CN103329116A - 用于减少贮藏模拟器模型运行时间的系统及方法 - Google Patents
用于减少贮藏模拟器模型运行时间的系统及方法 Download PDFInfo
- Publication number
- CN103329116A CN103329116A CN201080070418XA CN201080070418A CN103329116A CN 103329116 A CN103329116 A CN 103329116A CN 201080070418X A CN201080070418X A CN 201080070418XA CN 201080070418 A CN201080070418 A CN 201080070418A CN 103329116 A CN103329116 A CN 103329116A
- Authority
- CN
- China
- Prior art keywords
- simulator model
- value
- time step
- time
- storage simulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 claims description 95
- 238000002347 injection Methods 0.000 claims description 22
- 239000007924 injection Substances 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 239000003795 chemical substances by application Substances 0.000 description 47
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Feedback Control In General (AREA)
Abstract
使用基于神经网络的代理模型来减少贮藏模拟器模型运行时间的系统及方法。
Description
相关申请的交叉引用
不适用
关于联邦资助研究的声明
不适用
技术领域
本发明涉及用于减少贮藏（reservoir）模拟器模型的运行时间的系统及方法。更特别地，本发明涉及使用基于神经网络的代理模型来减少贮藏模拟器模型的运行时间。
背景技术
在油气工业中经常使用全物理数值模型（也被称作贮藏模拟器模型（油藏模拟器模型）），以通过确定用于贮藏（油藏）的各种变量（例如，要钻多少井，去哪里钻井，如何优化地管理注水或注气，需要什么设施以及什么时候这些设施需要投入使用，等等）来管理贮藏和优化生产。还可以使用贮藏模拟器模型来每日或每月管理贮藏以优化生产。贮藏模拟器模型旨在针对贮藏预测未来的开采指标——意味着对数值贮藏模拟器常见的包括开采剖面、埋藏带（field）和区域压力、底孔和顶部压力等的任意数值输出。然而，传统的贮藏模拟器模型执行起来较慢。与传统贮藏模拟器模型相关联的这一问题是复杂的，这是因为为了执行全模型而使得该模型包括需要被同时执行的数百到数百万个独立的方程，这可能需要数个小时到几天来完成。
发明内容
因而，本发明通过提供用来生成贮藏模拟器模型的快速执行的经验代理模型的系统和方法，来满足以上需求并克服现有技术中的一个或多个缺陷。
在一个实施例中，本发明包括一种用于减少贮藏模拟器模型运行时间的方法，包括：i）为贮藏模拟器模型选择每个决策变量；ii）使用计算机处理器为贮藏模拟器模型计算操作基础实例（operational base case），所述操作基础实例表示针对每个决策变量关于预定时间段的生产率或注射率；iii）为贮藏模拟器模型选择每个时间步；iv）使用操作基础实例生产率或注射率，针对每个决策变量在每个时间步确定用于分布的值；v）选择为贮藏模拟器模型产生的最小数目的实例，每个实例表示贮藏模拟器模型输入数据；以及vi）为贮藏模拟器模型计算用来减少用于贮藏模拟器模型的运行时间的输入数据。
在另一实施例中，本发明包括一种非瞬态程序载体设备，有形地承载用于减少贮藏模拟器模型运行时间的计算机可执行指令，所述指令可执行以实施：i）为贮藏模拟器模型选择每个决策变量；ii）使用计算机处理器为贮藏模拟器模型计算操作基础实例，所述操作基础实例表示针对每个决策变量的关于预定时间段的生产率或注射率；iii）为贮藏模拟器模型选择每个时间步；iv）使用操作基础实例生产率或注射率，针对每个决策变量在每个时间步确定用于分布的值；v）选择为贮藏模拟器模型产生的最小数目的实例，每个实例表示贮藏模拟器模型输入数据；以及vi）为贮藏模拟器模型计算用来减少用于贮藏模拟器模型的运行时间的输入数据。
对于本领域技术人员而言，本发明的其他方案、优点和实施例将从以下的各种实施例和相关附图的描述而变得清晰。
附图说明
以下结合附图来描述本发明，其中，类似的附图标记指代类似的元件，其中：
图1是示出用于实施本发明的方法的一个实施例的流程图。
图2是示出用于执行图1中的步骤102的算法的一个实施例的流程图。
图3是用于实施本发明的系统的一个实施例的框图。
具体实施方式
将具体描述本发明的主题，然而，该描述本身并不是旨在限制本发明的范围。因而，该主题还可与其它技术相配合而以其他方式来具体实施为包括不同步骤或与本文所描述的那些相类似的步骤的组合。而且，尽管可在本文中使用术语“步骤”来描述所采用的方法的不同要素，然而，该术语不应当被理解为在本文公开的步骤中或者步骤之间隐含了任何特定的顺序，除非说明书明确限定具有特定顺序。尽管以下的描述提及油气工业，然而本发明的系统和方法不限于此，而是还可以应用到其他工业来达到类似的结果。
方法描述
本发明涉及了使用神经网络来生成或建立代理模型，以减少贮藏模拟器模型的运行时间。在快速周期决策支持中难以使用贮藏模拟器模型，这是因为这些模型需要花费较长时间来执行。尽管作为任何贮藏模拟器模型基础的流体流动方程运行在均匀介质（homogeneous medium）上，但是由贮藏模拟器模型表示的物理结构本质上是不均匀（heterogeneous）的。为了克服这一限制，将整个贮藏分解成与真实贮藏的不均匀性接近的独立的均匀单元（或块）。贮藏中的流体流动基本上是由模拟单元之间、模拟单元与生产井之间或者模拟单元与注射井（injector well）之间的压差来触发。每对互通部分（单元、生产井以及注射井）之间的流体流动都是受到一组方程的控制，该组方程需要以迭代方式（iterative fashion）进行求解直到在该数值系统收敛到答案为止。由于实际的贮藏模拟器模型是由许多（有时候是数百万）单元组成的，因而，即使是在运算能力非常强的计算机系统上，总的模拟时间也趋向于相当大。代理模型是仅对一组特定限制的操作区域精确的特定贮藏模拟器模型的经验复制（empirical copy）。执行该代理模型可以比贮藏模拟器模型快四到甚至数百倍。因而，可以使用该代理模型来用于快速周期决策支持。为了构建经验代理模型，必须从贮藏模拟器模型生成数据。这是通过针对大量的输入实例执行贮藏模拟器模型以生成从该贮藏模拟器模型输出的生产率来实现的。因此，这可能看起来，如果执行时间对于贮藏模拟器模型是一个问题且必须将同一贮藏模拟器模型执行多次来计算建立代理模型所需的数据，则可能没有净效益。然而，如果可以自动生成代理模型且可以最小化对于精确产生代理模型而言必需的实例运行的数量，则可以实现产生代理模型的效益。
该代理模型能够为整个贮藏且也能够为给定了任意一组预定义的井产量和注射目标的各井预测气、水和油的产率或者注射率。该代理模型是基于在估计的时段内针对决策变量的不同约束（例如，什么时候开启、关闭或者限制来自生产井和注射井的流动）进行响应的操作考验。因而，该代理模型解决如何约束用于各种决策变量的运行参数，以在减少贮藏模拟器模型的运行时间（即，不需要运行全埋藏带数值情况）的同时维持贮藏模拟器模型的合理表示。
参见图1，流程图示出了用于实施本发明的方法100的一个实施例。
在步骤102中，计算贮藏模拟器模型输入数据。该贮藏模拟器模型输入数据由多个实例来表示，其中，每一个实例表示在每一个时间步用于所有决策变量（例如，可以在资产管理决策（asset management decision）支持工作流中操控的井节流器（well choke）等）的值。因而，实例的集合表示感兴趣的全运行范围，针对该感兴趣的全运行范围将使用代理模型。依照这种方式，可以减少对于覆盖贮藏模拟器模型的全操作范围而言必要的实例数量，同时仍然维持贮藏模拟器模型的合理性精确表示。
参见图2，流程图示出了用于实施图1中步骤102的方法200的一个实施例。
在步骤202中，使用参照图3描述的客户端接口/视频接口来选择用于贮藏模拟器模型的决策变量的总数。该决策变量可以表示可以在资产管理决策支持工作流中被操控的节流器、表面压力、气举（gas lift）等。
在步骤204中，通过运行具有当前最佳的操作情景（scenarios）输入（例如，节流器设定、时间安排等）的贮藏模拟器模型来关于时间计算用于贮藏模拟器模型的操作基础实例。因而，该操作基础实例表示针对每个决策变量关于预定时间段（意味着每个时间步）的生产率或注射率。
在步骤206，使用参照图3描述的客户端接口/视频接口来选择用于贮藏模拟器模型的时间步（m）的总数。因而，该时间步的数目和针对每一时间步的时间被选择并且可以是例如基于步骤204的基础实例生产率和注射率。例如，可以使用步骤204的基础实例生产率或注射率来绘制每个井的生产率。该绘图将示出：在井的整个寿命期间，早期是尖峰，然后衰减。信号处理理论教导，需要5到12个平均间隔的点来描述递减曲线。因而，表示每个时间步的点可以被选择为从下降的起点开始并延伸至生产率以均等增量变平坦的地方。最常见的是，操作者不想每月多于一次地移动井节流器。可替代地，每个时间步的选择可以基于经验规则，例如，操作情景将多长时间一次允许移动井节流器，或者通过本领域已知的更复杂的方法来选择每个时间步。例如，每个时间步可以用小时、天、月、年等来表示。
在步骤208中，在针对决策变量总数中每一个变量（n）的时间步总数中每一时间步（m）确定用于分布的值。可以使用的分布的一种形式被称作三角分布，其典型地需要三种值：最小值和最大值以及最可能值，最小值和最大值可以使用参照图3描述的客户端接口/视频接口来选择，最可能值可以类似地被选择和计算。每个值表示给定时间步（t）处决策变量的状态。例如，可以将最小节流器值设定成表示在时间步（t）处对于节流器完全闭合位置的值，并且可以将最大节流器值设定成表示在时间步（t）处对于节流器完全敞开（wide open）位置的值。如果每个选择的时间步与预定时间段内的每个各自的时间步相同，则可以从步骤204中的生产率或注射率来选择时间步（t）处的最可能值。可替代地，可以以如下方式来计算最可能值：即，当节流器的移动从基础实例进行迁移以出现在步骤206中选择的时间步时，则通过两种实例来计算相同的累积生产率。该可替代的方式确保基础实例的累积生产率和在步骤206中选择的时间步处产生的累积生产率是相同的。另一种可替代的方式可以是，将基础实例井节流器的移动迁移到比基础实例的时间步更早的时间步，并在下一个时间步将节流器移回去以再次确保相同的生产率和注射率。当然，其他形式的分布也可以用于同样的目的，这都是本领域所公知的。
在步骤209中，使用参照图3描述的客户端接口/视频接口来选择为贮藏模拟器模型产生的实例（即，贮藏模拟器模型输入数据）的最小数目。实例的最小数目也必须达到在步骤202中选择的决策变量数目的十到一百倍。典型地，该实例的最小数目将基于对于启动处理所需的实例的最小数目，其可依赖于步骤114的结果而需要得到增大。
在步骤210，使用公知的随机模拟算法（例如，蒙特卡洛（Monte Carlo）,正交阵列（Orthogonal Array）和拉丁超立方算法（Latin Hypercube））以及步骤206到208的结果来计算贮藏模拟器模型输入数据。这些算法是一般的“穷举”搜索方法，该“穷举”搜索方法通常需要用于贮藏模拟器模型的数以千计的输入数据的实例。因而，步骤206到208的结果用来利用步骤206中选择的且具有步骤208中计算出的用于分布的值的时间步的数目，通过将实例数目限制为等于或大于所选择实例的最小数目来约束贮藏模拟器模型输入数据。受约束的实例数目通常表示为对以其他方式使用未受约束的随机模拟算法所需的实例总数的15-20%。该贮藏模拟器模型输入数据被表示为针对实例数目（x）的值（n x m）。
在步骤104中，使用来自步骤102的贮藏模拟器模型输入数据以及贮藏模拟器模型来计算代理模型数据。换句话说，贮藏模拟器模型算法仅仅以批量模式处理通过步骤210所确定的受约束的运行，以计算代理模型数据。该代理模型数据包括可以用来训练（训练数据）、测试（测试数据）和验证（验证数据）的数据。该代理模型数据可以在它被计算时或者可替代地在它被计算之后被分离并被标记为训练数据、测试数据和验证数据。此外，可以按照任何预定标准或者随机地分离和标记代理模型数据。
在步骤106，使用参照图3描述的客户端接口/视频接口将代理模型输入变量的总数选择为等于针对每个时间步的决策变量的总数。
在步骤108中，使用神经网络以及步骤106中选择的代理模型输入变量来确定代理模型架构。该神经网络是由多个节点组成的并行数学结构，这些节点计算待被传递至其他节点进行进一步处理的单个结果。因而，该代理模型架构表示使用本领域中公知的技术来确定的所需节点的总数以及步骤106中的代理模型输入变量的总数。每个节点均需要一个通过训练活动确定的值作为系数。
在步骤110中，使用本领域中公知的技术（例如，反向传播或者优化求解子程序（optimization solver subroutine））为代理模型架构中的每个节点计算代理模型架构系数值。用于每个系数（节点）的数据是步骤104的训练数据和测试数据。在已经计算完所有的系数值之后，神经网络被称作已经被训练，并表示代理模型。经常也将该系数值称作权重或者偏移量。
在步骤112中，使用来自步骤102的代理模型验证数据和来自步骤110的代理模型来计算代理模型输出数据。
在步骤114中，方法100将来自步骤112的代理模型输出数据与来自步骤104的代理模型验证数据相比较以确定它们是否相等。如果代理模型输出数据等于代理模型验证数据，则方法100继续进行到步骤116。如果代理模型输出数据不等于代理模型验证数据，则方法100返回到步骤102，从而使用更大的实例最小数目来重新计算贮藏模拟器模型输入数据。依照这种方式，重复步骤102到114，直到代理模型输出数据等于代理模型验证数据。
在步骤116中，使用训练并验证过的代理模型来预测资产性能（assetperformance）。为了预测资产性能，可以在快速周期决策处理（例如，每日预测和每日优化）中使用该代理模型。在每日预测工作流中，通过代理模型来运行当前的操作设定，以预测预定年数内的资产生产。然后，操作团队可以使用代理模型以反复实验的方式来确定需要做什么以修正现状（statusquo）。在优化工作流中，由用户来设定资产的期望最终状态，并且该期望最终状态迭代地使用代理模型来确定在何处设定资产决策变量（例如，节流器）来实现预定目标。
已经证明，方法100以标准穷尽型随机模拟算法花费的时间的15-20%生成精确的代理模型。所形成的代理模型还表现出传统贮藏模拟器模型的2.5%以内的精度（参见表格1-3），而且所形成的代理模型可以传统贮藏模拟器模型执行全模型所需时间的四分之一执行全模型。
表一9500天预测场景
表二针对实例D01的一些参数的平均NN模型和数值模拟偏差
表三针对实例D02的一些参数的NN模型和数值模拟偏差
系统描述
本发明可以通过指令的计算机可执行程序（例如，通常被称作由计算机执行的软件应用或应用程序程序模块）得以实施。该软件可以包括例如程式（routine）、程序（program）、对象、组件和执行特定任务或实施特定抽象数据类型的数据结构。该软件形成了接口以允许计算机根据输入源来做出反应。AssertConnectTM和AssetSolverTM是由兰德马克绘图公司（LandmarkGraphics Corporation）销售的商业软件应用，可以用来实施本发明。该软件还可以与其他代码段协同工作以响应于接收到的数据并配合接收数据的源来发起各种任务。该软件可以被存储在和/或被承载在任意种类的存储介质上，例如CD-ROM、磁盘、磁泡存储器和半导体存储器（例如，各种类型的RAM或ROM）。而且，可以经由诸如光线、金属线之类的各种承载介质和/或通过诸如因特网之类的各种网络来传输该软件及其结果。
而且，本领域技术人员将理解，本发明可以通过各种计算机系统配置来实现，包括手持设备、多处理器系统、基于微处理器的电子装置或者可编程用户（programmable-consumer）电子装置、微计算器、主机电脑等。对于本发明的使用而言，任意数量的计算机系统和计算机网络都是可接受的。本发明可以以分布式计算环境来实现，在该环境中，通过经由通信网络链接的远程处理设备来执行多个任务。在分布式计算环境中，程序模块可以位于本地或者远程的计算机存储介质（包括存储器存储设备）中。因而，本发明可以在计算机系统或其他处理系统中与各种硬件、软件或者其组合相关联地实施。
现在参见图3，是示出用于在计算机上实施本发明的系统的一个实施例的框图。该系统包括计算单元，该计算单元有时被称作计算系统，它包含存储器、应用程序、客户端接口、视频接口和处理单元。该计算单元仅仅是合适的计算环境的一个示例，并不是旨在对于本发明的使用或者功能范围造成任何限制。
该存储器主要存储应用程序，该应用程序也可以被描述为包含计算机可执行指令的程序模块，该计算机可执行指令通过用于实施本文描述的本发明的计算单元得以执行并如图1-2所示。因而，该存储器包括运行时间减少模块，该模块能够使参照图1到图2所示出和描述的方法得到实现而且该模块集成了图3中所示出的其余应用程序的功能。例如，该运行时间减少模块可以用来执行参照图1中的步骤102描述的功能中的许多功能。例如，可以使用AssetConnectTM来执行参照图1中的步骤104和116描述的功能。而且，例如，可以使用AssetSolverTM来执行参照图1中的步骤108、110、112和116描述的功能。
尽管将计算单元示出为具有通用的存储器，然而该计算单元典型的包括多种计算机可读介质。以示例而非限制性的方式，该计算机可读介质可以包括计算机存储介质。该计算系统存储器可以包括具有易失性和/或非易失性存储器形式的计算机存储介质，例如只读存储器（ROM）和随机读取存储器（RAM）。基本输入/输出系统（BIOS）典型地存储在ROM中，该BIOS系统包含例如在启动期间帮助在计算单元内的元件之间传递信息的基本程式。RAM典型地包含立即可存取和/或当前被处理单元运行的数据和/或程序模块。以示例而非限制性的方式，该计算单元包括操作系统、应用程序、其他程序模块、和程序数据。
存储器中示出的组件也可以被包括在其他可移除/不可移除、易失性/非易失性计算机存储介质中，或者它们可以通过应用程序接口（“API”）而在计算机单元中实施，API可以驻留在经由计算机系统或网络连接的单独的计算单元中。仅仅是一些例子，例如，硬盘驱动器可以对不可移除、非易失性磁性介质进行读取或写入，磁盘驱动器可以对可移除、非易失性磁盘进行读取和写入，光盘驱动器可以对诸如CD ROM之类的可移除、非易失性光盘或者其他光学介质进行读取和写入。可以在示例性操作环境中使用的其他可移除/不可移除、易失性/非易失性计算机存储介质可以包括但不限于盒式磁带、闪存存储卡、数字多功能光盘、数字视频磁带、固态RAM、固态ROM等。以上讨论的驱动器及其相关联的计算机存储介质提供了计算机可读指令、数据结构、程序模块以及用于计算单元的其他数据的存储。
客户端可以通过客户端接口将命令和信息输入到计算单元中，该客户端接口可以是输入设备，例如键盘和通常被称作鼠标、追踪球或触摸板的定点设备。该输入设备可以包括麦克风、操纵杆、碟形卫星天线、扫描仪等。这些输入设备和其他输入设备通常经由系统总线连接至处理单元，当然也可以通过其他接口和总线结构连接，例如并行端口或通用串行总线（USB）。
显视器或其他类型的显示设备可以经由诸如视频接口之类的接口连接到该系统。还可以通过视频接口使用图形用户界面（“GUI”）来从客户端接口接收指令并将该指令传输至该处理单元。除了显视器之外，计算机还可以包括可以经由输出外围接口连接的其他外围输出设备，例如扬声器和打印机。
尽管没有示出计算单元的许多其他内部组件，但是本领域技术人员将理解，这些组件以及它们的相互连接是公知的。
尽管已经结合当前优选的实施例描述了本发明，然而本领域技术人员应当理解，其并非旨在将本发明限制到这些实施例。因而，可预期的是，在不脱离所附权利要求所限定的本发明的精神和范围及其等同范围的情况下，可以对所公开的实施例做出各种可替代的实施例和修正。
Claims (20)
1.一种用于减少贮藏模拟器模型运行时间的方法，包括：
为贮藏模拟器模型选择每个决策变量；
使用计算机处理器为所述贮藏模拟器模型计算操作基础实例，所述操作基础实例表示针对每个决策变量关于预定时间段的生产率或注射率；
为所述贮藏模拟器模型选择每个时间步；
使用操作基础实例生产率或注射率确定针对每个决策变量在每个时间步用于分布的值；
选择为所述贮藏模拟器模型产生的最小数目的实例，每个实例表示贮藏模拟器模型输入数据；以及
为所述贮藏模拟器模型计算用来减少贮藏模拟器模型运行时间的输入数据。
2.根据权利要求1所述的方法，其中，所述预定时间段是针对每个决策变量的每个时间步。
3.根据权利要求1所述的方法，其中，为所述贮藏模拟器模型选择每个时间步是基于所述操作基础实例生产率或注射率。
4.根据权利要求1所述的方法，其中，用于三角分布的值包括针对每个决策变量在每个时间步的最小值、最大值和最可能值。
5.根据权利要求4所述的方法，其中，所述最小值被选择并且表示在各自的时间步用于节流器处于完全闭合位置的值。
6.根据权利要求5所述的方法，其中，所述最大值被选择并且表示在所述各自的时间步用于节流器处于完全敞开位置的值。
7.根据权利要求6所述的方法，其中，如果每个选择的时间步与所述预定时间段内每个各自的时间步相同，则从所述操作基础实例生产率或注射率来选择所述最可能值。
8.根据权利要求5所述的方法，其中，使用所述操作基础实例生产率或注射率来计算所述最可能值。
9.根据权利要求1所述的方法，其中，所述实例的最小数目是为所述贮藏模拟器模型选择的决策变量数目的至少十倍。
10.根据权利要求1所述的方法，其中，使用为所述贮藏模拟器模型选择的多个时间步以及针对每个决策变量在每个时间步为三角分布确定的值，通过将所选择的实例的最小数目限制到仅所选择的时间步来约束贮藏模拟器模型输入数据。
11.一种非瞬态程序载体设备，以有形方式承载用于减少贮藏模拟器模型运行时间的计算机可执行指令，所述指令被执行以实施：
为贮藏模拟器模型选择每个决策变量；
使用计算机处理器为所述贮藏模拟器模型计算操作基础实例，所述操作基础实例表示针对每个决策变量关于预定时间段的生产率或注射率；
为所述贮藏模拟器模型选择每个时间步；
使用操作基础实例生产率或注射率，针对每个决策变量在每个时间步确定用于分布的值；
选择为所述贮藏模拟器模型产生的最小数目的实例，每个实例表示贮藏模拟器模型输入数据；以及
为所述贮藏模拟器模型计算用来减少用于所述贮藏模拟器模型的运行时间的输入数据。
12.根据权利要求11所述的程序载体设备，其中，所述预定时间段是针对每个决策变量的每个时间步。
13.根据权利要求11所述的程序载体设备，其中，为所述贮藏模拟器模型选择每个时间步是基于所述操作基础实例生产率或注射率。
14.根据权利要求11所述的程序载体设备，其中，用于三角分布的值包括针对每个决策变量在每个时间步的最小值、最大值和最可能值。
15.根据权利要求14所述的程序载体设备，其中，所述最小值被选择并且表示在各自的时间步用于节流器处于完全闭合位置的值。
16.根据权利要求15所述的程序载体设备，其中，所述最大值被选择并且表示在所述各自的时间步用于节流器处于完全敞开位置的值。
17.根据权利要求16所述的程序载体设备，其中，如果每个选择的时间步与所述预定时间段内每个各自的时间步相同，则从所述操作基础实例生产率或注射率来选择所述最可能值。
18.根据权利要求15所述的程序载体设备，其中，使用所述操作基础实例生产率或注射率来计算所述最可能值。
19.根据权利要求11所述的程序载体设备，其中，所述实例的最小数目是为所述贮藏模拟器模型选择的决策变量数目的至少十倍。
20.根据权利要求11所述的程序载体设备，其中，使用为所述贮藏模拟器模型选择的多个时间步以及针对每个决策变量在每个时间步为三角分布确定的值，通过将所选择的实例的最小数目限制到仅所选择的时间步来约束所述贮藏模拟器模型输入数据。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2010/058441 WO2012074516A1 (en) | 2010-11-30 | 2010-11-30 | Systems and methods for reducing reservoir simulator model run time |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103329116A true CN103329116A (zh) | 2013-09-25 |
Family
ID=46172191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201080070418XA Pending CN103329116A (zh) | 2010-11-30 | 2010-11-30 | 用于减少贮藏模拟器模型运行时间的系统及方法 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US10409616B2 (zh) |
| EP (1) | EP2646927A4 (zh) |
| CN (1) | CN103329116A (zh) |
| AU (1) | AU2010364957B2 (zh) |
| BR (1) | BR112013013422A2 (zh) |
| CA (1) | CA2819334A1 (zh) |
| EA (1) | EA201390784A1 (zh) |
| MX (1) | MX2013006155A (zh) |
| WO (1) | WO2012074516A1 (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2564309A4 (en) | 2010-04-30 | 2017-12-20 | Exxonmobil Upstream Research Company | Method and system for finite volume simulation of flow |
| CA2803068C (en) | 2010-07-29 | 2016-10-11 | Exxonmobil Upstream Research Company | Method and system for reservoir modeling |
| WO2012015515A1 (en) | 2010-07-29 | 2012-02-02 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
| BR112013002114A2 (pt) | 2010-09-20 | 2016-05-17 | Exxonmobil Upstream Res Co | formulações flexíveis e adaptáveis para simulações de reservatório complexas |
| US8994549B2 (en) * | 2011-01-28 | 2015-03-31 | Schlumberger Technology Corporation | System and method of facilitating oilfield operations utilizing auditory information |
| CA2843929C (en) | 2011-09-15 | 2018-03-27 | Exxonmobil Upstream Research Company | Optimized matrix and vector operations in instruction limited algorithms that perform eos calculations |
| AU2013324162B2 (en) | 2012-09-28 | 2018-08-09 | Exxonmobil Upstream Research Company | Fault removal in geological models |
| US9946974B2 (en) | 2013-06-10 | 2018-04-17 | Exxonmobil Upstream Research Company | Determining well parameters for optimization of well performance |
| CA2953727C (en) * | 2014-06-30 | 2021-02-23 | Advantek International Corporation | Slurrification and disposal of waste by pressure pumping into a subsurface formation |
| AU2015298233B2 (en) | 2014-07-30 | 2018-02-22 | Exxonmobil Upstream Research Company | Method for volumetric grid generation in a domain with heterogeneous material properties |
| CA2963092C (en) | 2014-10-31 | 2021-07-06 | Exxonmobil Upstream Research Company | Methods to handle discontinuity in constructing design space for faulted subsurface model using moving least squares |
| WO2016069171A1 (en) | 2014-10-31 | 2016-05-06 | Exxonmobil Upstream Research Company | Handling domain discontinuity in a subsurface grid model with the help of grid optimization techniques |
| WO2016115004A1 (en) * | 2015-01-12 | 2016-07-21 | Schlumberger Canada Limited | Automatic timestep adjustment for reservoir simulation |
| US20160370772A1 (en) * | 2015-06-22 | 2016-12-22 | Invensys Systems, Inc. | Process optimization using mixed integer nonlinear programming |
| US10839114B2 (en) | 2016-12-23 | 2020-11-17 | Exxonmobil Upstream Research Company | Method and system for stable and efficient reservoir simulation using stability proxies |
| US20210019189A1 (en) * | 2018-04-18 | 2021-01-21 | Landmark Graphics Corporation | Methods and systems to determine and optimize reservoir simulator performance in a cloud computing environment |
| US20210131260A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1419677A (zh) * | 2000-02-22 | 2003-05-21 | 施蓝姆伯格技术公司 | 综合储层优化 |
| US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
| US20070179767A1 (en) * | 2006-01-31 | 2007-08-02 | Alvin Stanley Cullick | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators |
| CN101379271A (zh) * | 2006-01-31 | 2009-03-04 | 兰德马克绘图公司 | 使用代理仿真器的用于实时油气田生产优化的方法、系统和计算机可读介质 |
| US20100088076A1 (en) * | 2008-10-03 | 2010-04-08 | Schlumberger Technology Corporation | Fully coupled simulation for fluid flow and geomechanical properties in oilfield simulation operations |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8504341B2 (en) | 2006-01-31 | 2013-08-06 | Landmark Graphics Corporation | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators |
| US7716029B2 (en) | 2006-05-15 | 2010-05-11 | Schlumberger Technology Corporation | Method for optimal gridding in reservoir simulation |
| WO2008083004A2 (en) | 2006-12-28 | 2008-07-10 | Chevron U.S.A. Inc. | History matching and forecasting of hydrocarbon-bearing reservoirs utilizing proxies for likelihood functions |
| CN102272415B (zh) * | 2008-09-26 | 2015-07-01 | 西里斯能源公司 | 评估、设计和优化原位生物转化过程的方法 |
-
2010
- 2010-11-30 EP EP10860155.0A patent/EP2646927A4/en not_active Withdrawn
- 2010-11-30 CA CA2819334A patent/CA2819334A1/en not_active Abandoned
- 2010-11-30 US US13/990,753 patent/US10409616B2/en active Active
- 2010-11-30 WO PCT/US2010/058441 patent/WO2012074516A1/en active Application Filing
- 2010-11-30 MX MX2013006155A patent/MX2013006155A/es active IP Right Grant
- 2010-11-30 EA EA201390784A patent/EA201390784A1/ru unknown
- 2010-11-30 CN CN201080070418XA patent/CN103329116A/zh active Pending
- 2010-11-30 BR BR112013013422A patent/BR112013013422A2/pt not_active IP Right Cessation
- 2010-11-30 AU AU2010364957A patent/AU2010364957B2/en not_active Ceased
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1419677A (zh) * | 2000-02-22 | 2003-05-21 | 施蓝姆伯格技术公司 | 综合储层优化 |
| US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
| US20070179767A1 (en) * | 2006-01-31 | 2007-08-02 | Alvin Stanley Cullick | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators |
| CN101379271A (zh) * | 2006-01-31 | 2009-03-04 | 兰德马克绘图公司 | 使用代理仿真器的用于实时油气田生产优化的方法、系统和计算机可读介质 |
| US20100088076A1 (en) * | 2008-10-03 | 2010-04-08 | Schlumberger Technology Corporation | Fully coupled simulation for fluid flow and geomechanical properties in oilfield simulation operations |
Also Published As
| Publication number | Publication date |
|---|---|
| MX2013006155A (es) | 2014-10-24 |
| AU2010364957B2 (en) | 2015-04-23 |
| AU2010364957A1 (en) | 2013-06-13 |
| US10409616B2 (en) | 2019-09-10 |
| EA201390784A1 (ru) | 2013-12-30 |
| EP2646927A1 (en) | 2013-10-09 |
| WO2012074516A1 (en) | 2012-06-07 |
| EP2646927A4 (en) | 2016-06-15 |
| BR112013013422A2 (pt) | 2016-10-11 |
| US20130338985A1 (en) | 2013-12-19 |
| CA2819334A1 (en) | 2012-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103329116A (zh) | 用于减少贮藏模拟器模型运行时间的系统及方法 | |
| US9128693B2 (en) | Systems and methods for workflow automation, adaptation and integration | |
| Biles et al. | Kriging metamodeling in constrained simulation optimization: an explorative study | |
| CN102007459A (zh) | 用于储层开发计划的鲁棒性基于优化的决策支持工具 | |
| US11468368B2 (en) | Parametric modeling and simulation of complex systems using large datasets and heterogeneous data structures | |
| US9921338B2 (en) | Selecting and optimizing oil field controls for production plateau | |
| Sattarvand | Long-term open-pit planning by ant colony optimization | |
| Tao et al. | Construction project scheduling under workspace interference | |
| US20170177424A1 (en) | Specific risk toolkit | |
| Schulze-Riegert et al. | Multiple-objective optimization applied to well path design under geological uncertainty | |
| JP2021064049A (ja) | 計算機システム及び数理モデルの生成支援方法 | |
| Shahbazian et al. | eQual: informing early design decisions | |
| US20210374628A1 (en) | Systems and methods for visual financial modeling | |
| Tvedt | Experience transfer and risk analysis in digital well planning | |
| WO2014197637A1 (en) | Selecting and optimizing oil field controls for production plateau | |
| Swarbrick et al. | Innovative experimental design workflows for coupled models | |
| US20230237225A1 (en) | Machine learning based reservoir modeling | |
| Reynolds et al. | Short-term forecasting in open pit mining using simulation modelling | |
| WO2021236843A1 (en) | Systems and methods for visual financial modeling | |
| Fu et al. | An Interactive Workflow and Data Analytics for Model-Based Production Optimization: A Waterflooding Example | |
| Blaskovich | Synergy and Emergence in Energy Policy Design | |
| JP2016076026A (ja) | 問題構造抽出装置および問題構造抽出方法 | |
| Legkokonets et al. | Selection of optimal developing strategy for a group of prospects in terms of geological uncertainties and infrastructure constraints | |
| Flager | A method to optimize onshore drilling rig fleet size and schedule considering both reservoir management and operational objectives | |
| Bansal et al. | Mapping Completion Design Trends in a Compartmentalized Tight Oil Reservoir for Rapid Evaluation Using Artificial Neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130925 |
|
| RJ01 | Rejection of invention patent application after publication |