Система прогнозирования производственных данных месторождения на основе их топологического анализа Российский патент 2025 года по МПК G06F17/10 E21B47/00 

Изобретение относится к компьютерным системам, основанным на специфических математических моделях и реализованным на компьютерах общего назначения, предназначенным для прогнозирования добычи углеводородов из подземных пластов, функционирующим на основе построения геолого-гидродинамической модели (ГГДМ) нефтяных и газовых коллекторов, соответствующей заданной целевой функции с наименьшим значением.

Из патента Ru №2754741 [МПК E21B 47/06 (2021.08), опубл. 07.09.2021] известна система, реализующая способ адаптации геолого-гидродинамической модели пласта, включающая по крайней мере один процессор, оперативную память и машиночитаемые инструкции для выполнения способа адаптации. В способе адаптации используют геолого-гидродинамическую модель для помощи в оптимизации сопоставления исторических данных и прогнозировании добычи углеводородов из подземных пластов с целью повышения добычи углеводородов. Способ осуществляют следующим образом: получают с заданным временным шагом данные истории работы скважин моделируемого месторождения; получают в результате исследования месторождения и скважин, расположенных на нем, структурные и петрофизические параметры данного месторождения и рассчитывают значения зависимых параметров месторождения; выполняют построение геолого-гидродинамических моделей, при котором изменяют значения рассчитанных параметров месторождения; осуществляют расчет целевой функции для каждой из построенных геолого-гидродинамической моделей и выбирают геолого-гидродинамическую модель для разработки месторождения, соответствующую целевой функции с наименьшим значением. Достоинством данной системы является осуществление процесса адаптации геолого-гидродинамической модели пласта месторождения за счет определения несложной целевой функции. К недостаткам данного технического решения следует отнести невысокое быстродействие системы вследствие обработки большого количества исторических данных по множеству параметров ГГДМ.

Из уровня техники, заявка US 2013/0124171 A1 [МПК G06F17/5009, опубл. 16.06.2013], известна система (прототип), реализующая способ прогнозирования поведения физической системы и, адаптированная для его реализации, содержащая процессор и материальный машиночитаемый носитель данных, на котором хранятся машиночитаемые инструкции для выполнения способа прогнозирования. Способ, реализуемый системой, включает идентификацию набора входных переменных, которые оказывают влияние на выходной показатель, и идентификацию подмножества набора входных переменных, при этом подмножество оказывает относительно большее влияние на выходной показатель. Модель физических свойств создается для прогнозирования выходной метрики как функции подмножества набора входных переменных. Осуществляется прогнозирование поведения физической системы, под которой в данной заявке подразумевается скважина, добывающая углеводороды, и включает этап идентификации набора входных переменных, которые оказывают влияние на продуктивность добываемой жидкости. Достоинством системы является использование нейронной сети и отсутствие необходимости построения имитационной модели скважины либо месторождения. Нейронная сеть по входному набору параметров определяет поднабор самых значимых и влиятельных параметров на прогноз добычи и использует их для прогнозирования работы скважины, с учетом ранжирования по вероятности предполагаемых изменений во входных данных. Набор входных параметров в данной системе включает в себя, по меньшей мере, одну из технологических характеристик скважины: глубина, местоположение, данные керна, данные каротажа скважины, данные бурения, данные закачивания, данные стимуляции, данные испытаний скважины. К недостаткам этого решения относится тот факт, что прогноз строится сетью для одного параметра, а именно только поведения продуктивности скважины.

Задачей заявляемого технического решения является получение прогнозов для производственных данных месторождения на основе наиболее быстрой и точной адаптации геолого-гидродинамической модели пласта.

Технический результат заявляемого изобретения – расширение арсенала средств прогнозирования производственных данных месторождения, а также повышение быстродействия системы прогнозирования.

Технический результат достигается за счет того, что система прогнозирования производственных данных месторождения характеризуется наличием четырех взаимосвязанных подсистем: подсистемы сбора и хранения информации, подсистемы обработки производственных данных, подсистемы оптимизации, подсистемы построения прогнозов, в которой в подсистему сбора и хранения информации входит блок сбора данных, вход которого по сетевому интерфейсу связан с устройством сбора информации на месторождении, к выходу которого в свою очередь подключен вход блока хранения данных, с выхода которого информация поступает на вход подсистемы обработки производственных данных, состоящей из последовательно соединенных блока топологического анализа данных, в который в свою очередь входят блок задания функции фильтрации и блок фильтрации, выполненный с возможностью фиксирования изменений в топологии исходного сигнала в течение фильтрации, блока извлечения значимых точек сигнала согласно заданной фильтрационной функции и блока формирования массивов значимых производственных данных, к выходу которого подключен вход блока задания весовых коэффициентов покомпонентно подсистемы оптимизации, к выходу которого в подсистеме оптимизации последовательно подключены блок построения целевой функции, блок выполнения оптимизационного алгоритма (процесса автоматизированной адаптации), состоящий из блока построения геолого-гидродинамической модели и блока сходимости, выполненного с возможностью проверки достижения порога сходимости, и блок построения ансамбля адаптированных моделей, к выходу которого подсоединен вход подсистемы прогнозирования, включающей последовательно соединенные блок построения прогнозов, выполненный с возможностью запуска годового прогноза производственных данных для каждой скважины для каждой из адаптированных моделей и блок построения интервала неопределенности прогнозов для каждой скважины.

Целесообразно дополнить систему прогнозирования подсистемой анализа адаптированных моделей, содержащую блок построения двумерных карт свойств исследуемого месторождения, как статических (пористость, проницаемость, наличие коллектора и др.), так и динамических (водонасыщенность, нефтенасыщенность, пластовое давление и др.), соответствующих набору адаптированных моделей, полученных из построения ансамбля адаптированных моделей; блок построения трехмерных свойств пласта; блок построения гистограмм распределения статических свойств пласта.

Повышение быстродействия прогнозирования производственных данных месторождения в заявляемом техническом решении достигается тем, что в систему входит блок топологического анализа, за счет работы которого процесс гидродинамического моделирования идет с выделением значимых точек из производственных динамических данных месторождения (такие как добыча нефти, добыча воды, забойное давление), оказывающих наибольшее влияние на процесс адаптации ГГДМ к истории, что в дальнейшем используется для прогнозирования нефтегазодобычи моделируемого месторождения. Помимо построения прогноза нефтегазодобычи, построив адаптированную ГГДМ, полученную в результате работы заявляемой системы, получают прогнозы для наборов свойств, которые с определенной степенью погрешности соответствуют изучаемому месторождению. Это и динамические свойства: водонасыщенность, нефтенасыщенность, пластовое давление и др., а также статические: пористость, проницаемость, наличие коллектора и др. Это является особо важным моментом при исследовании месторождения и при прогнозировании его производственных данных.

Изобретение поясняется рисунками.

На Фиг.1 в общем виде изображена блок-схема системы прогнозирования. Система содержит следующие основные элементы: 1 – подсистема сбора и хранения информации, 2 – подсистема обработки производственных данных, 3 – подсистема оптимизации, 4 – подсистема построения прогнозов, 5 – блок сбора данных, 6 – блок хранения данных, 7 – блок топологического анализа данных, состоящий из блока задания функции фильтрации 8 и блока фильтрации 9, выполненного с возможностью фиксирования изменений в топологии исходного сигнала в течение фильтрации; 10 – блок извлечения значимых точек, 11 – блока формирования массивов значимых производственных данных, 12 – блок задания весовых коэффициентов покомпонентно, 13 – блок построения целевой функции, 14 – блок выполнения оптимизационного алгоритма (процесса автоматизированной адаптации), 15 – блок построения ГГДМ, 16 – блок сходимости, 17 – блок построения ансамбля адаптированных моделей, 18– блок построения прогнозов, 19 – блок построения интервала неопределенности прогнозов.

В одном из вариантов исполнения система может дополнительно содержать подсистему 20 анализа адаптированных моделей, состоящую из блока 21 – блока построения 2д карт свойств пласта, блока 22 – блока построения 3д кубов свойств пласта, блока 23 – блока построения гистограмм распределения статических свойств пласта.

На Фиг.2 представлена блок-схема выполнения оптимизационного процесса в виде итерационного алгоритма.

На Фиг.3 (а, б) приведен пример временного ряда (а), описывающего дебит нефти в скважине Р1, и соответствующая ему диаграмма устойчивостей (б): синим цветом отмечены регулярные точки временного ряда, оранжевым – значимые (локальные экстремумы, также вынесенные на диаграмму).

На Фиг.4 (а, б) показаны графики дебита нефти (а) и дебита воды (б) с годовым прогнозом для ансамбля адаптированных моделей для двух типов настроек временных весов: красный – без ТАД, зеленый – с применением ТАД.

На Фиг.5 показан график изменения значений целевой функции для лучших итераций в поколениях оптимизационного процесса, усредненный по 5 запускам для двух типов настроек временных коэффициентов: красный — весь массив данных, зеленый — данные, полученные с использованием ТАД.

На Фиг.6 изображены карты свойств средней проницаемости для трех лучших адаптированных моделей (а, б, в), которые дают представление о строении пласта исследуемого месторождения.

На Фиг.7 представлены карты текущего среднего пластового давления на последний год разработки месторождения для трех лучших адаптированных моделей (а, б, в).

На Фиг.8 приведены гистограммы распределения свойств пористости по пласту для трех лучших адаптированных моделей (а, б, в).

На Фиг.9 (а, б) изображены кубы свойств пористости для лучших адаптированных моделей, которые дают представление о строении пласта исследуемого месторождения.

Система прогнозирования работает следующим образом.

Блок сбора данных 5 подсистемы сбора и хранения информации 1 осуществляет получение информации по сетевому интерфейсу от устройства сбора информации на месторождении с заданным временным шагом данных истории работы скважин моделируемого месторождения по меньшей мере по следующим компонентам: значения дебитов и приемистости всех присутствующих типов флюидов по скважинам, пластовые давления, полученные в результате гидродинамических исследований в скважинах, и забойные давления по скважинам, а также получение структурных и петрофизических параметров данного месторождения. Полученная информация сохраняется в блоке хранения данных 6.

С выхода подсистемы сбора и хранения информации 1 полученные компоненты и параметры передаются на вход подсистемы обработки производственных данных 2, в частности в блок топологического анализа данных (ТАД) 7. Блок 7 используется системой для выделения наиболее значимых точек в производственных данных.

ТАД позволяет исследовать сложные, зашумленные, многомерные данные [Edelsbrunner, H. and Harer, J.L. (2010). Computational topology: an introduction. American Mathematical Society]. Один из методов TАД, называемый методом устойчивых гомологий, который используется в работе заявляемой системы, вычисляет топологические характеристики пространства в различных пространственных размерностях [Zomorodian, A. and Carlsson, G. (2005). Computing persistent homology. Discrete Comput. Geom., 33(2), 249–274]. Гомология нулевой размерности исследует топологические характеристики одномерной функции и, следовательно, позволяет анализировать временные ряды. Важным положением метода устойчивых гомологий является то, что признаки исследуемого пространства, сохраняющиеся в широком диапазоне изменчивости в пространствах размерности меньшей исходного, считаются достоверными, а признаки, сохраняющиеся только в узком диапазоне изменчивости, считаются шумом. Таким образом, блок топологического анализа данных 7 системы выделяет из общего шума производственных данных особые точки, которые далее будут называться значимыми.

Для использования метода устойчивых гомологий необходимо первоначально задать функцию фильтрации, применение которой к исходным данным, позволяет фиксировать топологические изменения пространства, описываемого исходными данными. Эту задачу выполняет блок задания функции фильтрации 8.

В заявляемой системе для исследования временных рядов применяется функция вида

где λ – параметр фильтрации,

f – дискретная функция, описывающая данные,

z – компоненты (точки из области определения) функции f,

R – пространство действительных чисел.

Вычисление топологических характеристик исследуемого пространства происходит в блоке фильтрации 9, выполненном с возможностью фиксирования изменений в топологии исходного сигнала в течение фильтрации, и состоит из следующих шагов:

1) Предполагается, что параметр фильтрации начинается с и задается

2) Выполняется построение топологических признаков для возрастающих значений λ. Для каждого λ составляются симплициальные комплексы согласно функции фильтрации и вычисляются топологии нулевой группы гомологий , где k – индекс топологического признака, используя теорию вычислительной гомологии [Ravishanker N., Chen R. (2019). Topological data analysis (TDA) for time series. arXiv: 1909.10604]. Если старшая топология и младшая топология сливаются в одну при некотором значении λ, тогда становится , и уничтожается при λ, согласно правилу старшего [Edelsbrunner, H. and Harer, J.L. (2010). Computational topology: an introduction. American Mathematical Society].

3) В результате в блоке извлечения значимых точек 10 сигнала, согласно заданной фильтрационной функции, имеется набор точек, описывающих моменты рождения и смерти топологий для нулевой группы гомологий. Удобным способом представления такого набора точек является диаграмма устойчивостей, у которой абсцисса и ордината соответствуют уровням, на которых топологии рождаются и умирают соответственно, т.е. точка диаграммы устойчивости соответствует паре (рождение, смерть) топологической характеристики исследуемого ряда. Таким образом, точки, которые находятся дальше всего от диагонали рождение=смерть, представляют собой самые устойчивые признаки, а точки, лежащие вблизи диагонали, представляют собой признаки, которые могут приниматься за шум, т.к. имеют малую устойчивость. На Фиг.3 изображена такая диаграмма устойчивостей для примера временного ряда из производственных данных.

Далее, в блоке формирования массивов значимых производственных данных 11, отдельно для каждой компоненты целевой функции, по вычисленным топологическим характеристикам из исходного временного ряда оставляются только точки, имеющие устойчивость, т.е. значимые. Таким образом, для каждой скважины и каждой компоненты целевой функции получают новый временной ряд, состоящий только из значимых точек, соответствующих значимым моментам времени.

Полученные массивы значимых временных моментов для задания целевой функции поступают на вход подсистемы оптимизации 3, в которой в блоке задания весовых коэффициентов 12 покомпонентно строятся весовые коэффициенты для временных шагов отдельно для каждой скважины и компоненты. Весовые коэффициенты позволяют задать разную степень влияния составляющих целевой функции на ее итоговое значение. Присвоение разных весов для временных шагов может быть обосновано в случае, когда с течением времени изменилась достоверность либо точность определенных измерений [Еремян Г.А. Влияние способов взвешивания целевой функции на эффективность автоадаптации численной модели месторождения углеводородов. Нефтепромысловое дело. 2021. №1. С. 33–40.]. На практике, как правило, все весовые коэффициенты оставляются равными 1 (по умолчанию), то есть взвешивания не происходит. В заявляемой системе весовые коэффициенты принимаются равными 1 только для временных шагов, соответствующим значимым точкам ряда, для остальных временных шагов весовые коэффициенты принимаются равными 0. Таким образом, подсистема оптимизации будет работать только со значимыми данными из истории.

Целевая функция – это оценка невязки между историческими и модельными значениями производственных данных. Целевая функция отражает оценку качества адаптации полученной геолого-гидродинамической модели. В заявляемой системе блок построения целевой функции 13 работает со значимыми данными из истории, поступающими с выхода блока задания весовых коэффициентов 12 и выполняет расчет целевой функции по формуле вида:

(1)

где и – расчетные и исторические значения соответственно для компоненты k идентификатора j на временном шаге t,

norm – параметр нормировки ошибок,

w_k, w_j и w_kjt – весовые коэффициенты для компонент, идентификаторов и временных шагов соответственно,

N_k and N_w – количество компонент и идентификаторов соответственно,

n – количество временных шагов.

Процесс построения геолого-гидродинамической модели (ГГДМ) и расчета целевой функции проводится итерационно в блоке выполнения оптимизационного алгоритма (процесса автоматизированной адаптации) 14, включающем в себя блок сходимости 16, выполненный с возможностью проверки достижения порога сходимости. На Фиг.2 представлена схема выполнения оптимизационного процесса. Задача автоматизированной адаптации геолого-гидродинамической модели состоит в приведении расчетных показателей разработки месторождения в соответствие с историческими. На вход блока выполнения оптимизационного алгоритма 14 из блока хранения данных 6 подаются исторические замеры – показатели работы каждой скважины. Далее в блоке 15 происходит моделирование – построение ГГДМ с заданными гиперпараметрами (параметрами, определяющими модель и управляющими процессом оптимизации для сближения расчетных показателей с историческими); затем согласно построенной целевой функции из блока 13 расчетные данные полученной модели сравниваются с историческими; и работа блока выполнения оптимизационного алгоритма 14 завершается либо при достижении заданного порога сходимости сравниваемых значений, либо при выполнении заданного числа итераций. Если условие сходимости не выполнено, то система возвращается на этап моделирования в блок 15, меняя значения гиперпараметров модели, и запускается следующая итерация блока выполнения оптимизационного алгоритма 14. На выходе подсистемы оптимизации 3 в блоке построения ансамбля адаптированных моделей 17 получают набор ГГДМ с соответствующими им значениями целевой функции.

Для оценки неопределенностей прогнозных показателей разработки выбираются модели с минимальными значениями целевой функции. Модели, соответствующие целевой функции ниже заданного порога, считаются адаптированными.

Далее в подсистеме прогнозирования 4 для ансамбля адаптированных моделей в блоке построения прогнозов 18 производится расчет прогнозов производственных данных месторождения. Моделируется работа скважин на один год с фиксированным забойным давлением, равным забойному давлению в момент последнего исторического замера. Информация также поступает в блок построения интервала неопределенности прогнозов 19 для каждой скважины, на выходе которого получается диапазон неопределенностей прогнозных показателей разработки месторождения.

Для дальнейшего изучения свойств месторождения и проверки качества построенных моделей, соответственно полученных прогнозов, а также при наличии целей мониторинга разработки, используется подсистема анализа адаптированных моделей 20, которая может включать в себя, но не ограничиваться следующими блоками: блок 21 для построения двумерных карт свойств пласта, как статических (пористость, проницаемость, наличие коллектора и др.), так и динамических (водонасыщенность, нефтенасыщенность, пластовое давление и др.), соответствующих набору адаптированных моделей, полученных из блока 17; блок 22 для построения трехмерных кубов аналогичных свойств пласта; блок 23 для построения гистограмм распределения статических свойств пласта. Также в данной подсистеме может быть выполнена вероятностная оценка профилей добычи, выработка решений по оптимизации разработки, оценка взаимодействия скважин и др., что также реализуется на основе блоков 22, 23.

Пример практической реализации. Работа полезной модели была апробирована на модели участка реального месторождения в Западной Сибири площадью 25 км², имеющего 50 добывающих скважин с историей разработки более 15 лет. Для прогнозирования производственных данных месторождения была выполнена задача автоматизированной адаптации ГГДМ с применением топологического анализа производственных данных, входящих в целевую функцию. Целевая функция состояла из четырех компонент: дебита нефти, дебита воды, приемистости воды и забойного давления. Из данных временных рядов методом устойчивых гомологий были извлечены значимые точки. На Фиг.3 показан пример результата применения этого метода: продемонстрирован исходный временной ряд добычи нефти по скважине P1 и выделенные в нем значимые точки.

Целевая функция была сформулирована в виде формулы (1). Входящие в нее весовые коэффициенты для временных шагов были заданы двумя вариантами: а) в соответствии с найденными значимыми точками для каждого ряда (согласно описанному выше принципу):

и б) равными 1 на протяжении всей истории разработки:

Таким образом, задача автоадаптации проводилась с двумя типами настроек временных коэффициентов: с применением топологического анализа данных и без него (с настройками по умолчанию). Основная цель экспериментов состояла в том, чтобы сравнить прогнозы, полученные с помощью этих двух процессов оптимизации. Отметим, что оптимизационные процессы запускались повторно с разными начальными значениями стохастического алгоритма для того, чтобы избежать влияния первых приближений алгоритмов оптимизации.

Результаты имитационных экспериментов представлены на графиках. На Фиг.4 отображен диапазон неопределенностей 50-ти адаптированных моделей для двух компонент: дебита нефти (а) и дебита воды (б) и соответствующий им диапазон неопределенностей прогноза. Разные цвета соответствуют диапазонам для разных настроек оптимизации: с применением топологического анализа данных и без него. Как видно из графиков, результаты адаптации с разными настройками существенно не отличаются. А именно, уменьшение количества исходных данных в оптимизационном процессе не увеличило диапазон неопределенности ансамбля адаптированных моделей, то есть точность адаптации не ухудшилась. Вместе с тем, диапазон прогнозов моделей остается одинаковым при различных настройках. Это означает, что на результаты автоадаптации и на прогнозы влияют только значимые точки из исторических данных, а остальные точки могут быть отброшены.

Более того, Фиг.5 демонстрирует тот факт, что целевая функция (усредненная по всем запускам оптимизационного процесса с разными случайными начальными значениями), учитывающая только значимые точки, имеет более быструю сходимость, чем целевая функция, основанная на всей истории. То есть при использовании только значимых данных глобальный минимум находится быстрее. Отсюда следует вывод, что технический результат достигнут.

Так как задача адаптации модели – это обратная задача, то решений у нее может быть несколько, вследствие этого принято смотреть на результаты не одной лучшей модели, а рассматривать набор из нескольких моделей, результат которых выше какого-либо введенного порога. Это делается для того, чтобы увидеть ансамбль реализаций и затем построить интервал неопределенностей прогнозов, так как одна модель никогда не будет истинно верной, а набор моделей дает вероятностное решение, в котором будет содержаться истина.

Таким образом заявляемая система обладает повышенным быстродействием прогнозирования производственных данных месторождения и существенно расширяет арсенал средств прогнозирования.

Изобретение относится к компьютерным системам, функционирующим в области прогнозирования добычи углеводородов из подземных пластов и, в частности к системам, функционирующим на основе построения геолого-гидродинамической модели (ГГДМ) нефтяных и газовых коллекторов, соответствующей заданной целевой функции с наименьшим значением. Технический результат заключается в расширении арсенала средств прогнозирования производственных данных месторождения и в повышении быстродействия системы. Система прогнозирования производственных данных месторождения характеризуется наличием четырех взаимосвязанных подсистем: подсистемы сбора и хранения информации, подсистемы обработки производственных данных, подсистемы оптимизации, подсистемы построения прогнозов. Целевая функция заявляемой системы, учитывающая только значимые точки, имеет более быструю сходимость, чем целевая функция, основанная на всей истории. При использовании только значимых данных глобальный минимум находится быстрее, и заявляемая система обладает повышенным быстродействием прогнозирования производственных данных месторождения. 9 ил.

1. Система прогнозирования производственных данных месторождения на основе их топологического анализа, характеризующаяся наличием четырех взаимосвязанных подсистем: подсистемы сбора и хранения информации, подсистемы обработки производственных данных, подсистемы оптимизации, подсистемы построения прогнозов, в которой в подсистему сбора и хранения информации входит блок сбора данных, вход которого по сетевому интерфейсу связан с устройством сбора информации на месторождении, к выходу которого, в свою очередь, подключен вход блока хранения данных, с выхода которого информация поступает на вход подсистемы обработки производственных данных, состоящей из последовательно соединенных блока топологического анализа данных, в который, в свою очередь, входят блок задания функции фильтрации и блок фильтрации, выполненный с возможностью фиксирования изменений в топологии исходного сигнала в течение фильтрации, блока извлечения значимых точек сигнала согласно заданной фильтрационной функции и блока формирования массивов значимых производственных данных, к выходу которого подключен вход блока задания весовых коэффициентов покомпонентно подсистемы оптимизации, к выходу которого в подсистеме оптимизации последовательно подключены блок построения целевой функции, блок выполнения оптимизационного алгоритма (процесса автоматизированной адаптации), состоящий из блока построения геолого-гидродинамической модели и блока сходимости, выполненного с возможностью проверки достижения порога сходимости, и блок построения ансамбля адаптированных моделей, к выходу которого подсоединен вход подсистемы прогнозирования, включающей последовательно соединенные блок построения прогнозов, выполненный с возможностью запуска годового прогноза производственных данных для каждой скважины для каждой из адаптированных моделей, и блок построения интервала неопределенности прогнозов для каждой скважины.

2. Система прогнозирования по п. 1, дополнительно содержащая подсистему анализа адаптированных моделей, состоящую из блока построения двумерных карт свойств пласта, блока построения трехмерных кубов свойств пласта, блока построения гистограмм распределения статических свойств пласта.