Decline Curve Analizine ve Ortak Pitfalls'lara Giriş

Decline Curve Analizi (DCA) en yaygın kullanılan yöntemlerden biri olarak petrol ve gaz endüstrisindeki en yaygın olarak kullanılan yöntemlerden biri olarak kalır ve en yüksek kurtarma oranları ve tahminleri tahmin etmek için en yüksek oranda yapılır.Rezersiz bir şekilde yapılan analizler, analizler, proje gelecekteki performans, bilgi değerlemeleri ve rehberlik geliştirme kararlarını inceler.Bu makale DCA doğrulukları sırasında karşılaşılan en sık sık sık sık sık sık sık sık sık inceler.

Güçlü bir DCA iş akışı veri kalitesi, model seçimi ve akışkan akışının temel fiziği için dikkate alınmalıdır. Sistemli bir yaklaşım olmadan, deneyimli mühendisler, operasyonları veya aşırı en iyi kurtarmayı yanlış bir şekilde çözebilecek sonuçlar üretebilirler. Aşağıda en ısrarlı modeller - ve bunları çözmek için kanıtlanmış tekniklerden vazgeçer.

Decline Curve Analizinde Ortak Konular

Inconsistent veya Corrupted Production Data

Herhangi bir DCA'nın temeli üretim zaman serisidir. Pratikte, bu veri setleri genellikle altı ay boyunca kapanmış, tekrarlanan, negatif akış oranları veya farklı veri kaynaklarından çelişkili sayılardır.Tek bir yanlış zaman aralığı dramatik bir şekilde düşüş eğrisini çizebilirse, özellikle de veri setinin kısa olduğu zaman eğrisi ortaya çıkabilir.

Veri tutarsızlıkları da birim dönüşüm hatalarından kaynaklanmaktadır (örneğin, ayda bir mil karıştırın ve manuel veri girişi hatalarından dolayı metreye karıştırın. Otomatik izleme sistemleri, sensörlerin arızalandığında artışlar üretebilir, manuel okumalar sabit bir şekilde ortaya çıkabilir. Tüm bu sorunlar standart bir eğri yükleme algoritmasının gerçek sinyal olarak tedavi edileceğine işaret eder.

İstatistiksel gürültü ve Outliers

Açık hatalar için temizlikten sonra bile, üretim verileri operasyonel değişiklikler, mevsimsel etkiler nedeniyle doğal bir değişken içeriyor veya geçici rezervuar davranışları. Outliers - normal trendin dışında iyi yalan söyleyen noktalar - kısa vadeli bir choke değişikliğinden kaynaklanabilir, temsilci olmayan kısa bir test.

Birçok durumda gürültü seviyesi kendi başına değildir. Erken üretim de temizlenebilir; daha sonra veriler heteroscedasticity (değişim) için hesap başarısız olabilir.

Incorrect Model Seçimi: Exponential, Hyperbolik veya Harmonic

Doğru düşüş modelini seçmek kritiktir. Üstel model sürekli bir düşüş varsayıyor ve sınırda iyi akış için sürekli akan bir baskı ile uygun. hiperbolik modeli ( popüler Arps’ denklemi dahil) gerileme oranını azaltır, geçici akış rejimleri için uygun hale getirir. harmonik model aslında b = 1.

Yaygın bir hata, rezervuarın hala geçici bir akışta olduğu zaman üst üste bir üstel model kullanıyor - bu, daha sonra üretime geri dönecek. Tersine, daha sonra yapılan bir hiperbolik modelinin zaten bu akışa ulaşmış olduğu bir aşırı derecede iyimser bir kuyruka yol açabileceğini gösteriyor. [DÜDÜDÜ:0]b).

Sınırlı veya Biased Data Range

DCA çok kısa bir tarihte yapıldı - altı aylık üretim - nadiren gerçek uzun vadeli düşüş eğilimini ele alıyor. Erken veriler yakın-dabore etkileri, temiz ve geçici akış; gerçek düşüş sadece aylar veya yıllar süren üretimden sonra ortaya çıkıyor. Kısa bir veri kümesi, eğriyi erken üst düzey puanlara uymaya zorlanır, devam edemeyeceğini ortaya çıkarır.

Seçme önyargı da analistler bilinçsizce bir şekilde "en iyi görünümlü" veri segmentini seçerler. Örneğin, sadece on yıllık bir tarihin son iki yılını toplayın çünkü daha önceki veriler gürültülü görünüyor, bazen “tavay kiralama” olarak adlandırılır ve mevcut tüm kanıtları kullanma prensibini ihlal eder.

İşletim Koşullarında Değişiklikler

Reservoirs statik değildir. Wells uyarılır, bir pompa yüklemek veya yapay asansöre yerleştirilen bir geri çekilme şekli oluşturabilir.Infill Truck, bir işover öncesinden elde edilen bir geri dönüş eğrisi, aynı şekilde, boru hattının baskısını değiştirmek, bir pompa kurmak veya her bir inflection noktasının her biri bir sürekli modeli geçersiz kılar.

Sınırsal Etkileri ve Son Yaşam Davranışı

İyi bir şekilde ekonomik sınırına yaklaşırken, üretim oranı genellikle son hızlı bir düşüşten önce çok yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş

Ortak Konular Nasıl Çözülebilir: Pratik Çözümler

Data Quality Through Rigorous Preprocessing

İlk savunma hattı, yapısal bir veri akışıdır. Olumsuz fiyatlar için otomatik kontroller, sıfırlar ve yuvarlanıcıların, üç aydan daha az sayıdaki (örneğin, üç aydan daha az) veya daha fazla boş zaman boyunca boşlukları uygulayan bir veri tarihçisi veya üretim veritabanı kullanın.

Standart birimleri tek bir sisteme (örneğin, STB /d veya MCF /d) ve tüm hacimleri aynı temele (satış vs. brüt) Pasif raporlarına karşı, iyi test verileri ve boru hatları makbuzları mümkün olduğunda en etkili adımdır.

Robust Statistics ile Outliers Tedavi Edici

Outlier kaldırma, meşru üretim değişikliklerini ortadan kaldırmak için dikkatli yapılmalıdır.Hazırda bir pencere yaklaşımı kullanın: yerel bir medya ve medyan mutlak sapma (MAD) her bir noktada. eşiği aşan noktalar (örneğin, 3× MAD) otomatik iş akışları için bayraklı olabilir, çevre noktalarının medyaları ile yedeklenir, ancak alt kurumlar için belge.

LOESS (yerel olarak tahmin edilen saçakları pürüzsüz) gibi parlak teknikler, elle kaldırma noktaları olmadan altüst eğilimi ortaya çıkarabilir. Ancak, aşırılık için dikkatli olun, çünkü bu önemli inflections maskeleyebilir. pratik bir kural: sadece belirgin ölçüm hataları kaldırmaktan sonra pürüzsüz bir şekilde uygulayın.

Obropriate Decline Model Using Obrop Kriterleri

Model tahmin etmeyin - veri kılavuzuna izin verin. arsaya Bilgi Criterion (AIC) veya Bayesian Information Criterion (BIC) farklı parametreleri ile karşılaştırmak için lineer bir modeldir. AIC, karmaşık modelleri basitleştirmenin ardından daha iyi bir şekilde gösterir.

Tek bir analiz için, ortak uygulama, bir eksilgen modeli ile bir eksilgenle başlamaktır:0)b) Bu, sonsuz kuyruk ve fiziksel beklentiler için 0.7 ≤ 0.7.If the best-fitİLD:2.

Crossvalidasyon da faydalıdır: Kalan% 70'in ilk yüzde 30'unda veri ve test tahminlerine uygun. Bu, seçilen modelin eğitim süresinin ötesinde genelleştirilmesinin ne olup olmadığını ortaya koymaktadır.

Sufficient ve temsilci Data Range

Bir başparma kuralı olarak, en az 12-24 ay üretim verileri anlamlı bir DCA için içerir ve tercihen daha uzun süre geçici akışla iyiler için.Sadece kısa tarih mevcutsa, eğrileri veya analogları kullanarak, gerileme parametrelerini kısıtlamayı düşünün.

Veriler yetersiz olduğunda Bayesian yöntemleri, basin'deki tipik düşüş oranları hakkında önceden bilgi içerebilir. Alternatif olarak, olasılıksal DCA kullanarak Monte Carlo simülasyonu tek bir en iyi anlama eğrisi zorlamadan sınırlı veriler nedeniyle belirsizlik ifade edebilir.

İşletim Koşullarında Değişim için Normalize

Üretim tarihini her büyük değişiklik için - bir choke ayarlama, işover veya yapay asansör kurulumu - yeni bir düşüş segmenti olarak sonraki verileri tedavi edin. Her segmente ayrı bir eğri uygulayın veya parametrelerin bilinen zamanlarda değişmesine izin veren bir parça modeli kullanın.

Etkili bir teknik, baskı veya alt delik basıncı ile normalleştirmektir.Basiyonel üretime karşı baskı ile bölünmüştür - bu genellikle operasyonel değişikliklerden sonra bile verileri tek bir trende çökertme, çünkü farklı sürücü enerjisi için hesaplar. Bu yöntem, “giriş malzemesi dengesi” veya “basınma-normalleştirilmiş oran” yaklaşımı olarak bilinen, ham düşüşten daha sağlamdır.

Kuygun Etkileri ve Geç Yaşam Ölmüş Modellerle Söyleyin

Bir hiperbolik modelinin iyimser sonsuz kuyruğundan kaçınmak için, belirli bir türkülesel üretimden sonra en üst düzey bir düşüş oranına geçiş yapmak için. SEPD (Stretched Exponential Production Decline) model veya Duong modeli (kırık rezervuarlar için) normal olarak geç bir şekilde kullanılabilir.

Ekonomik limitlerine yakın iyiler için, fiziksel minimum oranı (örneğin, maliyetleri kaldırmaya dayalı) ve son kızar üretimini ayrı bir şekilde modellemeyi önerir. Endüstri yönergeleri DCA tahminlerini analog kuyulara karşı denetim altına almak için zaten bağlantıya ve terk etmek için öngörür.

Gelişmiş Teknikler ve En İyi Uygulamaları

Tümleştirici Makine Öğrenmesi

Geleneksel DCA, parametrik bir form varsayıyor. Modern yaklaşımlar, makine tabanlı modeller ile işlem öncesi öğrenme yöntemlerinin binlerce iyiden geri çekilmesini sağlamak için sinir ağları veya gradient güçlendirme kullanıyor.Bu yöntemler gürültülü verileri ele alabilir ve otomatik olarak test edebilirler, ancak makineye dayalı modeller ile işlem öncesi işlemleri birleştiren büyük eğitim veri kümeleri gerektirir.

Araçlar ve Otomasyon

Ticari paketler:0)IHS Harmony[Dönetici:0)[Dönetici:2|Dönetici:2|Dönetici:0) ve [[Dönemli / 4) GORE[DDDDDDDDDDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜye Olmayanlar, Doğrulanmış verilerle, birim yanlış bir şekilde, doğrulayıcı ve doğrulayıcıların bulunduğu yüksek çözünürlükte bir şekilde yapılır.

Doküman As Effectss and Uncertainty

Her DCA tahminleri belirsizdir. Rapor aralığı (P10, P50, P90) tek bir değerden ziyade, veri segmentlerinin nasıl kullanıldığı, hangi model seçildiği ve herhangi bir kısıtlama uygulanan.Sorumlu dokümanlar, bir hata tahmin riski altında.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Decline Curve Analizi güçlü bir araçtır, ancak etkinliği titiz veri yönetimi, uygun model seçimi ve gerçek dünya komplikasyonlarını kullanarak, operasyonel değişiklikler, önyargılı veriler aralıkları, operasyonel değişiklikler ve sınır etkileri tüm yaygın sorunlardır, eğer kontrol edilemezse, sistematik veri kalitesi prosedürlerini uygulamak, objektif seçim kriterlerini kullanarak ve operasyonel değişiklikleri uygulamak ve normalleştirme veya parça yaklaşımları uygulamak, DCA tahminlerinin güvenilirliğini artırabilir.Incorporating belirsizlik ölçümleme ve akranizasyon ve kimlik doğrulamayı sağlamak.

Daha fazla okuma için, Petrol Mühendisleri Topluluğu (SPE) DCA'daki birkaç seminal makale yayınladı, örneğin:0)SPE-176: “A Workflow for Decline Curve Analysis”) ve klasik DÜŞÜNCÜDÜSÜDÜSÜDÜDÜSÜDÜDÜSÜSÜSÜye ait olan Endüstri blogları [DÜye Olmayanlar İçin İş Akışı].