CN103370638B - 地下和井筒位置数据的质量控制 - Google Patents

Abstract

提供一种评估地下位置数据和井筒位置数据的质量的方法，包括：提供一种包括地下位置数据的地球地区的地下位置模型，其中在地下位置模型中的每个点具有通过概率分布表示的量化的位置不确定性；提供一种包括从地区中的井的挖井点获得的井筒位置数据的井筒位置模型，每个挖井点对应于由在井中采取的测量确定的地质特征，其中在井筒位置模型中的每个点具有通过概率分布表示的量化的位置不确定性；识别公共点，其每一个包括在地下位置模型中与井筒位置数据的挖井点相对应的点；为每个公共点导出表示位置不确定性的局部测试值；选择公共点中的一些但不是全部，并根据所选择的公共点的局部测试值导出测试值；为所选择的公共点提供位置误差测试极限；以及将测试值与测试极限进行比较，以提供数据质量的评估。

Description

地下和井筒位置数据的质量控制

技术领域

本发明涉及评估地下位置数据和井筒位置数据的质量的方法。

背景技术

本文件旨在强调存在于专利申请中的数据质量保证的方法和作为商业软件或出版的部分实施的现有技术之间的主要不同。

在借助于已知的或已测量的其他（解释性的）量来预测未知量的任何问题中，对两组变量之间的校准给予特殊关注是非常重要的。在许多情况下，通过借助于存在预测变量和解释变量的一批实验数据（训练集）的统计方法（例如最小二乘回归），来实现这个校准。理想地，来自训练集的数据值应该足够分散并且以清楚的方式与函数关系相关，使得预测变量能够被建模成解释变量与小残差的这个函数组合之和。统计校准的经典误区包括不充分的数据分散、太重要的残差和训练集中异常值的存在，无论这些异常数据是由错误的测量引起的还是由另一个系统中有代表性的测量造成的。在下文中，这些重要的残差将被称为粗差（gross error）。为了处理粗差，已经开发了具体的方法如已知的“鲁棒统计”(Huber1981)，用于试图最小化其对校准模型的影响。另一个在经典统计框架中使用的方法在于分析估计残差的分布。分析这个分布的第一种方法是强调对应于分布的最低和最高百分位的值。然而，这个第一种简单方法不足以分辨这些极端残差值是否是可接受的。换句话说，最严重的残差不会自动地标记为粗差。

更系统的方法在于用由统计模型产生的估计误差的估计来正规化每个估计的残差。这个正规化（也称为学生化）残差与已知的统计分布进行比较，以便检测其是否为显著的（Cook1982）。这种技术用在很多实际的情况中，其中包括专用于将解释的时间层位转换为深度以及调整模型到挖井点（well-pick）位置信息的商业性软件。这种应用的一个示例为软件Cohiba(Arne Skorstad等人，2010，见下述参考文献)，该软件由Norwegian计算中心（NR:Http://www.nr.no）开发，并且存在于例如Abrahamsen(1993)。在这个应用中，输入参数为在地震时域（TWT）中解释的层位图（horizonmap）；描述了每层中声波速度的横向变化的层速度图，以及与它们相关的不确定性。这些层位表示地质层之间的极限。使用结合每个位置的速度和解释的层位时间的简单的1D模型（Dix，1955），层位被转换为深度域，其为层位给出了初始趋势模型。该模型的线性化结合初始输入不确定性允许计算初始的协方差模型，该协方差模型描述了在所有层位位置、速度及其相互作用的不确定性。挖井点为沿着井眼轨迹解释的3D点，其表明井眼轨迹与不同层位交叉之处。然后，这个信息可以被用于决定多层位初始趋势模型，导致调整的趋势模型和调整的趋势不确定性。这个信息形成了在Cohiba中实施的QAQC（质量保证/质量控制）过程的基准：对于每个挖井点，从允许计算学生化残差的估计趋势中提取估计的残差和误差估计，该学生化残差最终被分析以检测异常值。

最终，我们还可以提到，作为检测异常值的额外可能性的交叉验证技术（Geisser1993）。这些技术的基本概念包括将训练数据集分割为两片：一片有效的用于校准，另一片用于测试模型的可预测性。这个技术有两个优势，即为每一测试数据提供完全独立于这个数据的残差估计。此外，该技术不需要应用任何的参数假定（Gaussian输入）。作为在多层位模型的地统计学的深度转换领域的特定交叉验证技术的实际实施，我们可以提到ISATIS/ISATOIL地统计学软件（http://www.geovariances.fr）。然而深度转换的基准与在Cohiba中使用的基准相似，挖点的验证（以及粗差的检测）是通过如下操作实现的：一次顺序去除一个挖井点，在这个位置估计深度残差（通过在估计的层位和挖井点深度之间作比较），并且与在这个位置的估计误差进行比较。用户然后可以去除已经从校准数据库中检测到粗差的挖井点。

已经公开的布置可以被用于为本发明生成必需的输入，但对于应用在本发明中包括的QC方法肯定是不必要的。可以从用于地下位置的其它类型商业软件中生成输入。

背景现有技术参考文献为：

A.Skorstad等人，2010，COHIBA用户手册–版本2.1.1,http://www.nr.no/files/sand/Cohiba/cohiba_manual.pdf

P.Abrahamsen,1993,Bayesian Kriging for Seismic Depth Conversion of aMulti-layer Reservoir,in A.Soares(ed.)Geostatistics Troia'92,KluwerAcademic Publ.,Dordrecht,385-398

R.D.Cook,1982,Residuals and Influence in Regression,Chapman andHall.

C.H.Dix,1955,Seismic velocities from surface measurements,Geophysics,20,no.1,68-86

P.J.Huber,1981,Robust Statistics,Wiley.

P.Hubral,1977,Time migration:some ray-theoretical aspects,GeophysicalProspecting,25,no.4,738-745

S.Geisser,1993,Predictive inference:an introduction,Chapman and Hall.

发明内容

如附随的权利要求书所陈述，本发明提供了评估地下位置数据和井筒位置数据的质量的方法。

在这个文件中描述的质量控制（QC）方法对于验证挖井点、地震数据（非解释性的和解释性的）以及解释的次地震数据的3D位置的质量是有用的。钻井日志是在钻孔时在孔下取得的物理测量的记录。挖井点是在钻井日志中与组合的地震以及次地震模型的等价特征相匹配的特征。这些成对的特征在下文中被标记为地质公共点，即，公共点是在井筒位置模型中的位置和在地下位置模型中的位置之间的公共参考。组合的地震和次地震模型将被标记为地下模型。质量控制通过为地质公共点计算测试参数来实施。如果测试参数与预定义的测试标准不匹配，则结论为相对应的地质公共点被粗差所影响。

本发明力图使用统计假设测试来执行地下位置数据和井筒位置数据的QC。QC在本上下文中是去除在井中和在地下模型中粗差的过程，如被错误勘测的井或被错误解释的断层和层位中。地下模型和井位置数据也将被称为观测数据。“粗差”一词并不一定指单独的观测值，还可以根据与地下模型相比的钻井日志数据而被引入用于表示在地质特征的位置之间的任意显著的不匹配。例如，不匹配可以是在相同的井中同等地影响数个挖井点的3D坐标的误差，例如在钻柱的测量长度中的误差。其他示例是关于观测数据的更大和更小部分的精确度的错误假设，以及地震速度模型的参数的不正确假设。

地下位置模型的位置精确度通过增加井筒位置信息来改进。数个地统计学软件包提供这样的功能。根据如最小二乘法的某些调整原理，地下和井筒位置数据可以被组合和调整。为了确保来自各种地下位置估计的输出的最优精确度，检测粗差是很关键的。在挖井点中或者在地下模型中的粗差将导致不期望的位置不一致性。这可能例如增加了失去钻孔目标的可能性。当估计原理是基于最小二乘法时，输入数据的QC尤其重要，因为这个方法对观测数据中的粗差特别敏感。用于地下位置的大部分软件使用最小二乘方原理来组合和调整来自井中和地下模型中的数据。统计测试是基于客观的评价标准。所以，可以因此在最小人为干扰下应用开发的QC方法。该方法因此具有被自动实施的潜力。

存在于此的方法和概念能够量化粗差的大小和相对应的不确定性。为了查明误差的原因，可以为诊断目的应用框架和概念。例如，可以确定不匹配是否是由于在例如单独挖井点中、来自相同或不同的井中的若干挖井点中的粗差，或者在整个井中的系统误差。例如，如果软件在垂直方向上检测在所有挖井点中的垂直部件中的误差，则原因可能是在深度参考水平的误差。还可能确定粗差是否涉及一个或多个挖井点的位置或者相对应的地质公共点。

附图说明

图1示出了若干地震层位，表示地质表面、井筒轨道以及若干挖井点；并用于优选实施例的步骤2的讨论中；

图2示出了与图1中的示图相似的示图，并用于优选实施例的步骤3的讨论中；以及

图3示出了与图1和图2的示图相似的示图，并用于优选实施例的步骤4的讨论中。

具体实施方式

我们的起点是我们有地下模型和井筒位置模型，其有效的表示了两个不同的真实模型，前者基于例如地震数据且后者基于从井筒导出的位置数据。

QC方法评价预定义的测试标准和从观测数据计算出的参数之间的匹配，以确定地质公共点是否受粗差的影响。在这部分中，目标是解释如何不使用数学表达式来计算QC参数。用于检测本文提出的粗差的方法是基于利用来自地下和井筒位置数据的调整（例如最小二乘法平差）的输出。感兴趣的输出是地下和井筒位置数据的更新位置以及表示更新位置的量化不确定性的相应的协方差矩阵（或方差矩阵）。感兴趣的其他输出是残差（例如，最小平方残差）以及表示残差的量化不确定性的残差的协方差矩阵（或方差矩阵）。残差为地下和井筒的位置数据的初始位置和更新位置之间的差。可以根据地下和井筒的位置数据的更新位置的协方差矩阵计算残差的协方差矩阵。

调整的模型的每个点的量化位置不确定性代表一定的预定义的概率分布，其中所述调整的模型由公共的协方差矩阵给出。假定协方差矩阵是量化的并且概率分布在执行QC测试之前就被获知。

测试过程被分成了多个步骤，这些步骤可以单个的或以组合的顺序应用。在所有的步骤中，粗差的大小与相应的测试值一起被估计。粗差的估计大小具有诊断目的的用途。我们已经选择将测试方法分成四个步骤。每个步骤的摘要给出如下。

步骤1：观测数据的整体质量的测试。

这个步骤是质量控制中最概括的部分。这个步骤对于将应用地下估计软件的第一次应用到具有未知质量的未知数据集集合中是尤其有益的。在这样的情况下，很多井第一次一起被引入和调整，并且粗差的概率因此是可能的，因为数据未曾暴露给这种类型的质量控制。

统计测试将用于测试方差因子σ²的估计是否与其标记为的先验假定值显著不同。估计的方差因子通过如下给出：

${\widehat{\mathrm{\σ}}}^2=\frac{{\hat{e}}^T{Q}_{\mathrm{ee}}^{-1}\hat{e}}{n-u}$

式中，是所谓的反应了初始的和调整的挖井点位置的匹配的残差的向量，是观测值的协方差矩阵，并且n-u是自由度。

对这个测试假设：

$H_0:{\mathrm{\σ}}^2={\mathrm{\σ}}_0^2$ 和 $H_A:{\mathrm{\σ}}^2\≠{\mathrm{\σ}}_0^2$

在给出的可能性水平α，H₀被拒绝的条件为：

$\frac{{\hat{e}}^T{Q}_{\mathrm{ee}}^{-1}\hat{e}}{n-u}>K_{1-\frac{\mathrm{\α}}{2}}$ 或 $\frac{{\hat{e}}^T{Q}_{\mathrm{ee}}^{-1}\hat{e}}{n-u}>K_{\frac{\mathrm{\α}}{2}}$

式中表示合适的统计分布的上侧(1-α/2)百分点。测试值可以在统计的查找表中找到。测试值的分布必需等于极限的分布。可能性参数α通常被称为测试的显著性水平，该参数是在事实并不如此时推断观测数据包含粗差的可能性。可能性水平因此是得出错误结论的概率，也就是当不存在粗差时推导出其存在。

拒绝虚假设H₀是数据质量不可接受的明显指示，要么是一个或多个观测值被粗差毁坏，要么是多个观测已经被指定为不切实际的不确定性。然而，如果这个测试被接受，则粗差仍有可能在数据中，所以将有必要进行进一步的个体观测的测试。一般地，这个测试的显著性水平应该与用于个体粗差测试（将在后面解释）的显著性水平协调，使得所有的测试具有相似的灵敏度。因此用于质量控制的这个步骤中的显著性水平必须在谨慎的考虑下设置。

让我们考虑在现有的油田中计划钻新的井。意图是在开始钻新井之前更新油田的地质模型，以便增加达到地质目标的概率。为了保证可靠的结果，必须对所有关于现有的井和地下模型的位置的信息进行质量控制，以证实粗差的存在和可能的错误模型假定。

在本发明的软件的第一次运行之后，评价相关的测试值。检测值的大小直接反应了关于数据质量的问题有多严重。例如，如果测试值仅仅是少量大于测试极限，则最可能仅有一个或可能仅有少数粗差存在。这些粗差将在质量控制的步骤2中被检测，并且同时将在此步骤中估计其幅度。如果测试值小于测试极限，则这可能表明一组观测已经被指定为太悲观的不确定性（方差）。测试值远超过测试极限是严重的数据质量问题的明显指示。其原因可能是存在多个毁坏的观测，或者是若干观测已经被指定为太乐观的不确定性。另一个可能的原因是使用了错误的或者太简单的速度模型（也就是关于材料中速度的假定）。

步骤2：测试在每个观测中的粗差。

在这个步骤中，对每一个挖井点和地质公共点测试粗差。

对第i次的观测值y_i的粗差的测试可能按如下的假设被公式化：

$H_0:{\▿}_i=0$ 和 $H_A:{\▿}_i\≠0$

比如在垂直方向上的粗差估计可以通过如下得到：

$\left[\begin{array}{c}\widehat{\mathrm{\β}}\\ {\widehat{\▿}}_i\end{array}\right]={\left({\left[\mathrm{Xc}\right]}^T{Q}_{\mathrm{ee}}^{-1}\right[\mathrm{Xc}\left]\right)}^{-1}{\left[\mathrm{Xc}\right]}^T{Q}_{\mathrm{ee}}^{-1}y$

式中是估计的参数（像坐标、速度参数等）的向量，并且向量c^T=[0...010...0]包括0，除了对应于将要被测试的实际观测值的元素。这个元素包括数字1。矩阵X定义了在β中的未知参数和y中的观测值之间的数学关系。向量c是额外的向量，该向量被引入以对粗差的效果进行建模。c的维度等于y中的观测值的数量。在文献中描述了估计粗差以及根据残差和残差协方差矩阵的粗差的不确定性的方法。

测试上述假设的测试值通过如下给出：

$t=\left|\frac{{\widehat{\▿}}_i}{{\mathrm{\σ}}_{{\widehat{\▿}}_i}}\right|$

式中为粗差的估计量的标准偏差。当测试值t大于标记为t_α/2的规定测试极限时，拒绝虚假设H₀。测试极限t_α/2为是否将给出的挖井点归类为粗差的极限，并且是合适的统计分布的上侧α/2分位数。拒绝H₀意味着第i次观测值y_i的误差与0有显著的不同，并且结论是这个观测值被粗差毁坏。根据各样的可能性水平的测试极限可以在统计查找表中找到。通常使用的可能性水平为5%。测试值的分布必须与测试极限的分布相等。

如果σ²已知，即不是估计的，则测试统计量t的分布将与当协方差因子σ²未知时的情况不同。

我们假使已经应用了步骤1中的测试，并且该测试已经表明粗差存在于观测数据中。然后，下一步骤将是检查数据集中的任意挖井点是否被粗差影响。进一步解释见图1。

图1示出了若干地震层位2，表示地质表面、井筒轨道4和若干挖井点6。在图1中，从上起第三个表面中的一个挖井点被粗差毁坏。挖井点由黑色实心圆点6标明。所有的表面已经根据邻近的挖井点被更新。由于粗差用作不正确的偏置，所以毁坏的挖井点不适合用于调整的表面中。粗差由粗黑线8来标明。

步骤3：测试系统误差。

单个测试指定组的挖井点的质量。这样的组的例子可以为某些井、海底基盘、层位和断层之中的挖井点。例如，可以通过连续测试每个井中的挖井点的3D坐标来执行测试。如果井被垂直误差或横向误差所毁坏，系统地影响了井的主要部分或整个井，这将会在这个步骤中进行检测。当数个挖井点被粗差毁坏时，测试尤其是相关的。这可能是当整个井关于其期望的位置以系统的方式被替换的实例。示例如图2所示。

这个测试与存在于步骤2中的测试相似，除了不是为每个观测值单个地估计粗差，而是为多于一个的挖井点同时估计和测试粗差。这样，对于步骤3，在向量c中多于一个的元素包括数字1（当测试垂直误差时），以便于依据偏置对同时影响了多于一个的挖井点的粗差的影响进行建模。

这个测试的假设可以通过如下进行公式化：

$H_0:\▿=0$ 和 $H_A:\▿\≠0$

注意在这种情况下的偏置可能表示在相同的井中的数个挖井点中的公共偏置，或者在相同的地震层位或断层中的数个挖井点的偏置。粗差可以由如下表达式被估计出

$\left[\begin{array}{c}\widehat{\mathrm{\β}}\\ {\widehat{\▿}}_i\end{array}\right]={\left({\left[\mathrm{Xc}\right]}^T{Q}_{\mathrm{ee}}^{-1}\right[\mathrm{Xc}\left]\right)}^{-1}{\left[\mathrm{Xc}\right]}^T{Q}_{\mathrm{ee}}^{-1}y$

式中，在这种情况下，在向量c中多于一个元素包括1。这些是对应于系统误差所涉及的挖井点的元素。

深度误差发生在井筒的上部的情况是不一定的。然而，在深度误差发生在井的进一步往下的其他挖井点的情况中，可以根据“尝试错误”法实施对系统误差的测试。通过对在所有的井中的挖井点的所有可能的顺序或其他特征系统地执行步骤3的测试，最严重的系统误差可能通过比较测试值而检测到。有超过测试极限的最高测试值的测试是最有可能的系统误差。

上述提到的过程还可以用于检测在横向坐标中的系统误差。另外，这个过程可以用于同时为整个井在北、东和垂直方向检测系统误差。在这个步骤中，应该测试在特定井或层位等中的所有挖井点的质量。此外，在数据集中的所有井应该被成功测试。注意，这个过程与步骤2中的过程具有相似性，除了测试涉及数个挖井点而不是一个单独的挖井点。

图2示出了与图1给出的示例相似的情况。然而，在这个情况中，粗差已经平等地影响了数个挖井点而不是一个单独的挖井点。当钻柱的测量深度已经被粗差影响时这种情况是典型的。挖井点由黑色实心圆点6标示，而粗差由粗线8标示。

步骤4：同时测试系统误差和粗差

在这个步骤中，成组的挖井点和单个的挖井点的质量同时通过一个单独的统计测试来测试。这样，这部分的质量控制对于同时检测数个粗差尤其有用，并且因此阻碍掩蔽效应，也就是在一个挖井点中的测试可能被在其他毁坏的挖井点中的误差所影响，正如在步骤2的单独挖井点测试中发生的那样。用户基于来自步骤1、2和3的结果的解释而选择单独的挖井点和/或多个挖井点。所选择的挖井点可以是未被步骤2和步骤3证明是粗差的挖井点，但用户怀疑其被粗差影响。该测试推断如果所选择的挖井点被从数据集中排除，它们是否将引起观测数据的整体质量的显著改进。对挖井点进行排他的单独测试或者包含被系统误差潜在地毁坏的数个挖井点的成组测试。

在用户怀疑挖井点中的系统误差和粗差以不能被步骤2和步骤3中的测试检测和识别的方式存在的情况下，这个测试将尤其有用。这可能是由于掩蔽效应，也就是，未被估计出的粗差掩蔽了估计出的粗差的效应。这可能是依据若干挖井点中的若干粗差，若干挖井点被毁坏，和/或系统误差存在于若干井中的情况。通过应用这个测试过程，用户能够同时估计所有这些误差的幅度，并且执行统计测试以确定所有这些挖井点是否能够同时被认为是粗差。重要的是注意到，虽然在所有所选择的挖井点中的误差被估计，但为所有这些挖井点计算一个单独的公共测试值。

注意，在这个测试方法中，并不像在步骤2和步骤3中那样以连续方式执行测试。在该测试中，我们为所有的估计误差计算一个公共测试值，对于若干挖井点计算系统测试值或者对于单独挖井点单个执行。

该测试可以概括成如下的步骤：

a）选择哪些挖井点要被用于排除测试。

b）挑选出哪些挖井点被认为在单个挖井点中呈现粗差，以及哪些组的挖井点被认为呈现系统误差。

c）在所选择的挖井点中估计误差

d）为所选择的挖井点计算公共的测试值。这个测试值是在之前的步骤（步骤c.）中估计出的误差的函数。

e）检查用于所选择的挖井点的公共测试值是否大于测试极限。如果是，则所选择的挖井点构成模型粗差并且应该从数据集中将其排除，否则就不用。

在以上的步骤c中，通过下列方程式估计误差（标记为）：

$\left[\begin{array}{c}\widehat{\mathrm{\β}}\\ \widehat{\▿}\end{array}\right]={\left({\left[\mathrm{XZ}\right]}^T{Q}_{\mathrm{ee}}^{-1}\right[\mathrm{XZ}\left]\right)}^{-1}{\left[\mathrm{XZ}\right]}^T{Q}_{\mathrm{ee}}^{-1}y$

式中向量包括参数（如坐标、速度参数等）的估计，并且为在某一方向上（北、东或者垂直）的粗差的估计的向量。向量y包含构成模型数据集的坐标和速度参数的观测值。系数矩阵X定义了未知参数β和y中的观测值之间的数学关系。系数矩阵Z定义了粗差和y中的观测值之间的关系，并且在上述步骤a和步骤b中详细说明。这个矩阵可以用于根据系数的选择而对任意类型的模型误差进行建模。

测试值T_i可以通过如下计算出：

$T_i=\frac{{\widehat{\▿}}^T{Q}_{\widehat{\▿}\widehat{\▿}}^{-1}\widehat{\▿}}{r\left(\frac{{\hat{e}}^T{Q}_{\text{ee}}^{-1}\hat{e}}{n-u}\right)}$

式中为估计的粗差的协方差矩阵，r为向量中元素的数量，是反应了初始的和调整的挖井点位置之间的匹配的残差的向量，并且n-u为自由度。

粗差测试可由如下假设被公式化：

$H_0:\▿=0$ 和 $H_A:\▿\≠0$

假设H₀声明了在数据中不存在粗差，也就是模型误差为0。可选的假设H_A声明模型误差与0不同。如果测试值大于测试极限，则结论为模型误差为粗差。测试极限依赖于可能性水平α，其定义了当事实上挖井点不是粗差时推断其是粗差的可接受的可能性。作为多种可能性水平的函数的测试极限可以在统计查找表中找到。通常使用的可能性水平为5%。测试值的分布必须等于测试极限的分布。

考虑图3所示的情况。粗线8示出了哪些挖井点被粗差毁坏。从左起第一个井被从上起第三个挖井点的一个单独的粗差毁坏。用户可以基于来自步骤2和步骤3的结果对此怀疑。误差的幅度已经在这些步骤中被估计。误差估计大得可疑，但是没有足够大以基于步骤2和步骤3而被排除。用户因此选择这个作为步骤4中的测试的备选。该情况对于从左起第二个井的最底层的挖井点是一样的，并且用户因此也选择这个挖井点。从左起第三个井中，之前测试的结果已经表明在三个挖井点中的系统转移。这个转移没有被之前的测试检测到。用户选择这些挖井点作为测试的备选，但选择认为它们是所有三个挖井点的公共误差，因为这个误差看起来是系统误差。相同的情况应用到图3中右手侧的井中的两个最上侧的挖井点中。在这个示例中，软件估计总共四个误差，其中两个是系统的。软件还计算出对于挖井点的这个选择是公共的一个单独的测试值，以确定是否应该将所有这些挖井点作为一组从数据集中排除。

在图3中，依照单个挖井点的误差和系统误差，数个挖井点被粗差所影响。当测量的深度已经被影响了井下数个挖井点的粗差所影响时，这可能导致在各自的挖井点中的相似转移。挖井点6由黑色实心圆点标明，而粗差由在井筒轨道4上的粗线8标明。

应用的实际示例

下述场景将有希望地证明在此描述的方法的有用性。该场景发生在挪威海的油田里。该油田由30个生产井和5个探井打孔。该油田的地层情况对于该地区是典型的，并且在Garn和IIe地层中发现了油藏。地震层位已经从随时间迁移的双向时间数据中被解释出。该油田是相对断层的。一些断层已经用双向时间解释出。已经为所有的地震层位和一些解释出的断层做出井的观测。

资产团队具有使用地震层速度转换地震层位和断层的深度。此外，层位、断层和挖井点中的位置不确定性，包括它们之间的依赖性都呈现在协方差矩阵中。通过调整使用层位和断层的井观测值转换层位和断层的深度来创建深度的结构模型。通过将协方差矩阵包括到最小二乘法平差方法中，来获取地震特征和3D的位置井数据的不确定性。软件工具已经应用于执行该调整。

质量检查

为了对深度转换模型的输入参数进行质量检查，执行在此描述的方法。执行全面的质量检查（步骤1），并且计算测试值。这个测试的假设是观测数据的初始不确定性是否在规定中。这个测试的测试值结果是10.3，这比上测试极限1.6高。这意味着在转换深度位置和挖井点位置之间关于不确定性和依赖性（相互关系）存在不一致性。更具体地，比测试极限高的测试值表明在一个或多个挖井点和相对应的层位或断层位置之间的偏差高于这些位置的不确定性范围，或者与之不协调。这是数据中存在不一致性的证据，但是不一致性的原因不是很清晰。

作为识别全面QC测试失败的原因的企图，为全部层位和断层执行每个单个挖井点的粗差测试（步骤2）。用于这个特定数据集的粗差测试的测试极限是2.9。数个挖井点的测试值高于极限，并且井A的挖井点展示出最高的测试值。在垂直方向上为井A中所有的挖井点计算出的偏置是正的并且大致为10米。此时，该过程将用于调查与最高测试值的挖井点相关联的输入数据。然而，在识别井A的垂直方向上的系统偏置之后，很自然的在那个井中的所有挖井点上执行系统粗差测试（步骤3），并且确定在这些挖井点中的公共偏置是否是粗差（也就是显著地不同于0）。在为油田中所有井运行了步骤3的测试之后，井A的A测试值为4.4。因为测试极限为2.1，所以这是测试值高于测试极限的唯一井。相对应的偏置被估计为10.1米。咨询测井工程师，并发现偏置的原因是在10米的基准高程中的误差。这解释了用于井A的挖井点的在垂直方向上的系统误差。

井A的勘测和挖井点位置被校正。随后，以测试值1.8运行全面的质量检查测试（步骤1），这仍然比上测试极限1.6高。因此用户知道在数据集中的一些其他挖井点可能被毁坏。基于步骤2的测试的结果，用户还将对此怀疑，因为一些挖井点的误差估计结果大得可疑（井B和井C），但没有足够大到对步骤2中它们各自的测试值有显著的影响。这也是用于对其他两个井，即井D和井E的步骤3的系统误差测试的情况。井B中的一个挖井点疑似被粗差所毁坏，该挖井点是从上起第二层位的第二个挖井点。用户可能已经根据步骤2对此怀疑，在步骤2中误差的幅度被估计为12.3米。这个误差估计大得可疑，尽管不足以大到根据步骤2的结果而被排除。然而，用户因此选择这个作为步骤4中的测试的备选。对于井C中最低的挖井点，情况是一样的，并且因此用户也选择这个挖井点作为测试的备选。在井D中，来自步骤3的结果已经表明在四个挖井点中的系统转移。这个转移对所有四个挖井点是往下方向的并且在幅度上估计为7米。然而，这个偏置（粗差）没有被步骤3中的测试检测出。在井E中同样存在对三个连续挖井点在往上方向的系统转移。

当用户要执行在步骤4中的质量控制测试时，所有提到的挖井点都必须从井B、C、D和E中选择。依照偏置，程序为井D中的实际挖井点估计公共转移，并为井E中的实际挖井点估计公共转移。程序还为井B和井C中的每个挖井点估计偏置。软件总共估计了四个误差，其中两个为系统的。最后，程序为所有这些挖井点计算公共的测试值。如果该测试值大于测试极限，则所有相关的挖井点必须从数据集中排除，以便于获得合理的数据质量。结论将会是所有这些挖井点一起构成由系统误差和单个挖井点中的粗差组成的模型误差。

勘测和挖井点位置被校正。随后，以测试值1.1运行全面的质量检查测试（步骤1），接受下极限为0.6而接受上极限为1.6。此外，以不高于测试极限2.9的测试值运行单独的挖井点粗差测试（步骤2）。系统井误差测试（步骤3）的运行没有任何测试值超过测试极限。这意味着输入位置、速度、不确定性和相互关系是一致的，并且深度转换结构模型被认为是有充分的质量。

结论

在这种情况下检测出的粗差将导致在结构模型中的显著误差。在井的基准高程中的偏置显著影响了由井A贯穿的层位和断层的位置。出于计划和钻孔操作的目的将结构模型应用于井中，而且先验不确定性模型被应用于油藏模型的历史匹配以及用于总体积的计算。井A仅仅贯穿油藏的上侧部分，并且偏置因此仅仅被引入到油藏的那个部分。随后，粗差在油藏的总体积计算中创建了偏置，这造成了在剩余储量的估计净现值中的显著误差。初始油藏不确定性模型基于结构模型。所以，在井的观测值中的粗差将会影响具有油田生产历史的油藏模型的历史匹配。历史匹配的油藏模型应用于预测油田的未来生产中。错误偏置的历史匹配的油藏模型将给出在估计的未来生产图中的误差以及油田的总值。

存在于本申请中的技术还允许基于多层深度转换技术在挖井点上检测粗差。然而，这与之前存在的技术有主要的不同：

深度转换技术本身是基于2.5D模型（称为成像射线跟踪或地图偏移；Hubral，1977）。这意味着模型从每个解释性的层位挖点以及一致的协方差模型来估计三个坐标。在倾斜层位的情况下，这个技术提供了层位位置的更精确的估计。然而，这个益处被成本所抵消。

本发明可被认为是用于QC的概念，QC包括数个类型的方法以提供数据质量的指示。由于一组观测点也可以被同时测试（系统误差，例如来自单个井的所有挖井点，或者来自相同层位的所有挖井点），所以QC并不局限于单个的挖井点，如两个之前的应用的情况。这个功能允许识别在模型校准期间可能产生的问题的原因。

本发明的方法和测试不局限于仅仅测试观测值是否为粗差，而且它们还能够为单独的和多个观测值及其相关联的不确定性估计粗差的大小。这是和现有技术的显著不同。测试方法的示例为：

在单个的挖井点中测试粗差

同时测试多个挖井点：

在相同的层位/断层中的数个挖井点

在相同井中的数个挖井点

在相同的井/层位/断层和单独的挖井点中的数个挖井点

测试在其他输入参数（例如速度模型参数）中的粗差

测试观测值的输入方差/协方差的不正确的先验性假定。这个可以被认为是全面的质量测试。

根据用户要求，QC在3D、2D或者1D中执行。

应用QC方法所需的输入为：

1.地下模型的先验不确定性（也就是，在调整井之前的感兴趣的层位和断层的位置的协方差矩阵）。

2.井的先验不确定性，也就是在它们被用于调整地下模型之前的井的不确定性。

3.残差，例如最小平方残差。这些仅仅是井的初始位置和更新位置之间的不同，以及初始的地下模型和更新的地下模型之间的位置不同。更新是指使用某一调整原则（如最小二乘法）来组合和调整井和地下模型时的情况。还需要残差的不确定性（协方差矩阵）。

4.指定为粗差的存在要测试哪些观测值测的矩阵。这个矩阵是定义是否应该为单独的观测值或者同时为数个观测值执行测试的模型。这个矩阵被称为规范矩阵（specification matrix）。

从商业性的软件包中可以获得输入。

来自本发明方法的输出可能为：

1.在井和地下模型中的初始位置中的误差的估计。估计误差的估计的不确定性也是输出。

2.用于评价估计误差是否为粗差的测试值。

所有的测试可用3D来执行。这依赖于可用的数据。然而，如有需要，测试可以应用于北、东和垂直方向中的任何一个。

本发明将有助于增加数个发明中的效率。本发明的可能使用的一些示例为：

井计划的QC

体积计算的QC

结构模型/油藏模型的历史匹配的QC

井操作的QC

地震解释的QC

钻井日志解释的QC

Claims (12)

1.一种评估地下位置数据和井筒位置数据的质量的方法，包括：

提供一种包括地下位置数据的地球地区的地下位置模型，其中在所述地下位置模型中的每个点具有通过概率分布表示的量化的位置不确定性；

提供一种包括从所述地区中的井的挖井点获得的井筒位置数据的井筒位置模型，每个挖井点对应于由在井中采取的测量确定的地质特征，其中在所述井筒位置模型中的每个点具有通过概率分布表示的量化的位置不确定性；

识别公共点，所述公共点中的每个包括在所述地下位置模型中与所述井筒位置数据的挖井点相对应的点；

为每个公共点导出表示位置不确定性的局部测试值；

选择所述公共点中的一些但不是全部，并根据所选择的公共点的所述局部测试值导出测试值；

为所选择的公共点提供位置误差测试极限；以及

将所述测试值与所述测试极限进行比较，以提供数据质量的评估。

2.根据权利要求1所述的方法，其中所选择的公共点涉及公共物理特征。

3.根据权利要求2所述的方法，其中所述公共物理特征包括下列其中之一：井、海底基盘、层位和断层。

4.根据权利要求1至3中任一项所述的方法，其中所选择的公共点涉及疑似共享系统误差的组。

5.根据权利要求1至3中任一项所述的方法，其中所选择的公共点包括那些已经被评估为具有不合要求的数据质量的点。

6.根据权利要求1至3中任一项所述的方法，

其中选择所述公共点的步骤包括：从所述井筒位置模型中选择待进行排除测试的挖井点；

并且所述方法进一步包括：如果所述测试值大于所述测试极限，则从所述井筒位置模型中排除所选择的挖井点。

7.根据权利要求6所述的方法，其中导出测试值的所述步骤包括：为所有所选择的挖井点仅计算单独的测试值。

8.根据权利要求6所述的方法，其中选择待进行排除测试的挖井点的所述步骤包括选择如下二者：

a)被认为是表示误差的单个的挖井点；以及

b)多组挖井点，其中每个这样的组被认为由影响组中全部挖井点的至少一个误差所影响。

9.根据权利要求6所述的方法，其中选择待进行排除测试的挖井点的所述步骤包括：从多于一个井中选择挖井点。

10.根据权利要求1至3中任一项所述的方法，进一步包括：通过调整所述地下位置模型和所述井筒位置模型两者中的至少一个而导出所述地区的更新的模型，使得每个公共点在所述地下位置模型和所述井筒位置模型中具有最可能的位置。

11.根据权利要求1至3中任一项所述的方法，其中所述地下位置数据从地震数据中获得。

12.根据权利要求1所述的方法，其进一步包括以迭代方式重复权利要求1所述方法的步骤。