Data Nasıl Yönetilir Decline'de Uncertainty ve Variability Curve Modelleme Süreçleri

[DÜŞÜNÜ:0)q (t) = q[DÜT:2)[Üye: 2) / (1 + b D_{)[DÜye ait olan)[DÜye/Üye/Üye)[Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye)[Üye/Üye/Üye/Üye)[Üye/Üye/Üye/Üye)}

Bu modeller düzgün, determinist davranışları varsayıyor. Gerçek üretim verileri, nadiren iyi müdahaleler nedeniyle bu ideal eğrileri takip ediyor, rezervuar koşulları, tesis kısıtlamaları ve ölçüm gürültüsü. Model varsayımları ve gerçeklik arasındaki boşluğu tanımak, belirsizlik ve yetimsizliği yönetmek için ilk adımdır.

Data Uncertainty ve Variability

Şartlar bazen değişmez, belirsizlik ve varyanabilite, DCA için farklı köken ve etkiler ile farklı kavramlar temsil eder.

Data Uncertainty

Veri belirsizlik, gerçek üretim oranı veya zaman verilen herhangi bir noktadaki genel hacim hakkında mükemmel bilgiden kaynaklanmaktadır. Kaynaklar şunları içerir:

• [FONT=0)Measurement hataları:[Dönem:[Dönem: 1) Akışmetre hataları, separatorluk sorunları, çoklu-da pedler için tahsis ölçümlerinde belirsizlik.
• [FONT:0]Data boşluklar ve eksik kayıtlar: [Dönemli aylık raporlarda, ölçümlerin çevrimdışı veya arızalandığı dönemler.
• [FONT:0)Processing hataları:[Dönlendirme:[Dönlendirme:) Birim dönüşümlerinin yanlış zaman aralığı veya manuel veri girişi hataları.
• [FONT:0) Interpolasyon veya tahsis belirsizliği: [Döntgen: 1) Üretim, kendi belirsizlikleri olan modelleri kullanarak grup metreden ayrılmaktadır.

Uncertainty, gelişmiş ölçüm ve kaliteli güvence yoluyla kırmızı renktedir, ancak tamamen ortadan kaldırılamaz.

Variability

Variability, temel fiziksel veya operasyonel süreçlerden kaynaklanan üretim oranlarında doğal, sık sık stoksal dalgalanma anlamına gelir. Anahtar sürücüler şunları içerir:

• [FONT:0)Reservoir heterojenliği: Permeability, porosity ve drenaj alanı boyunca akışkan özellikler.
• [FONT:0)Operasyonel değişiklikler:[Dönetici:[Dönetici:0))) bakım nedeniyle, yapay asansör ayarlamaları, uyandırma değişiklikleri veya rak yakındaki iyilerden vurur.
• [FONT:0]Sezon ve hava etkileri: [Dönder: · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
• [FONT:0)Eh müdahale: Yoğun olmayan iyilerden gelen baskı, davranışın reddedilmesine neden oluyor.

Variability sistem için doğaldır ve tasarlanamaz; tahmin çerçevesi içinde modellemeli veya barındırmalıdır.

DCA Hassasiyetinde Uncertainty ve Variability Etkisi

Bu fenomenlerin hesabı dikkate alınabilecek bir hata. Örneğin, bir işten çıkarmadan üretimdeki artış, tahmin edilen nihai kurtarmada (EUR)% 20-40 oranındaki artışla sonuçlanabilir.[SPE 166485)[Döneticileri olmayanlar, doğru olmayan güven gruplarına rağmen, doğrulayıcıların yanlış bir şekilde tepki vermeleri durumunda, doğrulayıcıların% 20-40 oranındaki en yüksek kurtarma (EUR) ile sonuçlanabilir.[0)[SPE 166485)[Döneticiability, eğer doğrulanmamışsa, doğru olmayan güven gruplarına rağmen, doğrulayıcılara karşı yapılan hassaslıklara karşı yapılan karar vermeleri mümkün değildir.

Dahası, değişkenlik gerçek rezervuar davranışını maskeleyebilir. Yoğun mevsimsel pompalama nedeniyle erratik üretimi gösteren iyi bir durum, operasyonel bölümler yok olmadıkça aşırı derecede iyimser tahminlere yol açabilir.

Data Uncertainty

Data Temizlik ve Preprocessing

Data temizliği, belirsizlikleri azaltmak için en acil ve maliyete uygun yoldur. Süreç şunları içerir:

• [FONT:0)Outlier algılama ve tedavi:) İstatistiksel yöntemler (örneğin, medyan mutlak sapma, yuvarlanmış veri noktaları) bayrak anomalous veri noktaları için incelenmelidir. Outliers haklı olabilir (örneğin, geçici yüksek akış geri dönüş) diğerleri kaldırılmalıdır.
• [FONT:0)Gap dolum ve interpolasyon: Kısa boşluklar (günler haftalar), lineer interpolasyon daha fazla bakım gerektirir; üretim tahsis modelleri kullanmayı veya iyilerle karşılaştırmayı düşünün.
• [FONT:0) Normalleştirme:[Dönetici:[Dönderlik basıncı, kore büyüklüğü veya pompa hızı, rezervuar bazlı değişimlerden ayırmaya yönelik düşüş.
• [FONT:0)Consistent zaman indeksleme:) Tüm verileri tek bir zaman üssüne (örneğin, günlerin aksine takvim günleri) uygun bir süre üssüne uygun olarak ayarlandığından emin olun.

Otomatik iş akışları rutin temizliği halledebilir, ancak insan incelemesi, olağandışı olayların uzman yorumu gerektirdiği durumlarda kritik kalır. İyi niyetli bir temizlik kaydı denetim edilebilirlik ve reproditeability için gereklidir.

Uncertainty Quantification için istatistiksel yöntemler

Veriler tam olarak tedavi etmek yerine, modern DCA iş akışları, belirsizlik ölçümleme (UQ) doğrudan içerir: Ortak yaklaşımlar şunlardır:

• [FONT:0)Regresyondan gelen güven aralıkları:[Dönetici:0) Bir düşüş modeline uygun olarak, tahmini tahminlere güven sınırlarını hesaplamak için parametre analizi matrisini kullanın. Örneğin, EUR etrafında 90 güven aralığı doğru bir şekilde belirtilmiş bir modele sahip bir aralığı verir.
• [FONT=0)Monte Carlo simülasyonu:[Dönetici:[Dönetici:0)))))) Potansiyel dağıtımlar, başlangıç parametrelerini (örneğin, ilk oran, gerileme, tanjan eğim) ve binlerce ileri simülasyon gerçekleştirmektedir.
• [FONT:0]Bayesian inference:[Dönetici:[Dönetici:0) Önceki bilgi (örneğin, bir form için tipik bir düşüş, model parametrelerinin arka dağıtımlarını üretmek için gözlemlenen verilerle gözlemlenen verilerle, Bayesian yöntemleri özellikle de tarihi veriler seyrek veya gürültülü olduğunda güçlüdür.

Bu yöntemler ölçüm hatası, model seçimi ve parametre tahminleri nedeniyle belirsizlikleri ölçtü, karar vericilere risklerin şeffaf bir bakışını verir.

Hassasiyet Analizi

Hassasiyet analizi, hangi giriş değişkenlerinin tahmin sonuçları üzerinde en büyük etkiye sahip olduğunu tanımlar.Her parametreyi sistematik olarak farklı bir şekilde kullanarak (bir zamanlar veya Latin hipercube örnekleme gibi küresel teknikler kullanarak), analistler en fazla etkilenebilir değişkenlere öncelik verebilir. Örneğin, EUR son üç aylık üretim verilerine karşı son derece hassassa, o zaman en iyi öncelik haline gelir.

Decline Curve Modellerinde Variability

Varyability'i azaltmak mümkün değildir; hedef doğru şekilde modellemektir, böylece tahminler önyargılı ve belirsizlik tahminleri gerçekçi değildir.

Değişken Sistemleri için Model Seçimi

Geleneksel Arps modelleri sürekli olarak geri çekilmeyi varsayıyor ve düzgün davranışlar. Mevcut olduğunda, alternatif formülasyonlar daha iyi performans gösterebilir:

• [FONT:0]Stochastic düşüş eğrileri: Bu modeller, zaman alıcı rastgele yürüyüşler olarak geri çekilme parametrelerini tedavi eder. Örneğin, bir devlet uzay modeli, Kalman filtreleme ile ilgili olarak, değişken olarak yeni verilerle geri dönüşümleri güncelleyebilir, operasyonel gürültüden sinyal etkin bir şekilde ayırabilir.
• [FONT:0)Probabilistic modeller:[Dönetici:0) tek bir en iyi uyum eğrisi yerine, hangi dağıtım istatistiklerinden gelen eğrileri bir araya getirir. Bu ensemble yaklaşımı, değişkenlik nedeniyle makul sonuçlar yelpazesini ele alır.
• [FONT:0)Makine öğrenme sorguları:[Dönetici ağları veya yüksek lisanslanmış ağaçlar üretim oranı ve zaman gibi kovariatlar arasındaki doğrusal olmayan ilişkileri öğrenebilir, birikimli üretim ve çalışma koşulları.Bu modeller karmaşık değişkenliği idare edebilir, ancak aşırı yüklemeden kaçınmak için dikkatli bir şekilde geçerliliği gerektirir.

Tek bir model tüm iyilere uymuyor. Bir uygulama süresinde birkaç aday model ve mutlak yüzde hatası (MAPE) ve tahmin aralığı kapsama alanı gibi en iyi performansla birini seçer.

Data Segmentation and Regime Tanımlama

Variability'yi ele almanın en etkili yollarından biri, üretim tarihini farklı işletim rejimleri, jeolojik birimler veya akış mekanizmalarına karşılık gelen segmentlere bölmektir. Örneğin:

• [FONT:0) İşlerden Önce:[Dönem:[Döntgen: 1) Bir uyarı tedavisinden önce ve sonra dönemlere ayrı bir düşüş eğrileri.
• [FONT:0]Boundary, geçici akışa karşı egemendir: [Dönetici:0]Dönersiz kuyularda, erken geçici akış daha sonra sınırlanmış akışla karıştırılmamalıdır.Profesyonel akışlar, tanınmış arsalar (örneğin, giriş-log oranı zaman veya akan malzeme dengesi) rejim değişiklikleri tanımlamak için.
• [FONT:0]Sezon segmentleri: [Döneticileri için, güçlü hava odaklı değişkenlik, her sezon bağımsız olarak model veya mevsimsel dummiesleri bir regresyon çerçevesi içinde dahil etmek.

Segmentasyon, her model uygun penceredeki heterojenliği azaltır, daha basit modeller (örneğin, üstel veya hiperbolik) iyi performans göstermek için otomatikleştirilmelidir.The key is to have a defensible, goal method for detecting change points. Statistics tools like the Pettitt test, recursive partitioning, or Bayesian change-point detecting this processUVT:0)(Gaz Science and Engineering, 2017)).

Dış Değişkenler Aklır

Variability genellikle bağımsız olarak ölçebilecek faktörler tarafından yönlendirilir. Modeldeki bu kovariatlar çok fazla dalgalanma ve tahmin istikrarı açıklayabilir. Örnekler:

• [Bottom dem demüresel baskı (BHFP): [FONTT:0)Bottom deliği akan baskı (BHFP): [FONTT:1) BHFP değişiklikleri (örneğin pompa ayarlamaları nedeniyle), BHFP'yi tahmin eden modeller, rezervuar kesintisi ile ayrı bir baskıya yol açabilir.
• [FONT:0)Choke büyüklüğü, pompa hızı veya asansör yöntemi: Categorical veya sürekli değişkenleri işletim koşullarını tarif eder.
• [FONT:0)Resulüm iyi aktivite: [Dön rezervuarlar için, yakın frak aktivite, geçici ama büyük olan üretim güçlendirmelerine neden olabilir.

Bu tür veriler mevcut olduğunda, çok değişkenli gerileme modelleri (örneğin, birden fazla regresyon, makine öğrenimi) dramatik olarak açıklanamaz.

Sürekli Model Updating

Statik düşüş eğrileri, mevcut olduğunda hızla ortadan kaybolur. Dinamik bir güncelleme stratejisi – “rolling DCA” olarak adlandırılır – normal aralıklarda modele uygun olarak (ayda, çeyrek olarak) sadece en son veri penceresi kullanarak.

• rezervuar davranışında kademeli değişikliklere uyum sağlar (örneğin, geçiciden sınıra aktarılan akağa geçiş).
• Otomatik olarak son operasyonel değişikliklerin etkilerini içerir.
• İyi bir düşüş davranışı önemli ölçüde değiştiğinde tespit etmek için doğal bir yol sağlar, bir inceleme tetikler.

Hızlı pencerenin uzunluğu kritik bir ayar parametredir. Kısa bir pencere (örneğin, altı ay) son değişkenliği yakalamak ancak gürültülü olabilir; uzun bir pencere (örneğin, üç yıl) daha istikrarlı ama daha yavaş adapte olmak için.

Güvenilir Decline Curve Tahminleri için En İyi Uygulamalar

Belirli istatistik tekniklerinin ötesinde, birkaç overarşist uygulama, DCA tahminlerinin belirsiz ve var edilebilirlik varlığında kalitesini ve savunmasını artırabilir.

Birden çok Model ve Ensembles kullanın

Tek bir model evrensel olarak en iyi değildir. Birkaç aday modeli çalıştırın (Arps hiperbolik, lojistik büyüme, Duong, üst üste üst üste ve bir makine öğrenme yaklaşımı) ve tahminlerinin aynı zamanda küçük bir grup içinde aynı zamanda bir belirsizlik ölçüsü olarak hizmet eder. Tahminler model seçimi nedeniyle daha sağlamdır.

Tahminlerdeki Bütünlemeleri

Nokta tahminleri (Tek EUR numarası) yetersizdir. Tüm teslim edilebilirler - aslında raporlar, SPEE denetimleri, yatırımcı sunumları - açık belirsizlik sınırları içermelidir, olasılık dağıtımları olarak ideal olarak.

• P10 ve P90 aylık üretim ve EUR için güven aralıkları.
• Güven grubu zaman boyunca genişlik (zararlık tahmin ufuk ile büyür).
• Belirsizlik Kaynağı (measurement error, model formu, parametre belirsizliği).

Belirsizlikle iletişim kurmak yanlış anlaşılmayı önler ve paydaşların risk bilgilerini almalarına yardımcı olur.

Data Quality ve Yönetme

Veri temizlemesi bir zaman aktivitesi olmamalıdır. Bir veri yönetimi çerçevesi oluşturmak:

• Veriler için standart işletim prosedürleri, geçerlilik ve arşivleme.
• Otomatik kalite, bayrakları, boşlukları ve gerçek zamanlı anomalileri kontrol eder.
• Üretim verileri için sürüm kontrolü ve tahmin veritabanı.
• Termic denetimler, ölçüm oranlarına karşı tahsis edilen oranları karşılaştırır.

Yüksek kaliteli veriler, herhangi bir tahmin iyileştirme çabasının temelidir. Veri altyapısına yatırım yapmak uzun vadeli karlar öder.

Collaborative Expertise Entegrasyon

İstatistiksel modeller alan bilgilerini değiştiremez. Jeologlar, rezervuar mühendisleri ve üretim mühendisleri buna dahil edilmelidir:

• Veri anomalilerini yorumlayın (örneğin, aniden bir oran düşüşü kapalı olabilir, kesintiye uğramaz).
• Jeoloji bölgeleri veya tamamlanma aşamalarına dayanan segmentasyon sınırlarını seçin.
• Model varsayımlarını (örneğin, bu aşamada beklenen sınır dışı edilmiş akıştır mı?)

Sürekli eğri tahminlerinin geri çekilmesinin düzenli olarak işlevsiz incelemeleri, tahmin metodolojisi için erken hataları yakalamaya ve örgütsel satın almalara yardımcı olur.

Gelişmiş Teknikler: Bayesian Yöntemler ve Makine Öğrenmeleri

Hesaplama yetenekleri büyüdükçe, daha sofistike yöntemler erişilebilir hale geliyor. Bayesian hiyerarşik modeller, binlerce iyinin aynı anda uygun olabileceği konusunda bireysel iyi bir düşüş parametrelerini tedavi ediyor.

Makine öğrenme algoritmaları, zaman zamanlayıcı tabakalarla rastgele ormanlar veya sinir ağları gibi, yüksek boyutlu girişlerden karmaşık desenleri öğrenebilir (örneğin, tamamlanma tasarımı, kaya özellikleri, spacing ve zaman) Bu modeller genellikle kısa vadeli tahminlere dayanır, ancak eğitim süresinden kaçınmaya ve emin olmak için dikkatli bir tasarım gerektirir.

Onların gücüne rağmen, bu gelişmiş teknikler belirsizliği veya yetimsizliği ortadan kaldırmaz - onları nasıl yöneteceğimizi değiştirirler. Her model, verilere karşı doğrulanmış ve belirsizlik ölçümlemenin temel bir teslimiyet olarak kalması gerekir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Veri belirsizlik ve değişkenliği eğri modellemeyi azaltmak için doğaldır, ancak tahmin güvenilirliğini zayıflatmaları gerekir.Veri temizleme ve iş öncesi hesaplamalar yoluyla ölçüm hataları sistematik olarak ele alınarak, istatistiksel yöntemlerle belirsizlik ölçmek ve segmentasyon yoluyla değişkenliği modellemek, dinamik güncelleme ve uygun model seçimi, petrol profesyonelleri her iki sağlam ve gerçekçi de tahminler üretebilir.

En etkili DCA iş akışları, Bayesian modelleri ve makine öğrenimi gibi gelişmiş araçları bir araya getiriyor gibi, birden fazla model ve sürekli geçerliliği kullanarak aynı şekilde devam eder.

Sonuçta, hedef her hata kaynağını ortadan kaldırmak değil, ancak belirsizliği görünür ve yönetilebilir hale getirmek için, subsurface enerji üretiminin doğal öngörülemezliği altında daha iyi kararlar vermesine izin vermek.