller analizlerde zaten yer almaktadır. Bayesian arka dağıtımları bu miktarı her kategori ile ilişkili olarak, teknik ve finansal denetçilerden memnun eder.

Sürekli Updating Dynamic Data for continuous Updating

Statik hacimlerin ötesinde Bayesian yöntemleri üretim tahminlerinde öne çıkıyor. İlk oran dahil olmak üzere Decline eğri parametreleri, geri dönüşüm hızı ve terminal düşüş oranı, analog kuyulardan önceki rastgele değişkenler olarak tedavi edilebilir. aylık üretim verileri bir araya geldiğinde, arka darlar, sürekli olarak tahminleri artırmak.Bu orantılı güncelleme ayarlarını doğal olarak çeyrek raporlama döngüsü ile optimize etmek ve operatörlerin gerçek zamanlı olarak geliştirme planlarını ayarlamasını sağlar.

Geliştirilen petrol kurtarma projelerinde, Bayesian tarihi rezervuar simülasyonlarının en güçlü özelliklerinden biri, devam eden bir öğrenme sürecinden kaynak tahminlerini azaltmak için üretim ve baskı verilerini kullanır.Örneğin, su performansı manuel deneme ve kurtarma faktörü her çeyrekte sürekli olarak güncellenebilir ve geri yükleme yeteneği, iyileşmenin aşağıdan düşerek erken uyarı sağlar.

Yazılım ve Uygulama Yolu

Birkaç yazılım seçeneği Bayesian rezerv tahminlerini destekliyor. Stan, R, Python ve Julia'daki arayüzlerle ilgili bir olasılıksal programlama dili sunuyor, özel modeller için uygun fiyatlı yerel bir Python deneyimi sunuyor.Py için veri işleme tercih ediyor.For Organizationssing processes. Organizasyonlar şimdi Bayesian güncelleştirme modülleri içeriyor.

[FONT=0]Julia programlama dili Turing.jl paketi, büyük ölçekli ters problemler için ideal yüksek performanslı hesaplama yetenekleri sunar. R ekosistemi rstan ve baylarplot gibi paketler ile ilgili olarak, mevcut determinist bir tahminle başlamak için kapsamlı bir araştırma yapmak için kapsamlı bir uygulama alanı oluşturmaktır.

Probabilistic Reserve Estimation

Veri koleksiyonu, fiber optik algılama ile genişletildiği gibi, kalıcı bir down demografi ölçümleri ve 4D sismik anketler, resmi güncelleme mekanizmalarının değeri yalnızca artış sağlayacaktır. Mekanik yorumlama ve üretim tahminleri için makine öğrenme modelleri, daha sonra fizik temelli olasılıklarla incelenebilir, Bayesian karar teorisinde birleştirilmiş bir yaklaşım sunar.

Petrol endüstrisi versquo; tarihsel olarak bu yeteneklerin inşa edilmesi gereken temelleri, sermaye tahsisi, risk yönetimi ve düzenleyici uyum içinde rekabetçi bir şekilde elde etmek için sürekli olarak verir. Geçiş, eğitim ve araçlama için en uygun temel sağlar, ancak karar vermede mantıksal sürecine ilişkin olarak önemli ölçüde önemlidir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Bayesian istatistiklerinin tahmin edilmesi süreci dinamik, kanıt odaklı öğrenme sistemine dönüştürerek, bilgiyle önceden bilgi edinilen verilerle, yaklaşım, mevcut bilgi durumunu dürüstçe yansıtan olasılık dağıtımlarını üretir.

Önceki seçim, hesaplama çabaları ve pay sahibi iletişim gerçek ancak modern araçlarla yönetilebilir, yapılandırılmış başvuru protokolleri ve endüstri giderek karmaşık rezervuarlar ve uçucu piyasa koşullarıyla ilgili olarak Bayesian yöntemleri, önümüzdeki yıllarda güvenliğe sahip olmak için elverişli bir yol sunar.