СИСТЕМА И СПОСОБЫ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОВЕДЕНИЯ СКВАЖИНЫ Российский патент 2016 года по МПК G06G7/48 G06N5/02 

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ

Настоящая заявка имеет приоритет предварительной заявки на патент США № 61/369476, поданной 30 июля 2011 года, озаглавленной "Системы и способы для прогнозирования поведения скважины", полный объем которой включен сюда путем ссылки.

ОБЛАСТЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ

Настоящая методика относится к системе и способу для предоставления модели физических свойств, представляющей физические свойства. В частности, примерный вариант осуществления настоящей методики относится к применению модели физических свойств к прогнозированию поведения производительности скважины и отклика на интенсификацию добычи.

УРОВЕНЬ ТЕХНИКИ

Этот раздел предназначен для представления различных аспектов данной области техники, которые могут быть ассоциированы с примерными вариантами осуществления настоящего изобретения. Это описание, как предполагается, поможет в предоставлении основы, способствующей лучшему пониманию отдельных аспектов настоящего изобретения. Соответственно, следует понимать, что этот раздел следует читать в этом свете, а не обязательно как признание предшествующего уровня техники.

Многие приложения затрагивают обработку информации о физических свойствах. При обработке информации, относящейся к физическим свойствам комплексных систем, может быть желательным предоставить модель физических свойств, представляющих физические свойства, которые применимы для конкретной цели. В области разведки углеводородов, модели физических свойств могут быть использованы для прогнозирования поведения скважины или месторождения в пределах входных условий. Более того, моделирование поведения скважины или месторождения может помочь специалистам по разведке углеводородов улучшить производительность углеводородных ресурсов.

Месторождения нефти и природного газа геологически гетерогенны, при этом некоторые участки месторождения обладают физическими свойствами, благоприятными для производства нефти и газа, такими как высокая проницаемость к потоку и высокая нефтенасыщенность, а другие участки того же самого месторождения обладают физическими свойствами, вредящими потоку нефти и газа, такими как низкая проницаемость к потоку и низкое нефтенасыщение. Физические свойства месторождений меняются в зависимости от глубины и расположения скважины на поверхности и могут в значительной мере отличаться при различных масштабах длины. Гетерогенная природа месторождений ведет к широким колебаниям в углеводородной производительности скважин в одном и том же месторождении. Неопределенность в углеводородной продуктивности предполагаемой скважины должна быть минимизирована, если специалисты, принимающие решение, должны сделать точные, своевременны и выгодные решения относительно бурения и расстановки новых скважин.

По мере продолжения освоения месторождения, неопределенность о физических свойствах данного месторождения уменьшается, но полное знание никогда не достигается. Подобным образом, отклик производительности углеводородов существующей скважины на воздействие на пласт посредством процессов разрыва пласта или закачки зависит от неопределенных свойств месторождения.

Инженеры месторождения нефти и природного газа должны принять решение о расположении ствола скважины и интенсификации добычи перед лицом неопределенности о природе месторождения, пробуренного данной скважиной, и, следовательно, производительности углеводородов скважины. Снижение этой неопределенности может привести к увеличению производительности углеводородов, меньшему числу сухих скважин, улучшенных применений интенсификации добычи, и меньшему числу ненужных полевых работ.

Решения относительно расстановки новых скважин и интенсификации добычи существующих скважин зависят, по большей части, от данных, собранных со скважин, пробуренных ранее в том же самом или геологически похожих месторождениях. Используя эти данные, математические представления о моделях физических свойств месторождения разработаны и используются для прогнозирования производительности предполагаемых скважин.

Большинство базовых математических представлений моделей физических свойств месторождений называют емкостными моделями и основываются только на принципе баланса масс. Эти модели имеют жесткие ограничения и в значительной степени вытесняются более развитыми моделями, которые требуют компьютерного моделирования. Построение имитационной модели является чрезвычайно времязатратным, а сами моделирования могут занять дни или даже недели. Эти ограничения по времени жестко ограничивают способность инженеров выполнять работу по прогнозированию для широкого спектра возможных размещений скважин или сценариев интенсификации добычи. Даже когда моделирование выполнено своевременно, из-за уникальности каждого месторождения и сложности проведения измерений, требуемых для математических моделей, эти модели часто оказываются не в состоянии обеспечить достаточное прогнозирование поведения.

Заявка на патент США № 2006/0092766 описывает способ для прогнозирования производительности скважины. Параметры каротажа для скважин в месторождении ассоциируют с индикаторами производительности для скважин в данном месторождении. Каротаж для скважины совпадает с соответствующими параметрами каротажа. Каждый параметр каротажа может быть создан посредством группирования каротажа для скважин в данном месторождении. Параметры каротажа и каротаж могут включать в себя магнитно-резонансное исследование и/или другие подходящие данные.

Патент США № 6957146 описывает способ геофизической разведки изучаемой области недр. Раскрываемый способ использует сеть обучения без учителя для систематизации сейсмических данных, отражающих изучаемую область недр, и корреляция применима к сейсмическим данным для оценки литологии изучаемой области недр.

Заявка на патент США № 2004/0133531 описывает систему и способ для выбора набора данных режима обучения из набора образцов входных многомерных геофизических данных для обучения модели для прогнозирования целевых данных. Входные данные могут быть набором данных, произведенных прибором импульсного нейтронного каротажа на множестве глубинных точек обсаженной скважины. Целевые данные могут быть показаниями каротажного прибора для необсаженных скважин. Входные данные разделяют на грозди. Фактические целевые данные из обучающей скважины связывают с данными гроздями. Связанные грозди анализируют на вариантность и так далее, и нечеткий логический вывод используют для выбора части каждой грозди для включения в обучающий набор. Сокращенный набор используют для обучения модели, такой как искусственная нейронная сеть (ANN). Обученная модель может затем быть использована для производства синтетических каротажей необсаженных скважин в ответ на входные данные каротажей обсаженных скважин.

Публикация международной заявки № WO2006/112864 раскрывает способ и устройство для моделирования системы для оценки значений и ассоциированных неопределенностей для первого набора переменных, описывающих данную систему. Второй набор системных показателей выбирают, где второй набор прямо или косвенно причинно связан с первым набором переменных. Данные, полученные или предположенные для каждой переменной во втором наборе, и качество выбранных данных оценивают. Сеть создают из узлов, включающих в себя оба набора переменных и оценки качества, имеющих направленные связи, соединяющие независимые узлы, направленные связи, выполняющие известные причинные зависимости. Алгоритм байесовской сети (BN) используют с данными и информацией о качестве для решения сетью для первого набора переменных и их ассоциированных неопределенностей.

Другой известный способ для прогнозирования поведения скважин применяет способы, основанные на искусственном интеллекте, после интенсификации добычи скважины. Один подобный подход использует геологические данные и данные освоения скважины, такие как координаты скважины и длину пробуренного песка как входные данные в модель, основанную на ANN, для прогноза дебита нефти после интенсификации добычи.

Другой подход относится к использованию графической нейронной сети без учителя, такой как самоорганизующаяся карта (SOM) и ANN для прогнозирования совокупной добычи после интенсификации гидроразрывом пласта из входных данных, таких как вид расклинивающего агента и масса расклинивающего агента. Одна подобная техника относится к ANN для прогнозирования того, как скважины откликнутся на воздействие полимерами, используя входные данные, такие как дебит нефти и воды до применения полимера и координаты скважины. В другой технике, входные данные, такие как тип кислоты, объем кислоты на отверстие, и скорость закачивания, среди прочих, подают в модели, основанные на SOM и ANN для прогнозирования ухудшение коллекторских свойств пласта и производительности после интенсификации кислотой, соответственно. Другая техника применяет SOM для литолого-фациальной идентификации и прогнозирования проницаемости на основании данных каротажа.

Не существует общеприменимых моделей физических свойств, для прогнозирования того, будет или нет интенсификация добычи успешной.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Примерный вариант осуществления настоящей методики содержит способ прогнозирования поведения физической системы. Примерный способ содержит идентификацию набора входных переменных, которые имеют влияние на выходной показатель и идентификацию поднабора из набора входных переменных, где данный поднабор имеет относительно большое влияние на выходной показатель. Модель физических свойств построена для прогнозирования выходного показателя как функции поднабора из набора входных переменных. Предполагаемые изменения в поднаборе из набора входных переменных ранжируют по вероятности, используя модель физических свойств. Поведение физической системы прогнозируют на основании степени предполагаемых изменений.

Способ прогнозирования поведения может содержать предоставление визуального представления модели физических свойств. Идентификация поднабора из набора входных переменных может содержать получение поднабора из набора входных переменных из самоорганизующейся карты.

Ранжирование по вероятности предполагаемых изменений во входных переменных может содержать получение выходных данных, соответствующих предполагаемым изменениям, из BN. Набор правил, извлеченный из оценки вероятности, вычисленной с использованием BN, может быть предусмотрен. Альтернативно, ранжирование по вероятности предполагаемых изменений во входных переменных может содержать получение выходных данных, соответствующих предполагаемым изменениям, из SOM.

В одном примерном варианте осуществления настоящей техники, физическая система содержит, по меньшей мере, одну скважину, производящую углеводороды. Выходной показатель может содержать газонефтяную производительность.

Набор входных переменных может содержать, по меньшей мере, одно из: глубина, местоположение, данные анализа керна, данные каротажа скважины, данные бурения, данные заканчивания, данные интенсификации добычи или данные испытания скважины. При этом набор входных переменных может содержать, по меньшей мере, одно из: параметр конструкции скважины, параметр режима бурения, параметр конструктивной схемы оснащения скважин или параметр схемы интенсификации добычи. Набор входных переменных может содержать интерпретацию, по меньшей мере, одной геологической сущности, такой как интервал, горизонт, трещина, разрыв или окружающая среда. Набор входных переменных может также содержать интерпретацию вероятности события, по меньшей мере, одной из геологических сущностей, такой как интервал, горизонт, трещина, разрыв или окружающая среда.

Примерный способ в соответствии с настоящей методикой относится к производству углеводородов из нефтяного и/или газового месторождения, используя модель физических свойств, представляющую физические свойства данного нефтяного и/или газового месторождения. Способ содержит идентификацию входных переменных, которые имеют влияние на выходной показатель, относящийся к данному нефтяному и/или газовому месторождению и идентификацию поднабора из набора входных переменных. Данный поднабор выбран потому, что входные переменные, содержащиеся в данном поднаборе, имеют относительно большое влияние на выходной показатель.

Модель физических свойств построена для прогнозирования выходного показателя, относящегося к нефтяному и/или газовому месторождению как функции поднабора из набора входных переменных. Предполагаемые изменения в поднаборе из набора входных переменных могут быть ранжированы по вероятности, используя модель физических свойств. Поведение нефтяного и/или газового месторождения может быть спрогнозировано на основании степени предполагаемых изменений. Углеводороды извлекают из нефтяного и/или газового месторождения на основании спрогнозированного поведения.

Примерный способ извлечения углеводородов может содержать предоставление визуального представления модели физических свойств. Идентификация поднабора из набора входных переменных может содержать получение поднабора из набора входных переменных из SOM.

В одном примерном способе извлечения углеводородов, ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из BN. Набор правил, извлеченный из оценки вероятности, вычисленной с использованием BN, может быть предусмотрен.

В одном примерном варианте осуществления, ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из SOM. Выходной показатель может содержать газонефтяную производительность.

Один примерный вариант осуществления настоящей методики относится к компьютерной системе, приспособленной для прогнозирования поведения физической системы. Компьютерная система содержит процессор и материальный машиночитаемый носитель информации, который хранит машиночитаемые команды для исполнения процессором. Машиночитаемые команды, хранимые вещественным, машиночитаемым носителем информации, могут содержать код, который, будучи исполненным процессором, приспособлен заставить процессор идентифицировать набор входных переменных, которые имеют влияние на выходной показатель. Машиночитаемые команды могут также содержать код, который, будучи исполненным компьютером, приспособлен заставить процессор идентифицировать поднабор из набора входных переменных. Данный поднабор выбран потому, что входные переменные, содержащиеся в данном поднаборе, имеют относительно большое влияние на выходной показатель. Машиночитаемые команды могут дополнительно содержать код, который, будучи исполненным компьютером, приспособлен заставить процессор построить модель физических свойств для прогнозирования выходного показателя как функции поднабора из набора входных переменных. Машиночитаемые команды кроме того могут дополнительно содержать код, который, будучи исполненным компьютером, приспособлен заставить процессор ранжировать по вероятности предполагаемые изменения в поднаборе из набора входных переменных, используя модель физических свойств. Кроме того, машиночитаемые команды могут содержать код, который, будучи исполненным процессором, приспособлен заставить процессор прогнозировать поведение физической системы на основании степени предполагаемых изменений.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Выгоды настоящей методики могут стать очевидными после рассмотрения нижеследующего подробного описания и чертежей примеров вариантов осуществления, не имеющих ограничительного характера, при этом:

Фиг. 1 является принципиальной технологической схемой, показывающей процесс с управлением данными прогнозирования поведения скважины в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 2 является принципиальной технологической схемой, показывающей процесс подготовки к предоставлению калькулятора вероятности в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 3 является диаграммой, показывающей множество устройств отображения самоорганизующейся карты (SOM), которая полезна в объяснении идентификации сильно влияющих входных данных в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 4 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 5 является таблицей вероятностей узлов, описывающей вероятностные зависимости между var4 и var1 в модели на Фиг. 4;

Фиг. 6 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 7 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 8 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 9 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 10 является принципиальной технологической схемой, показывающей способ для прогнозирования поведения скважины в соответствии с примерным вариантом осуществления настоящей методики;

Фиг. 11 является принципиальной технологической схемой, показывающей способ для производства углеводородов из области недр, такой как нефтяное и/или газовое месторождение в соответствии с примерным вариантом осуществления настоящей методики; и

Фиг. 12 является функциональной схемой компьютерной системы, которая может быть использована для выполнения способа для прогнозирования поведения скважины в соответствии с примерным вариантом осуществления настоящей методики.

Хотя настоящее раскрытие является допускающим различные модификации и иные виды, конкретный пример вариантов осуществления такового был приведен в чертежах и подробно описан в настоящем документе. Следует понимать, однако, что описание в настоящем документе конкретных примеров осуществления не предназначено ограничить данное раскрытие отдельными видами, описанными в настоящем документе, а наоборот, это раскрытие должно покрывать все модификации и эквиваленты, как описано в прилагаемой формуле изобретения. Следует также понимать, что чертежи не обязательно в масштабе, акцент вместо этого сделан на ясность иллюстрации принципов примерных вариантов осуществления настоящего изобретения. Более того, некоторые размеры могут быть преувеличены, чтобы помочь наглядно передать подобные принципы.

ПОДРОБНОЕ ОПИСАНИЕ

В нижеследующем разделе подробного описания, конкретные варианты осуществления настоящего изобретения описаны применительно к предпочтительным вариантам осуществления. Однако при условии, что нижеследующее описание является конкретным для отдельного варианта осуществления или отдельного применения настоящего изобретения, это предназначено только в целях примера и просто предоставляет описание примерных вариантов осуществления. Соответственно, данное изобретение не ограничивается конкретными вариантами осуществления, описанными ниже, а напротив, оно включает в себя все альтернативы, модификации и эквиваленты, попадающие в истинную сущность и объем прилагаемой формулы изобретения.

Изначально, и для простоты поиска, некоторые термины, используемые в этой заявке, и их значения, используемые в данном контексте, объясняются. В тех случаях, когда термин, используемый в настоящем документе, не описан ниже, ему следует дать наиболее широкое определение, какое специалисты в данной области техники дали бы этому термину, как отражено, по меньшей мере, в одной печатной публикации или выданном патенте.

В данном контексте, термин «Байесовская сеть» относится к вероятностной графической модели и поддерживающим ее вычислениям, которая представляет собой набор случайных переменных и их условные независимости.

В данном контексте, термин "компьютерный компонент" относится к элементу, связанному с применением компьютера, любому из аппаратного, программно-аппаратного, программного обеспечения, их сочетания, или выполнения программного обеспечения. К примеру, компьютерный компонент, может быть, но не ограничивается этим, процессором, объектом, исполнимым модулем, потоком вычислений, программой и/или компьютером. Один или несколько компьютерных компонентов могут находиться в процессе и/или потоке вычислений, и компьютерный компонент может быть локализован на одном компьютере и/или распределен между двумя и более компьютерами.

В данном контексте, термин "машиночитаемый носитель", "материальный машиночитаемый носитель" и тому подобные, относятся к любому вещественному хранилищу, которое участвует в предоставлении команд процессору для исполнения. Подобный носитель может принимать многие виды, в том числе, но не ограничиваясь, энергонезависимые носители и энергозависимые носители. Энергонезависимые носители включают в себя, к примеру, NVRAM, или магнитные или оптические диски. Энергозависимые носители включают в себя динамические запоминающие устройства, такие как оперативное запоминающее устройство. Машиночитаемые носители могут включать в себя, к примеру, накопитель на гибком диске, гибкий магнитный диск, накопитель на жестком диске, магнитную ленту или любой другой магнитный носитель, магнитооптический носитель, CD-ROM, любой другой оптический носитель, ОЗУ, PROM и EPROM, FLASH-EPROM, твердотельный носитель, подобные голографическому запоминающему устройству, карту памяти, или другой кристалл или плату памяти, или любой другой физический носитель, с которого компьютер может читать. Когда машиночитаемый носитель данных скомпонован как база данных, следует понимать, что эта база данных может быть любым видом баз данных, например, реляционной, иерархической, объектно-ориентированной и/или тому подобной. Соответственно, примерные варианты осуществления настоящей методики могут быть рассмотрены как включающие в себя вещественный носитель информации или вещественный распространяемый носитель, и признанные на предшествующем уровне техники эквиваленты и последующие носители, на которых программные реализации, осуществляющие настоящую методику, хранятся.

В данном контексте, термин "с управлением данными" относится к подходу, в котором прогнозирование делают на статистическом базисе (калиброванному по данным), в противоположность подходу, в котором прогнозирование делают на некотором первопричинном базисе (модельно-управляемый).

В данном контексте, термин "горизонт" относится к механически отмеченным границам в строении разреза, которые считаются важными специалистом по интерпретации. Отметка этих границ может быть сделана специалистом по интерпретации, когда интерпретирует сейсмические области посредством черчения линий на сейсмическом разрезе. Каждая линия изображает наличие интерпретированной поверхности в этом местоположении. Проект интерпретации обычно создает несколько дюжин, а иногда сотен горизонтов. Альтернативно, эти границы могут быть начерчены специалистом по интерпретации, когда он интерпретирует каротажи скважин, посредством черчения поверхностей раздела между интервалами с разными литологическими или другими характеристиками.

В данном контексте, термин "анализ смещений" относится к процессу использования поведения соседних скважин, чтобы сделать предсказание о поведении новой скважины. Эти анализы могут брать в расчет известные свойства недр в соседних скважинах и оценивать, как эти свойства могут отличаться в местоположении новой скважины.

В данном контексте, термин "свойство" относится к характеристикам, относящимся к разным топологическим элементам на поэлементном базисе.

В данном контексте, термин "сейсмические данные" относится к информации, собранной посредством создания сейсмических волн источниками сейсмической энергии и наблюдением времен прихода и амплитуд волн, отраженных от поверхностей раздела с контрастными скоростями распространения звука и/или объемной плотностью или преломленными сквозь высокоскоростные интервалы. Эти данные обрабатывают, используя процедуры, такие как фильтрацию, удаление кратных отражений, обнуление трасс, суммирование и миграцию.

В данном контексте, термин "самоорганизующаяся карта" относится к виду искусственной нейронной сети, которая может быть обучена, с использованием обучение без учителя, чтобы вырабатывать низкоразмерные дискретизированные представления входного пространства выборки данных.

Некоторые части подробного описания, которое следует ниже, представлены в терминах процедур, этапов, логических блоков, обработки и других условных обозначений об операциях над битами данных в запоминающем устройстве компьютера. Эти описания и обозначения являются средством, используемым специалистами в области обработки данных, для более эффективной передачи сути их работы другим специалистам в данной области техники. В настоящей заявке, процедура, этап, логический блок, процесс и тому подобное, задумано быть логичной последовательностью этапов или команд, ведущих к желаемому результату. Этапы являются теми, кто требует физической обработки физических величин. Обычно, хоть и не обязательно, эти величины имеют вид электрических или магнитных сигналов, способных быть сохраненными, перенесенными, объединенными, сравненными, и иным образом обработанными в компьютерной системе.

Следует учесть, однако, что все эти и похожие термины подлежат ассоциированию с соответствующими физическими величинами и являются только удобными ярлыками, применяемыми к этим величинам. Если специально не указано иное, как очевидно из нижеследующих рассуждений, понятно, что на протяжении всей настоящей заявки, рассуждения используют такие термины, как "регулируют", "строят", "сравнивают", "вычисляют", "создают", "описывают", "определяют", "отображают", "извлекают", "идентифицируют", "ограничивают", "получают", "исполняют", "прогнозируют", "обрабатывают", "производят", "предоставляют", "ранжируют", "выбирают", "сохраняют", "преобразуют", "обновляют" или тому подобные, относятся к действиям и процессам компьютерной системы, или похожего электронного вычислительного устройства, которое преобразует данные, представленные как физические (электронные) величины в регистрах и запоминающих устройствах компьютерной системы в другие данные, похожим образом представленные как физические величины в запоминающих устройствах или регистрах компьютерной системы или другом подобном хранилище информации, передаче или устройствах отображения. Примерные способы могут быть лучше восприняты со ссылкой на блок-схемы.

Хотя в целях простоты объяснения иллюстрированные методологии показаны и описаны как серии блоков, должно быть понятно, что данные методологии не ограничиваются порядком блоков, поскольку некоторые блоки могут встречаться в других порядках и/или одновременно с другими блоками, чем те, что показаны и описаны. Более того, меньше чем все иллюстрированные блоки могут быть востребованы для реализации примерной методологии. Блоки могут быть объединены или разделены на множество компонентов. Кроме того, дополнительные и/или альтернативные методологии могут применять дополнительные, не показанные блоки. Хотя фигуры иллюстрируют различные последовательно происходящие действия, следует понимать, что различные действия могут происходить одновременно, в значительной степени параллельно, и/или в значительной степени в разные моменты времени.

В прогнозировании производительности скважин, уникальность и сложность месторождений означает, что многие факторы необходимо рассмотреть, чтобы идентифицировать, какие из данных факторов влияют на поведение скважины в конкретном месторождении. Кроме того, естественная изменчивость недр и недоступность желаемых наблюдений могут способствовать необходимости использовать прогнозирование, которое включает в себя оценку неопределенности данного прогноза. К примеру, подходящий подход к предсказанию производительности должен помочь инженеру идентифицировать наиболее важные факторы поведения для конкретного месторождения, а также предоставить оценку неопределенности данного прогноза на основании этих факторов.

В соответствии с примерными вариантами осуществления настоящей техники, управляемые факторы интенсификации добычи, которые приводят к увеличению производительности, могут быть идентифицированы посредством корреляции показателя производительности после интенсификации добычи, такого как увеличение суммарной добычи, уменьшение призабойной зоны, повышенный коэффициент продуктивности, и так далее, с интенсификацией добычи, освоением скважины, и параметрами месторождения в призабойной зоне скважины. Вместо того, чтобы тщательно исследовать область параметров, использование графической нейронной сети без учителя, такой как SOM, может быть использовано, чтобы вести инженера к важным параметрам производительности. Однажды построенная, SOM может быть использована в режиме прогнозирования. Факторы интенсификации добычи, такие как вид расклинивающего агента и объем, могут быть предположены и спарены с параметрами месторождения. С этим полным набором параметров, SOM может предоставить оценку желаемой производительности после интенсификации добычи.

В соответствии с примерными вариантами осуществления настоящей методики, SOM может быть использована для построения модели физических свойств для прогнозирования желаемого выходного показателя как функции поднабора из большего набора входных переменных. Модель физических свойств представляет данные, соответствующие одному или нескольким интересующим свойствам физической системы, такой как скважина или месторождение. Как разъяснено в настоящем документе, поднабор входных переменных может быть проанализирован для ранжирования по вероятности предполагаемых изменений для оценки поднабора входных переменных, используя модель физических свойств.

Примерные варианты осуществления настоящей методики облегчают интеграцию доступных данных без необходимости упрощающих предположений, присущих математически упрощенным физическим моделям. Таким образом, корреляции между доступными данными и параметрами поведения могут быть найдены. Проблемы прогнозирования поведения месторождения, в том числе оценка производительности предполагаемых к бурению скважин и оценка отклика на обработку для интенсификации добычи, может быть решена посредством подхода с управлением данными, как уже указано в настоящем документе. Более того, примерные варианты осуществления настоящей методики относятся к подходу с управлением данными к прогнозированию производительности углеводородов для новых и существующих скважин.

В соответствии с примерным вариантом осуществления настоящей методики, BN может быть использована для выполнения процесса, известного как анализ смещения для корреляции географического местоположения, вида освоенной скважины, геологических данных, данных каротажа скважины, и других статических данных, с известными результатами производства, такими как дебит нефти и обводненность скважины. Более того, примерный подход с управлением данными является хорошо подходящим для определения хороших географических местоположений для новых скважин. Хорошие местоположения для скважин обеспечивают относительно высокую производительность скважины. Инженер может постулировать новые географические местоположения и использовать BN, чтобы оценить вероятный темп добычи нефти и воды, если скважина будет фактически пробурена.

Фиг. 1 является принципиальной технологической схемой, показывающей процесс с управлением данными прогнозирования поведения и/или производительности скважины в соответствии с примерным вариантом осуществления настоящей методики. Данная схема обычно упоминается посредством ссылочного номера 100. Как полностью изложено в настоящем документе, процесс 100 предоставляет инструмент прогнозирования поведения для физической системы. Общая математическая процедура для выполнения прогнозирования в соответствии с настоящей методикой предоставлена для разработки математической модели (то есть, модели физических свойств), которая соотносит выходные данные с некоторым набором входных данных. При наличии новых входных данных, модель может затем предоставить оценку в виде новых выходных данных.

В блоке 102, примерный процесс 100 начинается. В блоке 104, набор входных данных подготавливают, используя различные источники. Например, входные данные могут быть постулированы на основании опыта эксперта, или измерены, с использованием статистических способов. Для прогнозирования производительности углеводородов, желательно существование входных данных для всех интересующих скважин, если возможно.

В блоке 106, входные данные, которые были подготовлены, оценивают калькулятором вероятности. Калькулятор вероятности в соответствии с примерным вариантом осуществления настоящей техники может быть использован для ранжирования предполагаемых изменений во входных переменных относительно изменений, которые они вызовут в желаемом выходном показателе. Подобный алгоритм, в соответствии с примерным вариантом осуществления настоящей методики, может облегчить узнавание и идентификацию предыдущих действий, которые привели к хорошей или плохой производительности. Более того, поскольку примерный алгоритм отражает это знание, это может быть использовано в способности прогноза.

В одном примерном варианте осуществления, BN может быть использована, чтобы делать прогнозы об интересующем выходном показателе посредством ранжирования предполагаемых изменений во входных условиях. В этом случае, вероятностные зависимости между важными входными переменными и выходной переменной(ыми) фиксируются в BN, которая может использовать их, чтобы делать вероятностные прогнозы для результата, данного новыми обозрениями входных переменных.

Теорема Байеса предоставляет математическое основание для BN, эффективной математической базы для вычисления вероятностей в соответствии с байесовской вероятностью. Теорема формулируется как:

и может быть прочитана, как условная вероятность наступления события A, учитывая событие B, равна условной вероятности события B, учитывая событие A, умноженной на априорную вероятность события A, разделенных на априорную вероятность события B.

Принципиально, теорема Байеса математически описывает, как обновить предположение о некотором событии (A) на основании новой информации (B). BN является воплощением теоремы Байеса с использованием компьютера, которое позволяет вычисление общего случая, где имеется много других рассматриваемых переменных. Обычная BN включает в себя дюжину или больше переменных и моделей вероятностных зависимостей между ними.

BN, применяемая в прогнозировании производительности с управлением данными в соответствии с настоящей методикой, не обязательно должна быть причинно-следственной сетью. В этом случае, получившаяся сеть может быть названа наивной BN. Наивная BN не воссоздает причинно-следственные физические зависимости между переменными. Вместо этого, она предполагает, что все входные переменные модели являются следствием прогнозируемой выходной переменной. Несмотря на свою простую структуру, этот подход может давать эффективные прогнозы.

Более того, BN в соответствии с настоящей методикой не ограничивается представлением моделей, которые основаны на физической причинно-следственной связи между геологическими и техническими факторами. Как объяснено в настоящем документе, наивная BN, чья структура может быть определена автоматически на основании доступных данных, может быть использована, чтобы делать прогнозы. В соответствии с примерным вариантом осуществления, эффективная BN может быть построена даже до того, как эксперт поймет ключевые факторы, которые определяют поведение месторождения. Этот подход может упростить построение модели прогнозирования.

Однажды построенная, эта BN может быть рассмотрена, чтобы помочь решить, какие факторы являются ключевыми в оценке производительности скважины. Итоговая модель является статистической моделью поведения месторождения. Статистическая модель не обязательно предлагает какое-либо понимание как ключевые факторы, стоящие за данными, взаимодействуют для получения наблюдаемого отклика. Использование BN как структуры прогнозирования, однако, сохраняет возможность развить данную модель в причинно-следственную, более основанную на физике модель, по мере того как эксперты увеличивают свое понимание физического поведения месторождения.

Альтернативно, калькулятор вероятностей в соответствии с настоящей техникой может применять SOM. Более того, SOM может быть использован, чтобы делать прогнозы о том, как изменения входных данных воздействуют на выходной показатель. Прогнозы могут быть сделаны посредством определения, в какую гроздь попадают новые наблюдения, и, при допущении, что результаты для этих новых наблюдений будут похожими на предыдущие наблюдения в этой грозди.

Продолжая поток процесса 100, предоставляют вероятностный прогноз, как показано в блоке 108. Вероятностный прогноз является основанным на выходных данных калькулятора вероятности, как разъяснено в настоящем документе. Вероятностный прогноз может быть использован для оценки поведения одной или нескольких скважин. Этот подход с управлением данными отличается от предыдущих способов прогнозирования, поскольку не требует физической модели. Дополнительно, статистическая информация, ассоциированная с построением модели, используя физическую модель, также не требуется, в соответствии с настоящей методикой.

Фиг. 2 является принципиальной технологической схемой, показывающей процесс подготовки к предоставлению калькулятора вероятности в соответствии с примерным вариантом осуществления настоящей методики. Этот процесс обычно упоминается посредством ссылочного номера 200.

В блоке 202, выбирают набор всех интересующих потенциальных переменных. В примерном способе прогнозирования производительности углеводородов, любая переменная, которая, как полагают, имеет влияние на производительность, должна быть включена в начальный набор. В создании начального набора переменных собирают данные за прошедшие периоды для интересующих скважин. Данные за прошедшие периоды являются желательным представлением полного диапазона поведений, показанного скважинами. Примеры переменных, которые могут быть важными, включают в себя температуру, дебит скважины, давление, глубину до песка, местоположение скважины, и длину перфорационного канала из собрания гипотетических переменных, которые охватывают ряд геологических, эксплуатационных, производственных, интенсификационных видов переменных.

Может быть в вычислительном отношении невозможным учесть эффект от всех известных переменных при прогнозировании интересующего выходного показателя. Соответственно, сокращение числа входных данных для рассмотрения может быть желательным.

В блоке 204, SOM используют для идентификации поднабора входных данных, имеющих наибольшее влияние на желаемый выходной показатель, такой как производительность углеводородов. SOM является видом нейронной сети с обучением без учителя, которая может применять способы искусственного интеллекта. SOM группируют большое число выбранных объектов данных (например, скважин) согласно их общему сходству среди множества свойств (статических или псевдостатических параметров). SOM были успешно применены для распознания кандидатов, прогнозирования проницаемости, оптимизации закачек для разрыва, и очерчивания литолого-фациальных систем. Примеры SOM рассмотрены ниже со ссылкой на Фиг. 3.

В блоке 206, выбирают поднабор из начального набора a переменных, идентифицированный SOM. В соответствии с примерным вариантом осуществления настоящей методики, поднабор переменных выбран потому, что входные данные, которые входят в состав поднабора, как полагают, имеют наиболее важное влияние на прогнозирование выходного показателя, касающегося поведения или характера физической системы, такой как скважина или месторождение. Идентифицировав входные переменные, имеющие наиболее важное влияние на поведение системы, последующие этапы прогнозирования могут быть менее затратными касательно вычислительных ресурсов относительно прогнозирования, использующего весь диапазон входных данных, из которых этот поднабор был выбран.

Как показано в блоке 208, экспертная оценка может быть применена при определении того, все ли переменные, идентифицированные SOM, должны быть использованы для последующего прогнозного анализа. Более того, эксперт может быть способен интерпретировать результаты, предоставленные SOM, чтобы включить или исключить входные данные из использования в последующем прогнозном анализе. В блоке 210, переменные, представляющие входные данные, как полагают, имеющие наибольшее влияние для целей прогнозирования, заполняют фактическими данными. Данные могут содержать статистические или измеренные данные, как показано блоком 212. Используя выбранный поднабор переменных (блок 206), наполненных данными (блок 210), разрабатывают калькулятор вероятности, как показано в блоке 214. Специалисты в данной области техники примут во внимание, что любой относящийся к математике алгоритм, который вычисляет суммарную вероятность, такой как теорема Байеса, может быть использован для предоставления калькулятора вероятности.

Разработанная таким образом модель физических свойств может быть использована как инструмент прогнозирования посредством представления предполагаемых и/или измеренных наборов входных данных в калькулятор вероятности и наблюдения выходных данных. Калькулятор вероятности в соответствии с настоящей методикой может быть желательным улучшить с течением времени. Посредством предоставления калькулятору вероятности наборов входных данных, для которых выходные данные известны, точность калькулятора вероятности может быть оценена.

Примерные варианты осуществления настоящей методики могут быть применены для анализа широкого ряда прогнозных исследований. Один пример вопроса, который может быть проанализирован, является пятилетнее восстановление от воздействия, данного интенсификацией добычи в конкретной скважине, используя конкретный объем жидкости. Модель прогнозирования в соответствии с настоящей методикой должна желательно предоставлять информированный прогноз на этот вопрос, принимая в расчет зависящую от многих переменных историю интенсификации добычи во всем месторождении.

Фиг. 3 является диаграммой, показывающей множество устройств отображения SOM, которая полезна в объяснении идентификации сильно влияющих входных данных в соответствии с примерным вариантом осуществления настоящей методики. Диаграмма обычно упоминается посредством ссылочного номера 300. Как объяснено в настоящем документе, SOM может быть использована для идентификации важных переменных, вероятнее всего имеющих влияние на желаемую выходную переменную.

Диаграмма показывает SOM для каждой из семи переменных, а восьмая SOM соответствует частоте. Различные виды поперечной штриховки, показанные на Фиг. 3, изображают вычисленную обычную величину для записей данных, сгруппированных вместе в гроздь. Грозди, показанные на SOM на Фиг. 3, изображают значения данных в определенном диапазоне. В примерном варианте осуществления, переменные, показанные на диаграмме 300, могут быть релевантными к оценке производительности углеводородов.

На диаграмме 300, выходная переменная var7 302 является a нормализованной мерой повреждения продуктивного пласта. Разные виды поперечной штриховки, нарисованные на выходной переменной var7 302, соответствуют разным степеням повреждения месторождения. Входные переменные, показные на диаграмме 300, являются длиной перфорированного песка (var1 304), измерением давления (var2 306), измерением расхода (var3 308), расходом на удельную проницаемость пласта (var4 310), скоростью потока в призабойной зоне скважины (var5 312) и удельной проницаемостью пласта при перфорации (var6 314). В примерном варианте осуществления, все входные переменные, показанные на диаграмме 300, получают равный вес. SOM может включать в себя меньшее или большее число входных переменных, а переменные могут иметь разный вес. Для переменных, показанных на Фиг. 3, SOM более чем с 20 переменными была изначально использована для просеивания переменных.

На диаграмме 300, несколько гроздей данных (групп в прилегающих сотах) обозначены черным контуром. Примерная интерпретация значения одной грозди из выходных узлов является следующей. Всем узлам, заполняющим гроздь, обозначенным на карте выходных переменных, дан начальный цвет или оттенок, показывающий на равномерно низкую производительность углеводородов. Топологически идентичные грозди (то есть, грозди с одним и тем же относительным местоположением) на карте выходных переменных показывают равномерно низкое значение перфорации песка (var1 304), высокое измерение давления (var2 306) и среднюю величину расхода (var3 308). Таким образом, это сочетание переменных является вероятно вредящим производительности скважины. При интерпретации выходной переменной (var7 302), является желательным принять во внимание частотную карту 316, которая показывает, как много скважин было назначено в этот узел карты и гроздь. Обозначенная гроздь является хорошо наполненной, поскольку, по меньшей мере, одна скважина назначена каждому узлу. После того как все ключевые переменные будут идентифицированы SOM, их включают в модель прогнозирования, как описано в настоящем документе.

SOM с небольшим числом отчетливых гроздей является менее показывающей на переменные, которые имеют значительное влияние на интересующий выходной показатель. Высокие уровни плотности данных и всесторонний список переменных должны производить математически отчетливые грозди. Таким образом, SOM в соответствии с примерным вариантом осуществления настоящей методики является желательно "насыщенной данными", то есть, все узлы SOM плотно наполнены данными. Более того, данные для десяти или более скважин на узел карты могут быть желательными. Кроме того, является желательным существование данных для всех узлов. Отсутствие данных вредит способности SOM классифицировать эти узлы в грозди.

Если SOM имеет трудный период построения отчетливых гроздей, сокращение в списке вероятных переменных может помочь процессу, сократив число степеней свободы. Через процесс проб и ошибок построения изначально больших SOM, а затем, снижая число переменных карт постепенно, посредством устранения переменных, показывающих наименьшую корреляцию, все более математически отчетливые грозди могут быть идентифицированы. Также, пользователь может экспериментировать с разными весами переменных. Конкретные переменные и веса переменных могут быть выбраны на основании конкретных параметров частной проблемы производительности скважины. Примерный набор инструментов программного обеспечения SOM может включать в себя инструменты, которые автоматически испытывают многие сочетания переменных и количественно измеряют математическую отчетливость гроздей скважин.

Фиг. 4 является Байесовской сетью, показывающей использование трех входных переменных, чтобы сделать прогноз в соответствии с примерным вариантом осуществления настоящей методики. Данная сеть обычно упоминается посредством ссылочного номера 400. BN 400 может быть использована как калькулятор вероятности в соответствии с настоящей методикой. В BN 400, три входные переменные, были идентифицированы SOM составлять прогноз выходной переменной. То есть, первая входная переменная var1 402, вторая входная переменная var2 404 и третья входная переменная 406, имеют влияние на прогноз первой выходной переменной var4 408.

Фиг. 5 является таблицей вероятности узлов, описывающей вероятностные зависимости между var4 и var1 в модели на Фиг. 4. Данные за прошедшие периоды могут быть использованы для калибрования этой зависимости в соответствии с примерным вариантом осуществления настоящей методики. Эта таблица обычно упоминается посредством ссылочного номера 500. Величины в таблице представляют оценки условных вероятностей для входной переменной var1 402 (Фиг. 4), обусловленных выходной переменной var4 408 и могут быть получены посредством анализа данных за прошедшие периоды или из экспертной оценки.

Фиг. 6 является Байесовской сетью, показывающей использование трех входных переменных, чтобы сделать прогноз в соответствии с примерным вариантом осуществления настоящей методики. Данная сеть обычно упоминается посредством ссылочного номера 600. В BN 600 три входные переменные были идентифицированы SOM составлять прогноз выходной переменной. То есть, первая входная переменная var1 602, вторая входная переменная var2 604 и третья входная переменная 606 имеют влияние на прогноз первой выходной переменной var4 608.

BN 600 отличается от BN 400 (Фиг. 4) тем, что таблица 600 вероятности отражает предположение, что основное влияние третьей входной переменной var3 606 состоит в управлении второй входной переменной var2 604. Более того, третья входная переменная 606 не показывает наличие прямого влияния на первую выходную переменную var4 608.

По одному варианту осуществления, структура BN, которая представлена таблицей вероятностей, может быть модифицирована или построена на основании экспертной оценки. Более того, примерная BN может быть предназначена отражать зависимости, которые эксперт полагает существующими в природе. К примеру, структура BN может быть основана на предположении, что основное влияние третьей входной переменной var3 606 состоит в управлении второй входной переменной var2 604.

В BN, представленной таблицей 600 вероятности, третья входная переменная var3 606 может все еще влиять на первую выходную переменную var4 608, но делать это посредством своего влияния на вторую входную переменную var2 604. В соответствии с вариантом осуществления, наполнение таблиц условных вероятностей может быть сделано или оценкой вероятностей из данных за прошедшие периоды, или посредством обращения с вопросом к экспертам самим оценить эти вероятности. Некоторое слияние этих двух способов также возможно.

Одним из преимуществ использования экспертной оценки, чтобы направлять построение прогнозирующей BN, состоит в том, что экспертная оценка может быть использована, чтобы "регулировать" модель для случаев, для которых будущие ситуации предполагаются отличными от данных предыдущих периодов. Наоборот, одним из рисков сетей, основанных на экспертизе, является то, что ошибки будут включены в сеть и нанесут ущерб ее поведению.

Как объяснено в настоящем документе, один вариант осуществления настоящей методики относится к приложению модели прогнозирования. Однажды построенная, прогнозирующая BN может быть использована путем задания величин для доступных входных данных (например, входные переменные var1, var2, var3 в примере выше) и записывать прогнозы для выходной переменной, такой как выходная переменная var4. Это может быть сделано вручную пользователем программного обеспечения BN или может быть сделано в пакетном режиме программным обеспечением BN или другим программным обеспечением, которое имеет вычислительные свойства BN.

Фиг. 7 является Байесовской сетью, представляющей модель в которой три входных переменных используют, чтобы сделать прогноз в соответствии с примерным вариантом осуществления настоящей методики. Данная сеть обычно упоминается посредством ссылочного номера 700. В BN 700 три входные переменные были идентифицированы, чтобы составлять прогноз выходной переменной. То есть, первая входная переменная var1 702, вторая входная переменная var2 704 и третья входная переменная 706, имеют влияние на прогноз первой выходной переменной var4 708.

Одно из преимуществ использования BN в прогнозной роли состоит в том, что BN 700 дает оценку неопределенности прогноза. Рассматривается случай, в котором первая входная переменная var1 702 имеет низкое значение, вторая входная переменная var2 704 имеет значение между 10 и 25, а третья входная переменная var3 706 имеет значение в области 3. Как показано в BN 700, существует более чем 85% шанс, что скважина с этими характеристиками будет, по меньшей мере, высокопроизводительной. Эта вероятность получена посредством суммирования вероятности для высокого поведения (50,8%) и вероятности для очень высокого поведения (35,1%).

Фиг. 8 является Байесовской сетью, представляющей модель, в которой три входных переменных используют, чтобы сделать прогноз в соответствии с примерным вариантом осуществления настоящей техники. Данная сеть обычно упоминается посредством ссылочного номера 800. В BN 800 три входные переменные были идентифицированы, чтобы составлять прогноз выходной переменной. То есть, первая входная переменная var1 802, вторая входная переменная var2 804 и третья входная переменная 806 имеют влияние на прогноз первой выходной переменной var4 808.

Другим преимуществом использования BN для прогнозирования является то, что прогноз все еще возможен, когда значения для одной ли нескольких (или всех) переменных являются недоступными. BN 800 дает прогноз для случая, когда конкретное значение для var2 является недоступным. Может быть предположено, что значение var2 является незаданным, поскольку его значение все еще отображается как вероятностное распределение (распределение, согласуемое с входными данными, которые доступны). Хоть и возможно, что отображаемое вероятностное распределение может быть предоставлено как входные данные, это является нежелательным. Необходимо отметить, что первая выходная величина var4 808 ведет себя как предполагалось в том, что его значение ниже, чем определенное (распределение шире, чем в var4 708).

Фиг. 9 является Байесовской сетью, показывающей прогнозирование для производительности углеводородов в соответствии с примерным вариантом осуществления настоящей методики. Данная сеть обычно упоминается посредством ссылочного номера 900. В BN 900 три входные переменные были идентифицированы, чтобы составлять прогноз выходной переменной. То есть, входная переменная var1 902 основного (песчаного) компонента, входная переменная var2 904 сланцевого компонента и входная переменная 906 подъема имеют влияние на прогноз выходной переменной var4 дебита газа 908.

Задачей BN 900 является прогнозирование дебита газа из отдельного интервала в только что пробуренной скважине. Соответствием каждому из входных узлов 902, 904 и 906 является таблица условной вероятности, которая описывает статистическую зависимость между выходной переменной 908 дебита газа и каждой из входных переменных. Переменная 908 дебита газа также описывает вероятность разных дебитов газа. Вся вероятностная информация, показанная в BN 900, является оцененной из данных предыдущих периодов.

BN 900 показывает прогноз для отдельного набора входных данных. Конкретно, выходная переменная 908 дебита газа показывает, что существует более чем 75% шанс, что поток в скважине будет более чем 100 kcsf/d.

В примерном варианте осуществления, BN 900 представляет BN, которая была построена с использованием наивного Байесовского подхода. Входные переменные были выбраны на основании доказательств, подтверждающих, что имеется некая статистическая зависимость между ними и выходной переменной 908 дебита газа. Другой подход к построению BN является основанным на причинном понимании объединенной геологической и технической системы. В подобной сети с интересом указано, что подъем будет играть роль входной переменной прогнозирования. Основанный на физических свойствах анализ системы может подсказать другую переменную, для которой подъем является попросту наилучшей доступной заменой в текущей базе данных.

Фиг. 10 является принципиальной технологической схемой, показывающей способ для прогнозирования поведения физической системы в соответствии с вариантом осуществления настоящей техники. Данный процесс обычно упоминается посредством ссылочного номера 1000. Процесс 1000 может быть исполнен, используя один или несколько компьютерных компонентов вида, описанного в настоящем документе со ссылкой на Фиг. 12. Такие компьютерные компоненты могут содержать один или несколько вещественных машиночитаемых носителей, которые хранят исполняемые компьютером команды. Процесс 1000 начинается в блоке 1002.

В блоке 1004, набор входных переменных, которые имеют влияние на выходной показатель, идентифицируют. Поднабор из набора входных переменных, имеющих относительно большее влияние на выходной показатель, идентифицируют, как показано в блоке 1006.

Как показано в блоке 1008, модель физических свойств строят, чтобы спрогнозировать выходной показатель как функцию поднабора из набора входных переменных. Предполагаемые изменения в поднабор из набора входных переменных ранжируют по вероятности, используя модель физических свойств, как показано в блоке 1010. В блоке 1012, поведение физической системы прогнозируют на основании уровня предполагаемых изменений. Процесс 1000 завершается, как показано в блоке 1014.

Фиг. 11 является принципиальной технологической схемой, показывающей способ для производства углеводородов из области недр, такой как нефтяное и/или газовое месторождение в соответствии с примерным вариантом осуществления настоящей методики. Данный процесс обычно упоминается посредством ссылочного номера 1100. В соответствии с примерным вариантом осуществления настоящей методики, добычу углеводородов облегчают посредством прогнозирования поведения скважины, в соответствии с вариантом осуществления настоящей техники.

Специалисты в данной области техники оценят, что настоящая методика может облегчить добычу углеводородов посредством представления визуального отображения, которое позволит геологам, инженерам и тому подобным определить, какое направление действий взять для улучшения добычи углеводородов из области недр. Как пример, визуальное отображение, предоставленное в соответствии с примерным вариантом осуществления настоящей методики, может позволить инженеру или геологу определить размещение скважины для увеличения добычи углеводородов из области недр. В блоке 1102 процесс начинается.

В блоке 1104 набор входных переменных, которые имеют влияние на выходной показатель, относящийся к месторождению нефти и/или газа, идентифицируют. Поднабор из набора входных переменных, имеющих относительно большее влияние на выходной показатель, идентифицируют, как показано в блоке 1106.

В блоке 1108 модель физических свойств строят, чтобы прогнозировать выходной показатель, относящийся к месторождению нефти и/или газа, как функции поднабора из набора входных переменных. Предполагаемые изменения в поднаборе из набора входных переменных ранжируют по вероятности, используя модель физических свойств, как показано в блоке 1100. В блоке 1112 поведение нефтяного и/или газового месторождения прогнозируют на основании предполагаемых изменений. Углеводороды извлекают из нефтяного и/или газового месторождения на основании спрогнозированного поведения, как показано в блоке 1114. Процесс завершается, как показано в блоке 1116.

Фиг. 12 является функциональной схемой компьютерной системы, которая может быть использована для выполнения способа для прогнозирования поведения физической системы в соответствии с примерным вариантом осуществления настоящей техники. Данная компьютерная сеть обычно упоминается посредством ссылочного номера 1200.

Центральный процессор (CPU) 1202 подключен к системной шине 1204. CPU 1202 может быть любым CPU общего назначения, хотя и другие виды архитектуры CPU 1202 (или другие компоненты примерной системы 1200) могут быть использованы до тех пор, пока CPU 1202 (и другие компоненты системы 1200) поддерживают изобретательские действия, как описано в настоящем документе. CPU 1202 может исполнять различные логические команды в соответствии с различными вариантами осуществления. К примеру, CPU 1202 может исполнять команды машинного уровня для выполнения обработки, относящейся к прогнозированию поведения физических систем в соответствии с порядком выполнения действий, описанных в настоящем документе со ссылкой на Фиг. 10 и Фиг. 11.

Компьютерная система 1200 также может включать в себя компьютерные компоненты, такие как оперативное запоминающее устройство (RAM) 1206, которое может быть SRAM, DRAM, SDRAM или тому подобным. Компьютерная система 1200 может также включать в себя постоянное запоминающее устройство (ROM) 1208, которое может быть PROM, EPROM, EEPROM или тому подобным. RAM 1206 и ROM 1208 хранят пользовательские и системные данные и программы, как известно в данной области техники. Компьютерная система 1200 может также включать в себя адаптер 1210 ввода вывода (I/O), a адаптер 1222 связи, адаптер 1216 пользовательского интерфейса и адаптер 1218 устройства отображения. Адаптер 1210 I/O, адаптер 1216 пользовательского интерфейса и/или адаптер 1222 связи могут, в неких вариантах осуществления, позволить пользователю взаимодействовать с компьютерной системой 1200 с целью ввода информации.

Адаптер 1210 I/O предпочтительно подключает устройство(а) 1212 хранения данных, такие как один или несколько жестких дисков, накопитель на компактных дисках (CD), накопитель на гибких дисках, ленточный накопитель и так далее, к компьютерной системе 1200. Устройство(а) хранения данных может (могут) быть использовано(ы), когда RAM 1206 является недостаточным для требуемых объемов памяти, относящихся к хранению данных для операций по вариантам осуществления настоящей техники. Хранилище данных компьютерной системы 1200 может быть использовано для хранения информации и/или данных, используемых или созданных, как раскрыто в настоящем документе. Адаптер 1222 связи может подключать компьютерную систему 1200 к сети передачи данных (не показано), которая может позволить информации быть введенной и/или выведенной из системы 1200 через сеть передачи данных (к примеру, Интернет или другую глобальную вычислительную сеть, локальную вычислительную сеть, общедоступную или частную коммутируемую телефонную сеть, беспроводную сеть, любое сочетание вышеуказанных). Адаптер 1216 пользовательского интерфейса подключает устройства ввода данных пользователем, такие как клавиатура 1224, позиционирующее устройство 1214 и/или устройства вывода, такие как динамик(и) (не показано) к компьютерной системе 1200.

Адаптер 1218 устройства отображения управляется CPU 1202 для управления отображением на устройстве 1220 отображения, к примеру, чтобы отобразить информацию или имитацию, в отношении анализируемого участка области недр, например, отображения прогноза о поведении физической системы, в соответствии с некими вариантами осуществления.

Архитектура системы 1200 может быть изменена по желанию. К примеру, любое подходящее устройство, основанное на процессоре, может быть использовано, включая, но не ограничиваясь, персональные компьютеры, дорожные компьютеры, компьютерные рабочие станции и многопроцессорные серверы. Более того, варианты осуществления могут быть реализованы на специализированных интегральных микросхемах (ASIC) или сверхбольших интегральных (VLSI) схемах. Фактически, специалисты в данной области техники могут использовать любое число подходящих структур, способных исполнять логические операции в соответствии с настоящими вариантами осуществления.

Примерные анализы производительности скважины в соответствии с настоящей методикой могут применять потенциально большие объемы данных за предшествующие периоды, чтобы помочь принять решение об управлении месторождением. Эти анализы могут быть использованы для информирования или направления конкретных решений по управлению месторождением, которые могут иметь значительную стоимость или последствий в поведении.

Настоящая методика может быть подвержена различным модификациям и альтернативным видам, и варианты осуществления, рассмотренные выше, были показаны только с целью примера. Однако настоящая методика не предназначена быть ограниченной отдельными вариантами осуществления, раскрытыми в настоящем документе. В действительности, настоящая методика включает в себя все альтернативы, модификации и эквиваленты, попадающие в сущность и объем прилагаемой формулы изобретения.

Группа изобретений относится к области моделирования и может быть использована для прогнозирования поведения скважины. Техническим результатом является прогнозирование интенсификации добычи. Способ содержит этапы, на которых: идентифицируют входные переменные, которые имеют влияние на выходной показатель, идентифицируют поднабор из набора входных переменных, где данный поднабор имеет относительно большее влияние на выходной показатель. Модель физических свойств строят, чтобы прогнозировать выходной показатель как функцию поднабора из набора входных переменных. Предполагаемые изменения в поднабор из набора входных переменных ранжируют по вероятности, используя модель физических свойств. Поведение физической системы прогнозируют на основании уровня предполагаемых изменений. 3 н. и 17 з.п. ф-лы, 12 ил.

1. Способ прогнозирования поведения физической системы, в котором:
идентифицируют набор входных переменных, которые имеют влияние на выходной показатель;
выбирают поднабор из набора входных переменных, основанный, по меньшей мере, частично на каждой входной переменной в поднаборе, имеющем относительно большее влияние на выходной показатель;
используя компьютер, содержащий процессор и машиночитаемый носитель, на котором сохранены машиночитаемые инструкции для построения модели физических свойств, строят модель физических свойств для прогнозирования выходного показателя как функции поднабора из набора входных переменных;
ранжируют по вероятности предполагаемые изменения в поднаборе из набора входных переменных, используя модель физических свойств; и
прогнозируют поведение физической системы на основании уровня предполагаемых изменений.

2. Способ по п. 1, в котором предоставляют визуальное отображение модели физических свойств.

3. Способ по п. 1, в котором идентификация поднабора из набора входных переменных содержит получение данного поднабора из набора входных переменных из самоорганизующейся карты (SOM).

4. Способ по п. 1, в котором ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из Байесовской сети (BN).

5. Способ по п. 4, в котором предоставляют набор правил, полученных из оценок вероятностей, вычисленных с использованием BN.

6. Способ по п. 1, в котором ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из самоорганизующейся карты (SOM).

7. Способ по п. 1, в котором физическая система содержит, по меньшей мере, одну скважину, производящую углеводороды.

8. Способ по п. 1, в котором выходной показатель содержит добычу текучей среды.

9. Способ по п. 1, в котором набор входных переменных содержит, по меньшей мере, одно из глубины, местоположения, данных кернового анализа, данных каротажа скважины, данных бурения, данных заканчивания скважины, данных интенсификации добычи или данных опробования скважины.

10. Способ по п. 1, в котором набор входных переменных содержит, по меньшей мере, одно из параметра проектирования скважины, параметра проектирования бурения, параметра схемы проектирования заканчивания скважины или параметра проектирования интенсификации добычи.

11. Способ по п. 1, в котором набор входных переменных содержит интерпретацию, по меньшей мере, одной из геологических сущностей, такой как интервал, горизонт, трещина, разрыв или окружающая среда.

12. Способ по п. 1, в котором набор входных переменных содержит интерпретацию вероятности встретить, по меньшей мере, одну геологическую сущность, такую как интервал, горизонт, трещина, разрыв или окружающая среда.

13. Способ добычи углеводородов из нефтяного и/или газового месторождения, с использованием модели физических свойств, представляющей физическое свойство нефтяного и/или газового месторождения, в котором:
идентифицируют набор входных переменных, которые имеют влияние на выходной показатель, относящийся к нефтяному и/или газовому месторождению;
выбирают поднабор из набора входных переменных, основанный, по меньшей мере, частично на каждой входной переменной в поднаборе, имеющем относительно большее влияние на выходной показатель;
используя компьютер, содержащий процессор и машиночитаемый носитель, на котором сохранены машиночитаемые инструкции для построения модели физических свойств, строят модель физических свойств для прогнозирования выходного показателя, относящегося к нефтяному и/или газовому месторождению, как функции поднабора из набора входных переменных;
ранжируют по вероятности предполагаемые изменения в поднаборе из набора входных переменных, используя модель физических свойств;
прогнозируют поведение нефтяного и/или газового месторождения на основании уровня предполагаемых изменений; и
добывают углеводороды из нефтяного и/или газового месторождения на основании спрогнозированного поведения.

14. Способ по п. 13, в котором предоставляют визуальное отображение модели физических свойств.

15. Способ по п. 13, в котором идентификация поднабора из набора входных переменных содержит получение данного поднабора из набора входных переменных из самоорганизующейся карты (SOM).

16. Способ по п. 13, в котором ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из Байесовской сети (BN).

17. Способ по п. 16, в котором предоставляют набор правил, полученных из оценок вероятностей, вычисленных с использованием BN.

18. Способ по п. 13, в котором ранжирование по вероятности предполагаемых изменений содержит получение выходных данных, соответствующих предполагаемым изменениям, из самоорганизующейся карты (SOM).

19. Способ по п. 13, в котором выходной показатель содержит добычу текучей среды.

20. Компьютерная система, которая выполнена с возможностью прогнозировать поведение физической системы, причем компьютерная система содержит:
процессор; и
машиночитаемый носитель данных, который хранит машиночитаемые команды для исполнения процессором, причем машиночитаемые команды содержат:
код, который, при исполнении процессором, побуждает процессор идентифицировать набор входных переменных, которые имеют влияние на выходной показатель;
код, который, при исполнении процессором, побуждает процессор выбирать поднабор из набора входных переменных, основанный, по меньшей мере, частично на каждой входной переменной в поднаборе, имеющем относительно большее влияние на выходной показатель;
код, который, при исполнении процессором, побуждает процессор строить модель физических свойств для прогнозирования выходного показателя как функции поднабора из набора входных переменных;
код, который, при исполнении процессором, побуждает процессор ранжировать по вероятности предполагаемые изменения в поднаборе из набора входных переменных, используя модель физических свойств; и
код, который, при исполнении процессором, побуждает процессор прогнозировать поведение физической системы на основании уровня предполагаемых изменений.