BR112017025555B1

BR112017025555B1 - Sistema e método para monitoramento em tempo real e estimativa de desempenho de produção de sistema de poço inteligente

Info

Publication number: BR112017025555B1
Application number: BR112017025555-3A
Authority: BR
Inventors: Oladele Bello; Stanley T. Denney
Original assignee: Baker Hughes, A Ge Company, Llc
Priority date: 2015-06-02
Filing date: 2016-04-27
Publication date: 2022-10-25
Also published as: NO20171977A1; WO2016195846A1; BR112017025555A2; GB2555547A; GB201800018D0; AU2016271165B2; US20160356125A1; SA517390442B1; AU2016271165A1; US10280722B2; GB2555547B

Abstract

Um método de avaliação em tempo real das propriedades de desempenho de produção inclui o receber dados de campo em tempo real capturados pelos sensores de poço e estimar propriedades de formação e propriedades de desempenho de produção aplicando os dados de campo a um modelo de fluxo de reservatório multifásico térmico transiente numérico bi ou tridimensional e calibrar automaticamente o modelo. Calibrar inclui: selecionar parâmetros de calibração correspondentes aos valores dos parâmetros do modelo selecionados e aplicar os parâmetros de calibração ao modelo para gerar propriedades preditas que se correlacionem com os parâmetros do modelo selecionados, as propriedades preditas incluindo taxas de fluxo e/ou propriedades de formação; calcular automaticamente uma diferença entre as propriedades preditas e as propriedades medidas que se correlacionam com os parâmetros do modelo e calcular um valor de função objetiva; realizar uma inversão que inclui ajustar iterativamente os parâmetros do modelo selecionado até a função objetiva atingir um valor mínimo selecionado; e atualizar automaticamente o modelo aplicando os parâmetros de modelo selecionados associados ao valor mínimo.

Description

REFERÊNCIA CRUZADA AOS PEDIDOS RELACIONADOS

[1] Este pedido reivindica o benefício do Pedido de patente US 14/728271, depositado em 2 de junho de 2015 que é aqui incorporado por referência na sua totalidade.

FUNDAMENTOS

[2] A temperatura de fundo de poço, sensores de pressão e de fluxo de fluido são ferramentas importantes utilizadas pela indústria da energia para medir e avaliar a produção de hidrocarbonetos a partir de furos de poço em formações de terra. Tais sensores são utilizados para monitorar as condições de fundo de poço para que as decisões de produção possam ser feitas sem a intervenção direta no poço. Os sistemas de monitoramento de produção usando papéis importantes como numerosos operadores contam com estes para desempenhar bem suas funções diárias de gestão. Além disso, os modelos de sistemas de formação e de produção são utilizados em conjunto com sistemas de monitorização para auxiliar na previsão e prever o desempenho de produção, o que é importante para a gestão do reservatório eficaz e controle.

SUMÁRIO

[3] Um método de estimativa em tempo real on-line das propriedades de desempenho da produção de uma ou mais operações de produção de hidrocarbonetos inclui o recebimento de dados de campo em tempo real a partir de uma fonte de campo em um processador que armazena e exibe as informações, os dados de campo incluindo pelo menos um dos parâmetros operacionais e as medições tomadas por um ou mais sensores de fundo de poço durante as uma ou mais operações de produção, e estimando as propriedades de formação e as propriedades de desempenho de produção associadas com a fonte do campo aplicando os dados de campo para um modelo de fluxo de reservatório multifásico transitório numérico de duas ou três dimensões (2-D ou 3-D), e calibrar automaticamente o modelo de fluxo de reservatório multifásico transitório numérico. Calibrar inclui: selecionar parâmetros de calibração que correspondem aos valores dos parâmetros do modelo selecionados, e aplicar os parâmetros de calibração ao modelo de fluxo de reservatório para gerar uma solução que inclui propriedades de previsão que se correlacionam com os parâmetros do modelo selecionado, as propriedades de previsão incluindo pelo menos uma de taxas de fluxo e propriedades de formação; em resposta ao recebimento de dados de medição em tempo real da fonte de campo, calcular automaticamente uma diferença entre as propriedades de previsão e as propriedades medidas obtidas a partir de dados de medição em tempo real que se correlacionam com os parâmetros do modelo selecionado, e calcular um valor de função objetivo com base na diferença; realizar uma inversão que inclui de forma iterativa o ajuste dos parâmetros do modelo selecionado até que a função objetiva atinja um valor mínimo selecionado; e atualizar automaticamente o modelo de fluxo de reservatório multifásico térmico transitório aplicando os parâmetros do modelo selecionado associados com o valor mínimo da função objetiva. O método inclui, ainda, utilizar o modelo de fluxo de reservatório multifásico térmico transitório calibrado automaticamente para prever pelo menos um de: parâmetros de reservatório de curto prazo, parâmetros de reservatório de longo prazo, características do reservatório perto do furo de poço e propriedades de desempenho de produção.

[4] Um sistema para estimar e prever as propriedades de produção de uma ou mais operações de produção de hidrocarbonetos inclui um módulo de agregação de dados configurado para comunicar com uma fonte de campo por meio de uma rede baseada na web e receber os dados do campo a partir da mesma, os dados de campo, incluindo pelo menos um de parâmetros e as medições operacionais tomados por um ou mais sensores de fundo de poço, um módulo de transformação configurado para transformar os dados de campo em um formato de dados da indústria, e um módulo de modelagem configurado para introduzir automaticamente os dados de campo num modelo de fluxo de reservatório multifásico térmico transitório numérico disponível para uma pluralidade de usuários, e estimar as propriedades de formação e as propriedades de produção associadas com a fonte de campo com base no modelo de fluxo de reservatório. O sistema também inclui um módulo de calibração configurado para receber parâmetros de calibração correspondendo aos valores dos parâmetros do modelo selecionado, aplicar os parâmetros de calibração para o modelo de fluxo de reservatório para gerar uma solução que inclui propriedades previstas que se correlacionam com os parâmetros do modelo selecionado, as propriedades previstas incluindo pelo menos uma das taxas de fluxo e as propriedades de formação, o módulo de calibração configurado para calcular automaticamente uma diferença entre as propriedades previstas e as propriedades medidas obtidas a partir da fonte de campo que se correlacionam com os parâmetros do modelo selecionado, e calcular um valor de função objetiva com base na diferença. O sistema inclui ainda um módulo de inversão configurado para efetuar uma inversão que inclui de forma iterativa ajustando os parâmetros do modelo selecionado até que a função objetiva atinja um valor mínimo selecionado, e automaticamente atualizar o modelo de fluxo de reservatório, aplicando os parâmetros do modelo selecionado associados com o valor mínimo da função objetiva.

BREVE DESCRIÇÃO DOS DESENHOS

[5] As descrições a seguir não devem ser consideradas como limitantes de modo algum. Com referência aos desenhos anexos, elementos similares são igualmente numerados:

[6] A FIG. 1 representa uma modalidade de um sistema de produção de hidrocarbonetos;

[7] A FIG. 2 representa uma modalidade de um sistema baseado na Web para facilitar a coleta de dados, o monitoramento do reservatório, a análise dos dados, as previsões e predições relativas à produção do poço;

[8] A FIG. 3 descreve um processo para a aplicação de dados estáticos e dinâmicos para um modelo de reservatório térmico direto;

[9] A FIG. 4 ilustra um processo exemplar de aplicação de um algoritmo de inversão para o modelo direto da FIG. 3;

[10] A FIG. 5 é uma representação esquemática de uma aplicação exemplar configurada para desempenhar funções, tais como a modelagem de reservatório, calibração do modelo, e a previsão de produção;

[11] A FIG. 6 é um fluxograma que descreve uma modalidade de um modelo de calibração e método de ajuste;

[12] A FIG. 7 descreve uma modalidade de um modelo de calibração e método de ajuste;

[13] A FIG. 8 ilustra um método exemplar de ajuste dos parâmetros do modelo em tempo real;

[14] A FIG. 9 ilustra um método exemplar de ajuste dos parâmetros do modelo em tempo real que inclui quantificação de incerteza;

[15] A FIG. 10 representa uma modalidade de um método de previsão de produção probabilística;

[16] A FIG. 11 ilustra uma modalidade de um sistema para a execução de funções tais como a modelagem, calibração, e de previsão;

[17] A FIG. 12 representa uma estrutura em camadas utilizada pelo sistema da FIG. 11.

DESCRIÇÃO DETALHADA DA INVENÇÃO

[18] Os sistemas e métodos são aqui descritos que fornecem aspectos de modelagem de operações de produção de hidrocarbonetos, tais como as propriedades dos reservatórios (isto é, propriedades de formação), parâmetros de operação e as propriedades de produção. Modelos diretos rápidos e precisos incorporam modelos parciais de equações diferenciais para o fluxo subsuperficial multifásico, que podem ser usados para estimar propriedades de formação, furo de poço e de produção (por exemplo, velocidades de óleo, gás e/ou de água a partir de sistemas de poços individuais e multizonais) e predizer ou prever tais propriedades com base nos dados de medição. Os sistemas e métodos de produzir as informações de vigilância de poço úteis e podem servir como um sistema de medição de velocidade de poço primária (medição do fluxo virtual utilizando os dados de temperatura e de pressão) ou como uma cópia de segurança para medidores de fluxo multifásico.

[19] De acordo com a suposição do modelo de fluxo multifásico subsuperficial, um algoritmo de inversão é configurado para estimar as propriedades de formação e/ou as propriedades de produção (por exemplo, pressão, temperatura, a distribuição da temperatura e da pressão do reservatório, parâmetros de reservatório distribuídos, características do poço curto e as velocidades de fluxo de fase simples ou múltipla) ou específicas para um determinado domínio medição reproduzindo numericamente os dados de medição disponíveis. O algoritmo de inversão também pode ser utilizado para estimar os parâmetros de modelo diretos iniciais, atualizar os parâmetros do modelo de forma contínua ou periodicamente, e em tempo real, se desejado, e calibrar o modelo direto.

[20] Uma modalidade de um sistema para monitoramento automática on-line, a análise de dados, a avaliação da produção e previsão de produção inclui dispositivos de processamento configurados para receber os dados de medição em tempo real a partir de uma ou mais fontes de energia da indústria, tais como poços de produção únicos e/ou multizonais. Os dados de medição são obtidos a partir de dispositivos sensores de fundo de poço, tais como medidores de fundo do poço permanentes, sensores de temperatura distribuídos, sensores acústicos distribuídos e/ou ferramentas de perfilagem de produção. Os dados de medição são automaticamente filtrados e inseridos em um modelo direto de fluxo multifásico térmico de subsuperfície através de meios porosos, que incorpora funções de resposta de medição por simulação numérica utilizando os dados de medição. O modelo direto é um sistema dinâmico discreto não linear com operadores lineares de observação, para os quais o algoritmo de assimilação de dados baseados em Monte Carlos pode ser aplicado para melhorar a previsão sob incertezas estatísticas.

[21] Modalidades aqui descritas também incluem arquitetura do sistema para o processamento automático online (por exemplo, em tempo real) de dados obtidos de forma dinâmica, o que ajuda os operadores na tomada de decisões críticas do desempenho da produção do dia a dia para sob várias incertezas. O processamento “online” se refere aos dados de processamento recebidos em tempo real ou de outra forma durante uma operação de produção, por exemplo, realizando ciclos observar-inverter-prever sob condições de circuito fechado. Os componentes do sistema exemplares incluem as interfaces funcionais para a transmissão de dados do sensor, a gestão de dados de sensores, filtragem e manipulação de dados do sensor, a interpretação de dados baseada em inverso, e exibição utilizando um sistema de painel de controle dinâmico que exibe informação tais como dados de medição, previsões e informação de modelo. As interfaces funcionais podem incluir, por exemplo, baixar os dados e carregar utilidades, um conjunto de instruções para realizar os processos de calibração, ferramentas de visualização avançadas, alarme de saúde, relatos de desempenho principais e painel de instrumentos.

[22] O sistema também inclui capacidades para transformar os dados de medição recebidos para um formato único para utilização pelo sistema, permitindo assim a assimilação eficaz de dados de diversas fontes e fácil incorporação de novas fontes.

[23] Os sistemas e métodos aqui descritos proporcionam informação crítica na capacidade de um poço, bem como informações, tais como as características de produção de desempenho, resposta de pressão-temperatura de reservatório transiente, a espessura do reservatório, a permeabilidade, a saturação de água, ruptura da água através do tempo, proporção água-óleo, corte de água, e rastreando as reservas de qualquer camada de reservatório estratificado onde um medidor está relatando pressão e temperatura. Os sistemas e métodos também oferecem técnicas de calibração do modelo avançada e quantificação da incerteza para fornecer estimativa baseada em probabilística online das velocidades de fluxo de gás-óleo-água e gerenciamento de reservatórios eficaz através de monitoramento da produção de reservatório contínuo (em tempo real), alocação de produção, previsão de desempenho (olhar à frente) e testes de poço individual virtual.

[24] Com referência à FIG. 1, uma modalidade exemplar de uma medição de hidrocarboneto e/ou sistema de produção 10 inclui uma coluna de produção 12 que é mostrada colocado num furo de poço 14 que penetra, pelo menos, uma formação de terra 16 durante uma operação de medição e/ou de produção de hidrocarboneto. O furo de poço 14 é mostrado como um furo de poço vertical, mas não é assim limitado, e pode incluir poços desviados e/ou horizontais ou seções do poço. Além disso, o furo de poço 14 pode representar vários furos de poço e/ou poços multilaterais. “Coluna de produção”, como aqui utilizado, se refere a qualquer estrutura apropriada para ser reduzida para um furo de poço e não se limita à estrutura e configuração aqui descritas.

[25] Fluido de formação 18 é produzido a partir de uma ou mais zonas de produção, que nesta modalidade inclui duas zonas de produção 20, uma zona de produção superior e zona de produção inferior. O furo de poço pode ser revestido com um revestimento 22 que tem perfurações 24 adjacentes às zonas de produção. Um empacotador 26, por exemplo, um empacotador recuperável, posicionado acima ou furo acima das perfurações da zona de produção inferior 24 isola a zona de produção inferior da zona de produção superior. Telas 28 podem ser instaladas adjacentes às perfurações 24 (superior e/ou inferior) para impedir ou inibir sólidos, tal como areia, de entrar no furo de poço a partir de zonas de produção.

[26] Fluido de formação a partir da zona de produção inferior entra no anel 30 do furo de poço 14 através das perfurações 24 e para dentro de uma tubulação 32 através de uma válvula de controle de fluxo 34. A válvula de controle de fluxo 34 (por exemplo, uma válvula de controle de influxo (ICV) ou ICV automática (AICV)) pode ser uma válvula de manga deslizante de controle remotamente ou qualquer outra válvula adequada ou bloqueador que pode regular o fluxo do fluido a partir do anel para a tubulação de produção 32. Um bloqueador regulável 36 na tubulação 32 pode ser utilizado para regular o fluxo de fluido da zona de produção inferior à superfície. O fluido de formação da zona de produção superior entra no anel 30 (a porção anelar acima do empacotador 26) por meio de perfurações. O fluido de formação 18 a partir da zona superior entra na tubulação de produção através das entradas 38. Uma válvula ajustável ou bloqueador 40 regula o fluxo de fluido para dentro da tubulação e pode ser utilizada para ajustar o fluxo do fluido para a superfície. Cada válvula, bloqueador e outro tal dispositivo no poço pode ser operado eletricamente, hidraulicamente, mecanicamente e/ou pneumatica-mente a partir da superfície. O fluido da zona de produção superior e a zona inferior produção entram na linha 42.

[27] O sistema também pode incluir um mecanismo de elevação artificial, tal como uma bomba submersível eléctrica (ESP), um sistema de elevação de gás, uma bomba de feixe, uma bomba de jato, uma bomba hidráulica ou uma bomba de cavidade progressiva, para bombear os fluidos para a superfície. Por exemplo, o sistema 10 inclui uma ESP 44 controlada por uma unidade de controle de ESP.

[28] Vários sensores são colocados em locais adequados no furo de poço 14 e/ou a coluna de produção 12 para proporcionar medições ou informação relativas aos parâmetros de fundo de poço de interesse. Os sensores exemplares incluem sensores de temperatura (por exemplo, sistema de detecção de temperatura distribuída (DTS)), sensores de pressão, sensores de medição de fluxo, sensores de resistividade, sensores que fornecem informações sobre a densidade, viscosidade, teor de água ou de corte de água, e sensores químicos. Sensores de densidade podem ser medições de densidade do fluido para fluido a partir de cada zona de produção e aquela do fluido combinado de duas ou mais zonas de produção. Sensores de resistividade podem fornecer medições relacionadas com o teor de água ou o corte de água da mistura de fluido recebida a partir de cada zona de produção. Outros sensores podem ser utilizados para estimar a proporção de óleo / água e proporção gás / óleo para cada zona de produção e para o fluido combinado. Os sensores de temperatura, pressão e fluxo fornecem medições para a pressão, temperatura e velocidade de fluxo do fluido.

[29] Por exemplo, uma ou mais ferramentas de perfilação de produção (PLTs) 46 são incorporadas na coluna de produção para medir as propriedades dos fluidos, tais como taxa de fluxo, densidade, velocidade de fase, parada água, pressão e temperatura. Outros sensores, tais como medidores de fundo de poço permanentes (PDGs) 48 podem ser instalados permanentemente no furo de poço para fornecer medições acústicas ou sísmicos, medições de pressão de formação e de temperatura, medições da resistividade e as medições relacionadas com as propriedades do revestimento e/ou formação. Sensores também podem ser proporcionados na superfície, tal como um sensor para medir o teor de água no fluido recebido, a velocidade de fluxo total para o fluido recebido, a pressão do fluido na cabeça do poço, a temperatura, etc. Os sinais a partir dos sensores do fundo do poço podem ser parcialmente ou totalmente processados no fundo de poço (como por um microprocessador e circuito eletrônico associado que está em comunicação de sinal ou dados com os sensores e dispositivos de fundo de poço) e, em seguida, transmitidos para o controlador de superfície através de uma ligação de sinal / dados.

[30] Em uma modalidade, vários componentes do sistema estão em comunicação com um dispositivo de tratamento de superfície ou sistema. Os sistemas de tratamento de superfície podem ser configurados como um sistema de controle de superfície que controla diversos parâmetros de produção e/ou de injeção, recebe dados de sensores de fundo de poço e da superfície, analisa os dados e/ou mostra os dados de medição, resultados da análise e/ou resultados de predição ou de previsão. O sistema de processamento de superfície inclui componentes, conforme necessário, para fornecer para os dados de armazenamento e/ou de processamento coletados a partir de vários sensores neste. Componentes exemplares incluem, sem limitação, pelo menos, um processador, armazenamento, memória, dispositivos de entrada, os dispositivos de saída e semelhantes.

[31] Uma variedade de linhas elétricas e/ou de comunicação de dados 50 estendem-se desde a superfície do furo de poço para operar vários dispositivos no furo de poço e obter as medições e outros dados a partir de vários sensores. Por exemplo, as linhas podem operar os bloqueadores e válvulas, proporcionar a comunicação entre os componentes no fundo do poço e/ou componentes de superfície, e/ou fornecer energia elétrica.

[32] Em uma modalidade, as válvulas de controle ou outros dispositivos de controle de fluxo e sensores são dispostos ao longo do furo em uma configuração de poço “inteligente” ou “smart”. A tecnologia de poço inteligente envolve recursos de medição e de controle do fluxo do reservatório que estão dispostos ao do fundo de poço. A instalação de dispositivos de controle de fluxo ativo de fundo de poço (com vários nós), as válvulas de controle de entrada, os dispositivos de medição (por exemplo, para pressão, temperatura e vazão), e/ou instalações de processamento de fundo de poço, tais como hidrociclones no furo de poço permite o monitoramento e controle da produção ativa. Os poços inteligentes facilitam o controle de parâmetros, tais como o fluxo de fluido e de pressão, e facilitam periodicamente ou continuamente a atualização dos modelos de reservatório durante a produção.

[33] Os sistemas e métodos aqui descritos proporcionam características para a execução e a facilitação do monitoramento da produção, a análise de dados e previsão de produção e otimização. Vários algoritmos computacionais, referidas coletivamente como algoritmos de medição de fluxo virtual (FPV), executam processos incluindo a estimativa das velocidades de fluxo multifásico e alocação de produção a partir de poços individuais e multizonal utilizando um modelo de reservatório-furo de poço térmico acoplado, e previsão de produção automática e/ou online e calibração do modelo.

[34] Os processos que podem ser realizados usando os algoritmos incluem a estimativa de propriedades de formação e propriedades de produção (por exemplo, velocidades de produção de fluidos, também conhecidas como velocidades de poços), realizando análises de testes de poços virtuais automáticas, previsão de desempenho da produção futura, dispositivos de calibração automática como medidores de fundo de poço (DFMs), integrando dados de produção, monitorando dispositivos de controle de entrada, prevendo e otimizando as configurações do dispositivo de controle de fluxo para melhorar a recuperação de hidrocarbonetos e mitigar o risco de vazamento de água / gás e gerenciar dados de sensores para monitoramento e caracterização de produção melhorados (detecção transitória de pressão e de temperatura) com base no reconhecimento de padrões.

[35] Os algoritmos utilizam uma estrutura de modelagem, que inclui modelos de equações diferenciais parciais para fluxo multifásico térmico subsuperficial através de meios porosos e um furo de poço. Um modelo direto rápido e preciso incorpora as funções de resposta de medição para simulação numérica usando dados de medição. O modelo direto é um sistema dinâmico discreto não linear com operadores lineares de observação, para os quais o algoritmo de assimilação de dados baseados em Monte Carlos pode ser aplicado para melhorar a previsão sob incertezas estatísticas. Sob a hipótese do modelo de fluxo multifásico subsuperficial, uma abordagem de inversão (também referida como um modelo de inversão ou processo de inversão) estima as velocidades de poços e propriedades de formação específicas para um dado domínio de medição ao numericamente reproduzir as medições disponíveis.

[36] Os sistemas e algoritmos implementam os modelos direto e inverso para prever e calibrar as velocidades de fluxo de multifásicas e as propriedades de formação de poços individuais e multizonais. Os modelos são úteis para a interpretação de vários tipos de dados de medição, tais como dados de medição permanente de fundo de poço (PDG), dados de ferramenta de perfilagem de produção (PLT) e os dados do sensor de temperatura distribuída (DTS).

[37] A FIG. 2 mostra uma modalidade de um sistema 60 para facilitar a coleta de dados, o monitoramento do reservatório, a análise dos dados, as previsões e predições relativas à produção do poço. O sistema pode também ser configurado para controlar poços ou sistemas de produção ou enviar informação de controle ou de otimização para os sistemas de produção ou usuários. O sistema 60 está configurado para recuperar ambos os dados em tempo real estáticos e dinâmicos dos sistemas de produção e/ou um processador centralizado e remotamente analisar ou interpretar os dados.

[38] O sistema 60 inclui um hub de dados de produção 62 que inclui dispositivos de processamento e de armazenamento configurados para receber dados a partir de várias fontes de campo 64, tais como poços de produção, plataformas de perfuração, e sistemas de medição ou avaliação de formação. O hub de dados 62 pode ser qualquer tipo de dispositivo de armazenamento e processamento, tais como um ou mais servidores. Uma unidade exemplar é um PetroSocial Production Data Hub por Performix, uma subsidiária da Baker Hughes Inc.

[39] O hub de dados de produção 62, em uma modalidade, inclui ou está conectado a um módulo de agregação, tal como um agregador de dados 66, configurado para receber dados estáticos e de tempo real a partir das fontes de campo 64. O agregador 104 está configurado para transformar os dados recebidos para um formato adequado para análise e modelagem. Formatos exemplares incluem Production Markup Language (PRODML) para dados de produção, Wellsite Information Transfer Standard Markup Language (WITSML), OPC Unified Architecture (OPC-UA), Modbus TCP, FTP e ASCII. O agregador 104 transforma dados a partir de vários formatos em um formato único (por exemplo, PRODML) que será utilizado por uma aplicação de modelagem descrita mais abaixo. O agregador de dados 66 ou outro módulo de agregação pode usar linguagem apropriada e/ou protocolo, como Modbus, OPC-UA, Lightbox e outros.

[40] O hub de dados 62 é ligado aos vários outros componentes, tais como uma porta de entrada de rede para fazer a interface com os clientes 68. Os clientes 68 podem acessar o hub de dados 62 para receber software, os dados (brutos e computados) de modelagem ou resultados de predição. Os clientes 68 incluem, por exemplo, os clientes locais e clientes remotos ligados ao hub de dados 62 através da Internet.

[41] O hub de dados 62, em adição aos dados recebidos a partir das fontes do campo 64, pode receber os dados a partir dos clientes 68 e/ou uma ou mais bases de dados 70. Tais dados incluem dados de medição, dados de propriedade do reservatório, condições do modelo inicial, e informações em relação ao tipo de poço, geometria e equipamento de completação/produção.

[42] Os dados que podem ser utilizados pelo sistema incluem todos os dados da indústria de energia relevantes. Como aqui descrito, “dados da indústria de energia” se refere aos dados gerados por uma variedade de operações da indústria de energia para as quais os modos aqui descritos podem ser realizados. Exemplos de tais operações incluem várias operações de estimulação, tratamento e/ou produção. As operações de produção incluem qualquer operação ou processo configurado para facilitar a produção de hidrocarbonetos a partir de uma formação subterrânea. As operações de tratamento podem envolver a utilização de um ou mais agentes de tratamento para tratar uma formação, os fluidos residentes em uma formação, um furo de poço, e/ou equipamento no furo do poço, tais como tubulação de produção. Os agentes de tratamento podem estar na forma de líquidos, gases, sólidos, semissólidos, e misturas dos mesmos. Outros exemplos incluem as operações de injeção de fluido, tal como operações de estimulação, fratura, limpeza ou produção.

[43] De um modo geral, o sistema 60 e/ou componentes dos mesmos, realiza uma variedade de funções relacionadas com a análise e a predição da produção. O sistema 60 executa uma aplicação de análise e modelagem armazenada em uma memória de um dispositivo de processamento, por exemplo, um cliente 68, que utiliza um conjunto de modelos coletivamente referido como um modelo de medição do fluxo virtual (VFM).

[44] Antes de usar o modelo VFM, o agregador 66 transforma os dados recebidos em um formato selecionado. Os dados formatados são então colocados por um processo de classificação de dados, triagem e filtração, que inclui remoção de discrepantes, dados denoising e redução de dados. Os dados formatados e filtrados podem ser consolidados e arquivados para assistir no monitoramento de tendências em tempo real.

[45] Dados formatados e filtrados selecionados são inseridos para um mecanismo ou módulo de modelagem reservatório térmico que emprega um modelo de reservatório térmico de duas ou três dimensões (2-D ou 3-D) capaz de acoplar fluxo multifásico e processos de transporte em reservatórios heterógenos únicos ou de várias camadas com e sem sistemas de completação inteligentes. O mecanismo ou módulo de modelagem pode ser executado em qualquer dispositivo ou configuração de processamento adequado, tal como um servidor escalável ou máquina virtual. O mecanismo ou módulo de modelagem, por exemplo, é executado no hub de dados de produção 62. Em uma modalidade, o mecanismo de modelagem é configurado para estimar as velocidades de produção, bem como a formação, propriedades de furo de poço e/ou fluido. A informação em tempo real pode ser gerada, tal como a determinação da velocidade de fluxo multifásico em poços individuais e multizonais, e propriedades de formação de estimativa em poços individuais e/ou multizonais. Por exemplo, o mecanismo de modelagem calcula velocidades horárias de óleo, gás e água para cada poço individual e/ou conjuntos de poços em tempo real.

[46] Além disso, o modelo de reservatório térmico empregado pela aplicação pode ser utilizada para gerar as previsões de saída para um ou mais poços de produção. Esta previsão pode ser previsão padrão com base em dados recebidos que representam intervalos de tempo selecionados (por exemplo, previsão de quatro semanas utilizando intervalos de dados de 30 minutos), e/ou previsão “e se” que prevê volume de produção em resposta a vários cenários. Exemplos de previsões incluem previsões de parâmetros de reservatório de curto prazo e parâmetros de reservatório de longo prazo, características do reservatório de poço próximo e propriedades de desempenho de produção. As propriedades de desempenho de produção incluem, por exemplo, parâmetros dos reservatórios distribuídos, as velocidades de fluxo multifásico, volumes cumulativos multifásicos, características de poço próximo, e distribuição da temperatura do reservatório e da pressão. Parâmetros de reservatório exemplares incluem permeabilidade de formação, permeabilidade relativa, a saturação do fluido, a pressão do reservatório, temperatura de reservatório, e propriedades de fluido do reservatório. Previsões de curto prazo incluem, por exemplo, as previsões de produção do dia-a-dia e/ou semanal, e as previsões a longo prazo incluem previsões de taxa de fluxo trifásicos zonais e cumulativas de fluidos do reservatório produzidos ao longo de períodos mais longos (por exemplo, semanas ou meses).

[47] Em uma modalidade, o pedido utiliza o modelo de reservatório térmico para prever os parâmetros de produção para as zonas individuais ou múltiplas de um sistema de poço inteligente equipado com válvulas de controle de entrada no fundo do poço. Os dados observados do campo transientes brutos são coletados pelo sistema 60, tais como dados PDG, dados DTS e/ou dados de PLT, e o pedido utiliza os dados observados e as condições iniciais e de limiares correspondentes que incluem os ajustes de válvulas de influxo de fundo de poço que existiam no poço quando o os referidos dados observados foram coletados.

[48] O modelo de reservatório térmico é um modelo direto que inclui um modelo da equação diferencial parcial para a simulação direta de fluxo multifásico térmico transiente de subsuperfície de duas ou três dimensões (2-D ou 3-D) através de meios porosos e o furo de poço. O modelo direto é um sistema dinâmico discreto não linear com os operadores de observação lineares, para os quais um algoritmo de assimilação de dados baseado em Markov Chain Monte Carlos pode ser aplicado para melhorar a previsão sob incertezas estatísticas.

[49] O modelo direto emprega equações do fluxo do reservatório com base nas equações de continuidade de massa para as equações de conservação de fluido de produção (continuidade de massa) multifásicas (por exemplo, óleo, gás e/ou água). As equações de continuidade de massa podem ser representadas como:

onde t é o tempo, ε é a porosidade, si é a fração de saturação de uma fase “i", pi é a densidade da fase, Ui é a velocidade de fluxo da fase i, Dvi é a difusividade da fase i, nvi é a fração molar de vapor de gás, e Si é um termo de fonte de massa / carga (por exemplo, a produção / injeção).

[50] O modelo direto também emprega equações de energia de reservatório que possuem a seguinte forma geral:

onde E é a densidade de energia interna total, hi é a entalpia por unidade de massa de fase i, KTe é a condutividade térmica eficaz, T é a temperatura, Dv é a difusividade na fase gasosa, nv é a fração molar de vapor de gás , e Ess é um termo de fonte de energia/ carga.

[51] O cálculo do modelo direto inclui a realização de uma simulação de propriedade de fluido utilizando informações e pressupostos disponíveis. A simulação da propriedade de fluido inclui a introdução de propriedades PVT (pressão, volume e temperatura) num simulador de composição para prever as propriedades termodinâmicas e de transporte de fluidos produzidos a partir de uma formação ou reservatório. As propriedades termodinâmicas e de transporte permitem a previsão do comportamento de fluido a partir do reservatório ao longo do furo de poço. Um simulador composição exemplar que pode ser usado para este processo é o software PVTSim produzido por Calsep A/S (Dinamarca).

[52] A simulação de propriedade de fluido é uma simulação de equilíbrio multicomponente e de fase que prevê as propriedades termodinâmicas e de transporte para fluidos hidrocarbonetos bem como outros fluidos, como várias amostras de água e inibidores de hidratos, usando dados PVT. A estimativa das propriedades termodinâmicas e de transporte é conseguida por construção de uma equação de modelo de estado, e sintonizando o modelo usando regressão não linear.

[53] Por exemplo, um modelo de propriedade de fluido é construído utilizando a equação Soave-Redlich-Kwong (SRK) de estado a fim de gerar os dados das propriedades termodinâmicas e de transporte (por exemplo, tabelas) utilizados para executar os modelos diretos. A simulação é usada para estimar os dados de composição de fluido (por exemplo, gerar arquivos de composição dos poços), e verificações são conduzidas para ver como parâmetros chaves coincidem com os dados de PVT fornecidos por um usuário ou operador. As composições fluidas apresentadas são utilizadas para ajustar o modelo das propriedades fluidas.

[54] Os dados de composição de fluido são usados para realizar uma análise de regressão não linear para ajustar a equação de estado SRK. Os objetivos básicos do uso da regressão não linear no modelo de propriedade fluido são determinar o conjunto ideal de multiplicadores de tal forma que os dados PVT observados ou medidos melhor se adequam ou se ajustam, tanto quanto possível, com os dados calculados a partir da equação SRK de modelo de fluido do estado. Os parâmetros fundamentais em que a regressão é realizada incluem qualquer conjunto de três variáveis independentes. Exemplos de tais variáveis incluem a proporção gás-óleo (GOR), densidade de óleo ou a gravidade API, a viscosidade do óleo e a pressão do ponto de bolha. As variáveis GOR, gravidade API e de pressão de ponto de bolha são escolhidas para minimizar as funções objetivas com um valor entre +1%.

[55] A composição do fluido do reservatório para cada poço é determinada passando o modelo de propriedade de fluido ajustado em uma pressão ligeiramente abaixo da pressão do reservatório para obter os componentes líquidos e de vapor. Novos dados de composição de fluido (por exemplo, arquivos de composição) são gerados depois ajustando adequadamente as propriedades da fração extra dos dados iniciais de composição. A simulação é usada para gerar as propriedades dos fluidos necessárias para construir o modelo direto. Em uma modalidade, uma tabela de consulta (referida como um “termoarquivo”) é gerada que inclui propriedades termodinâmicas (por exemplo, entalpia, capacidade de calor a uma pressão constante, capacidade térmica em volume constante, pressão de vapor, ponto de ebulição, entalpia de vaporização, densidade, expansão térmica, compressibilidade e compressibilidade adiabática e outras) e propriedades de transporte (por exemplo, viscosidade, condutividade térmica e coeficiente de difusão) de um determinado fluido do reservatório.

[56] As equações e relações adicionais são usadas como parte do modelo direto. As equações aqui descritas não se destinam a limitar o número ou a forma das equações utilizadas pelo modelo. A equação de Darcy é usada para estabelecer equações para a pressão e a saturação, e pode ser representada como:

em que ui é a velocidade de fase, μi é a viscosidade da fase i, T é a temperatura, C é concentração da fase i, kri é a permeabilidade relativa, g é a gravidade, e Pw é a pressão na fase úmida.

[57] A pressão capilar Pc na fase úmida é definida como Pnw - Pw, onde Pnw é a pressão na fase não úmida. A condutividade térmica eficaz KTe pode ser representada como: KTe = KT(si, so, sw) KT(rock), onde KT(si, so, sw) é a condutividade térmica do fluxo multifásico, e KT(rock) é a condutividade térmica da formação circundante.

[58] As equações diferenciais parciais que regem são acopladas como se segue: so + sw + sg = 1, onde so, sw e sg são a fração de saturação do óleo, água, e gás, respectivamente, e

onde ei é a energia interna por unidade de massa de uma fase I, e cpr é o calor específico de rocha

[59] Uma solução numérica utilizando o modelo inclui tornar discreto o domínio do modelo utilizando a abordagem de volume finito. Por exemplo o domínio é dividido em uma grade ortogonal. As larguras de células de grade podem ser variáveis em cada direção espacial.

[60] As equações diferenciais parciais que regem são integradas ao longo de um intervalo de tempo ao longo de cada célula da grade gerando as formas conservadoras de massa e energia. Em seguida a aplicação do teorema de Green (teorema da divergência) converte integrais de volume a integrais de superfície que reduzem a ordem das derivadas. Velocidades e pressão, concentração e gradientes de temperatura são então discretizados em limites e as superfícies de células de grade. A média harmônica de condutividades térmicas e permeabilidades é utilizada em centros de face da célula da grade pressões concentrações (frações de fase) e temperaturas são usadas em centros de células. As formas geradas garantem a conservação da massa e energia para cada célula de grade para cada etapa de tempo. As equações resultantes são diferenciadas finitas e um conjunto de equações algébricas acopladas com frequência não lineares são obtidas e resolvidas. Para resolver o conjunto de equações Newton-Raphson é aplicado a este conjunto resultando em uma equação de matriz esparsa para resolver.

[61] As condições iniciais usadas pra executar o modelo direto incluem, por exemplo, pressão (P), temperatura (T), proporção de água-óleo (WOR), proporção de gás-óleo (GOR), e concentrações de solutos químicos como uma função do raio de furo de poço (r) e profundidade (z) em um tempo inicial “t”. Permeabilidade e porosidade também são especificadas como funções de posição. As distribuições aleatórias e estocásticas de propriedades são possíveis, bem como as distribuições uniformes em cada camada produtora. As condições de limite requeridas pelo modelo são P, T, WOR, GOR e concentrações de quaisquer solutos no furo de poço, e P, T, WOR, GOR e concentrações de solutos na parte lateral externa do domínio (valores de fechamento).

[62] As formulações de Darcy para as velocidades de fase são substituídas nas equações de continuidade de massa para gerar equações para pressão e saturação. Para uma fase única, uma equação para pressão resulta. Para duas fases, duas equações diferenciais parciais acopladas para pressão e saturação são resolvidas. O modelo pode ser de fase única, duas fases, três fases ou mais.

[63] As equações diferenciais parciais que regem são escritas em forma conservativa, isto é, como integrais, que são, em seguida, discretizadas usando uma grade de volume de controle. Pressões, temperaturas, saturações e concentrações são centradas na célula de grade, as velocidades de permeabilidade e fase relativas e eficazes são centradas na face. Várias opções são fornecidas para permeabilidade relativa, por exemplo, Brooks-Corey, van Genuchten, Mualem, e tabelas de pesquisa fornecidas pelo usuário.

[64] As equações para a pressão e saturação são resolvidas utilizando um algoritmo de Euler implícito para trás em tempo. O conjunto de equações discretizadas é resolvido usando iteração Newton-Raphson. Durante cada intervalo de tempo, em primeiro lugar, pressão e saturação são determinados através de um processo iterativo, e, em seguida, o transporte de energia e transporte de solutos são atualizados.

[65] Um algoritmo implícito é aplicado a estas equações também. Em seguida, a equação de estado é usada para conciliar pressão, temperatura e saturações; as saturações podem ser modificadas se pontos críticos foram alcançados. Um novo intervalo de tempo é calculado com base no limite Courant.

[66] Todo o processo de solução numérica pode ser repetido para um número selecionado de intervalos de tempo sucessivos.

[67] Em uma modalidade, para as simulações de pressão e temperatura, uma geometria radial de uma dimensão (1-D) é usada para cada camada ou subcamada de produção, dividida em, por exemplo,50 células de grade. As células de grade prolongam-se radialmente a partir do centro do furo de poço até uma distância de, por exemplo, 100 pés. Essa distância pode ser qualquer distância selecionada adequada que seja grande o suficiente para que P, T e saturações na borda externa do domínio mudem muito pouco durante qualquer uma das simulações.

[68] As larguras das células de grade aumentam geometricamente com o raio. Se as camadas de produção múltiplas, mas separadas verticalmente estiverem presentes no mesmo poço, são incluídas camadas únicas entre as camadas de produção, com permeabilidade zero. As simulações com este arranjo geralmente levam alguns segundos de tempo do computador para cada solução direta durante uma simulação inversa (que usou apenas um dia de dados para os casos PDG), até alguns minutos para uma simulação preditiva PDG que abrange o tempo de duração dos dados fornecidos.

[69] A FIG. 3 ilustra um método exemplar 80 para aplicar o modelo direto. No bloco 81, o modelo direto é inicializado por introdução de dados estáticos, como trajetória do poço e propriedades do fluido de injeção, e introduzindo os dados dinâmicos, tais como medições de pressão e temperatura (por exemplo, medições PDG e/ou PLT) tomadas no fundo do poço em um tempo específico (t = 0). Na ausência de certos parâmetros de projeto a partir de conjuntos de dados fornecidos, certos pressupostos e valores de partida podem ser assumidos, tais como os gradientes geotérmicos estáticos de reservatórios, espessura das zonas de produção e outros.

[70] Dados de entrada incluem vários tipos de informações que são usadas para construir o modelo. Exemplos de tais informações incluem diagramas de conclusão de poço, a composição do fluido cheio a partir de dados de teste do poço e/ou relatório PVT, locais de instrumentos de poço e/ou cabeça de poço e de planilhas de dados (por exemplo, sensores de pressão, sensores de temperatura, válvulas), e localizações / existência de dispositivos de produção tais como válvulas de segurança, válvulas mestres, válvulas de asa e transmissores. Outras informações incluem aberturas de bloqueador de poço (tempo atual), estado, dados da válvula de bloqueador e tipo de guarnição, tempo atual da válvula de controle de influxo (ICV), posições, estados, dados de válvula ICV e tipo de guarnição (para múltiplas zonas completadas com ICV). Ainda outras informações incluem pressões ICV e temperaturas antes e depois, isométricas de saltador e distribuidor, separador de teste de pressão e temperatura, e as informações de dados de reservatório.

[71] No bloco 82, as velocidades de produção são estimadas, e no bloco 83, as velocidades de produção e de injeção para as fases individuais (por exemplo, óleo, gás e água) são estimadas. No bloco 84, as alterações de pressão e de temperatura são calculadas. No bloco 85, os parâmetros estimados incluindo as velocidades de produção e/ou de injeção são comparadas às restrições da instalação pré-selecionada (por exemplo, capacidade de processamento de óleo, gás e água), e se os parâmetros estimados ultrapassam tais restrições, estes são novamente calculados. Se as restrições da instalação não são excedidas, o vetor de estado de reservatório, que inclui valores dos parâmetros do modelo, é atualizado no bloco 86. No bloco 87, um ou mais parâmetros do modelo são comparados com uma restrição de abandono (por exemplo, um valor de WOR). No bloco 88, o método é repetido para um ou mais pontos de tempo sucessivos (t + Δt) até um ponto de tempo máximo ser atingido (bloco 89). Durante simulações preditivas ou de previsão, fluxos de óleo, gás e água contra o tempo (se foram utilizados dados PDG) ou profundidade (PLT) são armazenados, por exemplo, como um arquivo chamado “oil-gás-flux-v-time”.

[72] O sistema ainda emprega um modelo inverso com conjunto com o modelo direto para realizar as funções como calibração do modelo direto e ajuste automático em tempo real dos parâmetros de modelo. O modelo inverso é usado para gerar as estimativas em tempo real como as velocidades de produção (também referidas como velocidades de poço) e as propriedades de formação específicas para um determinado domínio de medição ao numericamente reproduzir as medições disponíveis e comparando-as com as medições reais. O modelo inverso emprega um algoritmo de inversão que tenta minimizar uma função objetiva que é dependente da diferença entre os valores de medição reais e os valores estimados usando o modelo direto.

[73] Resolver o modelo inverso inclui calcular uma função objetiva que reflete a diferença entre os valores de medição reais e os valores estimados, e iterar até que a função objetiva seja minimizada ou de outro modo reduzida para o valor selecionado. As funções objetivas em modelos inversos dependem da norma utilizada, mas geralmente são alguma função das diferenças entre as medições e as simulações. Uma variedade de abordagens pode ser tomada, que tipicamente cai em duas categorias: algoritmos baseados em gradientes (como variações de Levenberg-Marquardt, análise Bayesiana, análise de intervalos e outros) e algoritmos de pesquisa não gradientes (como algoritmos genéticos, otimização de enxames de partículas e evolução diferencial).

[74] Em um exemplo, para simulações PDG e PLT, uma função objetiva à base de norma L2 padrão (tipo mínimos quadrados) é usada. Nestas simulações inversas, é necessário o desvio padrão do erro ou incerteza em cada ponto de dados. Em uma modalidade, o desvio padrão de cada ponto de dados é assumido como sendo o mesmo, isto é, todos os dados são igualmente importantes. Os vários pontos de dados podem ser ponderados de forma desigual, se tal informação está disponível. Um algoritmo de minimização, como o algoritmo de Levenberg-Marquardt (LM) fornece uma solução para o problema inverso.

[75] Há muitas variantes do algoritmo básico L-M, cada um com alguma vantagem em relação às outras versões. O algoritmo é uma mistura da pesquisa da primeira derivada e segunda derivada (por exemplo, Hessian); uma pesquisa da primeira derivada é usada quando está longe do mínimo. O algoritmo muda para a segunda derivada conforme o mínimo é aproximado. O algoritmo determina como misturar as primeiras e segundas derivadas. As primeiras derivadas são aproximadas numericamente através de uma série de simulações diretas e uma matriz de derivadas parciais de segunda ordem, como uma matriz de Hessian, é construída conforme as iterações prosseguem. O algoritmo prossegue através de uma série de iterações até o algoritmo convergir para um mínimo. Geralmente, cerca de 50 iterações forem especificadas, que normalmente é suficiente para atingir a convergência do processo inverso.

[76] A FIG. 4 ilustra um fluxo de trabalho 90 que mostra esquematicamente conforme o algoritmo de inversão prossegue. O processo de inversão realizado de acordo com este algoritmo é repetido por um número de espaços ou intervalos de tempo sucessivos. No bloco 91, os parâmetros de inversão iniciais são carregados para o algoritmo de inversão. Os parâmetros de inversão iniciais são semelhantes aos de entrada para o modelo direto, e incluem parâmetros estáticos e de pressão, medições de temperatura e/ou vazão. Estes parâmetros iniciais podem basear-se em dados de medição em um intervalo de tempo atual, uma iteração anterior do modelo, dados históricos e/ou melhores suposições com base na informação disponível.

[77] No bloco 92, a entrada de simulação é preparada, a qual inclui os parâmetros iniciais, e as simulações diretas são executadas utilizando o modelo direto, no bloco 93. No bloco 94, a saída de simulação direta é recebida, tal como velocidades de fluxo de fluido, velocidades de fluxo multifásico e alocação da produção. No bloco 95, as medições adicionais são tomadas durante a produção (em um intervalo de tempo seguinte imediatamente seguindo o intervalo de tempo atual), tais como a pressão de fundo de poço, temperatura e vazões. No bloco 96, um modelo de inversão é executado para calcular os valores de medições esperados, por exemplo, pressão, temperatura e/ou as vazões, comparar as medições esperadas para as medições adicionais e iterativamente ajustar os parâmetros do modelo direto. Este processo é realizado durante um ou mais intervalos de tempo, e os resultados são transmitidos para comparação.

[78] Os modelos diretos e de inversão podem ser utilizados para várias operações em conjunto com o modelo direto. Tais operações incluem, mas não estão limitadas às estimativas automáticas de parâmetro do modelo direto, atualizações e processos de calibração. Processos de calibração exemplares incluem corridas de calibração, pausar uma corrida de calibração e determinar os valores intermediários, observar os valores intermediários, e retomar uma corrida de calibração.

[79] Estas operações são discutidas mais adiante em conjunto com uma aplicação de modelagem exemplar mostrada esquemati- tcamente na FIG. 4. Este exemplo não se destina a ser limitativo, mas sim para ilustrar como os vários componentes da aplicação podem ser usados em conjunto para realizar essas operações.

[80] Com referência à FIG. 5, uma aplicação exemplar 100 inclui um sistema de gestão de base de dados (SGBD) 102 que recebe dados de fontes de campo e/ou bases de dados, e processa os dados, por exemplo, por filtragem e conversão dos dados para um formato comum que é usado por outros módulos. Em uma modalidade, o DBMS 102 está comunicativamente acoplado com fontes de campo e recebe dados das mesmas. Por exemplo, o DBMS 102 é acoplado a sensores PDG e/ou PLT em ou perto de uma ou mais zonas de produção de um sistema de poço inteligente equipado com válvulas de controle de entrada. Os dados recebidos (referidos como dados de campo) incluem dados de medição e dados relacionados com as configurações de sistema de poço. Tais dados incluem, por exemplo, o tempo atual, a posição da válvula do bloqueador, velocidades de óleo, gás e água, estado de medição de fluxo, estado de válvula mestre e de asa, medido de fluxo, pressões e temperaturas, pressões de fundo de poço e temperaturas e pressões e temperaturas tomada ao longo de um furo de poço (por exemplo, pressões e temperaturas de bloqueador antes, e pressões e temperaturas de bloqueador depois). Processamento de dados de campo inclui trazer os dados em um formato que pode ser usado pelo modelo direto. Em seguida, a classificação, triagem e filtragem dos dados são realizados para garantir a consistência dos dados e a remoção de medições erradas antes de executar o modelo direto.

[81] Dados estáticos 104 e dados dinâmicos ou transitórios (por exemplo, em tempo real) 106 são encaminhados através de um módulo de entrada 108 a um módulo de simulação direto 110. A saída de simulação 112 (por exemplo, velocidades de fluxo, estimativas de produção, previsões de produção) será emitida para um módulo de uma interface de usuário gráfica (GUI) 114 para apresentação ao usuário. Todo ou qualquer subconjunto de dados estáticos e/ou dados em tempo real também pode ser a saída para o módulo GUI conforme solicitado. Módulos adicionais acessam o modelo direto para processos adicionais. Por exemplo, o pedido inclui um módulo de calibração modelo 116, um módulo de previsão probabilística 118, um módulo de otimização da válvula 120, um módulo de otimização de produção 122 e/ou um módulo de controle 124.

[82] Em uma modalidade, o pedido está configurado para ajustar automaticamente os parâmetros do modelo usando o algoritmo de inversão acima descrito, por exemplo, pelo módulo de calibração 116. O modelo pode ser atualizado ou calibrado em vários momentos. Por exemplo, uma calibração do modelo inicial é realizada utilizando dados históricos, que incluem todos os dados de medição gerados no furo de poço durante as operações de produção anteriores, tais como os dados diários de monitoramento históricos. Daí em diante, o modelo é automaticamente e periodicamente atualizado usando valores de medição determinados a partir da superfície e/ou sensores de fundo de poço, por exemplo, medições de sensor de poço único e distribuído. O módulo de calibração 116 aplica o algoritmo de inversão recebendo os parâmetros do modelo de corrente e simulando dados de medição. Se um desvio entre os dados simulados e os dados de medição recebidos além de uma grandeza selecionada é detectado, certos parâmetros do modelo são ajustados para compensar o desvio do modelo. Os parâmetros do modelo selecionado, em uma modalidade, são escolhidos a partir de um grupo de restrição de modelo que inclui parâmetros tais como pressão, temperatura e/ou taxa de fluxo de fluido.

[83] A aplicação, em uma modalidade, continuamente ou periodicamente monitora as fontes de campo, e atualiza ou calibra o modelo automaticamente utilizando o algoritmo de inversão. Uma vez que os dados de produção estão disponíveis, um outro ciclo de compensação de desvio de modelo começa. Se o desvio for detectado, um ou mais parâmetros que compõem o modelo direto são ajustados para contabilizar distúrbios operacionais de poço em andamento. O processo de atualização ou de calibração pode ser realizado em tempo real, ou seja, conforme dados de medição se tornam disponíveis, realizados de acordo com um calendário predefinido ou realizados em resposta a uma instrução de usuário.

[84] O processo de calibração ou ajuste inclui determinar ou ajustar os valores de um conjunto de parâmetros do modelo que resultam no melhor ajuste dos dados simulados e medidos automaticamente. Os parâmetros do modelo exemplares que podem ser ajustados incluem permeabilidade da formação, a espessura do reservatório, a pressão do reservatório, temperatura do reservatório, e propriedades de fluido do reservatório. O sistema fornece uma atualização automática e capacidade de ajustar sem exigir a disponibilidade de intervenção humana. O sistema funciona em segundo plano, atualizando e ajustando o modelo sem a intervenção do usuário de modo que o modelo permaneça continuamente preciso, conforme necessário.

[85] Por exemplo, o sistema em uma base periódica pré- especificada (a cada cinco minutos, por exemplo) determina os valores de produção e as propriedades de formação, usando o modelo direto, o que pode ser a saída para uma interface de usuário. Tais valores incluem uma ou mais de taxas de fluxo multifásico, alocação de produção do reservatório, pressão do reservatório e perfis de temperatura, pressões e temperaturas de fluxo de fundo de poço, caracterização de reservatório dinâmica e corte de água produzida. O modelo também é continuamente ou periodicamente monitorado ao comparar os valores simulados pelo modelo direto com uma tolerância pré-especificada. Se os valores medidos e simulados estão de acordo dentro da tolerância, isto é, se os desvios atuais estão abaixo de um determinado limite, o modelo é armazenado para uso contínuo e o processo de atualização está suspenso. Contudo, se os valores simulados estão fora da tolerância, o sistema calibra automaticamente o modelo usando o modelo inverso para ajustar os parâmetros do modelo direto de modo que aquele acordo aceitável entre os valores simulados ou valores calculados e medidos é alcançado. Quando acordo satisfatório é alcançado, as propriedades de produção e de formação podem ser a saída para um usuário, e o modelo numérico resultante pode ser usado para criar a previsão da produção determinística e probabilística até o próximo momento de atualização agendado.

[86] As FIGS. 6 e 7 ilustram os fluxos de trabalho para a calibração automática e a atualização do modelo de reservatório térmico usando o algoritmo de inversão. Uma modalidade de um fluxo de trabalho 130 inclui a especificação dos valores parâmetros do modelo direto inicial (bloco 131) e encaminhando para estes, por exemplo, o módulo de simulação 80. O modelo direto é executado usando os valores iniciais para gerar dados calculados, ou seja, valores de medição previstos para medição de dados (bloco 132). Dados de medição (observados no campo) são coletados e processados, e um valor de função objetiva é calculado com base nas diferenças entre os dados calculados e os dados de medição (bloco 133). Se o valor de função objetiva está dentro de um intervalo selecionado, por exemplo, dentro de algum mínimo selecionado da função objetiva ou valor de erro (bloco 134), os parâmetros do modelo são considerados aceitáveis e o processo de calibração ou atualização termina. Se o valor de função objetiva não está dentro da faixa selecionada, o modelo direto é executado outra vez (bloco 135) e um novo valor de função objetiva é calculado. Este processo é repetido utilizando a inversão acima descrita até que o valor de função objetiva seja minimizado ou dentro do intervalo selecionado.

[87] A FIG. 7 mostra uma outra modalidade de um processo de calibração e atualização automático, representado pelo fluxo de trabalho 140. Parâmetros do modelo inicial e condições limiares são recebidos (bloco 141) e inseridos no modelo direto (bloco 142). Um algoritmo de inversão é realizado utilizando valores de modelo e valores de dados calculados (dcal), tais como pressão, temperatura e/ou taxa de fluxo são gerados (bloco 143). Os valores calculados dcal são comparados com os valores observados (dobs) para gerar um valor de diferença (bloco 144). Se a diferença não está em ou perto de algum mínimo, uma ou mais iterações subsequentes são realizadas através da atualização ou ajuste de um ou mais parâmetros do modelo e repetindo os blocos 141-144 até o mínimo ser atingido, e os parâmetros do modelo aceitos são emitidos (bloco 145) .

[88] A FIG. 8 ilustra a comunicação e a função da aplicação em relação a um sistema de produção. Neste exemplo, o sistema de produção é um sistema de poço inteligente (IWS) 150 que inclui sensores de pressão e de temperatura 152 e válvulas de controle de influxo de fundo de poço. Dados observados de campo transientes brutos (por exemplo, dados PDG, dados DTS e/ou dados PLT) a partir dos sensores 152 são enviados a um módulo de inversão, o qual executa um processo de inversão utilizando um modelo direto 154 para calcular os valores de medição esperados. Um valor de erro representa a diferença entre os dados esperados e os observados é enviado para um módulo de ajuste de parâmetro em tempo real 156, que ajusta parâmetros do modelo direto 154 automaticamente com base no erro.

[89] Os processos de modelagem, predição e de ajuste/calibração aqui descritos podem incorporar incertezas nos dados de medição e/ou outros dados utilizados para construir e ajustar o modelo direto. A FIG. 9 ilustra levar incertezas em consideração na construção e/ou ajuste do modelo. Neste exemplo, um algoritmo de quantificação de incerteza reconcilia dados de medição e outros pontos de dados utilizados no modelo e compara os pontos de dados com as incertezas esperadas utilizando algoritmos de filtragem de dados. Por exemplo, o desvio padrão ou outro valor de erro é atribuído a cada ponto de dados, e esta incerteza é levado em consideração na construção e/ou atualização do modelo.

[90] Como discutido acima, os modelos direto e inverso podem ser usados para monitoramento e calibração automáticos, bem como para a predição e previsão dos parâmetros de produção com base neste modelo. Por exemplo, o modelo é aplicado para gerar uma previsão determinística usando um cenário único ou previsão probabilística que avalia múltiplos cenários.

[91] Em uma modalidade, as predições ou previsões são geradas que fornecem taxas multifásicas probabilísticas e/ou estimativa de alocação de zona com base em múltiplas condições ou cenários iniciais. Os cenários podem ser gerados adicionando a perturbação aos dados iniciais no processo de previsão para produzir vários estados iniciais para o modelo direto. A incerteza está incluída na observação, a análise e o pós-processamento realizados durante a geração de previsões.

[92] A FIG. 10 mostra um exemplo de um processo de previsão probabilística. Neste exemplo, o pedido gera uma pluralidade de cenários modelos. Cada cenário representa uma estimativa diferente de condições, tais como a velocidade e/ou composição de fluido de injeção e configurações de vale no fundo do poço. O aplicativo envia a emissão de cada simulação modelo (por exemplo, velocidades de fluxo multifásico e as velocidades de produção) a um modelo de incerteza, tal como um modelo de quantificação de incerteza baseado em Markov Chain Monte Carlos. Com base nos resultados do modelo de incerteza, uma previsão probabilística é gerada que indica a probabilidade de vazões específicas em resposta aos cenários. Esta previsão pode ser calibrada ou ajustada utilizando os dados de medição recebidos, como discutido acima. Além disso, o processo de previsão pode ser utilizado para otimizar vários parâmetros de produção, tais como velocidades de injeção, tipos de fluido de injeção, velocidades de fluxo e ajustes de válvula.

[93] A FIG. 11 ilustra uma modalidade de um sistema integrado 160, incluindo componentes de hardware, módulos de software, e conjuntos de soluções que podem ser empregados para executar as funções de modelagem, calibração, de previsão e outras aqui descritas. O sistema integrado confere aos usuários a capacidade de executar cálculos com dados em tempo real para a tomada de decisão rápida, bem como a capacidade de gerar previsões de produção.

[94] Em uma modalidade, o sistema 160 é um sistema baseado na Web que inclui os servidores ou outros dispositivos de rede que permitem que a aplicação monitore remotamente as fontes de campo, e também permite ao usuário acessar os dados de fonte de campo e o modelo direto a partir de locais remotos.

[95] O sistema 160 inclui um ou mais hubs agregadores de dados do campo 162 que agregam dados de medição em tempo real a partir de vários dispositivos de entrada (por exemplo, Modbus, OPC- UA, dispositivos de caixa de luz) e processa os dados para um formato de dados (por exemplo,a formato PRODML padrão da indústria) utilizados pela aplicação. Os dados de medição processados são armazenados em um hub de dados de produção 164 para a aplicação de consumo. Essa interoperabilidade em tempo real com visibilidade remoto permite que a tomada de decisões esteja localizada em um local centralizado e permite que os dados estejam disponibilizados através da internet em uma plataforma segura. Transformar o resultado no formato PRODML (ou outro formato de dados) permite que outras aplicações de consumo recebam entradas a partir do hub de dados 164 e oferece fácil integração à infraestrutura existente.

[96] Um ou mais distribuidores (ou equilibradores de carga) 166 controlam a transmissão de dados entre o nós do cliente 168, o hub de dados 164 e as bases de dados 170. Com base na frequência de dados de tempo real recebidos a partir de fontes de campo, um programador 172 invoca um processo desacoplador 174, que agarra de dados a partir do hub de dados 164 para um determinado poço ou grupo de poços. Com base nos parâmetros de configuração, cada canal envolvido na modelagem, simulação e/ou cálculos de previsão é filtrado, e os canais filtrados e seus valores são mapeados como uma estrutura de dados adequada. A estrutura de dados aqui descrita está na forma de um arquivo CSV, mas não é tão limitada. O arquivo CSV é fornecido para o aplicativo (mostrado aqui como um exemplo, em um nó do cliente), juntamente com outro arquivo que contém os parâmetros estáticos de poço e modelos. Os parâmetros estáticos e os modelos podem ser diferentes para cada poço ou grupo de poços com base em, por exemplo, tipo de poço.

[97] O aplicativo executa cálculos e escreve os resultados em um outro arquivo CSV (por exemplo, velocidades de produção, previsões, etc.) que podem ser armazenados em uma pasta específica. Os resultados calculados são lidos por um distribuidor 166 e o hub de dados de produção 164 é atualizado, em conformidade. Os resultados calculados e outras informações pertinentes são transmitidos a uma interface de usuário na forma de gráficos, tabelas, relatórios ou outras estruturas. Por exemplo, a interface do usuário pode apresentar indicadores chaves de desempenho e informações em um ou mais visores de painéis.

[98] Usando a interpretação dos dados do aplicativo, os usuários podem ter o controle de supervisão de ativos do campo e manter o controle ativo das operações. Além disso, os resultados podem ser usados para acionar exceções usando recursos de gerenciamento de alarme incorporados nas soluções. Essas exceções podem estar em qualquer forma, por exemplo, como e-mails, som ou indicadores visuais com base na preferência do usuário, e podem ser ligadas ou desligadas. Tais recursos de gerenciamento de alarme permitem exceções de gatilho a serem definidos com base na preferência do usuário (por exemplo, e-mail, SMS, som ou alarmes com base visuais).

[99] Em uma modalidade, o sistema é suportado por uma estrutura em camadas, o qual é ilustrado na FIG. 12. A estrutura inclui seis camadas: uma camada de estratégia de integração, uma camada de interface gráfica de usuário (desenho), uma camada de verificação e validação, uma camada de configuração de serviços do aplicativo, uma camada de mecanismo do aplicativo e uma camada da infraestrutura do mecanismo do aplicativo.

[100] A verificação do aplicativo e camada de validação fornece metodologia para testar o sistema com fontes de dados históricas e ao vivo. O aplicativo recupera dados de uma fonte de dados, como um banco de dados de produção ou da indústria de energia, que administra e armazena dados operacionais de produção de poços que podem estar em várias localizações geográficas no mundo. Normalmente, a fonte de dados fornece dados estáticos e em tempo real de muitos parâmetros de produção de um poço particular. O usuário do sistema pode escolher os parâmetros necessários para simulação direcionada por dados dinâmicos e análise de otimização. Na camada de configuração de serviço do sistema, serviços de aplicativos são configurados e implementados para ambos os modos de operação online e offline. Os serviços individuais são criados por expor as funcionalidades do sistema como operações de serviços web.

[101] A camada de mecanismo de aplicação proporciona um mecanismo computacional para a simulação do sistema e serviços de otimização. O sistema emprega a modelagem direcionada por dados dinâmicos e estrutura de simulação descritos acima. A camada de infraestrutura fornece um ambiente de execução para o sistema e outros serviços e ferramentas. Em uma modalidade, a camada da infraestrutura inclui uma infraestrutura baseada em rede que permite o acesso local e remoto (por exemplo, com base na web) aos dados e o aplicativo. Uma infraestrutura exemplar é a plataforma AMBIT ™ pela Baker Hughes, Inc. Essa plataforma pode fornecer recursos como multi-tenancy, gestão e recursos de segurança.

[102] A interface gráfica do usuário (GUI) é a camada de representação da máquina do sistema e a configuração do serviço. Ele fornece maneiras intuitivas para os usuários interagirem com os vários recursos do sistema, incluindo uma interface fácil de usar e renderização de resultados de simulação em tempo real. A GUI fornece uma interface de usuário que permite a interação com dados exibidos e controle de quais dados exibir e em que forma, por exemplo, com o Windows apontar e clicar, para visualização de dados medidas e simuladas

[103] A GUI inclui, em uma modalidade, uma exibição de painel dinâmico que fornece status de desempenho em tempo real e/ou histórico, bem como resultados de modelagem, previsões, dados de parâmetros de modelo e dados coletados de fontes de campo. A informação que pode ser exibida inclui as velocidades de massa e de volume para cada fase, temperatura e pressão em cada válvula e/ou zona de produção, ilustrações e descrições de poços e propriedades de poços, e locais de válvula e propriedades (por exemplo, a posição da válvula, a pressão, a temperatura, temperatura do coletor, pressão de admissão). A GUI pode incluir informação para poços individuais, e proporcionar indicações de alarme (por exemplo, códigos indicadores de cores verde, vermelho, amarelo). O painel de controle dinâmico, em uma modalidade, apresenta resultados, dados e outras informações relacionadas com a formação e/ou propriedades de produção, imediatamente e/ou em tempo real, ou de outro modo como tais mudanças de informação. O painel dinâmico pode exibir qualquer informação útil para um usuário ou operador, como tendências de dados, criação de perfil de dados, indicadores chaves de desempenho e pontos de vista de grade. Informações exibidas pelo painel dinâmico podem ser vistas de qualquer lugar usando qualquer navegador padrão (IE, Firefox, Chrome, Safari, etc. ).

[104] As informações de análise do desempenho também podem ser exibidas, tais como as velocidades de produção ao longo do tempo, as velocidades de óleo, velocidades de gás, de água, as velocidades de contribuição para a produção de fases por zonas de perfuração individuais, as distribuições de erro e erro relativo, produção cumulativa. Por exemplo, gráficos de tendência e gráficos de perfis de produção para dados históricos de tempo real e valores de cálculo são exibidos, quem pode ser totalmente editáveis e podem ser salvos em coletas gráficas.

[105] Outras informações incluem telas de configuração SCADA/PI para detalhes de dados em tempo real (tags, unidades, conversões limites min / max, substituições, etc. ) telas de configuração para dados de configuração modelo, tal como os parâmetros do modelo, parâmetros de perfilagem, e configurações de gerenciamento de usuário. Outras informações incluem telas de status do sistema para mostrar o status de todos os componentes do sistema e logs de componentes, previsões de desempenho de poço único e cluster, rastreamento automático das reservas de petróleo e gás restantes.

[106] Em uma modalidade, o sistema proporciona uma hierarquia de navegação ativa da empresa para gerir e controlar um ou vários ativos (por exemplo, campos de produção e poços) e monitorar o seu estado a diferentes níveis. Esta hierarquia inclui, em ordem de escopo:empresa, região/país, campo, poço/furo,e níveis de sistema de processamento. A empresa, região e níveis de campo incluem, por exemplo, um resumo de unidades implantadas, uma visão geral do mapa com status de saúde, localização, nomes dos poços e outras informações. Um usuário é capaz de navegar para em um determinado poço através do mapa para ver as informações do sistema para aquele poço. Um usuário navegando na GUI é capaz de gerenciar/monitorar a informação da instalação para um poço ou grupo de poços, parâmetros de controle, parâmetros estáticos e gerar instantâneos das tendências ou perfis do sistema em tempos especificados pelo usuário e uma visão geral do painel de controle de desempenho do poço e curvas de tendência de tempo em um período de tempo especificado pelo usuário.

[107] O que se segue é uma descrição de exemplos particulares de operação do sistema para executar a criação de modelos, atualização, calibração, previsão e controle. Esses exemplos descrevem arquivos e nomes de arquivos particulares que representam dados recebidos, resultados de simulação e outras informações. Os formatos de dados especiais e nomes de arquivos são fornecidos para ilustração e não são destinados a ser limitantes. Estas operações exemplares podem ser realizadas utilizando o sistema 10 e/ou 160, ou qualquer outro sistema adequado que permite o acesso aos dados de campo e as capacidades de processamento aqui descritas.

[108] Um processo para executar ou rodar o modelo direto começa especificando as quantidades de entrada em um arquivo 'input. txt', que inclui informações sobre as dimensões do domínio do modelo, a grade, as condições iniciais, as condições de limite (constantes ou dependentes do tempo) , locais de fonte/coletor, seleções de saída e informações que especificam quais variáveis em quais locais e horas escrever para os arquivos de saída. Um segundo arquivo de entrada pequeno 'ed_input' contém informações necessárias se o simulador do reservatório térmico estiver sendo acoplado a um segundo código, como um modelo acidificante da matriz.

[109] Um terceiro arquivo de entrada, 'inv. data' indica se o modelo está sendo usado como um modelo direto (por exemplo, para previsões e predições) ou se o modelo está sendo usado para uma simulação inversa. Para as simulações diretas, o sinalizador é definido como 1, e nada mais no arquivo é usado. Para essas simulações, o tempo pode ser fixado (por exemplo, em 3 minutos) como o intervalo de tempo entre os pontos de dados. O modelo pode usar etapas de tempo fixas, ou este pode determinar o próximo tamanho do intervalo de tempo, por exemplo, no limite de Courant e no número de iterações necessárias em um período de tempo anterior.

[110] Um código de utilidade chamado 'pullout-OGW. f' é usado para extrair informações específicas para um poço a partir de um banco de dados (Z35_BHI_IM-DA_Testing_Data. csv) e a partir do arquivo 'PDG_wells_info. csv'. Este código de utilidade lê os arquivos de modelo 'input. txt. tpl. pre. template' e 'tracri. data. template', e preenche informações como porosidade, pressão e temperatura de formação e escreve arquivos 'input. txt' e 'inv. data', bem como um arquivo contendo a pressão e a temperatura do poço versus tempo, para usar como uma condição de limite interna.

[111] O modelo é executado e os parâmetros de saída são gerados e escritos em arquivos para pós-processamento. Os parâmetros de saída incluem, por exemplo, pressão, temperatura, saturações e concentrações versus posição nos tempos selecionados. Os fluxos de limites também são triados nos intervalos de tempo. Os arquivos de saída adicionais incluem informações sobre o comportamento da convergência e o tamanho do intervalo de tempo em cada intervalo do tempo. Durante simulações preditivas ou de previsão, os parâmetros de saída, como velocidades de óleo, gás e água, variam em função do tempo (para PDGs) e/ou a profundidade (para PLTs) são escritos em um arquivo chamado 'oil-gas-flux-v- tempo'. Os parâmetros de saída são combinados com os dados medidos por um código chamado 'collate. f' e escritos em um arquivo chamado 'Z35_wellname_new. csv'.

[112] Para simulações inversas, toda a entrada para uma simulação direta mais informações adicionais que controlam o processo de inversão está incluída no arquivo 'inv. data'. Para as simulações inversas, o sinalizador em 'inv. data' é definida como 2, e informações adicionais nesse arquivo são inseridas por 'pullout-OGW. f', como arquivos que contêm dados para comparar (por exemplo, velocidades de fluxo de petróleo e gás para casos de PDG, velocidades de fluxo e pressões e temperaturas versus profundidade para cada camada de produção). O código 'pullout-OGW. f' lê dados de 'PDG_wells_info. csv' e 'Z35_BHI_IM-DA_Testing_data. csv' para poços PDG e a partir do arquivo 'pick_well. txt'. O arquivo 'pick_well. txt' inclui informações sobre o poço para usar (para casos de PDG) e qual intervalo de tempo a ser usado no arquivo de dados. Para os poços PLT, o código de utilidade 'readPLT. f' extrai as informações necessárias do arquivo 'PLT_wellname_RAW. csv' para os poços PLT. Utilidades diferentes podem ser escritas devido aos diferentes formatos ou conjuntos de dados fornecidos para os poços PLT vs PDG.

[113] A simulação inversa gera toda a saída para uma simulação direta, além de um arquivo chamado 'out-fit', que contém um resumo em execução do desempenho do algoritmo inverso em cada iteração, além de uma lista de valores de dados calculados vs observados. O arquivo final 'input. txt' de uma simulação inversa é copiado para 'input. txt. pre. template' para ser usado em simulações preditivas ou de previsão. Um arquivo de saída adicional para casos PLT é 'inverse- summaryoutpu', que lista profundidades, pressão, temperatura e vazões para cada camada ou subcamada em um poço PLT. Algumas fusões desses vários arquivos podem ser feitas para reduzir o número de códigos de utilidade necessários para os diferentes tipos de poços.

[114] Um fluxo de trabalho exemplar para a interpretação de dados a partir de jatos de fundo de poço permanentes (PDGs) inclui todas ou algumas das seguintes etapas: 1. Fornecer dados para os poços PDG no arquivo Z35_BHI_IM-DA_Testing_Data. csv; 2. Extrair dados para cada poço através da utilidade 'read_Z35. f', que cria arquivos chamados 'Z35_wellname. out' para cada poço; 3. Ler informações adicionais sobre poços fornecidos em PDG_wells_info. csv (por exemplo, profundidades para o topo das zonas perfuradas e locais dos sensores, pressão de fechamento, temperatura de formação, API de fluidos e densidade, permeabilidade medida, porosidade e GOR); 4. O código de utilidade 'pullout-OGW. f' cria os arquivos 'input. txt. tpl' e 'inv. data' a partir dos resultados das etapas 2 e 3; 5. Executar o simulador inv_for. exe no modo inverso; 6. Copiar o arquivo 'input. txt' no final da etapa 4 para 'input. txt. pre. template'; 7. Definir parâmetros em 'pick_well. txt' para o modo preditivo ou de previsão; 8. Executar 'pullout-OGW. f' (após a compilação); 9. Executar inv_for. exe (modo preditivo ou modo de previsão); e 10. Copiar o arquivo de saída 'oil-gas-flux-v-time' para 'oil- gas-flux-v-time-pre' e copiar para o diretório 'summary-files'.

[115] Uma descrição mais detalhada da implementação do modelo direto e/ou inverso para a interpretação de dados de PDG é a seguinte e inclui todas ou algumas das seguintes etapas: 1. Inicializar abrindo arquivos, chamar READDATA e ler o arquivo 'tracri. data'. Se simulação inversa, ler os dados a serem correspondidos, especificar parâmetros de inversão, como permeabilidades e outras propriedades. Em seguida, criar 'input. txt' preenchendo valores de parâmetros em locais apropriados no arquivo 'input. txt. tpl'; 2. Para a simulação inversa, perturbar cada parâmetro, escrever o arquivo 'input. txt' atualizado, calcular a solução direta para conjunto de parâmetros perturbados, usar os resultados para formar derivadas numéricas de dados em relação aos parâmetros especificados, computar as derivadas numéricas e formar aproximação para Hessian, atualizar os parâmetros, calcular a adequação de ajuste e parar quando não há mais melhoria na solução; 3. Para todo o processo de simulação do reservatório térmico direta, ler as especificações do problema a partir do arquivo 'input. txt'. As especificações de problemas exemplares incluem a geometria do problema (coordenadas 1-D, 2-D ou 3-D, cartesianas ou cilíndricas), configuração da grade, condições de limite, fases, condições iniciais, especificações de fontes / coletor, espécies de componentes e/ou propriedades do material (por exemplo, porosidade, permeabilidade, propriedades térmicas, propriedades químicas); 4. A partir da estrutura da grade e determinar a conectividade das matrizes escassas que surgirão em soluções para pressões, espécies componentes e temperatura; 5. Chamar a sub-rotina para identificar a forma da matriz dispersa, dependendo da ordenação da matriz esparsa (por exemplo, natural, preto e branco, etc.); 6. Atualizar condições de limite; 7. Calcular as pressões, calcule as permeabilidades relativas, resolver a matriz esparsa usando fatoração incompleta, atualizar novas pressões, iterar até a convergência e realizar discretização numérica implícita; 8. Calcular novas velocidades para cada fase em cada face celular; 9. Se as espécies componentes forem especificadas, discretizar as espécies de transporte e determinar as reações químicas; 10. Calcular o transporte de energia. Calcular as condutividades térmicas efetivas em cada célula de grade, especificar as fontes de energia / coletores e energia das reações, calcular fluxos de entalpia, formar jacobiana, obter atualizações de temperatura e temperatura atualizada e iterar, se necessário; 11. Atualizar intervalo de tempo, por exemplo, com base no limite de Courant e o número de iterações necessárias para a iteração de pressão. Se o número de iterações exceder o valor especificado pelo usuário, reduzir o intervalo do tempo. Se o número de iterações for menor do que o valor especificado, aumentar o intervalo de tempo. Este processo fornece escalas de tempo que são curtas o suficiente para que as previsões sejam úteis; 12. Calcular fluxos de limite; 13. Verificar a saída, e emitir a saída (por exemplo, instantâneos 1-D, 2-D e/ou 3-D de variáveis especificadas) para armazenamento, para uma impressora e/ou para a GUI; 14. Verificar se o intervalo de tempo é o tempo final. Se o tempo atual é maior do que o tempo final, o processo é feito; se não, ir para uma próxima etapa e repetir; e 15. Se simulação inversa, retirar as variáveis do modelo que correspondem aos dados e retornar à iteração da rotina inversa.

[116] Um fluxo de trabalho exemplar para interpretar dados de perfilagem de produção (PLTs) é o seguinte e inclui todas ou algumas das seguintes etapas: 1. Executar o código readPLT. f que lê um arquivo de dados, como 'PLT_MN0085_RAW_win. csv' e extrair informações sobre pressão e/ou temperatura na parte superior e inferior de cada camada de produção, bem como as profundidades da parte superior e inferior de cada camada de produção; 2. Especificar no arquivo 'input. txt. tpl', a geometria e as propriedades do domínio. O módulo de inversão lê este arquivo e gera um novo arquivo 'input. txt' após cada iteração inversa. Os dados indicarão se a subcamada seria aconselhável para qualquer camada de produção. Por exemplo, uma mudança distinta na inclinação do perfil de temperatura em uma camada poderia ser um gatilho para sub-camadas; 3. O arquivo 'inv. data' indica quais variáveis em 'input. txt' devem ser atualizadas. O arquivo 'inv. data' também contém informações sobre a suposição inicial para cada parâmetro desconhecido (como a permeabilidade da camada e a proporção água-óleo), o número de iterações e as larguras de intervalo para cada parâmetro desconhecido sobre o qual procurar. 'inv. data' também contém os dados a serem usados para inversão. Para casos PLT, esta é a pressão e/ou a temperatura no furo de poço, bem como quaisquer dados de fluxo de óleo e água para as camadas e/ou para o poço como um todo; 4. Os valores de pressão, temperatura e/ou vazão no poço são usados para restringir as vazões através de cálculos de massa e balanço de energia. O fluxo no furo de poço na parte superior de uma camada de produção equivale ao fluxo que vem no poço desde abaixo do fundo da camada de produção mais fluxo vindo da unidade de produção; o mesmo equilíbrio é aplicado ao transporte de energia. Estas duas equações de equilíbrio para cada camada de produção, mais um fluxo de modelo de reservatório e simulação de transporte, permitem a determinação das taxas de fluxo de óleo e água em cada camada de produção; 5. Executar inv_for. exe; 6. Gravar permeabilidades calibradas e proporções água- óleo para o arquivo 'inverse-summaryoutput'; 7. Usar 'readPLT. exe', combinear 'inverse-summary-outpu' com informações de dados e informações de 'PLT_wellname. csv' para produzir um arquivo de resumo final, por exemplo, um arquivo de planilha; e 8. Com o modelo calibrado, realizar simulações preditivas ou de previsão, se desejado.

[117] Em apoio aos ensinamentos deste documento, podem ser usadas várias análises e/ou componentes analíticos, incluindo sistemas digitais e/ou analógicos. O sistema pode ter componentes como processador, meio de armazenamento, memória, entrada, saída, ligação de comunicação (com fio, sem fio, pulso de lama, óptico ou outro), interfaces de usuário, programas de software, processadores de sinais (digitais ou analógicos) e outros componentes (tais como resistências, condensadores, indutores e outros) para fornecer a operação e análises do aparelho e métodos aqui revelados de qualquer uma das várias maneiras bem apreciadas na técnica. É considerado que estes ensinamentos podem ser, mas não precisam ser, implementados em conjunto com um conjunto de instruções executáveis por computador armazenadas num meio legível por computador, incluindo memória (ROMs, RAMs), ópticas (CD-ROMs) ou magnéticas (discos, discos rígidos), ou qualquer outro tipo, que quando executadas fazem um computador implementar o método da presente invenção. Estas instruções podem fornecer operação de equipamento, controle, coleta e análise de dados e outras funções consideradas relevantes por um projetista de sistema, proprietário, usuário ou outro pessoal, além das funções descritas na presente divulgação.

[118] Além disso, vários outros componentes podem ser incluídos e chamados para fornecer aspectos dos ensinamentos deste documento. Por exemplo, uma linha de amostra, armazenamento de amostra, câmara de amostra, exaustão de amostra, bomba, pistão, fonte de energia (por exemplo, pelo menos um de um gerador, uma fonte remota e uma bateria), fonte de vácuo, fonte de pressão, unidade ou fonte de refrigeração (isto é, resfriamento), componente de aquecimento, força motriz (tal como uma força de translação, força de propulsão ou uma força de rotação), ímã, eletroímã, sensor, eletrodo, transmissor, receptor, transceptor, controlador, unidade óptica, unidade elétrica ou unidade eletromecânica podem ser incluídos em apoio dos vários aspectos aqui discutidos ou em apoio de outras funções além desta divulgação.

[119] Um perito na arte reconhecerá que vários componentes ou tecnologias podem fornecer certa funcionalidade ou certas características necessárias ou benéficas. Por conseguinte, estas funções e características, quando puderem ser necessárias em suporte das reivindicações anexas e variações das mesmas, são reconhecidas como sendo inerentemente incluídas como uma parte dos ensinamentos deste documento e uma parte da invenção divulgada.

[120] Embora a invenção tenha sido descrita com referência a modalidades exemplares, será compreendido por aqueles versados na técnica que várias mudanças podem ser feitas e equivalentes podem ser usados em lugar de elementos da mesma sem afastamento do escopo da invenção. Em adição, muitas modificações serão apreciadas pelos versados na técnica para adaptar um instrumento, uma situação ou um material particular aos ensinamentos da invenção sem afastamento do escopo essencial da mesma. Portanto, pretende- se que a invenção não seja limitada a modalidade particular divulgada como o melhor modo previsto para a realização desta invenção, mas que a invenção irá incluir todas as modalidades abrangidas pelo âmbito das reivindicações anexas.

Claims

1. Método para modelagem, estimativa e previsão online em tempo real de propriedades de desempenho de produção de uma ou mais operações de produção de hidrocarbonetos, em que o método é caracterizado pelo fato de que compreende: receber, por um módulo de agregação de dados, dados de campo (106) em tempo real a partir de uma fonte de campo (64) em um processador que armazena e exibe informações, os dados de campo (106) incluindo pelo menos um dos parâmetros operacionais e medições tomadas por um ou mais sensores de fundo de poço durante uma ou mais operações de produção; estimar, por um módulo de modelagem, as propriedades de formação e as propriedades de desempenho de produção associadas à fonte de campo (64) aplicando os dados de campo (106) a um modelo de fluxo de reservatório multifásico transiente numérico bi ou tridimensional; e calibrar automaticamente o modelo de fluxo de reservatório multifásico térmico transitório numérico por um módulo de calibração (116), em que a calibração inclui: selecionar parâmetros de calibração correspondentes aos valores dos parâmetros do modelo selecionados e aplicar os parâmetros de calibração ao modelo de fluxo do reservatório para gerar uma solução que inclui propriedades preditas que se correlacionam com os parâmetros do modelo selecionado, as propriedades preditas incluindo pelo menos uma das taxas de fluxo e propriedades de formação; em resposta ao recebimento de dados de medição em tempo real (106) da fonte de campo (64), calcular automaticamente uma diferença entre as propriedades preditas e as propriedades medidas obtidas a partir dos dados de medição em tempo real (106) que se correlacionam com os parâmetros do modelo selecionados e calcular um valor de função objetiva baseado na diferença; realizar, por um módulo de inversão, uma inversão que inclui ajustar iterativamente os parâmetros do modelo selecionados até que a função objetivo atinja um valor mínimo selecionado; e atualizar automaticamente o modelo de fluxo de reservatório multifásico térmico transitório pelo módulo de inversão, aplicando os parâmetros do modelo selecionados associados ao valor mínimo da função objetiva; e utilizar o modelo de fluxo de reservatório multifásico térmico transitório calibrado automaticamente para prever pelo menos um de: parâmetros de reservatório de curto prazo, parâmetros de reservatório de longo prazo, características do reservatório perto do furo de poço e propriedades de desempenho de produção.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda, antes da calibração, comparar um valor de uma ou mais das propriedades de formação e propriedades de produção estimadas a uma tolerância pré-selecionada, em que a calibração é realizada apenas se o valor estiver fora da tolerância.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a fonte de campo (64) inclui uma pluralidade de zonas de produção (20), e as propriedades de formação e as propriedades de produção são estimadas para cada zona.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a fonte de campo (64) inclui uma pluralidade de furos de produção e a recepção dos dados de campo (106) inclui a recepção de dados de campo individuais (106) de cada fonte da pluralidade de fontes de campo (64) e a transformação dos dados de campo individuais (106) em um formato de dados único (106) para uso na estimativa das propriedades de formação e das propriedades de produção, em que a estimativa inclui gerar um modelo separado para um ou mais dos furos da pluralidade de furos de produção, e a calibração é realizada pelo menos substancialmente em tempo real.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende controlar pelo menos um dispositivo de controle de fluxo baseado na previsão, para controlar um parâmetro do fluxo de fluido em um sistema de produção de hidrocarboneto.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o modelo de reservatório térmico é um modelo direto (154) que inclui equações diferenciais parciais acopladas derivadas de equações de continuidade de massa para fluidos de produção multifásicos e equações de energia de reservatório.

7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda a filtragem dos dados de campo (106) comparando cada ponto de dados nos dados de campo (106) com uma incerteza esperada.

8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda a geração de uma previsão probabilística das propriedades de produção futuras.

9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que a geração da previsão probabilística inclui parâmetros modelo perturbadores usados para construir o modelo de reservatório térmico para produzir vários cenários para o modelo direto (154) e introduzir os múltiplos estados iniciais em um modelo de incerteza para gerar a previsão probabilística que indica a probabilidade de propriedades de produção futuras em resposta aos cenários.

10. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a fonte de campo (64) inclui pelo menos um sistema de poço inteligente (60) com zonas únicas e/ou múltiplas, e um ou mais sensores de fundo de poço são selecionados de pelo menos uma de uma ferramenta de perfilagem de produção (PLT) (46), um sistema de detecção de temperatura distribuída (DTS) e um medidor de fundo de poço permanente (PDG) (46).

11. Sistema (60) para estimar e prever propriedades da produção de uma ou mais operações de produção de hidrocarboneto, em que o sistema (60) é caracterizado pelo fato de que inclui: um módulo de agregação de dados configurado para se comunicar com uma fonte de campo (64) através de uma rede baseada na web e para receber dados de campo (106) da mesma, os dados do campo (106) incluindo pelo menos um de parâmetros operacionais e medições feitas por um ou mais sensores do fundo do poço; um módulo de transformação configurado para transformar os dados de campo (106) em um formato de dados da indústria para o uso por pelo menos o módulo de modelagem; um módulo de modelagem configurado para introduzir automaticamente os dados de campo (106) em um modelo de fluxo de reservatório multifásico térmico transiente numérico disponível a uma pluralidade de usuários, e para estimar as propriedades de formação e as propriedades de produção associadas com a fonte de campo (64) baseada no modelo de fluxo do reservatório; um módulo de calibração (116) configurado para receber os parâmetros de calibração que correspondem aos valores de parâmetros modelo selecionados, aplicar os parâmetros de calibração ao modelo de fluxo de reservatório para gerar uma solução que inclua as propriedades preditas que se correlacionam com os parâmetros modelo selecionados, as propriedades preditas incluindo pelo menos uma das taxas de fluxo e das propriedades de formação, o módulo de calibração (116) configurado para calcular automaticamente uma diferença entre as propriedades preditas e as propriedades medidas obtidas a partir da fonte de campo (64) que se correlacionam com os parâmetros modelo selecionados, e calcular um valor da função objetiva baseado na diferença; e um módulo de inversão configurado para executar uma inversão que inclui ajustar iterativamente os parâmetros modelo selecionados até que a função objetiva alcance um valor mínimo selecionado, e atualiza automaticamente o modelo do fluxo do reservatório aplicando os parâmetros modelo selecionados associados com o valor mínimo da função objetiva.

12. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que o módulo de calibração (116) é configurado para comparar um valor de uma ou mais das propriedades de formação e das propriedades de produção estimadas a uma tolerância pré-selecionada, e aplicar os parâmetros de calibração somente se o valor estiver fora da tolerância.

13. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que a fonte de campo (64) inclui uma pluralidade de zonas de produção (20), e as propriedades de formação e as propriedades de produção são estimadas para cada zona.

14. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que a fonte de campo (64) inclui uma pluralidade de zonas de produção (20) e/ou furos de poço (14), e o módulo de agregação de dados é configurado para receber dados de campo (106) individuais de cada fonte da pluralidade de fontes de campo (64) e transformar os dados de campo individuais em um formato de dados único (106) para o uso para estimar as propriedades de formação e as propriedades de produção.

15. Sistema (60) de acordo com a reivindicação 14, caracterizado pelo fato de que o módulo de modelagem é configurado para gerar um modelo separado para uma ou mais zonas da pluralidade de zonas de produção (20) e/ou furos de poço (14) e calibração.

16. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que o modelo de reservatório térmico é um modelo direto (154) que inclui equações diferenciais parciais acopladas derivadas das equações de continuidade de massa para fluidos de produção multifásicos e equações de energia do reservatório.

17. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que o módulo de agregação de dados é configurado para filtrar os dados de campo (106) ao comparar cada ponto de dados nos dados de campo a uma incerteza esperada.

18. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que o módulo de modelagem é configurado para gerar uma previsão probabilística de propriedades de produção futuras.

19. Sistema (60) de acordo com a reivindicação 18, caracterizado pelo fato de que a previsão probabilística é gerada pela perturbação dos parâmetros modelo usados para construir o modelo de reservatório térmico para produzir múltiplos cenários para o modelo direto (154), e pela entrada de múltiplos estados iniciais em um modelo de incerteza para gerar a previsão probabilística que indica a probabilidade das propriedades de produção futuras em resposta aos cenários.

20. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que a fonte do campo inclui pelo menos um sistema de poço inteligente com múltiplas zonas de produção (20), e um ou mais sensores de fundo de poço são selecionados de pelo menos pelo menos uma de uma ferramenta de perfilagem de produção (PLT), um sistema de detecção de temperatura distribuída (DTS) e um medidor de fundo de poço permanente (PDG).

21. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que compreende adicionalmente uma série de interfaces funcionais selecionadas de pelo menos um de: utilidades de download e upload de dados, e instruções para executar processos de calibração.

22. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que compreende adicionalmente um serviço baseado na web para visualização dos dados ao usar uma pluralidade de tipos de web browsers.

23. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que também compreende capacidades de gerenciamento de alarme para ativar exceções com base na preferência do usuário.

24. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que compreende adicionalmente um painel dinâmico configurado para exibir os dados relacionados às propriedades de formação e/ou de produção.

25. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que os parâmetros selecionados são escolhidos de um grupo de restrição de modelo que inclui pelo menos uma dentre as propriedades de taxa da pressão, da temperatura e do fluxo de fluido.

26. Sistema (60) de acordo com a reivindicação 11, caracterizado pelo fato de que o formato de dados é um formato PRODML padrão da indústria.