Petrol mühendisliği ve rezervuar yönetimi, üretim tahmin yeteneği doğru bir şekilde ekonomik planlama, rezerv tahminleri ve iyi müdahale kararları temeldir.Demekli eğri analizi (DCA) onlarca yıldır bir işhorse tekniğidir, öncelikle Ampirik Arps modellerine dayanan -exponential, hiperbolik ve harmonik - bu modeller tarihsel verilerden gelen daha iyileştirici ve hesaplamalı olarak, bu analizleri genellikle karmaşık hale getirmeye çalışır ve gerçek dünya dışı üretim alanlarındaki karmaşıklıklardan dolayı.
Decline Curve Analizi
Geleneksel DCA 1945'te J.J. Arps ile başladı, gözlemlenen üretim trendlerine dayanan üç yarı zamanlı ilişki resmileştirilmişti. Üstel model sürekli bir düşüş oranı varsayıyor, hiperbolik modeli, a)FLT tarafından kontrol edilen bir düşüş oranına izin veriyor:0b[FLT] ve harmonik model, [[2).b = 1.
[D)[0] [DÜDÜT:0][D) = q i / (1 + b D i t) ^ (b)).
[FONT i[FONTT:0) [FONT i)) ilk oran, ) ve [[D i) ilk düşüş oranıdır, ve |D i[D i[D i][/FONT) en az veri gerektirir ve basit projeksiyonlar sağlar.
Ancak, bu modellerin varsayımları - işletim koşullarını, tek fazlı akışı ve rezervuar basıncında değişiklikler - nadiren uygulamada karşılanır. Üretim verileri ölçüm hataları, operasyonel kesintiler, iyi müdahaleler ve geri yükleme tasarımlarında değişiklikler. Ek olarak, Arps hiperbolik modeli ile yapılan değişiklikler:0).b) sonsuz rezervlerine yol açabilir, fiziksel bir imkansızlığı gerektiren, sabit kesintiler, genişletilmiş üst düzey müdahaleler ve daha sofistike istatistiksel yaklaşımlar.
Geleneksel DCA Yöntemleri
İleri tekniklere girmeden önce, bu gelişmiş yöntemlere hitap etmek için kullanılan geleneksel DCA'nın özel eksikliklerini kataloglamayı öğreticidir:
- [FONT=0] Sürekli düşüş oranlarının varsayımı:[Dönetici modelleri, nadiren uzun süreler içinde tutan düz bir düşüş oranı varsaymaktadır. hiperbolik modelleri bile, işletim koşullarını veya rezervuar bölmesini fark eden geçici etkileri göz ardı eder.
- [FONT:0) Gürültü ve outliers için tereddütlülük:) En küçük en yüksek veri noktalarına karşı oldukça hassastır. tek bir erroneous akış gerisi veya bir süre kısıtlı üretim tüm eğriyi bozmak, önyargılı tahminlere yol açan.
- [FONT:0) Karmaşık davranışları modellemede esneklik: Arps modelleri, erken zaman sınırı-dominated akıştan geç zaman kesintiye kadar geçişler veya çok-fazlı akışların etkileri gibi, hidrolik kırılma, veya iyibore dinamiklerini idare edemez.
- [FONT:0]Lack of belirsizlik ölçümleme:[Dönetici: 1) Geleneksel, güven aralıkları olmadan tek bir deterministik tahmin üretemez. Karar vericilerin olası sonuçları veya tahminlerin güvenilirliğini değerlendirmenin resmi bir yolu yoktur.
- [FONT:0)Genelleme ve bakım altında:[Dönetici: 0,4][/FONT=0) Sınırlı verilerle, hiperbolik modelleri gürültüye ayarlandığında, makyaj parametrelerinin düşmesiyle birlikte, model önemli eğilimleri yakalamazken meydana gelir.
Gelişmiş istatistik yöntemleri doğrudan bu sorunları karşı karşıya, sağlam tahminler, belirsizlik yayılımı ve esnek model yapıları sunar.
Gelişmiş DCA için Gelişmiş İstatistik Yöntemleri
Nonlinear Regresyon ve Optimizasyon
Lineer regresyon, Levenberg-Marquardt veya güven-bölge yöntemleri gibi basit bir şekilde işlevli algoritmaları kullanarak en az kareler genişletir.Bu algoritmaların sabit olmayan bir gerileme için log-linearrsaları kullanmak yerine, uygulayıcılar, yüksek çözünürlükte parametreleri ayarlayabilirler.
[FONT:0)Key avantajları:[Dönersiz regresyon, parametrelerinde lineer olmayan modeller, hiperbolik ve genişletilmiş üst üste (örneğin, [[Döneticiler) gibi standart hataları ve matrisleri içerir.
[FONT:0)Limitations:[[Dönetici:0) Yerel birliğe karşı Convergence (üresel olarak) minimum düzeyde mümkündür, özellikle de yoksul ilk tahminlerle, bu yöntem hala canlıların bağımsız ve normal olarak dağıtıldığını varsayar, bu da üretim zamanı serisine sahip olmayabilir (otokorelasyon yaygın). Robust regresyon varyantları (örneğin, Huber kaybı, iteratif olarak en az kareler)
Bayesian Inference and Uncertainty Quantification
Bayesian yöntemleri, önceden bilgi (örneğin, tipik aralıklar için:0)b) değerleri, bilinen kaya özellikleri) ve modelleme parametreleri için arka dağıtımları üretmek için gözlemlenen verileri güncelle.For posterior ölçümler her parametrede ve sezgisel olarak yorumlanabilir güvenilir aralıklarda belirsizliği gösterir.
[FONT:0)Markov Chain Monte Carlo (MCMC)) örnek olarak, tek bir EUR (en yüksek çözünürlükte) sayı için güçlü bir Bayesian aracı, olasılık fonksiyonu standart olmayan veya model yüksek doğrusal olmayan bir parametre setleri yaratarak,MC tam bir olasılık tahmini sunar. Örneğin, tek bir EUR (en yüksek kurtarma) sayısı yerine, elde edilen mühendisler EUR dağıtım olasılığı yüksek değildir.
[FONT=0]Advantages:[Dönetici:[Dönetici:0)[Dönderler:[Döneticiler:0)[Dönersizler için tahminler, gerçek dışı ekstrapolasyonları önlemek, aynı zamanda birden çok iyi paylaşılmış parametreler ortak öncekileri paylaşmalarına izin verir, bireysel iyi bir şekilde geliştirir.
[FONT:0]Practical hususlar: [Döneticiler için dikkatli bir teklif dağıtımları ayarlaması ve hesaplamalı yoğun olabilir. ancak, modern olasılıksal programlama dilleri (örneğin, Stan, PyMC) ve özel rezervuar analiz yazılımı Bayesian DCA'yı erişilebilir hale getirdi.
ayrıntılı bir tedavi için, bkz.D:0)Bhattacharya ve Nikravesh (2015) ), Bayesian'ın MCMC ile eğri analizini geri çekmesi.
Makine Öğrenme ve Data-Driven Yaklaşımları
Makine öğrenme (ML) algoritmaları, katı bir işlevsel form önermeden eğrileri modellemek için esnek bir çerçeve sağlar. Bu yöntemler doğrudan veriden, non-linearities, etkileşimleri ve rejim değişiklikleri öğrenir.
[FONT=0]Neural ağ (NNs)), özellikle LSTM gibi yeniden mevcut mimariler (Uzun Kısa Süreli Bellek), zaman serisi tahminleri için iyi uygun durumdalar. Zaman zaman girişleri ve çok değişkenleri ele alabilirler (örneğin, akan baskı, ch büyüklüğü, su kesir).
[FONT:0)Gradient güçlendirme makineleri (GBMs)) (e.g., XGBoost, LightGBM) genellikle daha küçük veri setleriyle iyi performans gösteren bir alternatif sunar. Zaman, birikimli üretim ve mühendis değişkenleri gibi özelliklere dayanarak tahmin etmek için kullanılabilir. GBMs özellik önemli puanlar sunar.
[FONT:0)Deprem vektör regresyon (SVR)) Farklı bir hata ölçümünü en az (epsilon-in hassas kaybı) en az sıradan karelerden daha hassastır. İlişki doğrusal değildir, ancak son derece karmaşık değildir.
[FONT:0)Key düşünceler:[Döneticileri] [Döneticileri], fiziksel yorum zor hale getirmek için, dikkat çekici çapraz değer ve hiperparametre ayarını gerektirir. Ayrıca, test verilerinin eğitim aralığının dışına düşmesi durumunda ekstrapolate kötü olabilir - RSA'da ortak bir pitfall. Hybrid yaklaşımlar (e.g, düşüş oranı olumlu kalır).
DCA'daki ML uygulamaları kapsamlı bir inceleme, [FONT=0]Wang ve al. (2020)).
Robust Estimation için Yanma Teknikleri
Veriler sınırlı olduğunda veya ikamet alanlarının dağılımı belirsizdir, botlar ve jackknife gibi yeniden toplanma yöntemleri güçlü parametrik varsayımlar olmadan parametre belirsizliğini tahmin edebilir.
[FONT:0]Bootstrapping[Dönetici:0) Sürekli tekrar tekrar tekrar tekrar tekrar tekrar tekrar tekrarlayıcı ve her bir yeniden kayıt cihazına model uydurulmuş veri kümesine uygun olarak, peçeterap replikaları arasındaki özel parametrelerin yayılması, ampirik standart hataları ve güven aralıkları sağlar.
[FONT:0]Advantages:[Dönetici:[Döncüler: 0 ) Çizgiler, hata dağılımı ile ilgili varsayımsızdır ve herhangi bir uygun yöntemle çalışır (onlinear regresyon, Bayesian, vs.). Özellikle küçük veri setleri için sağlam bir belirsizlik ölçü verir.
[FONT:0)Limitations:[[Dönetici:0)The Bottrap, uygun algoritma yavaşsa hesaplamalı pahalı olabilir. Son derece otokorlaz veriler için, standart bootstrapping belirsizliği hafifleştirir; blok veya hareketli blok bootstraps gereklidir.
Düzenlileştirme Yöntemleri Overfitting
Aşırılık karmaşık modeller (örneğin, yüksek derece polinomlar, sinir ağları) gürültülü üretim verilerine uygulanır. Düzenlileştirme, büyük parametre değerlerini veya aşırı model karmaşıklığını geciktiren maliyet fonksiyonuna bir ceza terimi ekler.
[FONT:0)Ridge regresyon (L2 normalleştirme)), sıfıra doğru parametreleri daraltabilir, ancak önceki yollarla parametre sapmalarının karesel büyüklüğüne göre tutar (L1 normalizasyon)[DDDDDDDDDDDDD)[DDDDDDDDDDD)[Dönergesel ölçümler için bazı parametreler ayarlayabilir.In DCA, normalleştirme, doğrusal olmayan modellere bir şekilde uygulanabilir.
[FONT=0]Elastic net[[Dönetici:0) Hem L1 hem de L2 cezalarını birleştirir ve çok yönlü parametrelerle ilişkili olduğunda faydalı olur. Örneğin, çok-segment hiperbolik modeli, normalleştirme engellenir.).
Düzenlileştirilmiş modeller, düzgün, daha fiziksel olarak makul bir düşüş eğrileri ve daha iyi ekstrapolasyon performansı görünmez veriler üzerinde üretmeye eğilimlidir. Cross-validation normalleşme gücünü seçmek için kullanılır.
Pratik Uygulama ve İş Akışı
Data Preprocessinging
Gelişmiş istatistik yöntemleri sadece onlara beslenen veriler kadar iyidir. Üretim zamanı serisi için ekranlanmalıdır:
- İyi testlerden dolayı, kapalı-ins veya metre başarısızlıkları.
- Eksik veri dönemleri, interpolasyon veya geç değişken olarak modelleme gerektirir.
- choke düzenlemeleri, yapay asansör değişiklikleri veya hidrolik fracturing uyarıları gibi işlemsel değişiklikler. Bu olaylar bayraklı ve ya da ayrı olarak modellenebilir veya aynı şekilde kullanılabilir.
- Arps trendlerini takip etmeyen akış ve erken zaman geçici davranışlar genellikle ilk birkaç ay boyunca sınırdan alınan akışa ulaşmak için dışlanır.
Zaman serisi dekompozisyon (örneğin, STL - mevsimsel-trend dekompozisyon) gürültü ve periyodik desenlerden altüst düşüş eğilimlerini geri almalarına yardımcı olabilir.
Model Seçimi ve Geçerlilik
Gelişmiş yöntemler arasında seçim, veri erişilebilirliği, gürültü seviyesi ve istenen çıktıya bağlıdır (deterministic vs. olasılıkistik). önerilen bir iş akış:
- [FONT:0) Sağlam doğrusal olmayan regresyon ile başlayın[Dönergeler ile M-estimatörlerin parametreleri için standart hataları.
- [0]İklimdeki güven aralıkları elde etmek için, (Düzen) önyükleme (Düzen)
- [[Dönetici:0) Eğer bilgi var ise (örneğin, jeolojik kısıtlamalar), MCMC kullanarak bir Bayesian yaklaşımı[[Dön 1:0) kullanır. modeli doğrulamak için ön tahmin edilebilir kontroller kullanın - arkadan veri ve gözlemlenen verileri gözlemleyin.
- [FONT=0) Çok fazla insan grupları veya büyük veri setleri için, gradient güçlendirme veya LSTM ağlarını ) özellikle mühendislik özelliğinden sonra (son müdahaleden bu yana zaman dahil, toplu üretim, baskı verileri).
- [FONT:0)Ayrıca, model karmaşıklığının veri uzunluğuna göre yüksek olduğu durumlarda normalleşir.
Zaman serisi bölmeleri kullanarak çapraz-validasyon (örneğin, yuvarlanmış pencere) tahmin edici performansı değerlendirmek için gereklidir, sadece iyilik-of-fit.
Yazılım ve Araçlar
Birkaç ticari ve açık kaynak platformları gelişmiş DCA'yı destekliyor:
- [FONT=0)Python ekosistemi: [Dönetici: [Dönetici:0]Python ekosistemi:[Dönetici], Scikit-learn (SVR, Gradient Boosting), TensorFlow/PyTorch (neural ağları).
- [FONT=0) R:[Dönem:[Dönem: 1) “Dövücüler”, “Bayesian), “caret’ (ML), “forecast’ (zaman serisi)
- [FONT:0] ⁇ rezervuar yazılımı:[Dönetici: GOHFER, KAPPA ve Saphir, olasılıksal DCA ve makine öğrenimi için modüller içerir.
- [FONT:0) Özelleştirilmiş paketler:[Dönetici:0) [Döneticileri” DCA ile hız-transient analizi entegrasyonu için.
Uygulamacılar için,FL:0)pyDCA[[DFLT:1) Bu gelişmiş yöntemlerin birçoğunu uygulayan açık kaynak Python kütüphanesidir.
Karşılaştırmalı Analiz: Geleneksel vs. Advanced Methods
Aşağıdaki tablo önemli farklılıkları özetliyor:
| Attribute | Traditional Arps DCA | Advanced Statistical Methods |
|---|---|---|
| Model flexibility | Fixed (exponential, hyperbolic, harmonic) | Arbitrary (nonlinear, piecewise, data-driven) |
| Uncertainty quantification | None (deterministic) | Full probabilistic (Bayesian, bootstrap) |
| Outlier handling | Poor (least squares sensitive) | Robust (Huber, quantile, SVR) |
| Data usage | Only rates and time | Multivariate (pressure, completions, features) |
| Overfitting risk | Low (simple models) | High unless regularized |
| Computational cost | Minimal | Moderate to high |
| Interpretability | High (physical parameters) | Low to moderate (depends on method) |
Uygulamada, bir hibrit yaklaşım genellikle en iyi sonuçları verir: uygun kaliteyi geliştirmek ve belirsizlik ölçmek için gelişmiş istatistiksel yöntemler kullanın, tahminlerin makul kalmasını sağlamak için fiziksel kısıtlamalar korurken.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Gelişmiş istatistik yöntemleri, eğri analizini, öznel bir eğriye uygun bir şekilde, veriye dayalı bir disipline dönüştürmeye ve Bayesian inference, makine öğrenimi, resampling ve normalleştirme her bir adrese özel kısıtlamalar getirdi.Bu teknikleri benimsemeye göre mühendisler rezervuar tahminlerinde daha doğru ve güvenilir tahminler üretebilir ve alan gelişimi, ekonomik viability ve iyi müdahale ile ilgili daha iyi bilgilendirici kararlar verebilir.
Yöntem seçimi, veri kalitesi, mevcut hesaplama kaynaklarına ve karar bağlamına bağlıdır. pragmatik bir yaklaşım, sağlam olmayan regresyon ve bottrap belirsizlikleriyle başlamak, sonra Bayesian veya makine öğrenme modellerine problemin karmaşıklığı olarak tırmanmak gerekir. Üretim verileri daha fazla granular ve bol miktarda olur - yüksek frekanslı sensörler ve alt delük ölçümlerden - rezervuar olmayan istatistiksel yöntemlerden sadece faydalanamaz, ancak rezervuar yönetiminde rekabetçi kalmak için gerekli değildir.
Daha fazla okuma için, danışmanlık:0) SPE Journal kağıt, öngörülemeyen iyilerin tahminleri üzerine () ve [[Dönetici[Döneticiler için yazılım kütüphanesi [Döneticileri için yüksek çözünürlükte)