CN103827698B - 集群三维油藏物性不确定性建模 - Google Patents

Abstract

在地下油气储层的每个三维网格单元处直接确定诸如水饱和度、孔隙度和渗透率之类的储层特性或属性。针对各个单元在一定范围的不确定度内产生基于来自储层的油藏物性测量结果和其它属性及储层的地下特征的原始数据的输入参数。用于各个单元的预测的输入参数被提供为油藏物性算法的处理输入。使用集群计算机来处理针对储层的各单元的在不同的可能不确定度测量结果下的输入参数，从而逐个单元地针对个有关储层属性确定许多可能的情形或结果。接着，可收集对不同情形所作的确定来作为储层网格的有关部分的假设模型，且评估假设模型以更准确地获得储层的乃至那些其中没有井与储层交叉的区域的储层属性。

Description

集群三维油藏物性不确定性建模

技术领域

本发明涉及已建模为三维网格单元的地下油气储层的计算机仿真，具体地，涉及针对储层模型中的各单元逐个单元地确定储层属性或特性。

背景技术

在石油和天然气工业中，地下油气储层的开发通常包括对计算机仿真模型的开发和分析。这些地下油气储层通常是包含石油流体混合物和水两者的复杂岩层。储层流体所含之物通常以两种或更多种的流体相存在。储层流体中的石油混合物是通过钻入这些岩层并在其中形成的井产生的。通过称作储层仿真建模来执行对储层流体性质及范围的仿真。本申请受让人所拥有的美国专利No.7,526,418就是储层仿真模拟的一个示例。

储层中岩层的性质和范围也随着储层变化，且岩层中的岩石的被称为特性或属性的某些性特征也变化。用所谓的地质建模来对岩层的属性、以及性质和范围进行分析。由地质模型提供的诸如水或油的饱和度、孔隙度和渗透率的属性在储层的规划与开发中很有价值。

石油和天然气公司已开始依赖地质模型，并将其作为一种提升开采石油储备能力的重要工具。储层以及石油/天然气田的地质模型变得越来越庞大和复杂。

就目前所知，业内复合储层仿真器的早期开发仅限于这样的储层模型，其足够小到以关注的储层所组织成的相对少(100,000的数量级)的单元为特征。

对于现今的巨型石油和天然气田而言，早期的模型在数据内容和精度方面已显得尤为粗糙。巨型储层指的是那些在包含油气和其它流体的大地上的不同位置处的庞大地下储层。由于储层的规模，单元数可从一个到数百万不等。

此外，以25-米(x和y)的面积间隔采样储层所得的具体地震数据的精度越来越高，这要求数亿至数十亿单元的模型来吸纳所有的可用细节，反过来这旨在得到更精确的储层模型并且导致更有效及高效的储层性能。

在本领域中，有许多被称作油藏物性算法(petrophysical algorithms)的可用的计算机实施的油藏物性建模方法，基于来自从储层中现有的井获取的地岩层岩心样本的数据，可用这些油藏物性建模方法来获取储层属性的测定结果。传统上，基于来自岩心样本从井中获得的数据，在各个井位置处应用这些油藏物性算法。然而，当表征及开发储层田时，需要建立覆盖整个三维储层的储层三维地质模型来为储层规划提供准确的模型。不在井位置处的绝大多数模型单元需要一些类型的插值技术来为这些绝大多数模型单元提供储层属性的值。在从已利用传统油藏物性算法计算得到的现有井的位置处的单元信息中获取的属性值之间应用插值技术。但是，地下岩层的属性随着储层中岩层的范围而变化。

在过去，当试图在没有井交叉的储层上的广大空间中导出模型属性时，采用了基于少数可用的数据点的均值法。通常，插值法或均值法一般不能得到按照油藏物性算法计算所得的准确性。因而，在表示储层通常复杂的结构性质时，采用这种技术得到的属性值缺乏准确性。这在涉及巨型储层时尤为严重。

因此，就目前所知，诸如渗透率之类的基本储层特性当前在利用一些经验函数来建立地质模型时计算得到，或者由通常极少的具有实际井信息的可用位置插值得到。地质模型的规模通常在用于小型储层的数万个单元变化到用于巨型储层的数亿个单元的范围内。就目前所知，现有的均值法或插值法没有在复杂的储层中提供足够的细节或精度。

发明内容

简要地说，本发明提供一种新的且改进的在计算机系统中进行计算机仿真的计算机实施方法，该计算机系统包含至少一个主节点和多个处理器节点。所形成的储层模型具有地下储层结构的特性。将被仿真的储层模型划分为以单元的组织体系排列的许多个单元，且仿真进一步是基于储层的各单元的输入参数的投影值进行的。该输入参数的投影值是随机产生的，且相对于统计标准具有指定的不确定度。根据本发明的计算机实施方法包括在主节点处接收关于各单元和储层的地下特征的投影输入参数数据，且将油藏物性算法传送给各处理器节点以用来确定各储层单元的特性的假设值。来自主节点的用于各个单元的输入参数数据在多个处理器节点中分发。在各个处理器节点中确定用于各个储层单元的储层特性的假设值。一旦完成了由各个处理器节点执行的确定步骤，就将所确定的用于各单元的储层特性的假设值从各处理器节点传送至主节点以存储在数据存储器中。针对储层模型中有关单元重复分发、确定和传送步骤，并且收集储层中有关单元的储层特性的假设值。

本发明还提供一种新的且改进的数据处理系统，该数据处理系统用于对地下储层结构的属性的储层模型进行计算机仿真。将被仿真的储层模型划分为位于以单元的组织体系排列的许多个单元，且仿真进一步是基于储层的各单元的输入参数的投影值进行的。该输入参数的投影值是随机产生的，且具有指定的不确定度。该数据处理系统包括主节点，该主节点接收关于各单元和储层的地下特征的投影输入参数数据并将油藏物性算法传送给各处理器节点以用来确定各储层单元的特性的假设值。主节点还将来自主节点的用于各个单元的投影输入参数数据在处理器节点中分发。这些处理器节点在各个处理器节点处针对各个储层单元确定储层特性的假设值，且在各个处理器节点为各个单元完成确定步骤时，将针对各单元确定的储层特性的假设值传送给主节点以存储在数据存储器中。主节点和各处理器节点针对储层模型中各有关单元重复分配、确定和传送的步骤，且主节点将用于储层中各有关单元的储层特性的假设值收集在存储器中。

本发明进一步提供一种新的且改进的数据存储设备，该数据存储设备上具有存于计算机可读介质中的计算机可操作指令以用于使数据处理系统对地下储层结构的特性的储层模型进行仿真，该数据处理系统包含至少一个主节点和多个处理器节点。将被仿真的储层模型划分为以单元的组织体系排列的多个单元，且仿真进一步是基于用于储层的各单元的输入参数的投影值进行的。该输入参数的投影值是随机产生的，且具有指定的不确定度。存储在数据存储设备上的指令使数据处理系统在主节点中接收关于各单元和储层的地下特征的输入参数投影数据并将油藏物性算法传送给处理器节点以用来确定各储层单元的特性的假设值。该指令进一步使主节点将来自主节点的用于各个单元的输入参数投影数据在多个处理器节点中分发。该指令进一步使得在各个处理器节点中针对各个储层单元确定其储层特性的假设值。该指令进一步使得一旦完成由各个处理器节点执行的确定步骤，就将所确定的用于各单元的储层特性的假设值从各处理器节点传送给主节点以存储在数据存储器中。该指令进一步使数据处理系统针对储层模型中有关单元重复分配、确定和传送的步骤，且将用于储层中有关单元的储层特性的假设值收集在存储器中。

附图说明

图1是根据本发明的在集群计算机中执行的一组数据处理步骤的功能框图，该组步骤用于确定地下地层的储层属性。

图2是根据本发明的用于确定地下地层的储层属性的数据处理系统的示意性框图。

图3是根据本发明的被配置为确定地下地层的储层属性的图2的数据处理系统的功能框图。

图4是根据本发明的在集群计算机中执行的一组数据处理步骤的功能框图，该组步骤用于不确定性建模以及确定地下地层的储层属性。

图5是根据本发明的用于确定作为地下地层一种储层属性的粗化水(upscaledwater)饱和度的过程示意图。

图6是根据本发明得到的地下地层的储层孔隙度属性的显示图。

图7是根据本发明得到的地下地层的储层渗透率属性的输出显示图。

图8是根据现有处理技术得到的地下地层的储层渗透率属性的输出显示图。

图9是根据本发明得到的与图8显示的地下地层相同的地下地层的储层渗透率属性的输出显示图。

具体实施方式

在储层建模中，为了分析储层成分的性质和特征，惯常做法是形成地下油气储层模型，包括储层的岩层或各层的性质和特征的地质模型以及岩石中包含的流体的地质模型。地质模型和储层仿真模型对于储层产品的规划仿真和产品的充分开采都非常重要。常见规模和复杂度的地下储层模型的示例在如前所提到的美国专利No.7,526,418示出。本发明为具有这种规模和复杂度的储层提供了地质模型。在该地质模型中每个单元中的岩层的诸如水饱和度S_w、孔隙度φ及渗透率μ之类的岩层属性或特性将有价值的信息传递给关于储层的岩层或各层的性质和特征以及岩石中包含的流体的储层分析者。

如前所述，为了提供更为精确的储层模型并得到更精确的分析进而获得更加有效和高效的储层性能，现在需要数亿乃至数十亿的单元模型来吸纳所有可用的细节。

通常，这种在期望的储层寿命内仿真产品数据的类型的储层的示例就是本领域技术人员所知的巨型储层。巨型储层在其地下范围内可以有数英里的长度、宽度和深度，例如，具有三千亿立方英尺数量级的体积或大小。

该模型被划分为许多个适当尺寸的单元。为分析目的，将储层体积划分为所谓的地震级(seismic-scale)的单元时，一般的单元在储层的公共参考平面上沿横向或面积尺寸(areal dimensions)均为大约80英尺。在一些模型中，在储层中那个位置处单元的厚度可以是十五或小于十五英尺深或厚，甚至更小，小到0.5英尺。

因此，储层模型是由具有这样尺寸的一百万个或更多的单元形成。注意，就地震级数据而言，单元的数量可达到上述数据的数百或更多倍。

然而，在这种规模的储层仿真中，仅从储层中现有的井采集的岩心样本可获得来自储层的实际数据或测量结果，该实际数据或测量结果可用于获得有关类型的储层特性或属性的实际测量结果。因此，绝大部分的储层没有井交叉。以前曾采用基于少数可用数据点的均值法。因而，在表示储层的通常复杂的结构性质时，采用这种技术得到的属性值缺乏准确性。这种情况在涉及巨型储层时尤为严重。

根据本发明，在地下油气藏的三维网格的每个单元处直接确定诸如水饱和度、孔隙度和渗透率之类的储层特性或属性。针对各单元在一定的不确定性范围内产生基于来自储层的油藏物性测量结果和其它属性及储层的地下特征的原始数据的输入参数。将各个单元的预测的输入参数提供为油藏物性算法的处理输入。如下文将述，由配置为集群计算机的数据处理系统D(图2和图3)来实现用于确定有关储层特性的油藏物性算法。然后，集群计算机的数据处理节点确定各个储层单元的特性的假设值的特性。

以针对储层各单元的可能不确定性的不同测量结果来呈现输入参数，并且在处理器集群计算机节点间分发这些输入参数，从而针对有关储层属性逐个单元地确定多种可能的情形或结果。然后，将针对不同情形的确定结果传送给集群计算机数据处理系统的主节点，且收集这些确定结果作为储层网格中有关部分的假设模型。接着，对假设模型进行评估以更精确地获得整个储层甚至那些没有井与储层交叉的区域的储层属性。

流程图F(图1)表示本发明的基本计算机处理序列以及根据本发明的针对储层特性或属性进行的集群计算。针对正建模的储层中的有关岩层的每个储层特性或属性分别执行流程图F的处理序列。

当前运行数据准备(步骤10)：通过将总体参数读入为输入数据，开始根据本发明的集群油藏物性不确定性建模。在步骤10中读入的总体参数包括如下：岩石类型、岩石类型的孔隙度、井孔隙入口大小，各个单元在x、y及z方向上的尺寸和位置；来自岩心样本数据的油藏物性测量结果和已知的属性值；以及可从在已获得实际数据的储层区域中的测井记录得到的数据。

数据调节(步骤12)：在步骤12中，对输入数据进行评估然后进行格式化，以用于接下来的步骤中的集群计算。如果在数据调节步骤12期间在输入数据中检测到错误和不规则性，则处理转到数据定制步骤14。在大量没有检测到错误和不规则性的情况中，处理从数据调节步骤12进行到特性确定数据处理步骤16。

数据定制(步骤14)：在仿真开始之前，评估并分析初始输入数据。去除任何被确定为错误的输入数据，且处理返回到步骤10。

特性确定(步骤16)：在步骤16中，由各处理器节点36针对储层模型的每个单元执行集群计算。如前所述，根据本发明，有关特性或属性是储层模型的每个单元中的岩层的水饱和度S_w、孔隙度φ和渗透率μ。对于有关各种储层岩层特性或属性的确定，有许多常规和商用的油藏物性算法或计算机处理程序。

就目前所知，在过去，基于测井测量结果，使用这样的油藏物性算法来导出沿井轨迹方向的特定深度处的信息。严格来说，这些信息局限于那些穿透和暴露至与井接近的储层条件的区域。实际上，特别是在巨型储层中，储层的体积远比获得了日志数据的区域大。在本发明中，使用油藏物性算法来针对各储层特性确定假设值，这些储层特性遍布于覆盖整个储层空间的三维地质建模环境中的储层上。如前所述，典型的储层通常具有数亿个单元。

插入(Plug-In)算法(步骤18)：在特性确定序列16的步骤18中，针对每个处理器节点34调用或启动用于确定各种储层岩层特性或属性的油藏物性算法或计算机处理程序。

并行节点处理(步骤20)：在步骤20中，主节点30使各处理器节点34在集群计算配置中进行并行处理从而为三维储层模型的每个单元确定假设值。如下将述，在执行步骤20时，主节点30在各处理器节点34的集群中分发处理。

算法选项(步骤22)：在步骤22中，评估单元特性的计算值以确定在适当次的处理计算之后该值是否收敛。如果该计算值不能实现收敛，则处理转入步骤24。如果正实现收敛，则处理进入步骤26。

新迭代(步骤24)：如果在步骤22中没有检测到计算值的收敛，则表明需要进行用于确定各单元中有关特性的新的迭代。因此，处理返回到数据调节步骤12并且使用一组新的建议值。

最终插值(步骤26)：当算法选项步骤22表明针对单元特性的计算值收敛时，则将该值表示为该单元的特性的最终计算值。然后，将该特性的最终计算值分发到存于数据处理系统P的存储器中的储层模型中。

根据本发明，如图2示意图所示，在数据处理系统P中，用中央处理单元(CPU)32的主节点30和一组处理器节点34根据流程图F的处理技术来进行储层属性或特性的集群计算。因此，为了将储层的不确定性建模细分为多个单独的集群计算任务，使用了多个计算处理器节点，从而使得每个处理器节点34接收为其分发的针对各个单元的数据，且每个处理器节点34独立于其它同步运行的处理器节点执行油藏物性算法。当各个处理器节点34完成对一个单元的处理时，将经处理的数据结果传送回主节点30，并且主节点分发回用于储层模型中的另一有关单元的新数据。因此，依据所涉及的处理器节点的数目，针对根据本发明的集群计算，主节点30将计算负担分配给这些处理器节点。

现在来考虑基于本发明的数据处理系统，如图2所示，提供了数据处理系统P，用于利用群集计算和在地下油气储层的每个三维网格单元处进行的确定来对诸如水饱和度、孔隙度和渗透率之类的储层特性或属性进行根据本发明的计算机仿真。数据处理系统P包括一个或多个中央处理单元或CPU′32。该CPU或CPU′32具有与其相关联的储层存储器或数据库36，以用于存储总体输入参数、来自井的岩心样本数据、单元组织数据和信息，以及数据处理结果。与CPU32可操作性连接的用户接口38包括用于显示图形图像的图形显示器40、打印机或其它适当的图像形成机构、以及用户输入设备42，从而提供进行操控、访问的用户访问，以及提供处理结果、数据库记录和其它信息的输出结构。

储层存储器或数据库36通常在外部数据存储计算机48的存储器46中。如下将述，插入数据库36包括：含有模型中各单元的结构、位置和组织的数据；以及包括总体输入参数、来自井的岩心样本数据；单元组织数据和信息、以及数据处理结果在内的数据，这些数据用于以下将描述的储层仿真。

数据处理系统P的CPU或计算机32包括主节点30和耦接至主节点30的内部存储器52，内部存储器52用于存储操作指令和控制信息，并且根据需要用作存储或传输缓冲器。数据处理系统P包括存储在存储器52中的程序代码54。如下将述，根据本发明，以计算机可操作指令的形式存在的程序代码54使主节点30来回地传送数据和指令以用于处理器节点的处理，从而逐个单元地针对储层中的各个单元进行储层特性或属性的仿真。

需要注意的是，程序代码54可以为微代码、程序、例行程序、或者计算机可操作的符号语言的形式，用于提供一组特定的有序操作来控制数据处理系统P的功能并指导其操作。程序代码54的指令可存于存储器52中，或可存于计算机磁盘、磁带、传统的硬盘驱动器、电子只读存储器、光学存储设备或其上存有计算机可用介质的其它适当的数据存储设备上。程序代码54还可包含在作为计算机可读介质的数据存储设备上。

处理器节点34是通用的、可编程的数据处理单元，其可被编程来执行如上文所述的油藏物性算法并针对储层中的各个单元逐个单元地进行储层特性或属性的仿真。各处理器节点34在主节点30的控制下进行操作，且处理结果代表了基于不确定性的假设测量结果的针对该单元的储层特性或属性的假设测量结果。然后收集针对有关各个单元得到的处理结果，以形成附图中的示例所示类型的储层模型。

尽管本发明不依赖于所使用的特定的计算机硬件，但本发明的示例性实施例优选基于HP Linux集群计算机的主节点30和处理器节点34。然而，应当理解的是，同样可以使用其它的计算机硬件。

如上文所述，特性确定步骤16的步骤18、20、22及26是在处理器节点的集群计算机配置中执行的。数据处理系统P的主节点30使处理器节点34执行集群计算或并行处理，并且逐个单元地针对每个三维储层模型单元确定假设值。由主节点30逐个单元地为各个处理器节点34分配数据和单元信息。当各个处理器节点34完成针对一个指定单元的处理时，将处理结果传送回主节点34。作为响应，由主节点30再传送用于另一单元的数据和单元信息。

因此，处理器节点34作为集群计算机，每个处理器节点34与其它处理器节点34独立且同时地针对指定单元计算地下储层结构的特性或属性的假设值。主节点30和处理器节点34重复这个过程直到针对储层模型中的每个有关单元都计算出了假设值为止。这个模型可以是储层中选择的区域或一组岩层，或者可以是整个储层。

图3所示的是根据本发明的由主节点30和处理器节点34执行的集群计算的示意图。主节点30被配置为提供、指导和控制数据和控制指令的流动，并且调节去往以及来自处理器节点34的数据和指令的传输。主节点30还提供一定组织、数据管理和运算负荷监控以及管理功能。

主节点30包括如40所示的主用户输入接口功能。主用户输入接口40通过指定给三维储层模型的当前各单元的唯一标识符指示器来对它们进行识别。主用户输入接口40还提供用于对要处理的每个单元逐个单元地进行特性计算所需的输入参数。为了平滑之前针对当前单元所计算的特性，主用户输入接口40进一步识别需要执行的迭代的次数。如上文所述，主节点30还执行最终插值步骤26的处理。

在集群计算期间，根据需要，在主节点30中如42所示的分配器功能块将当前单元特性计算处理分发或分配给不同处理器节点34中的每一个。如图3所示，分配器42控制数据、状态信息及特性值计算结果在处理器节点34与主节点30间的交换和传送。为了保留各个节点34的状态与配置文件(profile)的记录，主节点30的分配器42还从每个处理器节点34接收反馈状态信息。分配器42还将新计算出的特性值从处理器节点34传送给主用户接口，以用于最终的插值处理并存储在数据库36中。

主节点30的组织器功能块44与分配器42一起保留每个处理器节点34的当前操作状态或配置文件的标识。主节点30还包括动态负载平衡器功能块46，其与组织器44一起来定位接下来可用于进行处理以确定针对单元计算的储层特性的处理器节点34。

图4是示出由根据本发明的计算机仿真进行的对地下储层结构的一套或一组属性或特性的储层模型的总体或综合不确定性建模的示意图，该建模基于储层的各单元的输入参数的预测值，并且输入参数的预测值是随机产生的且具有指定的不确定度。如60所示，提供了总体参数。该总体参数包括：用于识别有关区域是整个储层、特定的一组地层、还是储层的一段或一部分的对象；以及由将执行的不确定性运行(uncertainty run)仿真的属性或特性的特性名称或类型。

如步骤62所示，针对在步骤60中所识别的每个特性执行上述如图3所示的处理。在步骤64中，针对将确定的对象的每个不确定性运行或模型执行如上所述且由图1所示的数据调节和数据再定位。步骤66用来指定仿真域。在该步骤期间提供的结果包括用于指示有关储层区域的储层特性的数据，其中所述有关储层可以是整个储层或某些有关区域或岩层。此外，仿真提供了用来指示仿真的数据分布的常见类型的柱状图。还对仿真结果进行验证以确保该结果遵循适合于流动仿真(flow simulation)的空间变异性。从仿真域步骤66得到的处理结果使得具有替代实现的不确定性评估成为可能。

在步骤68中，基于所选择的油藏物性处理算法及其选项和参数，由各处理器节点34对指定对象逐个单元地进行图1的步骤20中示出的并行处理或集群计算过程。在步骤70中，将用于该对象的各单元的储层属性数据的转移矩阵收集到数据处理系统P的存储器中。在步骤72中，为仿真控制和评估形成了针对各种特定的不确定度的储层属性或特性的整套假设值的显示。

图5示意性地显示了根据本发明的用于确定作为一种储层属性的粗化(upscaled)水饱和度S_wUP的假设值的示例过程。输入参数包括：如74a所示的现场的原油、盐水和岩石特性；孔隙架构74b；历史的自由水面及残油数据74c；湿润性变化74d；指示粗化(upscaling)性质的参数74e；以及多个岩层孔隙系统的性质和存在74f，主节点30将这些输入参数与油藏物性处理算法一起提供给各处理器节点34以用于确定粗化水饱和度。将各处理器节点34逐个单元确定的粗化水饱和度的假设值传送给主节点30，且在主节点30处针对该对象组织和收集这些假设值并将这些假设值存于存储器中。如步骤76所示，然后可形成对粗化水饱和度的显示。

图6是实际的地下储层中有关某地下岩石结构或岩层的孔隙度模型的示例显示，其中该模型是基于一种可能的不确定度而获得的。根据本发明，对相同的地下结构就不同的不确定度执行大量的不确定性运行，且获得各种运行的不确定性模型结果的显示。然后，储层分析者可获得有关岩层的一些不同的不确定性度的孔隙度模型的显示以进行评估和比较。因此，可得到针对不同情况进行的确定，来作为储层网格中有关部分的假设模型。接着，可对假设模型进行评估从而更精确地获得储层、乃至其中没有井与储层交叉的区域的储层属性。然后，基于经验及油田数据，可选择和使用对分析者而言最精确地代表实际属性的孔隙度模型。

图7是实际的地下储层中有关某地下岩石结构或岩层的另一属性(渗透率)的模型的示例显示，其中该模型是基于一种可能的不确定性度而获得的。同样，根据本发明，对相同的地下结构就不同的不确定度执行大量的不确定性运行，且获得形式与图7类似的各种运行的结果的显示。然后，储层分析者可获得关于有关岩层的一些不同不确定度的渗透率模型的显示以进行评估和比较。然后，基于经验及油田数据，可选择和使用最精确地代表实际属性的渗透率模型。

图8是实际的地下储层中有关某地下岩石结构或岩层82的各单元模型80的显示示图，其显示了计算出的渗透率。图8中显示的渗透率值是根据已知的现有技术中的插值技术、基于从储层中现有井的位置处的单元信息中得到的。向下延伸至岩层82且在一些情况下延伸穿透岩层82的垂直线84代表与表面处的井口连通的现有井。

作为比较，图9是实际的地下储层中与图8相同的有关某地下岩石结构或岩层82的模型90的显示示图，其显示了计算出的渗透率。在图9中，针对模型90的各单元所显示的渗透率值是根据利用不确定性建模和集群计算的本发明来确定的。渗透率测量结果代表了针对模型中每个单元的最新的渗透率Thomeer处理值。由于数据容量的原因，执行根据图3所示方式的集群计算从而针对大量不确定性运行确定渗透率，且图9代表可能的精确模型。

图9的模型所显示的数据已被确定为统计可靠的，并且是有关储层结构的渗透率的合适代表。基于对图8和图9渗透率模型的比较，需要注意的是图9的模型呈现了有关储层结构中的更高渗透率的结构。对实际样本进行的井测试已证实图9的渗透率测量结果事实上更精确的表示了有关地下结构的实际渗透率。

由此可见，本发明使用分布式集群计算平台提供了地下岩层结构的每一个三维模型单元处的储层属性和不确定性的直接计算的意想不到的且有利的特点。本发明所得的结果可用于多种目的，例如油田开发、储层仿真、井规划、鉴定、地质建模以及其它油藏物性分析的目的。

已充分地描述了本发明，使得本领域的普通技术人员可以再现并且获得本文所提及的结果。然而，本领域的技术人员可以根据需要对本发明的主题执行本说明书中未描述的修改，以将这些修改应用在确定的结构中，或应用在确定结构的制造工艺中，因此要求本发明权利要求中所要求保护的主题。所述结构将包含在本发明的保护范围内。

需要注意并理解的是，在不脱离所附权利要求所述的本发明的精神或范围的情况下，可对以上详述的本发明进行改进和修改。

Claims (20)

1.一种在计算机系统中对地下储层结构的储层特性的储层模型进行计算机仿真的计算机实施方法，所述计算机系统包括主节点、多个处理器节点和数据存储器，被仿真的储层模型被划分为以单元的组织体系排列的许多单元，所述仿真进一步是基于油藏物性算法进行的，该油藏物性算法根据用于所述储层模型的各单元的输入参数的预测值来确定所述储层特性，所述输入参数的预测值是随机产生的并且具有指定的不确定度，所述方法包括如下计算机处理步骤：

(a)在所述主节点中接收关于所述各单元和所述储层的地下特征的输入参数数据；

(b)将所述油藏物性算法从所述主节点传送给所述各处理器节点以用于确定储层模型的各单元的特性的假设值；

(c)将来自所述主节点的用于所述储层模型的各单元的所述输入参数数据在所述多个处理器节点中进行分发；

(d)根据所传送的油藏物性算法和输入参数的不同预测值，在各个处理器节点中确定针对所述储层模型的各单元的储层特性的假设值；

(e)一旦完成了由各个处理器节点执行的确定步骤，就将针对所述储层模型的各单元的储层特性所确定的各假设值从各处理器节点传送给所述主节点以存储于数据存储器中；以及

(f)将针对所述储层模型的各单元的储层特性所确定的假设值收集在所述数据存储器中。

2.如权利要求1所述的计算机实施方法，其中所述储层特性包括所述储层模型的各单元的水饱和度。

3.如权利要求1所述的计算机实施方法，其中所述储层特性包括所述储层模型的各单元的孔隙度。

4.如权利要求1所述的计算机实施方法，其中所述储层特性包括所述储层模型的各单元的渗透率。

5.如权利要求1所述的计算机实施方法，其中一旦完成确定所述储层特性的假设值的步骤，各个处理器节点向所述主节点传送指示，并且其中所述主节点作为响应而执行如下步骤：

响应于传送自各处理节点的所述指示，将输入参数的另一预测值的输入参数数据分发给各处理器节点。

6.如权利要求1所述的计算机实施方法，还包括如下步骤：

针对所述储层模型的各单元重复分发、确定和传送的步骤，直到针对所述储层模型的各单元中的每一个确定并传送了假设值。

7.如权利要求6所述的计算机实施方法，其中所述计算机包括图形显示设备，并且所述计算机实施方法进一步包括如下步骤：

形成针对所述储层模型的各单元的储层特性所确定的假设值的输出显示。

8.如权利要求1所述的计算机实施方法，其中，所述计算机系统包括多个主节点，并且其中所述接收步骤包括如下步骤：

在所述多个主节点中的至少一个主节点中接收关于所述各单元和所述储层的地下特征的输入参数数据。

9.如权利要求1所述的计算机实施方法，其中，所述单元的组织体系包括：储层模型中的各单元，这些单元靠近井并且具有关于可从井日志数据获得的地下特征的输入参数数据；和与所述各单元分离的其余单元，其不具有可从所述井日志数据获得的关于地下特征的输入参数数据，并且其中：

所述接收步骤包括：接收用于靠近井的各单元的可从所述井日志数据获得的输入参数数据；以及

所述确定步骤包括：根据所传送的油藏物性算法和各输入参数的不同预测值，在各个处理节点中确定针对整个储层模型中的各储层单元的储层特性的假设值。

10.如权利要求1所述的计算机实施方法，其中，所述储层特性选自由以下项构成的组：所述储层模型的各单元的水饱和度、孔隙度和渗透率。

11.一种用于对地下储层结构的储层特性的储层模型进行计算机仿真的数据处理系统，被仿真的储层模型被划分为以单元的组织体系排列的许多单元，所述仿真进一步是基于油藏物性算法进行的，该油藏物性算法根据针对所述储层模型的各单元的输入参数的预测值来确定所述储层特性，所述输入参数的预测值是随机产生的并且具有指定的不确定度，所述数据处理系统包括：

(a)主节点，其用于执行如下步骤：

(1)在所述主节点中接收关于各单元和所述储层的地下特征的输入参数数据；

(2)将油藏物性算法从所述主节点传送给多个处理器节点以用于确定所述储层模型的各单元的特性的假设值；

(3)将来自所述主节点的针对所述储层模型的各单元的所述输入参数数据在所述多个处理器节点中进行分发；

(b)数据存储器；

(c)所述多个处理器节点，其用于执行如下步骤：

(1)根据所传送的油藏物性算法和各参数的不同预测值，在各个处理器节点中确定针对所述储层模型的各单元的储层特性的假设值；

(2)一旦完成由各个处理器节点执行的确定步骤，就将针对所述储层模型的各单元的储层特性所确定的假设值从各处理器节点传送给所述主节点以存储于所述数据存储器中；

(d)所述主节点进一步执行步骤：

将针对所述储层模型的各单元的储层特性所确定的假设值收集在所述数据存储器中。

12.如权利要求11所述的数据处理系统，进一步包括：

图形显示设备，其形成针对所述储层模型的各单元的储层特性所确定的假设值的输出显示。

13.如权利要求11所述的数据处理系统，其中所述储层特性包括所述储层模型的各单元的水饱和度。

14.如权利要求11所述的数据处理系统，其中所述储层特性包括所述储层模型的各单元的孔隙度。

15.如权利要求11所述的数据处理系统，其中所述储层特性包括所述储层模型的各单元的渗透率。

16.如权利要求11所述的数据处理系统，其中一旦完成确定所述储层特性的假设值的步骤，各个处理器节点向所述主节点传送指示，并且其中所述主节点作为响应而执行如下步骤：

响应于传送自各处理节点的所述指示，将用于输入参数的另一预测值的输入参数数据分发给各处理器节点。

17.如权利要求11所述的数据处理系统，其中，所述主节点和各处理节点执行如下步骤：重复针对所述储层模型中的有关各单元的分发、确定和传送的步骤。

18.如权利要求11所述的数据处理系统，还包括多个主节点，所述多个主节点中的至少一个主节点执行如下步骤：接收关于所述各单元和所述储层的地下特征的输入参数数据。

19.如权利要求11所述的数据处理系统，其中，所述单元的组织体系包括：储层模型中的各单元，这些单元靠近井并且具有关于可从井日志数据获得的地下特征的输入参数数据；和远离所述井的其余单元，其不具有可从所述井日志数据获得的关于地下特征的输入参数数据，并且其中：

所述主节点执行如下接收步骤：接收靠近井的各单元的可从所述井日志数据获得的输入参数数据；以及

所述处理节点执行如下确定步骤：根据所传送的油藏物性算法和各输入参数的不同预测值，在各个处理节点中确定针对整个储层模型中的各储层单元的所述储层特性的假设值。

20.如权利要求11所述的数据处理系统，其中，所述储层特性选自由以下项构成的组：所述储层模型的各单元的水饱和度、孔隙度和渗透率。