Shale Reservoirs'teki Heterojenlik Doğası

Shale formasyonları, uygun olmayan kayaların üniformalarından uzaktır. Onlar, önemli daha sonra ve dikey varyanabilite gösteren karmaşık sempozyumlar, bu heterojenliklerden kaynaklanır ve organik ve organik bileşenlerle olan etkileşimler.Bir tek iyibore, her biri eşsiz porselen sistemler, mayınsal çerçeveler ve mekanik özelliklerle, bu karmaşık tahminlere karşı ilk adımdır.

Bir gölge oyunu homojen tank sürekli olarak belirsizliği hafife alır ve genellikle aşırı derecede iyimser bir kurtarma tahminlerine yol açar.]Temability in organic-rich mudstones), organik-erkekler tarafından yapılan bazı yüzeylerde% 2'den daha az miktarda, katı betonda veya karbonat-zengin bölgelerden daha fazla miktarda tasarruf sağlar.

Variability

Üç temel faktör, betonarmete heterojenliği sağlar. İlk olarak, [[Dönetici kompozisyonu) daha fazla parçalanmış ve daha yüksek permeability konduits.İkinci, kırıklıklar için farklı olarak, organik karbonatlar[Dönemli)[Dönemli)[Dönemli döngüler ile ısıtılır.

Temel ölçeklenebilirliğin ötesinde, basin- çapındaki trendler ek zorluklar ortaya koyar. Termal olgunluk gradients Hidrokarbon nesli ve çatlakları etkiler, sıvı özellikleri ve reflek basıncı rejimleri değiştirir.Süresel bölmeler, iyi verilerin basit bir şekilde ortaya çıkmasının yerine karmaşıklıklarını geliştirir.Bu elementler saf olarak deterministik, tek sayı rezervlerinin neden nadiren dezenfekte olduğunu vurgular.

Geleneksel Rezerv Estimasyon Yöntemlerinin Kısa Gelenleri

Tarihsel olarak, operatörler eğri analizine (DCA) ve hacim hesaplamalarına dayanıyordu. DCA sınırdanlanmış bir akış ve tutarlı bir drenaj hacmini varsayıyor - ultra düşük permeability'lerde geçici akışların yıllarca devam edebileceği tahmin ediliyor.Bir tek iyi düşüş, birkaç erken eğrinin altından geri dönüş olabilir; 500 bin tane daha sabit bir kaya hacmini geri kazanılır.

Volumetrik yöntemler farklı bir kusurdan muzdariptir: porosity için ortalama değerler gerektirir, su saturasyon ve net bir şekilde tanımlanmış bir alanda net bir ödeme kalınlığı.Bu ortalamaları seçmek istatistiksel bir kumar sütundur; Birkaç yüksek-porosity, organik-zengin aralıklar verimlilik gösterebilir, bazı engeller ve penetlemeler bu sapmaların tüm sapmaların boyutunu nadiren artırır.

Probabilist analiz uzun zamandır belirsizlikleri geri almak için kullanılmıştır, ancak sağlam bir uzaysal model olmadan, anahtar parametrelerin giriş dağılımı spektral kalır. Sonuç, genellikle anlamsız, P10-P90 serisidir, sondaj kararları için küçük rehberlik sunar. Bu sınırlamaları kabul etmek için endüstri açıkça doğrulanmış tekniklere doğru kaydırdı ve birden fazla veri kaynağını entegre eder.

Shale Reserve Estimation için Geostatistical Modeling

Geostatistics, rezervuarın her yerinde ve istatistiki özellikleri yansıtan bir disiplin çerçevesi sunar. Tüm veri kümesinden güvenilir bir şekilde yararlanılır, geostatistik yöntemler daha sonra süreklilik düşük ve iyi spacing büyük.

Well ve Seismic Data

Modern iş akışları genellikle mevcut tüm iyilerin ayrıntılı bir petrofiziksel yorumu ile başlar. Log-derived porosity, total organik karbon, mineral hacimleri ve suurasyon, modellenmesi için sürekli değişken olarak tedavi edilir. Variogram analizi), uzaysal korelasyon alanını ve yönünü ölçtü, genellikle rezervuar grevle ilişkili bölgeleri ortaya koyar.

Seismic verileri, mevcut olduğunda, akustik yönlendirme veya hız anisotropy gibi yüksek dikey kriptolojik özellikleriyle ilgili olarak hizmet edebilir; doğrudan rezervuar simülasyonu veya hacim hesaplamaları ile beslenebilir.

Gerçekleştirmelerden Rezervlere Dağıtımlara

Jeistik modellemenin gücü, bu hacimlerin toplanması, olası sonuçların tam yelpazesini açıkça ortaya çıkarmak için bir olasılıksal modelleme özelliğidir.Bu olasılıksal çerçeve, karar vericilerin belirli kesme noktalarıyla ilgili olarak hesaplanabilir.Bu hacimlerin toplanması, değer-öğrenme analizinin olasılıksal bir fonksiyonunu sağlar: eğer olası sonuçlarla ilgili bir pilot gibi bir P50 rezervlerin tam olarak farkında olabilir.

Önemli olarak, aynı geostatistik modeller, uyarlanmış kaya hacmini tahmin etmek için genişletilebilir.Genç'in moderatörler ve minimum yatay stres gibi geomechanical özelliklerini birleştirerek, operatörlerin yarı uzunlukları ve yükseklikleri olasılıksal olarak, statik kaynağın geri dönüşümlü olarak bağlayabilir.Bu entegrasyon, akademik bir egzersizden itibaren iyi planlama ve portföy değerlendirme için pratik bir araç haline getirir.

Makine Öğrenme Yaklaşımları Gizli Desenleri Yakalamak için

Modern shale geliştirmeden verilerin patlaması - değerlendirme logları, temel analizleri, tamamlanma teşhisleri, üretim zaman serisi - makine öğreniminin gelişebileceği bir ortam yarattı. Geleneksel ampirik formüllerden farklı olarak, makine öğrenme modelleri onlarca veya hatta yüzlerce giriş özelliğinden yoksun ve karmaşık öğrenir, fonksiyonel formlar hakkında önceden tahminler olmadan doğrusal olmayan ilişkiler.

Sınırlı Verilerden Petrofizik Özellikleri Tahmin Edilmesi

Birçok gölgeli basins, temel veriler sparse, ancak telline loglar boldur. Tüm kondüktif olmayan ağaçlar ve derin sinir ağları gibi, alan boyunca sürekli yüksek çözünürlüklü bir özellik profili oluşturabilir, porosity, organik içerik ve permeability laboratuvarda ölçülebilirlik için gerekli olan.Bu modeller daha sonra mevcut log süitleri kullanarak aynı özellikleri tahmin edin.

Denetimsiz teknikler, kendi kendini organize eden haritalar ve kümeleme algoritmaları, büyük akrep pozisyonlarına benzer günlük yanıtlar.Bu kümeler genellikle farklı litreler veya diagenetik alanlar ile karşılık gelir.Bir kez ince, yüksek derecede göz ardı edilebilir bir sondaj hedefi olarak, bu otomatik fazis sınıflandırması mümkün olabilir.

Data-Driven Modelleriyle Üretim Tahminleri

Belki de gölge rezervlerindeki makine öğreniminin en etkili uygulaması, mevcut iyi performans tahminleridir. Geleneksel DCA, sabit bir işlevsel form içerir; makine öğrenme modelleri, daha sonra uzun süre, proppant yükleme, küme spacing, ve jeolojik özellikler, mevcut iyi bir dizi üzerinde eğitilmiş bir modelde tahmin edilebilir.

Rastgele orman ve XGBoost algoritmaları popüler seçimlerdir, çünkü eksik verileri mükemmel bir şekilde idare ediyorlar ve önemli sıralamalar sunarlar. Bu sıralamalar genellikle jeolojik değişkenleri ortaya koyuyor - bilinen bir tamamlanma koridoruna kadar her bir grid hücresinin üretim potansiyelini ortaya koyar - tahminin geçerlileştirilmesi, Jeostatistik ile öğrenme ihtiyacının geçerlileştirilmesi, eskisini kullanarak yüksek sadakat 3D mülk hacmini ve ikincisi belirli bir tamamlanma tasarımı altında her bir ızgara hücresinin üretim potansiyelinin tahmini için geçerliliğini gösterir.

Dinamik Simülasyonlar için Entegre Reservoir Modeling

Heterojenliği yakalamak için statik modeller hikayenin sadece yarısıdır. Rezervler bir sıvı akışı işlevidir ve bu akış kaya ve sıvı arasındaki dinamik etkileşim ile ilgilidir.Tüm rezervuar modellemesi bir araya gelir jeolojik, geofizik, petrofizik ve mühendislik verileri tek bir simülasyon ortamında.

Fit-for-Purpose Simülasyon Grid

Başlangıç noktası, yorumlanan sismik ufuklar ve hataların inşa edildiği geometrik olarak tutarlı bir çerçevedir.Bu çerçevede, geostatistik mülkiyet modelleri, jeolojik sadakatle hesaplama verimliliğini dengeleyen bir simülasyon ağına yeniden kayıt edilir.Inkural çözünürlük, yüksek ürün tabakalarını yakalamak için yeterince yüksek olmalıdır, sık sık sık kalınması gereken boru hatlarının iki ayağını kullanarak, iki-5ly daha incelenen metallerin betonsuzluğu için hesaplarını kullanan bir kanalda kontrol eder.

Akışkanlar Karakterizasyon ve PVT

Heterojenlik, sıvıların kendileri için genişletilebilir. Her bir grid, yeterli jeokimyasal bilgi mevcutsa benzersiz bir sıvı kompozisyonu verebilir. Entegre bir model, elde edilebilir rezerve edilebilir rezerve edilmiş bir parametrenin kompozisyonal denklemini kullanır. Kondensiyonel olarak yapılandırır, kompozisyonel gradma işlemine izin verebilir.

Tarih Eşleşme ve Olasılık Tahmini

Model inşa edildiğinde, tarihi üretim ve baskı verileri, geostatistikler tarafından getirilen jeolojik gerçekliği korumak için kullanılır. Farklı gelişim senaryoları altında gelecekteki üretimi tahmin etmek için birçok maçlı model gerçekleştirilmektedir.

Çıktı her iyi ve alan için bir bütün olarak tahmin edilen nihai kurtarma dağılımıdır. Bu tamamen olasılıksal tahminler altyüz heterojenliği, tamamlanma etkinliği ve operasyonel kararları birleştirir.Bu yaklaşımı kullanarak rezerve etmek için sağlam bir temel sağlar.

Stimated Rock Volume

Geleneksel rezervuarlarda, drenaj alanı büyük ölçüde iyi bir sürünme ve akışkan temaslarla belirlenir.Inktörler, hidrolik fracturing tarafından yaratılan uyarılı kaya hacmi (SRV) etkili rezervuardır. Gelişmiş teknikler bu uyarılan bölgenin boyutunu ve özelliklerini haritalamak için gereklidir, çünkü nadiren basit bir plan geometrisine uygundur.

Mikrosemizm ve Fiber-Optic Takip

Mikrosemizmsel izleme, fiber optik kablolar aracılığıyla yapılan görüntüleme için standart bir araç haline geldi. Etkinlik yerleri, uyarlanmış hacmi düzelten noktaların bulutunu sağlar. Bununla birlikte, mikrozizmsellik, kaya başarısızlığını gösterir, üretime katkıda bulunan daha gerçekçi bir SRV geometrisi ve ısı algılaması sağlar.

Geomechanical Modeling

Hidrolik kırıklarının geometrisi, sıvı basıncının, stresin gölgelendirilmesi ve kaya deformasyonunun yarı uzunlukları ve dinamik üretim tahminleri arasındaki boşlukları tahmin edebilir. geomechanical property gridleri üzerinde birden fazla gerçekleme olduğunda, sonuç olarak SRV'nin elde edilen diğer olasılıksal algoritmaların, tahmin edilen SRV'nin tahmin zincirindeki boşlukları tahmin eder.

Uncertainty Quantification and Decision-Making

Gelişmiş rezerv tahmin teknikleri, tek bir doğru sayı üretmeleri nedeniyle değil, çünkü her bir sonucun aralıklarını ve portföy yönetimi için şeffaf bir şekilde ölçtüler. Bu, sermaye tahsisinin yüzlerce iyi yerde optimize edilmesi gereken yer. Düşük ücretli bir ortamda, aşağılık riskin düşüş noktası olarak önemlidir.

Probabilistic, genellikle farklı parametrelerin etkisini sıralayan tornado diyagramları üretir - porosity belirsizlik, drenaj alanı veya düşüş oranı gibi - P50 rezervini azaltır. Bu sıralama kılavuzları veri toplama programları: Organik karbon konsantrasyonu belirsizliğe hükmedebilirse ve piroliz öncelikler haline gelir.

Ayrıca, heterojenliğin gerçekçi gösterimi, senaryo analizinin ped veya alan ölçeğinde yapılmasını sağlar. Operatörler çeşitli iyi spacing, yığınlama kalıpları test edebilir ve entegre model içinde en iyi spatizm, yerel heterojenlik üzerindeki etkilerin nasıl iyi müdahale ve kurtarma faktörüne bağlı olarak 100-200 feet göstermiştir.

Kritik bir avantaj, yalnızca teknik rezervler değil, aynı zamanda ekonomik rezervleri farklı fiyat ve maliyet varsayımları altında hesaplama yeteneğidir. Bir ekonomik modelle birlikte, operatörler her bir gerçekliğin net bugünkü değerini tahmin edebilir ve finansal raporlama için doğrudan kullanılabilir bir P50 ekonomik rezervuar.Bu bütünleme değerlendirme, iş kararları ile teknik değerlendirmeler.

Veri Gereksinimleri ve Kalite Kontrol

Gelişmiş teknik, fakir giriş verileri için telafi edilemez. Tüm modern gölge rezerv tahminlerinin temeli, modellenmeden önce yüksek kaliteli, multi-disipliner veri kümesidir. Bu genellikle dijital iyi loglar, rutin ve özel temel analizler, sismik hacimler (prestack zaman göçü veya derinlik göçü), tamamlanma kayıtları ve günlük üretim verileri içerir.

Farklı eskiz ve satıcılar arasındaki normalleşme özellikle de iyilerin on yıllar boyunca kasıtlı olduğu Shale oyunlarında önemlidir.Demek gerekirse, çevresel düzeltmeler, koşulları doğru bir şekilde yeniden satın almak ve çokfaklı akış etkileri olmadan yüzeysel bir yorum kullanılarak yapılır.

Disiplinlerarası işbirliği, birlikte iş akışını tutan yapıştırıcıdır. Jeologlar stratigrafik çerçeveyi tanımlar ve facies modelini tanımlar, petrofizikçiler mülk günlüklerini sağlar, geofizikçiler sismik özellikleri, rezervuar mühendisleri tasarımı simülasyon stratejisini geliştirir ve veri bilim insanları makine öğrenme algoritmaları uygularlar. Entegre bir ekip hızla test hassasiyetlerini ve titiz bir şekilde belirsizlik sağlarlar ve sabit bir şekilde tahmin edilen rezervleri doğrulamaktadır.

Gelişen Teknolojiler ve Gelecek Yollar

Şale karakterizasyondaki inovasyonun hızı hızları hızlanıyor. Üç ortaya çıkan trend, heterojen formlarda rezerv tahminlerini daha da artırmak için hazırlanıyor.

Fizik-Informal Networks

Fizik-informel ağlar, sıvı akışlarının kısmi türevli denklemlerini doğrudan bir sinir ağının kaybı işlevine gömür. Bu, hem veri hem de fizik, büyük eğitim veri setlerine olan bağımlılığı azaltmayı sağlar.Demekle uygulamalarda, bu tür ağlar, sürekli olarak sürekli olarak dağıtımları gerçek zamanlı olarak yenilemeden uzaklaştırmak için sürekli olarak kullanılabilir.

Dijital Rock ve Pore-Scale Modeling

Nanometer-boyutlu konduits'te sıvı akışlarının geliştirilmesi ve her litrelik basınç eğrileri belirli bir şekilde azaltılabilir.Bu fizik temelli eğriler rutin olarak rezervuar simülatörüne edilmiş ve rezervuarlı kütüphanelere dahil edilmiştir.As shale formasyonları daha heterojen hale gelir, bu tür olumsuzluk seviyesi her bir miktarda düşüş gösterir.

Özerk Tarih Eşleşme ve Kapalı-Loop Optimizasyonu

Elli tarih uyumu ötesinde, otonom akışlar, tüm mevcut verileri onurlandıran model parametreleri aramak için makine öğrenme proxylerini kullanır.Bu teknikler, belirsizlik alanı ile ilgili daha ayrıntılı bir araştırmaya yol açabilir. Bazı operatörler otomatik olarak tamamlanma tasarımları ve iyi spacing kararları ile beslediği, alanın en heterojen bölümlerindeki kurtarma için otomatik olarak beslemektedir.

Dış kaynaklar, profesyonellerin bu ilerlemelerle ilgili mevcut olmasına yardımcı olabilir. Petrol Mühendisleri Topluluğu ([Dönt:0) ● · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·

Pratik Adımlar

Shale rezerv tahminleri için gelişmiş teknikler kabul etmek, bir gecede mevcut iş akışlarının tam bir overhaul gerektirmiyor.Bir aşamalı yaklaşım genellikle takım ezici olmadan en iyi sonuçları sunar.

[[Phase 1: Data Altyapısı[Dönetici:0)Phase 1: Data Altyapısı[Dönetici:0)[Döneticileri kolayca veri kaybının önlenmesi için tüm alt sigortalı verileri yapılandırın. Sağlam kayıtların normalleştirilmesi ve üretim verilerinin düzeltilmesi için kör bir test yapılır.Verilerin temel açıklamalar ve alan gözlemlerinde tespit edilen heterojenleri doğrulayabilme.

[FONT=0)Phase 2: Pilot Geostatistik Çalışma[Dönetici] Daha önceki deterministik yaklaşımla bir temsilci alanı seçin. sequential Gaussian simülasyonunu kullanarak ve daha sonra alan çapında ölçeklendirmede kullanılan bir dizi orijinal hidrokarbonlar ile karşılaştırın.

[FONT=0)Phase 3: Makine Öğrenme Artırılmışlığı Tren, eğitimde kullanılan sert ölçütlere karşı denetimli bir model olarak, mevcut günlük verileri değerlendirmek için geçiş yapın.

[[Finans:0)Phase 4: Entegre Dinamik Model.[Döneticileri bir simülasyon modeli ve tarihle üretim ve baskıya karşı eşleştirmeye kadar gerçekleştirin. Tahmin senaryolarını çalıştırmak için kalibre edilen modeli kullanın, çeşitli iyi spacing ve tamamlanma tasarımı. Elde edilen ekonomik ölçümler rezerve etmek için temel haline gelir.

Tüm aşamalar boyunca güçlü bir geri bildirim döngüsü korur. Yeni iyiler gerçekleştirilir ve üretim verileri bir araya getirilir, modeller güncellenir ve belirsizlik azaltır. Hedef statik bir rezerv numarası değildir, ancak üstün sermaye tahsisi ve kaynak yönetimine dayanan rezervuar hakkında bir bilgilendirici anlayıştır.

Kapanış Perspektifi

Şale formlarının heterojenliği artık korkulan bir engel değildir, ancak bir özellik karakterize edilir ve kaldıraçlı bir egzersizden yararlanılabilir, mekansal rigor'u mülk dağıtımlarına getirir, makine öğrenimi sprawling veri kümelerinden değer alır ve bütünleşik dinamik modeller statik heterojenliği eylemlenebilir üretim tahminlerine çevirir.

Bu yöntemleri standart uygulamaları sürekli olarak göz ardı edilen tatlı noktaları, optimizasyon stratejilerini tanımlamak ve değer imha etmek için standart uygulamaları sürekli olarak ortaya koyan operatörler, bu yöntemlerin iyi performansta marjinal farklılıkların uygun olduğu bir şekilde yatırım yapmak, kenarlar hem ölçülebilir hem de belirleyicidir.Veri hacimleri büyüdükçe, liderler ve gecikme güç artışları arasındaki boşluklar yalnızca genişleyecektir.