CN101517560A

CN101517560A - 利用遗传算法预测油藏产量

Info

Publication number: CN101517560A
Application number: CNA2007800348554A
Authority: CN
Inventors: D·A·威尔金森; 蒂娜·于; A·卡斯特利尼
Original assignee: Chevron USA Inc
Current assignee: Chevron USA Inc
Priority date: 2006-09-20
Filing date: 2007-09-18
Publication date: 2009-08-26
Also published as: EP2064630A2; WO2008036664A3; EA200970305A1; AU2007299906A1; CA2662245A1; NO20091536L; US7657494B2; BRPI0716865A2; US20080082469A1; WO2008036664A2; EP2064630A4

Abstract

一种利用遗传法编程构造历史匹配(图1，B1 16 & B1 18)和针对储层模拟器的预测代理的方法。作为计算机模拟器的代替，遗传法编程代理估计大量储层模型(图1，B1 24)，并预测油藏的未来产量预计(图1，B1 30)。

Description

利用遗传算法预测油藏产量

技术领域

本法发明涉及石油或天然气储层，尤其是涉及油藏产量的分析。

背景技术

油藏是在陆地上包含或者被认为包含一个或多个具有商业价值的数量的可开采石油或天然气源的区域。当发现这种储层时，通常在地面上钻一个或多个井以开发石油或天然气源，用于把它们产出到地表。

这些年来，管理油藏的技术和科学不断进步。各种技术一直被用于设法确定在给定的储层中是否有足够的石油或天然气以保证钻孔，以及如果有足够储量的话如何最好地开发储层以产出实际发现的石油或天然气。

由于有无数的地质和流体动力学特性，每个储层都是独特的。因此，不同储层的石油产量可能有非常大的差异。这些差异使得难以简单地预测储层能够产出的液体和气体量、以及从特定储层进行生产所需的资源量。然而，对从储层生产感兴趣的厂商需要以一定的准确度预测储层的产量，从而确定从该储层产出的可行性。因此，为了准确地从储层中的所有井预测生产率，需要建立储层的详细计算机模型。

现有技术中对储油池产量的计算机分析通常分为两个阶段，即历史匹配与预测。

当首次发现油田时，利用地质数据构造储层模型。地质数据可包括诸如储层岩石的孔隙度和可渗透性、地质带的厚度、地质断层的位置和特性、以及相对可渗透性和毛细管压力数据等特性。这种类型的建模是正演建模任务，并且可以使用统计或软计算方法实现。一旦油田进入生产期，在储层中会发生许多变化。例如，从油田抽取石油/天然气/水会导致油田的流体压力改变。为了获得储层的最新状态，这些改变需要反映在模型中。

历史匹配是基于从油田收集的产量数据在给定计算机模型中更新储层描述参数以反应这种变化的过程。产量数据主要给出油田的流体动力学，例子包括水、石油和压力信息、井位置和性能。因此，储层模型使用经验获得的数据描述油田。输入参数与其输出以诸如单个井和一组井的生产或注入速率、在每个井的井底或油管头压力以及在储层中压力和流体相分布的可测量的量的形式描述了油田在未来时间特定特性的数学模型结合并且被其操纵。

在历史匹配阶段，储层以及它的油井的地质数据和产量数据被用于建立可以预测该储层中的油井的生产率的数学模型。历史匹配过程是逆命题。在该命题中，储层模型是具有未知参数值的“黑匣子”。如果给定了水/油比率和其它从油田收集的生产信息，任务是识别这些未知参数值，使得储层给出与产量数据相匹配的流量输出。由于逆命题没有唯一的解，也就是说，多于一个的储层参数集合会给出相同的流量输出，需要获得大量良好匹配或“良好的”储层模型，以便在历史匹配结果中实现高度的可信度。

最初，提供基础地质模型。接着，选择被认为对储层流体流动有影响的参数。基于对油田的认识，地质学家和石油工程师然后确定这些参数的可能的取值范围，并利用这些数值进行计算机模拟运行。

计算机储层模拟器是描述储层在不同状况下的流体动力学的数学公式组成的程序。该模拟器把一组储层参数值作为输入，并返回一组流体流量信息作为输出。这些输出通常是在特定时间段内的时间序列。该时间序列然后与历史产量数据进行比较，以评价它们的匹配度。专家基于所计算的和实际的生产效能修改与该储层的特定模拟相关的计算机模型的输入参数，并重复运行计算机模型的模拟。该过程持续进行，直至计算机模型或数学模型的表现就像真实的石油储层一样。

现有技术中历史匹配的手动过程是主观的，并且需要大量劳动，因为输入储层参数一次只能调整一次，以细化计算机模拟。现有技术中历史匹配过程的准确度在很大程度上取决于修改地质数据和产量数据的地质学家的经验。因此，预测的可靠性通常是短期的，并且基于这些模型做出的商业决定具有很大程度的不确定性。

如上所述，现有技术中的历史匹配过程非常耗时。平均每次运行要耗费2到10个小时才能完成。此外，也可能有具有不同输入参数的多于一个的计算机模型，其能够得到对储层的历史产量数据的匹配度可接受的流体输出。当储层具有较长的生产历史并且产量数据的质量很差时这尤其明显。从潜在可接受的计算机模型的大的集合中确定哪个模型能够得到产量数据的可接受的匹配度在成本上是不可行的，并且是费时的。由于这些限制，只能运行少量模拟，因此只能识别出少量可接受的模型。结果，现有技术中的历史匹配过程与实际真实世界中的储层配置有很大程度的不确定性。

有必要在历史匹配阶段识别大量与给定储层的地质数据和历史产量数据一致的可接受的计算机模型。在历史匹配中多次实现的简化能够减少在储层模型中的不确定性。

石油储层的产量的计算机分析的第二阶段是预测或预报。一旦已经识别出可接受的计算机模型，模拟储层的替代操作计划，并比较结果，以优化石油勘探并使生产成本最小化。由于根据现有技术中的历史匹配过程得到的储层模型具有不确定性，由该模型预测的任何未来产量趋势也具有与之相关联的高度不确定性。

此外，如上所述，有许多要在预报阶段使用以减少产量预测中的不确定性的计算机模型。对于在历史匹配阶段中识别的每个好的模型，运行计算机模拟以给出未来的产量趋势。通过这种方式，确定一个产量预测范围，并将其用于优化储层的未来产量。如与历史匹配阶段中的模拟一样，计算机模拟阶段是耗时的，并且需要很多专家经验，这限制了在现有技术的预测阶段可以使用的可接受的计算机模型的数量。有必要有效地分析在石油储层的产量分析的历史匹配阶段中识别的大量可接受计算机模型。

即使当在分析中用到专家经验时，在历史匹配阶段选择可接受储层模型、运行模型的模拟、为模型确定最佳输入以预报未来产量预测、以及分析来自模型的结果以确定正确的预测和预测范围花费了很多经过训练的尝试和错误的努力。这是费时的和高花费的，并且要求非常熟练的人来提供有用的结果。

如果在分析的历史匹配阶段中储层模型的潜在集合的样本不足，储层产量的计算机分析中的不确定性将增加。因此，有必要在历史匹配阶段采集和识别尽可能多的可接受储层模型，以减少与计算机分析结果相关的不确定性。还有必要能够有效地分析这些识别出的可接受模型，并提供该储层的产量预测。

不论通过何种方式，更加快速并且更加便宜地分析储层的能力变得越来越重要。开发石油或天然气储层的公司的商业决策基于整个储层分析，而不是仅仅基于油田中的单个井。即使在油田开发计划被实施之后，储层产量的计算机分析被周期性地重复运行，并被进一步调整，以提高与新收集的产量数据相匹配的能力。因为当机会出现时，需要快速做出决策，需要改进分析油藏的方法，并且特别是需要精确地预测未来储层的石油和/或天然气产量。

发明内容

本发明通过提供使用计算机模型预测油藏的未来产量预计的新颖和改进的方法克服了现有技术的上述和其它缺点。

在本发明的一个实施例中，在历史匹配阶段，生成与一组大得多的代表油藏的可能储层模型相关的储层模型的初始样本。为储层模型的每个初始样本生成一个历史产量趋势。储层模型的每个初始样本被评价为针对该历史产量趋势是可接受的还是不可接受的，以生成一个历史资格结合。这个历史资格集合被输入到遗传法编程中，以生成历史代理。所述历史代理然后被应用到大的可能储层模型集合，并且所述大的储层模型集合中的每个模型被评价为可接受的或不可接受的，以识别一组可接受的储层模型。

在本发明的预报或预测阶段，对于储层模型的每个初始样本生成一个未来产量趋势。针对该未来产量趋势评价储层模型的初始样本，以生成预测特征。所述预测特征被输入到遗传法编程中，以生成预测代理。所述预测代理然后被应用到来自历史匹配过程的一组可接受的储层模型，从而生成该储层的一个产量预测范围。

本发明提供了比现有技术更加有效的预测未来储层的石油和天然气产量的方法。而且本发明比现有技术的方法更加精确。本发明还能够根据历史匹配阶段中潜在的几百万个储层模型识别出给定油田的可接受储层模型。本发明还能够利用那些可接受储层模型中的每个模型，并为该油藏生成精确的一系列产量预测。本发明与现有技术的方法相比大大地增加了可信度的程度。

本发明的方法还提供了与现有技术相比其它的不同。油藏产量的分析是持续进行的过程。如上所述，模型不断地进行重复运行，并且还被调整以提高它们与新收集的产量数据的匹配能力。本发明比现有技术更加有效，并且不表现为任何现有的函数形式或模型，因此不需要把先前的倾向引入分析。

本发明的一个实施例通过在输入参数空间内统一地对储层模型的密度分布进行采样，提高了石油储层产量的计算机分析的准确性。该采样的结果被用于生成与产量数据历史精确匹配的多个模型。这些模型随后被用于预测未来的产量预计。

本发明的一个目标是识别储层的最重要的参数并且系统地把这些参数结合到分析中。

本发明的另一个目标是对与储层的历史数据相匹配的储层模型进行分类。作为替代，本发明的另一个目标是对与储层的历史数据不匹配的储层模型进行分类。

本发明的另一个目标是识别对于与储层的历史数据相匹配的储层模型、以及对于与储层的历史数据不匹配的储层模型的共同特征。

本发明的其它特征和优点在下面的具体实施方式部分和附图中进行描述，并更加清楚。

附图说明

对于以下的描述、当前的权利要求和附图，本发明的这些和其它目标、特征和优点将变得更好理解，其中：

图1示出本发明的一个实施例的工作流程的流程图；

图2示出石油储层的产量分析的历史匹配阶段和预测阶段的总体工作流程的流程图；

图3示出在本发明的一个实施例中对输入参数进行采样的统一设计；

图4示出本发明的一个实施例的工作流程的流程图；

图5示出利用本发明的一个实施例所分析的油田的3D结构视图；

图6示出利用本发明的一个实施例所分析的油田的储层划分的3D视图；

图7示出水-油界面WOC与气-油界面GOC相对比的图示，用于利用本发明的一个实施例分析油田；

图8示出石油储量WOC-GOC与失配误差E相对比的图示，用于利用本发明的一个实施例分析油田；

图9示出石油储量WOC-GOC与回归输出R相对比的图示，用于利用本发明的一个实施例分析油田；

图10示出石油储量WOC-GOC与失配误差E相对比的图示，用于利用本发明的一个实施例分析油田；

图11示出失配误差E与回归输出R相对比的图示，用于利用本发明的一个实施例分析油田；

图12示出表明遗传算法程序分类结果的图示，用于利用本发明的一个实施例分析油田；

图13示出在利用本发明的一个实施例的油田分析中，由历史代理选择的好模型的一个视图的图示；

图14示出在利用本发明的一个实施例的油田分析中，由计算机模拟器选择的好模型的一个视图的图示；

图15示出在利用本发明的一个实施例的油田分析中，由历史代理选择的好模型的一个视图的图示；

图16示出在利用本发明的一个实施例的油田分析中，由计算机模拟器选择的好模型的一个视图的图示；

图17示出在利用本发明的一个实施例的油田分析中，由计算机模拟器所做的天然气注入预测相比于由遗传算法程序代理所做的天然气注入预测的图示。

图18示出在利用本发明的一个实施例的油田分析中，由计算机模拟器对63个好模型所做的天然气注入预测相比于由遗传算法程序代理所做的天然气注入预测的图示。

图19和20示出在利用本发明的一个实施例的油田分析中，由预测代理所预测的在2031年累积天然气注入的图示。

图21和22示出在利用本发明的一个实施例的油田分析中，由63个好模型和计算机模拟器所预测的在2031年累积天然气注入的图示。

具体实施方式

本发明包含了在附图中示出的许多不同形式的实施例，并且在这里将详细描述本发明的优选实施例，然而应当理解，这里的公开内容是作为本发明的原理的示例，并不是用来将本发明的宽泛的方面限制在所示的实施例。

本发明允许人们分析石油或天然气储层，并提供了比现有方法更加可靠的未来产量预测。未来产量预测然后可以用来决定未来如何开发储层。

为了提高储层模型的产量预测的可信度，需要对储层模型的密度分布进行采样。此外，需要用于识别这些模型中的哪些模型能够与储层的产量数据历史良好匹配的方法。借助该信息，只把好的模型用于估计未来产量的分析，这将导致对预测结果更大程度的可信度。

本发明实现了这些目标，并在图1中示出了本发明的一个实施例。本发明包括生成与多个储层模型相关的储层模型10的初始样本。多个储层模型比储层模型的初始样本大得多。生成两组数据，即历史产量趋势12和未来产量趋势22。历史产量趋势用来把储层模型的每个初始样本评价为“好”或“坏”，或者评价为“可接受”或“不可接受”14。然后生成历史资格集合16，并且基因符号回归被用于构造历史匹配代理18。

作为进一步的背景知识，被称作“遗传算法”的优化方法是现有技术中已知的。常规的遗传算法用于选择一个串(被称作“解向量”或者“染色体”)，它由具有数值(“等位基因”)的数字(“基因”)组成，这些数值当代入到对期望的最优情况进行建模的“拟合函数”时提供最佳值。根据该技术，染色体的组或者“世代”是随机生成的，并针对每个染色体评估拟合函数。随后由先前的世代生成继承者世代，其中根据所评估的拟合函数进行选择；例如，概率函数可以为这一代中的每个染色体根据它的拟合函数值分配一个概率值。在任意情况下，生成较高拟合函数值的染色体比生成较低拟合函数值的染色体更有可能被选择用于在生成下一代。这通过首先从当前的世代选择拟合染色体来完成，以建立“再现集合(reproduction pool)”。然后随机地从再现集合中选择染色体对，以通过在两个染色体之间交换“交叉”点任一侧的“基因”生成后代。此外，通过小的基因片段(例如1/1000)的随机改变可以把变异引入到新的后代上。这些新的后代形成新的群体世代。通过染色体的这种方式的迭代评估和再现最终汇合成一个最优的染色体。

与现有技术中的遗传法编程方法不同，本发明采用了基因算法的新的改进，用来构造历史代理18。在本发明中，遗传法编程与现有技术中的基因算法的不同之处在于，染色体是一种数学函数。该函数的输出用于根据由专家确定的标准判断储层模型对于资格历史集合的匹配是可接受的还是不可接受的20。换句话说，历史代理函数作为分类器把参数空间中“好”的模型与“坏”的模型分开14。由储层模型生成的流体的实际量没有被历史代理评估。这与给出与完全模拟器一样类型的输出的现有储层模拟器代理是非常不同的。

如图1中所示，历史代理函数作为遗传法编程分类器，被用于在多个储层模型中把可接受模型与不可接受模型分开20。历史代理被用于对参数空间(潜在地包含几百万个模型)中储层模型的密度分布进行采样。指定可接受的储层模型，这些可接受的储层模型将被用于预测未来产量。由于未来产量预测将基于这样大量的可接受储层模型，结果比现有技术的结果更加有代表性，并且更加接近于真实。

在本发明的预测阶段36，如图1中所示，针对储层模型的每个初始样本生成未来产量趋势22。然后该未来产量趋势被用于评价储层模型的每个初始样本24，以生成预测特征26。遗传法编程利用预测特征生成预测代理28。预测代理然后被应用到在本发明的历史匹配阶段34中所识别出的一组可接受储层模型30，以生成一系列产量预测32。因此本发明能够有效地预计一系列比现有技术不确定性更小的产量预测。

图2提供了所述分析的历史匹配阶段38和预测阶段40总的工作流程的图示。在该例子中，在历史匹配阶段38中使用的历史数据是历史油田产油率42和历史油田累积产油量44。应该理解，也可以使用其它历史产量数据而非在图2中所识别的两组数据。在历史匹配阶段38，具有不同输入参数的模型通过计算机模拟运行，以识别那些提供了与历史油田产油率42的匹配可接受的模型。这些模型随后被用在分析的预测阶段40中。

在图2的图示中，计算机模型提供油田累积产油量46和油田产油率54的预测范围。油田累积产油量46的预测范围被表示为P90 48、P50 50和P10 52。类似地，油田产油率54的预测范围被表示为P90 56、P50 58和P10 60。本发明通过确保采样较大的模型集合并且识别较大的可接受模型集合，大大减少了与分析相关的不确定性。

本发明的一个实施例利用统一的采样进一步减少石油储层的产量的计算机分析的不确定性。图3提供了统一采样方法的图示。统一采样对于预定数量的运行生成覆盖整个参数空间64的采样分布62。它确保了没有参数空间的大范围样本不足。这种覆盖率被用于获得用于构造能够在参数空间64中插入所有中间点的稳健代理的模拟数据。

本发明的这种利用统一采样的一个实施例在图4中示出。最初，在历史匹配阶段66，储层参数和它们的取值范围由储层专家确定70。然后根据统一设计确定模拟运行的次数和相关联的参数值72。借助这些参数，在历史匹配阶段运行计算机模拟72。一旦完成在历史匹配阶段的模拟74，则定义目标函数和匹配阈值76(匹配结果和产量数据之间的可接受失配)。通过阈值的那些模型被标记为“好的”，而其它模型被标记为“坏的”78。这些模拟结果然后由遗传法编程符号回归函数使用，以构造把好模型从坏模型分开的代理80。利用这种遗传法编程分类器作为模拟器代理，然后可以对参数空间的密度分布进行采样82。被识别为好的模型被选择用于预测未来产量84。

预测油田的未来产量还需要计算机模拟。因为由遗传法编程代理所识别的好模型的数量通常是很大的，使所有的模拟运行都具有好的模型是不现实的。以类似的方式构造用于历史匹配的模拟器代理，生成第二遗传法编程代理用于产量预测。如在图4的右边所示，再次基于统一采样86的模拟结果将被用于构造遗传法编程预测代理88。该代理然后被应用到在历史匹配阶段所识别的所有好的模型90。基于这些预测结果，然后评估诸如P10、P50和P90的不确定统计数据92。

申请人已经使用本发明的一个实施例在大型油田上进行了一次案例研究。目标油田在本地拥有超过十亿桶原油，并且已经生产了超过30年。由于长期的生产历史，从该油田收集的数据是不一致的，并且数据的质量不可靠。

在案例研究中的油田被显著的气顶覆盖。图5示出油田94和把气顶与下面的石油分开的气-油界面(“GOC”)线96。类似地，存在把石油与下面的水分开的水-油界面(WOC)线98。GOC线96和WOC线98之间的区域100是要被开采的石油储量。油田94还具有在图6中示出的影响石油流动型态的四个地质断层102、104、106、108。那些断层102、104、106、108必须在计算机流量模拟中加以考虑。

作为大部分石油都已被开采的成熟油94，储层现在具有可以用于储存的孔隙空间。一个提出的计划是存储从相邻油田作为副产品产出的天然气。在该特定案例中，生产的天然气没有经济价值，并且将它重新注入回油田中是存储天然气的一种环保的方法。

为了评估该计划的可行性，天然气的累积量可以在需要评估的2031年被注入(存储)。该评估将帮助管理者做出诸如有多少天然气要从相邻油田运输和运输频率的决定。

可以注入的天然气的累积量主要是将要从油田94产出的石油的累积量，因为这将变成可提供用于天然气存储的空间量。为了解答这个问题，需要执行2031年的油田94的产量预测。

在执行产量预测之前，储层模型必须在整个历史匹配过程期间更新。第一步是为流量模拟确定储层参数和它们的取值范围。下面的表I示出了所选择的参数。

参数最小最大
参数最小最大	水油界面(WOC) 7289ft 7389ft气油界面(GOC) 6522ft 6622ft断层传输率乘法器(TRANS) 0 1全局K_h乘法器(XYPERM) 1 20全局K_v乘法器(ZPERM) 0.1 20航道Y-渗透率乘法器(YPERM) 0.75 4航道K_v乘法器2(ZPERM2) 0.75 4临界天然气饱和度(SGC) 0.02 0.04垂直通信(ZTRANS) 0 5在新天然气注入处的表皮(SKIN) 0 30

表I

在10个参数之中，5个参数是以对数10为比例尺的乘法器。另外5个参数为常规比例尺。乘法器参数在计算机模拟期间被应用到在储层模型的每个网格中的基值。

为计算机模拟而选择的参数不仅包括影响历史的参数，如流体界面(WOC和GOC)、断层传输率(TRANS)、渗透率(YPERM)和在储层的不同区域中的垂直通信(ZTRANS)，还包括影响与新天然气注入井相关联的参数，如表皮效应。通过这种方式，每个计算机模拟可以超出历史匹配运行，并且继续运行以进行2031年的产量预测。通过该步骤，每个计算机模拟过程为历史匹配和产量预测生成流量输出时间序列数据。话句话说，图4的步骤74和86同时执行。

基于统一设计，选择参数值以进行600次计算机模拟运行。使用单个CPU机器，每次运行花费大约3小时完成。其中，593次是成功的，而其它在模拟完成之前终止。

在计算机模拟期间，生成各种流量数据。其中只有从1973年到2004年间的油田水产出率(FWPR)和油田天然气产出率(FGPR)被用于历史匹配。其它流量数据被忽略，因为不确定性水平与从油田收集的相应产量数据相关联。

从油田收集的FWPR和FGPR与来自每次运行的模拟输出相比较。定义为两者之间的失配的“误差”E是如下计算的误差平方之和：

E = Σ_{i = 1973}^{2004} {(FWPR_{obs}_{i} - FWPR_{sim}_{i})}^{2} + {(FGPR_{obs}_{i} - FGPR_{sim}_{i})}^{2}

这里，“obs”表示产量数据，而“sim”表示计算机模拟输出。可以被接受为良好匹配的最大的E是1.2。此外，如果模型具有小于1.2的E，但是它的FWPR或FGPR模拟输出中任一个离对应的产量数据非常远，则该产量数据被认为是不可靠的，不考虑整个模拟记录。基于这种标准，去除了12个数据点。对于剩下的581个模拟数据，其中的63个被标记为好模型，而518个被标记为坏模型。

应该理解，还有其它计算误差阈值的方法，这些方法也应认为在本发明的范围之内。

在本发明的这个特定实施例中，已经发现石油储量(WOC-GOC)对于储层流量输出具有强烈的影响，因此，与产量数据的匹配是很重要的。如在图7中所示，在581个模拟数据集合中，所有63个好模型的WOC和GOC都是相关的；当WOC低时，它的GOC也是低的，因此保持了石油储量。通过这种相关，被称为“石油储量”(WOC-GOC)的另一变量被添加到对初始的10个参数的分析中，以进行历史匹配和产量预测研究。在该分析中，好模型具有在750和825英尺范围内的石油储量，只有一个模型120具有690英尺的“石油储量”(图7和8)。

在本发明的这个实施例中，由于产量数据的低劣质量，对581个模拟/产量数据集合执行异常值研究。下面的基本原理被用于检测不一致的产量数据。具有相似参数值的储层模型在计算模拟期间应当已经生成类似的流量输出，这表明与产量数据的匹配程度相似。在储层参数和失配(E)之间应该存在相关性。如果不是这样的话，则表明该数据与其它数据具有不同的质量，不应当被采信。基于这种想法，GP符号回归被用于识别描述相关性的函数。

商业上的遗传法编程软件包，如RML技术有限公司的Discipulus^TM，被用于研究。在该软件包中，某些遗传法编程参数不是固定的，但是被软件选择用于每次运行。这些遗传法编程参数包括群体大小、最大程序尺寸、以及交叉和变异速率。在第一次运行时，生成这些遗传法编程参数的一组数值。当运行没有生成针对特定数目的世代的改进的解时，运行被终止，并由系统选择一组新的遗传法编程参数值以开始新的运行。系统保持在多次运行期间找到的最佳的50个解。当遗传法编程终止时，这50个解的集合中最好的解作为最终的解。在这个特定实施例中，遗传法编程执行120次运行，然后被手动终止。

除了其数值由系统生成的参数之外，还有其数值需要由使用者指定的其它遗传法编程参数。表II提供了异常值研究的符号回归的那些遗传法编程参数值。

表II

终端集合由11个储层参数组成，其中每个储层参数可以被用于在遗传法编程回归数中建立叶子节点。目标是E，它与回归输出R进行比较，以进行拟合度评估。进化后的回归的拟合度是581个数据点的均方差(MSE)。使用大小为4的竞争选择。在每个竞争中，4个个体被随机地选择以配成2对。每对的赢家成为父节点以产生2个后代。

在120次运行之后，最佳的遗传法编程回归包括4个参数：WOC-GOC、TRANS、YPERM和SGC。其中，WOC-GOC被认为对生产数据的匹配的影响最大。图9示出WOC-GOC和回归输出R之间的关系。从图9看出，17个数据点明显不适配于回归图形。这17个数据点还具有关于E相似的异常值表现(图10)。这种表现证明这17个产量数据点是不可信的，并且从数据集合中去除。

在去除异常值之后，构造模拟器代理的最终数据集合由546个数据点组成；63个是好模型，501个是坏模型，如图11中所示。然后完成异常值研究。

在该分析过程的历史匹配阶段的下一个步骤是构造储层模拟器代理或者历史代理，它把储层模型评价为好或坏。对于该步骤，564个数据点的最终集合被用于构造遗传法编程分类器。每个数据点包含通过遗传法编程回归异常值研究所选择的4个输入变量(WOC-GOC、TRANS、YPERM和SGC)和一个输出E。

由于坏模型的数目比好模型的数目多8倍，数据集是非常不平衡的。为了避免遗传法编程训练过程产生偏向于坏模型的分类器，好模型数据被复制5次以平衡数据集合。此外，整个数据集合被用于训练，而不是把它分成训练、确认和测试，这是避免过拟合的常规做法。把它们进一步划分将使遗传程序不可能训练代表整个模拟器能力的代理。

该分析过程的遗传法编程参数设置与用于异常值研究的设置不同。具体来说，拟合度函数不是MSE。相反，它是基于命中率：通过回归正确地分类的训练数据的百分比。表III包括用于历史代理的符号回归的遗传法编程系统参数值。

目标针对历史匹配进化模拟器代理分类器
目标针对历史匹配进化模拟器代理分类器	函数加；减；乘；除；绝对值终端 WOC-GOC、TRANS、YPERM、SGC拟合度命中率MSE选择竞争(4个候选人/2个赢家)

表III

如上所述，该特定实施例的好模型的E的分割点是1.2。当回归得到小于1.2的输出R时，模型被分类为好的。如果失配也小于1.2，则回归做出正确分类。否则，回归做出错误分类。正确分类被称作命中。命中率是通过回归正确分类的训练的百分比。

存在两个回归可能具有相同命中率的情况。在这个特定实施例中，MSE测量被用于选择赢家。在工作中MSE测量的“结合阈值”是0.01％。如果两个分类器在它们的命中率和MSE测量中结合，则从两个竞争者随机选择赢家。

此外，在本发明的这个特定实施例中，代替被用于构造历史代理的11个储层参数，只有通过异常值研究所识别的对流体流量有影响的4个储层参数被用作终端以构造历史代理。

遗传程序完成120次运行。在运行结束时具有最佳分类准确性的回归被选择为模拟器的历史代理。所选择的历史代理的分类准确性是好模型82.54％，坏模型85.82％。历史代理的整体分类准确性是85.82％。图12表明在参数空间中由WOC-GOC、YPERM和TRANS所限定的分类结果。图12示出WOC-GOC在750和825英尺范围以外的模型被分类为坏模型。然而，在该范围中的模型基于其它参数值可能是好的或者坏的。

历史代理然后被用于在参数空间中评估新采样点。对于5个参数中的每个(GOC-WOC作为两个参数对待)，选择11个样本，在它们的最小值和最大值之间平均分布。所得到的样本总数是115＝161051。历史代理被应用于这些样本，28125个模型被识别为好模型，而132926个模型被分类为坏模型。图13表明在3D参数空间中由WOC-GOC、TRANS和SGC所限定的28125个好模型。图案与由在图14中所示的计算机模拟所识别的63个好模型的一致。

在由WOC-GOC、YPERM和TRANS所限定的3D参数空间中，好模型具有如在图15中所示的稍微有所不同的图案。此外图案还与通过图16中所示的计算机模拟所识别的63个好模型的图案一致。

这些结果表明遗传法编程分类器是整个储层模拟器的合理的高品质代理。然后28125个好模型被认为接近真实。那些模型揭示了这个特定油田的特定储层特性。YPERM值大于1.07。分开不同地质体的断层不是完全密封的，传输率是非零的。石油储量的宽度(WOC-GOC)大于750英尺。28125个好模型然后被用在产量预测分析中。

石油产量(或者天然气注入量)的预测也需要计算机模拟。对于所有28125个好模型进行模拟运行是不现实的，因此还针对该分析阶段保证第二代理。在这个阶段中，所有11个储层参数被用于构造预测代理。本发明的这个实施例的目标预测(F)是2031年的天然气累积注入量。初始的581个数据点被分成三组：188个用于训练，188个用作验证，188个用于盲测。训练数据被用于遗传程序以构造回归代理，而验证数据被用于选择最终的回归或者预测代理。回归代理的评估基于它关于盲测数据的性能。

遗传法编程参数设置在表IV中示出。

表IV

允许遗传程序进行120次运行，并且对验证数据所做的具有最小MSE的回归被选择为预测代理。下面的表V列出针对训练、验证和盲测数据的R²和MSE。

数据集合 R² MSE
数据集合 R² MSE	训练 0.799792775 0.001151542验证 0.762180905 0.001333534测试 0.7106646 0.001550482全部 0.757354092 0.001345186

表V

当预测代理要进行后面30年的预测时，在0.76范围内的R2被认为是可接受的。

图17示出在581个模拟模型上的模拟器和代理预测的大量交叉。在所有模型之间，预测代理给出与计算机模拟器一致的预测。对63个好模型的预测在图8中示出。在这个特定的例子中，预测代理给出了比由模拟器预测的范围(0.2158)更小的预测范围(0.12256)。

类似于在这个实施例中的历史匹配代理，WOC-GOC被认为对产量预测具有最大的影响。预测代理然后被用于从通过历史代理识别的所有好模型推导出天然气注入产量预测。由于通过历史代理所选择的每个模型被描述6个储层参数值，可以自由选择另外5个没有被历史代理所使用的参数的值。5个无约束的参数中的每个参数通过选择平均分布在它们的最小值和最大值之间的5个点被采样。5个参数值中的每种组合都被用于补充在28125个好模型中的每个好模型的6个参数值以运行预测代理。这导致使用预测代理采样总共87890625个模型。

图19和20提供了通过所述模型预测的2031年的累积天然气注入。如图所示，1.19百万标准立方英尺(MSCF)和1.2MSCF之间的天然气注入范围由最大数量的储层模型(总模型的22％)预测。这与通过图21和22中所示的63个计算机模拟模型预测的类似。

预测代理的累积密度函数(CDF)给出了1.06的P10值、1.18的P50值和1.216MSCF的P90值。这意味着最可能的(P50)注入量是1.18MSCF。注入量高于1.05MSCF(P10)有90％的可能性，而注入量低于1.216MSCF(P90)有10％的可能性。该不确定范围允许在准备天然气运输和计划其它相关设置中有更好的管理。

尽管在上述说明书中已经相对于特定的优选实施例描述了本发明，并且为了说明的目的阐述了许多细节，但本领域的技术人员将很清楚，本发明可以加以改变，并且这里描述的其它细节可以很大地改变，而不偏离本发明的基本构思。

Claims

1.一种用于预测油藏的产量趋势的方法，包括以下步骤：

(a)利用遗传法编程生成历史代理和预测代理；

(b)通过历史代理将多个储层模型中的每个模型评价为一组可接受的模型集合或者一组不可接受的模型集合，所述多个储层模型中的每个模型具有不同的参数值；并且

(c)将预测代理应用到所述可接受的储层模型集合，从而为这组可接受的储层模型集合生成一个产量预测范围。

2.如权利要求1中所述的方法，其包括利用统一采样方法生成所述多个储层模型，其中所述统一采样方法针对预定次数的运行生成参数空间的采样分布。

3.如权利要求1中所述的方法，其还包括识别在所述可接受的储层模型集合中的储层模型的共同特征。

4.如权利要求1中所述的方法，其还包括识别没有包括在所述可接受的储层模型集合中的储层模型的共同特征。

5.一种用于预测油藏的产量趋势的方法，包括以下步骤：

(a)生成储层模型的初始样本；

(b)为储层模型的每个初始样本生成历史产量趋势和未来产量趋势；

(c)把储层模型的初始样本中的每个样本评价为相对于历史产量趋势是可接受的或不可接受的，以生成历史资格集合；

(d)把历史资格集合输入到遗传法编程中，以生成历史代理；

(e)将历史代理应用到多个储层模型，所述多个储层模型比储层模型的初始样本要大，并且把所述多个储层模型中的每个模型评价为可接受的或者不可接受的，以识别一组可接受的储层模型集合；

(f)相对于未来产量趋势评价储层模型的每个初始样本，以生成预测特征；

(g)把所述预测特征输入到遗传法编程中，以生成预测代理；并且

(h)将预测代理应用到所述可接受的储层模型集合，从而为这组可接受的储层模型集合生成一个产量预测范围。

6.如权利要求5中所述的方法，其中储层模型的初始样本通过统一采样方法生成，所述统一采样方法针对预定次数的运行生成参数空间的采样分布。

7.如权利要求1中所述的方法，其中储层模型的初始样本是所述多个储层模型的子集。

8.如权利要求1中所述的方法，其还包括对在所述可接受的储层模型集合中的储层模型进行分类。

9.如权利要求1中所述的方法，其还包括识别在所述可接受的储层模型集合中的储层模型的共同特征。

10.如权利要求1中所述的方法，其还包括识别没有包括在所述可接受的储层模型集合中的储层模型的共同特征。

11.如权利要求1中所述的方法，其还包括利用对所述储层模型的初始样本所进行的遗传法编程执行异常值研究。

12.一种用于预测油藏的产量趋势的系统，包括：

通过遗传程序所生成的历史代理，所述历史代理将多个储层模型评价为可接受或不可接受的；以及

通过遗传程序所生成的预测代理，所述预测代理被应用到可接受的储层模型，以生成一个产量预测范围。