CN105247546A - 确定用于井动态优化的井参数 - Google Patents
确定用于井动态优化的井参数 Download PDFInfo
- Publication number
- CN105247546A CN105247546A CN201480030059.3A CN201480030059A CN105247546A CN 105247546 A CN105247546 A CN 105247546A CN 201480030059 A CN201480030059 A CN 201480030059A CN 105247546 A CN105247546 A CN 105247546A
- Authority
- CN
- China
- Prior art keywords
- well
- oil
- parameter combinations
- computing system
- gas
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000003921 oil Substances 0.000 claims description 172
- 238000004519 manufacturing process Methods 0.000 claims description 116
- 239000012530 fluid Substances 0.000 claims description 29
- 238000005516 engineering process Methods 0.000 claims description 25
- 238000005553 drilling Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 239000010698 whale oil Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 abstract description 14
- 150000002430 hydrocarbons Chemical class 0.000 abstract description 14
- 239000004215 Carbon black (E152) Substances 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 150
- 238000013461 design Methods 0.000 description 26
- 238000012938 design process Methods 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 13
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000011161 development Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000011435 rock Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000035699 permeability Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000005755 formation reaction Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- 230000000638 stimulation Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 229910001868 water Inorganic materials 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- QGJOPFRUJISHPQ-UHFFFAOYSA-N Carbon disulfide Chemical compound S=C=S QGJOPFRUJISHPQ-UHFFFAOYSA-N 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical compound [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000012266 salt solution Substances 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Stored Programmes (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
Abstract
一种用于为井动态的优化确定井参数的系统和方法。该方法包括：经由计算系统，基于对应于要在其中钻井的油气田的油气田数据来训练井动态预测器。该方法还包括：经由计算系统，为井生成多个候选井参数组合，以及经由计算系统，利用经训练的井动态预测器为每个候选井参数组合预测井动态。该方法还包括：经由计算系统，为井确定经优化的井参数组合以使得预测的井动态被最大化。
Description
相关申请的交叉引用
本申请要求2013年6月10日提交的题为“DETERMINGWELLPARAMETERSFOROPTIMIZATIONOFWELLPERFORMANCE(确定用于井动态优化的井参数)”的美国临时专利申请61/833,368的权益，通过引用将其全部内容并入本文。
技术领域
本技术针对用于确定用于井动态优化的井参数的系统和方法。更具体而言，本技术针对用于基于预测的井动态确定井的定位、钻探和完成的合适的参数组合的系统和方法。
背景技术
这部分意在介绍可能与本技术的示例性实施例相关联的本领域的各个方面。相信这种讨论有助于提供便于更好地理解本技术的特定方面的框架。因此，应该理解，这部分应当就此来阅读，并且不一定是作为对现有技术的承认。
油气生产(hydrocarbonproduction)涉及许多昂贵的活动，这些活动在所产生的油气的量和质量已知之前开始进行。例如，井设计(wellplanning)是决定钻井位置以及钻井和完井方式的复杂过程。运营商通常获取油气生产区(即油气田)当中的面积，并且钻井到储层的至少一个含油气区。然后，以有利于油气从储层中移动和有利于油气运输到地面的方式进行完井。
在井设计期间，做出关于参数的许多复杂的决定，参数诸如井位置；水平井段的深度、长度和朝向；用于井的水力压裂级数；将要用于井的增产液的量和性质；将要在井中使用的支撑剂的量和性质；等。油气田开发团队通常基于给定井的潜在油气产量确定这种参数。此外，油气田开发团队依靠关于远景区域的信息、现有的地质和工程设计知识以及过去的经验来做出这种决定。例如，油气田开发团队可以依靠关于油气田模拟的信息、来自同一区域内较老井的生产数据、关于各种参数之间的复杂相互作用的信息以及过去的工程研究来做出这种决定。但是，这种信息受到不确定性的制约。
此外，在井设计过程期间也可以考虑附加的外部因素。这些外部因素可以包括关于土地权利获取以及来自计划的商品价格的预期收入流的信息。这些外部因素进一步构成复杂的井设计过程。
根据当前的实践，分而治之的方法常常被用于井设计过程。以这种方式，具体的地质因素、工程设计因素和经济因素从总体井设计过程分离，并且在单独的过程中被优化。这使得几个专门的团队关于井参数的具体子集做出决定。但是，这种方法没有考虑到地下和工程设计的相互作用，或相关联的不确定性。此外，这种方法通常忽视了参数之间(尤其是被不同团队分别研究的参数之间)的有用的相关性。另外，每个专业团队在决策过程中可能心里有用于井设计的稍不同的目标。例如，地质学家可能寻求具有最大原地储备的地点，完井工程师可能尝试最大化油气产量，而运营工程师可能尝试最小化成本。这导致未充分满足公司的期望总体目标的井设计。
此外，根据目前的技术，物理建模技术常常被用来在井设计过程期间估计某些地质或生产数量。例如，由Mohaghegh等人撰写的题为“Modeling,HistoryMatching,ForecastingandAnalysisofShaleReservoirsPerformanceUsingArtificialIntelligence”的SocietyofPetroleumEngineers(SPE)143,875文章描述了用于补充基于物理的储层模型的人工智能技术的应用。结果模型可以被用来识别储层的更高质量区、随时间的量化损耗或者估计地质参数对生产的影响。
由Shelley等人撰写的题为“Data-DrivenModelingImprovestheUnderstandingofHydraulicFractureStimulatedHorizontalEagleFordCompletions”的SPE152,121文章描述了使用神经网络中的非线性回归来评估油气产量对各种地质和工程参数变化的敏感性。据称，数据驱动模型预测的经济评估可以被用户用来确定最大化投资回报(ROI)的完井或压裂过程。
由LaFollette等人撰写的题为“PracticalDataMining:AnalysisofBarnettShaleProductionResultsWithEmphasisonWellCompletionandFractureStimulation”的SPE152,531文章描述了用于从位置和工程参数估计油气产量的技术。这些技术的结果可以随后被分析例如以最大化油气产量。
由Huckabee等人撰写的题为“TightGasWellPerformanceEvaluationWithNeuralNetworkAnalysisforHydraulicProppedFractureTreatmentOptimization”的SPE135,523文章描述了用于不确定性的模型，其中不确定性被结合到决策过程中。描述了将神经网络应用到井动态评估和完井优化，包括根据所使用的支撑剂量的油气产量的概率分析。还描述了基于估计的未来产量的净现值(NPV)的经济分析。
在Moran等人的2007/0185696号美国专利申请公开中，优化钻井的方法包括识别用于钻具组件的设计参数。设计参数作为经验数据被保留。利用经验数据来训练至少一个人工神经网络。从钻井操作收集实时数据。利用实时钻井优化系统分析实时数据。基于利用实时钻井优化系统对实时数据的分析确定最优钻井参数。
在Anderson等人的2008/0294387号美国专利申请公开中，当其属性和条件随时间改变时，计算机辅助控制器系统建议动作并管理油气储层或油气田的生产。储层或油气田被表征并表示为电场(“e-场”)。系统应用描述动态和静态e-场的属性和条件。应用工作流集成在油气田中所采取的动作与给那些动作的成功或失败评分的度量之间的反馈回路中。控制器对应用工作流的组合操作，以计算生产策略和动作。控制器被配置为生成用于经济上有利可图的生产的最佳动作序列。
但是，这些技术通常不能提供同时选择多个井参数来最优地满足期望的总体目标的井设计。因此，基于具体目标提供用于明智决策的可行解决办法的改进的井设计技术是期望的。
发明内容
示例性实施例提供了一种用于为井动态的优化确定井参数的方法。该方法包括：经由计算系统，基于对应于要在其中钻井的油气田的油气田数据来训练井动态预测器。该方法还包括：经由计算系统，为井生成多个候选井参数组合，以及经由计算系统，利用经训练的井动态预测器为每个候选井参数组合预测井动态。该方法还包括：经由计算系统，为井确定经优化的井参数组合以使得预测的井动态被最大化。
示例性实施例提供了一种用于基于预期投资回报(ROI)确定井参数的方法。该方法包括：经由计算系统，基于对应于要在其中钻井的油气田的油气田数据来训练油气产量预测器，以及经由计算系统，为井生成多个候选井参数组合。该方法还包括：经由计算系统，利用经训练的油气产量预测器为每个候选井参数组合预测井的油气产量和对应的不确定性，以及经由计算系统，为每个候选井参数组合计算井成本。该方法还包括：经由计算系统，基于针对每个候选井参数组合的油气产量、对应的不确定性和井成本来为每个候选井参数组合估计井的预期投资回报(ROI)。该方法还包括：经由计算系统，为井确定经优化的井参数组合以使得预期ROI被最大化。
另一种实施例提供了一种用于基于预期投资回报确定井参数的计算系统。该计算系统包括处理器、包括油气产量预测器的存储介质、以及非暂时性计算机可读介质。非暂时性计算机可读介质包括被配置为指引处理器为井生成多个候选井参数组合并且利用油气产量预测器为每个候选井参数组合预测井的油气产量和对应的不确定性的代码。非暂时性计算机可读介质还包括被配置为指引处理器基于针对每个候选井参数组合的油气产量、对应的不确定性和井成本为每个候选井参数组合计算井成本并且为每个候选井参数组合估计井的预期投资回报(ROI)的代码。非暂时性计算机可读介质还包括被配置为指引处理器为井确定经优化的井参数组合以使得预期ROI被最大化的代码。
另一种实施例提供了一种用于存储计算机可读指令的非暂时性计算机可读介质。计算机可读指令包括被配置为指引处理器基于对应于要在其中钻井的油气田的油气田数据来训练油气产量预测器并且为井生成多个候选井参数组合的代码。计算机可读指令还包括被配置为指引处理器利用经训练的油气产量预测器为每个候选井参数组合预测井的油气产量和对应的不确定性并且为每个候选井参数组合计算井成本的代码。计算机可读指令还包括被配置为指引处理器基于针对每个候选井参数组合的油气产量、对应的不确定性和井成本为每个候选井参数组合估计井的预期投资回报(ROI)的代码。计算机可读指令还包括被配置为指引处理器为井确定经优化的井参数组合以使得预期ROI被最大化的代码。
附图说明
通过参考以下具体实施方式和附图，本技术的优点被更好地理解，其中：
图1是用于为井确定满足对应于井动态的指定目标的井参数组合的方法的过程流程图；
图2是提供为井生成井设计使得针对井的预测ROI被最大化的数据流程图；
图3是提供确定井的位置使得井的预测油气产量被最大化的数据流程图；
图4是提供为在固定位置处的井生成井设计使得井的油气产量被最大化的数据流程图；
图5是示出可以被用来确定将要用于油气生产的面积的现有井位置的示例性地图的示意图；
图6A示出了可以被用来帮助生成用于油气生产的井参数的图表；
图6B示出了可以被用来帮助生成用于油气生产的井参数的另一个图表；
图7示出了从每口井生产的每单位油气气体的成本的条形图；以及
图8是可以被用来实现本文所述的井设计过程的集群计算系统的框图。
具体实施方式
在以下具体实施例部分中，描述了本技术的具体实施例。但是，就以下描述特定于本技术的特定实施例或特定使用而言，这仅仅是用于示例性目的并且仅仅提供示例性实施例的描述。因此，所述技术不限于以下描述的具体实施例，而是包括落入所附权利要求的真正精神和范围的所有可选方案、修改和等价物。
首先，为方便参考，阐述本申请中所使用的某些术语和它们在这种上下文中使用时的意义。就本文所使用的术语不在下面定义而言，它应当被赋予相关领域中赋予该术语的人最广泛定义，如在至少一个印刷公开物或发布专利中所反映的。另外，本技术不受以下所示术语的使用的限制，因为充当相同或相似目的的所有等效物、同义词、新开发以及术语或技术都被认为在本权利要求的范围之内。
“计算机可读介质”或“非暂时性计算机可读介质”指参与向处理器提供指令供执行的任何非暂时性存储和/或传输介质。这种介质可以包括但不限于非易失性介质和易失性介质。非易失性介质包括例如NVRAM或者磁或光盘。易失性介质包括动态存储器，诸如主存储器。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、硬盘阵列、磁带或者任何其它磁介质，磁光介质、CD-ROM、全息介质、任何其它光学介质，RAM、PROM和EPROM、闪存EPROM、像存储卡的固态介质、任何其它存储器芯片或盒，或者计算机可以从其读取数据或指令的任何其它有形介质。
术语“气体”与“蒸气”可互换使用，并且指处于气体状态的物质或物质混合，如与液体或固体状态区分。同样，术语“液体”指处于液体状态的物质或物质混合，如与气体或固体状态区分。如本文所使用的，“流体”是可以包括液体或气体的通用术语。
“地质模型”是基于计算机的地表下地球体积(诸如石油储层或沉积盆地)的表示。地质模型可以采取许多不同的形式。依赖于上下文，为石油应用建立的描述性或静态地质模型可以是3-D单元阵列的形式，地质和/或地球物理属性，诸如岩性、孔隙度、声阻抗、渗透率或含水饱和度(此类属性在本文中被统称为“储层属性”)被分配给单元阵列。许多地质模型受地层或构造面(例如，洪泛面、层序界面、流体接触面、断层)和边界(例如，相变)的限制。这些面和边界定义模型中有可能具有不同储层属性的区域。
“油气”是主要包括元素氢和碳的有机化合物，但是也可以存在少量的氮、硫、氧、金属或任何数量的其它元素。如本文所使用的，油气通常指从被称为储层的含油气地下岩层采收的有机材料(例如，天然气)。
术语“天然气”指从原油井得到的多组分气体(关联气体)或者从地下含气地层得到的多组分气体(非关联气体)。天然气的组成和压力可显著变化。典型的天然气流包含甲烷(C1)作为显著成分。原始天然气通常还含有较高碳数的化合物，诸如乙烷(C2)、丙烷等，以及酸性气体(诸如二氧化碳、硫化氢、硫化羰、二硫化碳和硫醇)，以及少量的污染物，诸如水、氮、硫化铁、蜡和原油。
如本文所使用的，术语“最优”，“优化”(以及这些术语的派生词和其它形式和语言相关的单词和短语)并非要在需要本技术找出最佳解决办法或者做出最佳决定的意义上作为限制。虽然在数学上最优的解决方案可以实际上达到所有数学上可用的可能性当中最好的，但是优化过程、方法、模型和过程的现实世界实施例可以朝这个目标努力，却从来没有实现完美。因此，受益于本公开内容的本领域普通技术人员将理解，在本技术的范围的语境下，这些术语更一般。术语可以描述朝可以是最佳可用解决方案的解决方案、优选解决方案或者在一系列约束内提供具体好处的解决方案努力，或者不断改进或搜索用于目标的高点或最大值。
“渗透率”是岩石通过岩石的互连孔隙空间传输流体的能力。可以利用达西(Darcy)定律：Q＝(kΔPA)/(μL)来测量渗透率，其中Q＝流速(cm3/s)，ΔP＝跨具有长度L(cm)和横截面面积A(cm2)的圆筒的压降(atm)，μ＝流体粘度(cp)，以及k＝渗透率(Darcy)。用于渗透率的通常测量单位是毫达西(millidarcy)。
“孔隙度”被定义为以百分比表示的孔隙空间的体积与材料的总体积之比。孔隙度是储层岩石的流体的存储容量的测量。孔隙度优选地是从岩心、声波测井、密度测井、中子测井或电阻率测井确定的。总的或绝对孔隙度包括所有孔隙空间，而有效孔隙度仅包括互连的孔隙并且对应于可用于消耗的孔隙体积。
术语“支撑剂(proppant)”指被注入到油井、气井、水井以及其它类似钻孔周围的地下地层中的裂缝中的微粒材料，以提供支撑，以保持(支撑)这些裂缝开启并允许气体或液体通过裂缝流到钻孔或者从地层中流出。支撑剂通常被用来支撑在地下地层(诸如在水力压裂期间的油和天然气井)中形成的开启裂缝。
“储层”是可从其可以采收生产流体的地下岩层。岩层可以包括花岗岩、二氧化硅、碳酸盐、粘土和有机质，诸如油、气体或煤，等。储层的厚度可以从不到一英尺(0.3048米)到几百英尺(几百米)变化。储层的渗透率提供生产潜能。
术语“井动态”一般是指组织可以用来评估井的任何总体度量。组织可能期望最大化的井动态测量的例子包括早期油产量、气井的凝析油(condensate)产量、生存期总油气产量、生存期油气产量的净现值，或者油气产量的年度投资回报或ROI。组织可能期望最小化的井动态测量的例子包括水和非经济流体的产量、每单位预期油气产量的成本，或者财务或运营风险的某个测量。本发明可以被用来直接优化这些或其它井动态度量的某种组合，并且不限于仅油气产量。
术语“投资回报”或“ROI”指被用来评估投资效率的动态测量。更具体而言，如本文所使用的，ROI可以是来自井的油气产量的净收益减去估计成本，其中成本可以包括钻井成本、面积租赁成本、用于基础设施的资金以及其它相关联的成本或资本支出。
当参考材料的数量或量或者其具体特点被使用时，“基本上”指足以提供该材料或特性预期要提供的效果的量。可容许的偏差的确切程度在一些情况下可以依赖于具体的语境。
术语“增产液”指被注入地层或间隔集(intervalset)以便增加通过地层或间隔集的流体流的速率的任何流体或流体的组合。例如，增产液可以被用来压裂地层、将支撑剂输送到地层中的裂缝、酸化地层、加热地层或者以其它方式增加地层中流体的流动性。增产液可以包括各种成分，诸如凝胶、支撑剂、破裂剂(breakers)等。
“井筒”是地下通过钻孔或插入导管到地下所产生的洞。井筒可以具有基本上圆形的横截面或任何其它横截面形状，例如椭圆形、正方形、长方形、三角形、或其它规则或不规则形状。如本文所使用的，术语“井”可以指从位于表面的钻探中心到地层中的下端或末端的整个洞。井通常被配置为在地下地层之间来回传送流体。
“井参数”可以包括但不限于位置参数、钻孔参数、填充参数和生产参数。位置参数可以包括例如井头的经度和纬度、水平段的平均深度以及从跟部到下端的相对深度和朝向。钻孔参数可以包括例如井的几何形状和完井几何形状。填充参数可以包括例如颗粒大小、颗粒形状、颗粒密度、颗粒致密性和颗粒体积。生产参数可以包括例如钻孔是否处于过平衡、平衡或欠平衡状态、钻孔是否正在生产或关闭或者是注入井，或者井底压力(BHP)和/或井底温度(BHT)。装备参数可以包括例如(一个或多个)喷嘴的类型、(一个或多个)喷射喷嘴的能量和方向、盘管的直径和类型以及一种或多种清洗液的选择。清洗液通常是水、盐水、凝胶、聚合物、油、泡沫和气体，包括上述物质的混合物。
概述
目前的井设计过程常常导致不充分满足所指定目标的井设计。因此，本文所述的实施例基于指定目标提供井设计。更具体而言，本文所述的实施例基于预期的井动态提供用于井的定位、钻探和完井的合适的参数组合的确定。在各种实施例中，井动态是依据用于从井生产油气的预期投资回报(ROI)来测量的。但是，例如井动态还可以依据井的预期油气产量、井的预期油气产量初始速率、井的预期油气产量净现值或者井的预期净利润来测量。
本文所述的井设计过程提供表征井的所有可用参数的自动优化。更具体而言，本文所述的井设计过程提供用于关于井的生产动态的测量作为整体同时优化井的所有可调参数的自动优化工作流。因此，参数之间的所有相关性在井的生产动态优化期间都被考虑在内。如果某些参数相关，使得它们以某种协调的方式变化来实现最优生产动态，则自动优化工作流程识别那些相关性并且选择或修改参数值，使得它们产生最优生产动态。而且，自动优化工作流程只需要记住单个目标，即，事先指定的目标生产动态(诸如所生产的总油气量或者预期的ROI)的单个测量的优化，来优化参数。
此外，根据本文所述的井设计过程，非常大量的可能场景可以被探索。换句话说，给定井的生产模型，对于多个参数值及其组合，通过评估预期的生产动态，如由生产动态的预测所测量的，自动优化工作流程可以遍历非常大量的场景。因此，自动优化工作流程本质上实现了对所有合理井参数的空间的搜索，这可以详尽地进行并且按期望完成(给定适当的时间和计算资源)。
此外，如果期望，则本文所述的井设计过程允许与井的生产动态的预测相关联的不确定性的自动结合和预测。在井设计过程中所做的预测当中存在不确定性。这种不确定性可能是由于地质模型和动态预测的不确定性。每当不确定性在预测期间被估计时，这种不确定性可以被用来提供预期结果的完整表征。而且，这种不确定性可以根据本文所述的自动优化工作流程来直接考虑。
确定用于井的参数的技术
图1是用于为井确定满足对应于井动态的指定目标的井参数组合的方法100的过程流程图。在各种实施例中，指定目标包括井的ROI的最大化。但是，例如，指定目标还可以包括所产生的油气量的最大化、5年之后生产流速的最大化、井的油气产量的最初速率的最大化、井的油气产量的净现值的最大化、井的预期净利润的最大化或者风险的最小化。
方法100基于用于井的潜在井参数组合围绕预测井动态的模型迭代。该模型在本文被称为“井动态预测器”。井动态预测器可以被用来关于井动态做出各种预测。在各种实施例中，机器学习或模式识别被用来关于可用的相关数据来训练井动态预测器。数据可以包括但不限于油气田的地质描述(例如地质模型)以及附近井的位置和描述(包括工程设计描述和历史生产信息)。
该方法在方框102开始，生成用于井设计的潜在井参数组合。在各种实施例中，潜在井参数组合包括关于井的各种参数，诸如井位置、从井的跟部到下端的深度和方向、用于井的水力压裂级数、将要用于井的增产液的量、将要用于井的支撑剂的量，等。
在方框104，基于所生成的井参数组合预测井动态。更具体而言，潜在井参数组合被传递到训练后的井动态预测器，并且井动态预测器可以生成针对因参数组合的实现而产生的井动态的特定测量的预测和相关联的不确定性。井动态的特定测量可以包括例如井的预测投资回报(ROI)、井的预测油气产量、井的预测油气产量初始速率或者井的预测油气产量净现值。
在方框106，确定用于潜在井参数组合的预测井动态是否高于用于为该井考虑的之前井参数组合的预测井动态。如果用于潜在井参数组合的预测井动态不高于之前的最高预测井动态，则方法100再次在方框102开始执行，生成新的潜在井参数组合。否则，在方框108记录井参数组合。
此外，如果用于潜在井参数组合的预测井动态高于之前的最高预测井动态，则方法100前进到方框110。在方框110，确定是否达到用于井的优化极限。如果还没有达到用于井的优化极限，则方法100再次在方框102开始执行，生成新的潜在井参数组合。否则，在方框112输出最终的井参数组合。以这种方式通过方法100迭代提供了遍历所有可能的井参数组合的空间的井设计过程。以这种方式，可以确定提供最高可能预测井动态的最优井参数组合。
图1的过程流程图不是要指示方法100的方框要以任何特定的次序执行，或者图1中所示出的所有方框在每种情况下都要包括在方法100中。而且，依赖于具体实现的细节，可以在方法100中包括任意数量的附加方框。
在各种实施例中，方法100被应用到井的ROI的最大化。例如，可以基于特定的井参数组合来确定井的预测油气产量和井的预测成本，并且可以基于井的预测油气产量、所生产的油气的预期市场价值以及井的预测成本来估计井的ROI。然后，可以确定最后的井参数组合以使得最大化井的ROI。
在各种实施例中，方法100可以利用关于之前生成的井参数组合和对应的预测井动态的信息来引导后续井参数组合的生成。例如，具体的井参数组合可以被标记为对应于高或低井动态。然后，可以生成与对应于高井动态的井参数组合相似的后续井参数组合。
另外，在一些实施例中，方法100可以被并行化，以产生更快的结果。具体而言，可以生成多个井参数组合，并且可以同时预测对应的井动态。然后，可以快速识别并选择具有最高预测井动态的井参数组合，以用于井设计。
用于给定井参数组合的预测井动态的准确性大大依赖于井动态预测器的准确性和可靠性。在各种实施例中，井动态预测器的结构基于三个因素。第一个因素包括提供给井动态预测器的输入的类型，以之前知识的形式和将要优化的井参数的形式。第二个因素包括为井动态预测器选择的体系架构。第三个因素包括用于井设计过程的总体目标和目标被测量的方式。
在一些实施例中，用户或运营商可以选择用于井动态预测器的模型结构。例如，用户一般可以基于用于井设计过程的指定目标建立关于井动态预测器的结构的三个因素，并且然后选择支持指定目标的模型结构。
在各种实施例中，在用于不同井参数组合的井动态的预测中，井动态预测器直接说明不确定性。而且，井动态预测器可以以预定义的格式表征这种不确定性。例如，井动态预测器可以使用预测分布或统计数据来特征化这种不确定性。
井动态预测器可以以各种途径生成。例如，井动态预测器可以从地球物理和工程设计第一原则生成。作为替代，井动态预测器可以基于各种地质统计、模式识别或机器学习模型生成。这种模型可以包括非参数化和非线性回归方法、人工神经网络、支持向量分类器以及决策和回归树，等。另外，井动态预测器可以通过组合几种子模型来生成，其中每个子模型解决目标预测问题。
给定多个预测，经优化的井参数组合的选择是基于指定目标(例如，目标井动态)的测量。如果井动态预测器的输出是标量值，则可以选择根据指定目标最大化井动态测量的井参数组合。例如，根据本文所述的各种实施例，井动态预测器的输出是井的预期投资回报(ROI)。因此，在这种实施例中，选择被预测最大化ROI的井参数组合。
在一些实施例中，井动态预测器产生可以组合到井动态测量中的值的向量或列表。依赖于值和潜在的结果，可以定义多个测量。例如，值的向量可以对应于潜在井动态的分布的离散表示。用于井动态的值可以基于分布，诸如均值、中值或最大似然值，来确定。分布也可以通过信息理论测量，诸如Kullback-Leibler发散，来直接比较。作为另一个例子，值可以对应于井动态的预测统计。在这种场景中，统计信息可以被直接比较，并且潜在井动态的分布可以被重建。然后，依赖于指定目标，潜在井动态的分布可以被直接比较，或者可以被组合。
对于其中方法100被并行化以便同时测试多个井参数组合的实施例，生成对应的多个井动态预测结果。因此，在一些实施例中，目标的测量一次被应用到两个结果。换句话说，当前预测的井动态可以与迄今为止发现的最高预测井动态进行比较，并且与比较的最高预测井动态相关联的井参数组合可以被记录。
此外，该方法100可以返回可能的井参数组合而不是单个组合的排名列表。这种列表可以为用户或运营商提供忽略方法100的自动执行以便将模棱两可或难以建模的元素，诸如与井参数组合相关联的技术可行性或其它潜在风险，包括进去的机会。
图2是提供为井生成井设计使得用于井的预测ROI被最大化的数据流程图200。通常，运营商具有可用于在特定油气田投资于油气回收的特定量的钱。这些钱被分配，使得最大化预期ROI，并且通常在风险方面受到企业约束。因此，运营商可以在这些约束内确定要钻探的井的数量、每个井的位置以及每口井的完井。
根据图2中所示的实施例，井动态预测器201被用来基于所估计的用于从井生产油气的ROI为井确定经优化的的井参数。如图2中所示，油气田数据202被输入到井动态预测器201的模型学习器204。例如，油气田数据202可以包括关于其中将要钻井的油气田的地质数据，例如地质模型，关于附近井的历史生产数据，或者油气田的物理模型。此外，油气田数据202可以包括关于油气田的地质变量，诸如热成熟度、孔隙度、渗透率和产层厚度。
在各种实施例中，模型学习器204使用油气田数据202来训练井动态预测器201的油气产量预测器206。具体而言，模型学习器204基于油气田数据202使用机器学习技术来训练油气产量预测器206。经训练的油气产量预测器206能够预测产自油气田中新井的油气产量，而不考虑位置或完井，以及用于预测油气产量的不确定性的某种测量。
另外，潜在井参数组合208由井参数组合生成器210生成。在各种实施例中，井参数组合生成器210生成运营商可用的所有可能的井计数、位置和完井策略的集合。在任何实际的实现中，存在无限多的可能井参数组合，因此井参数组合不能明确地列举。相反，有限数量的井参数组合可以系统地并自适应地生成并且由井参数组合生成器210进行比较。
在各种实施例中，一旦井参数组合已经生成，井参数组合生成器210就选择一个潜在井参数组合208并且将该井参数组合208输入到井动态预测器201的油气产量预测器204。然后，油气产量预测器204预测针对给定的井参数组合208的油气产量。此外，油气产量预测器206可以预测附加的方面，诸如与将来井的油气产量的预测或下降速率相关联的不确定性212。
由井参数组合生成器210生成的井参数组合208还被输入到井动态预测器201的井成本计算器214。然后，井成本计算器214确定针对给定的井参数组合208的成本216。成本216可以包括用于井的实际实现成本，例如初始资金成本和持续运营成本。
然后，由油气产量预测器206生成的预测油气产量和相关联的不确定性212，以及由井成本计算器214确定的成本216，被输入到井动态预测器201的ROI估计器218。通过针对用于井的成本216来平衡预测油气产量和相关联的不确定性212，ROI估计器218估计用于具有给定的井参数组合210的井的ROI220。以这种方式，经济模型被用来确定具有给定的井参数组合208的井的预期寿命值是否预期满足用于ROI和风险管理的具体阈值。在各种实施例中，用于井的ROI220包括来自井的油气产量212的净收益减去所计算的井的成本216。此外，ROI220可以指定这些回报的不确定性的某种统计测量。
在方框222，确定用于具有给定的井参数组合208的井的估计ROI220是否大于用于特定井设计的阈值ROI。如果所估计的ROI220不大于阈值ROI，则该特定的井参数组合208被丢弃，并且井参数组合生成器210生成另一个潜在的井参数组合。如果所估计的ROI220大于阈值ROI，则该特定的井参数组合208被存储在井参数组合储存器224中。
此外，在方框226，确定是否已经达到用于井的优化极限。如果已经达到用于井的优化极限，则该特定的井参数组合208作为用于井的经优化的井参数组合228被输出。经优化的井参数组合228可以包括井的位置以及要用于建造和完井的工程设计参数的集合。否则，该特别的井参数组合208被丢弃，并且井参数组合生成器210生成另一个潜在的井参数组合。以这种方式，井参数组合被生成并测试，直到识别出最大化井的ROI的经优化的井参数组合。
图2并不是要指示数据流程图200在每种情况下都要包括图2中所示的所有部件。相反，依赖于具体实现的细节，图2的任何部件都可以被省略或修改。例如，在一些实施例中，井参数组合生成器210同时为将要在特定油气田钻探的多个井生成井参数组合。然后，井参数组合可以被单独分析，或者可以被组合成单个井参数组合，以便同时为将要在油气田中钻探的所有井确定参数。类似地，在图2中示为截然不同的部件可以组合。例如，给定适当的数据，井动态预测器201的油气产量预测器206和井成本计算器214可以组合，以允许直接预测ROI(或任何其它合适的动态测量)。
图3是提供确定井的位置使得井的预测油气产量被最大化的数据流程图300。相同编号的项是如关于图2所描述的。更具体而言，数据流程图300提供了用于新井的潜在位置的评估，以确定地质学、最优工程实践和成本的局部组合是否有利于托管(hosting)生产井。这可以被用来评估用于购买的生产面积或者用于转售的非生产面积，或者确定接下来要钻探几个可能的租约(lease)当中哪一个。
如图3中所示，井位置标识符302识别要在特定油气田中钻探的井的潜在井位置304。在一些实施例中，井位置标识符302考虑包括租用或获取的土地的特定区域，并且识别可能适合钻井的几个位置。然后，井位置标识符302可以为井选择将要被考虑的一个潜在井位置304。
在各种实施例中，潜在井位置304被输入到井动态预测器201的经训练的油气产量预测器206。然后，油气产量预测器206基于潜在井位置304为井预测油气产量306。在方框308，确定对应于特定井位置304的预测油气产量306是否是已经为任何位置确定的油气产量的最高值。如果预测油气产量306不是已经为任何位置确定的油气产量的最高值，则该特定井位置304被丢弃，并且井位置标识符302确定另一个潜在的井位置。否则，该特定井位置304被存储在井位置储存器310中。
虽然图3中所绘的实施例的直接优化目标是优化井位置，但是其它因素也可以隐含地被纳入优化目标。例如，井动态预测器还可以通过适当地控制其它井参数内部地考虑在给定位置处的井的附加优化潜能。更具体而言，井动态预测器可以被训练，以预测对应于所有其它井参数的最佳模式的井动态。
此外，在方框312，确定是否已经达到用于要在特定油气田建造的井的优化极限。如果已经达到用于井的优化极限，则该特定井位置304作为用于井的经优化的井位置314被输出。否则，该特定井位置304被丢弃，并且井位置标识符302确定油气田中的另一个潜在的井位置。以这种方式，井位置被生成并测试，直到识别出最大化井的油气产量的优化井位置。
图3并不是要指示数据流程图300在每种情况下都要包括图3中所示的所有部件。相反，依赖于具体实现的细节，图3的任何部件都可以被省略或修改。另外，虽然数据流程图300是关于最大化井的预测油气产量被描述的，但是应当理解，数据流程图300也可以应用到最大化井的ROI。
图4是提供为在固定位置处的井生成井设计使得井的油气产量被最大化的数据流程图400。相同编号的项是如关于图2和3所描述的。如图4中所示，井参数组合生成器210生成潜在井参数组合402(不包括井位置)。潜在井参数组合402以及固定井位置404，被输入到井动态预测器201的经训练的油气产量预测器206。固定井位置404可以是预定的，例如如以上关于图3的数据流程图300所描述的。
然后，油气产量预测器206基于固定井位置404和潜在井参数组合402预测用于井的油气产量406。在方框408，确定对应于特定井参数组合402和固定井位置404的预测油气产量406是否是已经为任何井参数组合确定的油气产量的最高值。如果预测油气产量406不是已经为任何井参数组合确定的油气产量的最高值，则该特定井参数组合402被丢弃，并且井参数组合生成器210确定另一个潜在的井参数组合(不包括井位置)。否则，该特定井参数组合402被存储在井参数组合储存器410中。
此外，在方框412，确定是否已经达到用于将要在固定井位置404建造的井的优化极限。如果已经达到用于井的优化极限，则该特定井参数组合402作为用于井的经优化的井参数组合414被输出。否则，该特定井参数组合402被丢弃，并且井参数组合生成器210确定另一个潜在的井参数组合(不包括井的位置)。以这种方式，用于在固定井位置404处的井的井参数组合被生成并测试，直到识别出最大化在所述位置处的井的油气产量的经优化的井参数组合。
图4并不是要指示数据流程图400在每种情况下都要包括图4中所示的所有部件。相反，依赖于具体实现的细节，图4的任何部件都可以被省略或修改。此外，虽然数据流程图400是关于最大化井的预测油气产量被描述的，但是应当理解，数据流程图400也可以应用到最大化井的ROI。
本文所述的实施例可以用于各种应用。例如，本文所述的实施例可以被用来同时确定用于新井的位置和工程设计参数，使得ROI被最大化并且相关联的风险被最小化。此外，本文所述的实施例可以被用来优先于其它来最大化某些油气的产量。例如，可能希望生产比干气体更多的凝析油。类似地，本文所述的实施例可以被用来最小化不需要的流体(诸如水)的产生。此外，本文所述的实施例不限于建模在井建造和完井期间所使用的工程设计参数。相反，本文所述的实施例也可以被用来预测在井寿命当中以后的时间执行井维修，例如更新或更换完井，的影响。
图5是示出可以被用来确定将要用于油气生产的面积的现有井位置的示例性地图500的示意图。地图500包括四个独立的区域502A、502B、502C和502D，其中，每个区域502A-D包括不同程度的阴影。如在图500左下方的图例504中所示，地图500的每个区域502A-D中的阴影程度指示该区域502A-D对油气产量的地质贡献。地图500上的点506代表油气田中的实际井位置，其中较大的点表示具有较高油气产量的井。因此，由于具有最低阴影程度的区域502A对油气产量具有最低的地质贡献，因此那个区域502A中的点506整体上是最小的。此外，由于具有最高阴影程度的区域502D对油气产量具有最高的地质贡献，因此点506在那个区域502D中是最大的。
在各种实施例中，诸如图5中所示出的地图500的地图可以被用来分析特定的油气田。例如，地图500可以被用来区别改变地质、改变工程实践以及在对应油气田中关于油气产量的随机性的影响。以这种方式，可以确定用于油气生产的合适位置，并且可以为将要在那些位置处钻探的井确定井设计。
利用专有数据，可以训练对应于图5的地图500中所示的油气田中的井的多元统计模型，例如井动态预测器。在一些实施例中，随机森林算法被用来根据专有数据来训练多元统计模型。但是，任何数量的其它统计或机器学习技术，诸如线性回归、广义相加模型或神经网络，也可以被用来训练多元统计模型。然后，经训练后的多元统计模型可以被用来根据地质(例如，热成熟度、天然气地质储量、地层厚度和一些地层信息)、完井日期(作为演化否则不被模型捕获的工程实践的代理)和工程设计参数(例如，完井长度、压裂(frac)级数、压裂流体体积和总支撑剂)为新井确定产自井的油气的预期最终回收率(EUR)。
一旦产自井的油气的EUR已经确定，就可以利用经济信息来预测井的ROI。例如，在一些情况下，可以假设用于钻探的固定基本成本和用于每个额外压裂级、压裂流体体积的桶数以及支撑剂的磅数的固定边际成本。但是，在其它情况下，可以为地图500上的四个区域502A-D假设不同的基本成本，以反映变化的租赁费用和开采特许权安排。此外，如果存在局部通风(draught)，则可以假设用于压裂流体体积的不同边际成本，并且可以假设不同的运营成本，以反映与管道或其它生产设施的接近关系。
在各种实施例中，一旦已经利用图5的地图500确定了新井的位置，就可能期望为井确定合适的参数。在一些情况下，图表被用来帮助确定合适的井参数，如关于图6A、6B和7进一步描述的。
图6A示出了可以被用来帮助生成用于油气生产的井参数的图表600。图表600的x轴602表示在完井期间所使用的总压裂流体体积，以桶/英尺(bbl/ft)为单位。图600的y轴604表示经12个月的周期井的预测油气产量。图表600示出油气产量预期随着更高的压裂流体体积而增加。
图6B示出了可以被用来帮助生成用于油气生产的井参数的另一个图表606。图表606的x轴608表示在完井期间所使用的总压裂流体体积，以bbl/ft为单位。图表600的y轴610表示经12个月的周期在用于井的20bbl/ft基线设计上的净利润或ROI的预期增加，以千美元为单位。结合图6A的图表600考虑，图6B的图表606示出当压裂流体的成本和额外气体的值被考虑在内时，存在对于压裂流体体积的最优经济选择，例如大约为45bbl/ft。
图7示出了从每口井生产的每单位油气气体的成本的条形图700。在这种情况下，井设计过程的目标是最小化用于井的每单位所生产气体的成本，这直接与井的ROI有关。因此，图表700可以输出结果702，该结果包括具有每单位所生产气体的最低成本的多口井。
用于确定用于井的参数的计算系统
图8是可以被用来实现本文所述的井设计过程的集群计算系统800的框图。所示出的集群计算系统800具有四个计算单元802A-D，每个计算单元可以为动态井设计过程的一部分执行计算。但是，本领域普通技术人员将认识到，集群计算系统800并不限定于这种配置，因为任何数量的计算配置都可以被选择。例如，较小的分析可以在单个计算单元(诸如工作站)上运行，而大的计算可以在具有数十、数百、数千或者甚至更多计算单元的集群计算系统800上运行。
可以从任何数量的客户端系统804A和804B经网络806，例如通过高速网络接口808，访问群集计算系统800。计算单元802A-D还可以充当客户端系统，既提供本地计算支持，又提供对更广泛的集群计算系统800的访问。
网络806可以包括局域网(LAN)、广域网(WAN)、因特网或者其任意组合。每个客户端系统804A和804B可以包括一个或多个非暂时性计算机可读介质，用于存储被用来实现本文所述的井设计过程的操作代码和程序。非暂时性计算机可读介质可以保存用于确定参数，诸如井工程设计参数、井位置和ROI，的油气生产模型。例如，每个客户端系统804A和804B可以包括存储器设备810A和810B，其可以包括随机存取存储器(RAM)、只读存储器(ROM)等。每个客户端系统804A和804B还可以包括存储设备812A和812B，其可以包括任何数量的硬盘驱动器、光盘驱动器、闪存驱动器等。
高速网络接口808可以耦合到集群计算系统800中的一条或多条总线，诸如通信总线814。通信总线814可以被用来从高速网络接口808向集群存储系统816和集群计算系统800中的每个计算单元802A-D传送指令和数据。通信总线814也可以被用来在计算单元802A-D和集群存储系统816中进行通信。除了通信总线814，还可以存在高速总线818，以增加计算单元802A-D和/或集群存储系统816之间的通信速率。
集群存储系统816可以具有一个或多个非暂时性计算机可读介质，诸如存储阵列820A-D，用于存储模型、数据、可视化表示、结果、代码或其它信息，例如，关于本文所述的井设计过程的实现及其结果。存储阵列820A-D可以包括硬盘驱动器、光盘驱动器、闪存驱动器等的任意组合。
每个计算单元802A-D可以具有处理器822A-D和相关联的本地非暂时性计算机可读介质，诸如存储器设备824A-D和存储设备826A-D。每个处理器822A-D可以是多核心单元，诸如多核心中央处理单元(CPU)或图形处理单元(GPU)。每个存储器设备824A-D可以包括用来存储用于指示对应的处理器822A-D实现本文所述的井设计过程的代码的ROM和/或RAM。每个存储设备826A-D可以包括一个或多个硬盘驱动器、光盘驱动器、闪存驱动器等。此外，每个存储设备826A-D可以被用来为模型、中间结果、数据、图像或与操作相关联的代码，包括被用来实现本文所述的井设计过程的代码提供存储。
本技术不限于图8中所示的体系架构或单元配置。例如，任何合适的基于处理器的设备都可以用于实现本文所述的动态井设计过程的实施例的全部或一部分，包括但不限于个人计算机、膝上型计算机、计算机工作站、移动设备以及具有(或不具有)共享存储器的多处理器服务器或工作站。而且，实施例可以在专用应用集成电路(ASIC)或超大规模集成(VLSI)电路上实现。事实上，本领域普通技术人员可以利用能够执行根据实施例的逻辑操作的任何数目的合适结构。
虽然本技术可以容许各种修改和替代形式，但以上讨论的实施例仅仅作为例子被示出。但是，应当再次理解的是，所述技术并非要被限定到本文所公开的特定实施例。事实上，本技术包括落入所附权利要求的真正精神和范围内的所有替代方案、修改和等价物。
Claims (35)
1.一种用于为井动态的优化确定井参数的方法，所述方法包括：
经由计算系统，基于对应于油气田的油气田数据来训练井动态预测器；
经由计算系统，为井生成多个候选井参数组合；
经由计算系统，利用经训练的井动态预测器为所述多个候选井参数组合中的每一个预测井动态；以及
经由计算系统，为井确定经优化的井参数组合以使得所预测的井动态被最大化。
2.如权利要求1所述的方法，其中所预测的井动态包括该井的预测油气产量。
3.如权利要求1和2中任何一项所述的方法，其中所预测的井动态包括该井的预测投资回报ROI。
4.如权利要求1至3中任何一项所述的方法，其中所预测的井动态包括该井的预测油气产量初始速率。
5.如权利要求1至4中任何一项所述的方法，其中所预测的井动态包括该井的预测油气产量净现值。
6.一种用于基于预期投资回报确定井参数的方法，所述方法包括：
经由计算系统，基于对应于油气田的油气田数据来训练油气产量预测器；
经由计算系统，为井生成多个候选井参数组合；
经由计算系统，利用经训练的油气产量预测器为所述多个候选井参数组合中的每一个预测油气产量和对应的预测不确定性；
经由计算系统，为所述多个候选井参数组合中的每一个计算井成本；
经由计算系统，基于针对所述多个候选井参数组合中的每一个的油气产量、对应的预测不确定性和井成本来为所述多个候选井参数组合中的每一个估计井的预期投资回报ROI；以及
经由计算系统，为井确定经优化的井参数组合以使得预期ROI被最大化。
7.如权利要求6所述的方法，包括基于经优化的井参数组合来钻探和完成井。
8.如权利要求6和7中任何一项所述的方法，包括为多个井确定经优化的井参数组合以使得用于在油气田中钻探和完成所述多个井的总体预期ROI被最大化。
9.如权利要求6至8中任何一项所述的方法，包括基于对应的经优化的井参数组合来钻探和完成所述多个井。
10.如权利要求6至9中任何一项所述的方法，包括在生成所述多个候选井参数组合之前确定井在油气田中的位置。
11.如权利要求10所述的方法，包括利用油气田的地图来确定井的位置，其中所述地图包括对油气田中每个区域的油气产量的地质贡献的指示以及油气田中每个现有井的位置的指示。
12.如权利要求6至11中任何一项所述的方法，包括利用统计学习技术训练油气产量预测器。
13.如权利要求6至12中任何一项所述的方法，包括利用模式识别技术训练油气产量预测器。
14.如权利要求6至13中任何一项所述的方法，包括利用机器学习技术训练油气产量预测器。
15.如权利要求6至15中任何一项所述的方法，其中为井确定经优化的井参数组合以使得预期ROI被最大化包括基于针对所述多个候选井参数组合中的每一个的油气产量、对应的预测不确定性以及井成本来执行优化过程。
16.如权利要求6至15中任何一项所述的方法，包括利用由油气产量预测器提供的预测分布来预测针对所述多个候选井参数组合中的每一个的油气产量和对应的预测不确定性。
17.如权利要求6至16中任何一项所述的方法，包括利用由油气产量预测器提供的统计来预测针对所述多个候选井参数组合中的每一个的油气产量和对应的预测不确定性。
18.如权利要求6至17中任何一项所述的方法，包括为井确定经优化的井参数组合以使得与井相关联的风险被最小化。
19.如权利要求6至18中任何一项所述的方法，包括为井确定经优化的井参数组合以使得在指定时间段之后井的生产率被最大化。
20.如权利要求6至19中任何一项所述的方法，包括为井确定经优化的井参数组合以使得特定油气的产量优先于其它流体的产量被最大化。
21.如权利要求6至20中任何一项所述的方法，包括基于经优化的井参数组合对现有井执行井维修。
22.一种用于基于预期投资回报确定井参数的计算系统，所述计算系统包括：
处理器；
存储介质，包括油气产量预测器；
非暂时性计算机可读介质，包括被配置为指引处理器执行以下过程的代码：
为井生成多个候选井参数组合；
利用油气产量预测器为所述多个候选井参数组合中的每一个预测油气产量和对应的预测不确定性；
为所述多个候选井参数组合中的每一个计算井成本；
基于针对所述多个候选井参数组合中的每一个的油气产量、对应的预测不确定性和井成本为所述多个候选井参数组合中的每一个估计井的预期投资回报ROI；以及
为井确定经优化的井参数组合以使得预期ROI被最大化。
23.如权利要求22所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器基于对应于油气田的油气田数据来训练油气产量预测器的代码。
24.如权利要求22至23中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器在生成所述多个候选井参数组合之前确定井在油气田中的位置的代码。
25.如权利要求22至24中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器利用油气田的地图来确定井的位置的代码，其中所述地图包括对油气田中每个区域的油气产量的地质贡献的指示以及油气田中每个现有井的位置的指示。
26.如权利要求22至25中的任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器为多个井确定经优化的井参数组合以使得总体预期ROI被最大化的代码。
27.如权利要求22至26中任何一项所述的计算系统，其中计算系统包括集群计算系统。
28.如权利要求22至27中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器通过基于针对所述多个候选井参数组合中的每一个的油气产量、对应的预测不确定性以及井成本执行优化过程来为井确定经优化的井参数组合以使得预期ROI被最大化的代码。
29.如权利要求22至28中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器利用由油气产量预测器提供的预测分布来预测针对所述多个候选井参数组合中的每一个的油气产量和对应的预测不确定性的代码。
30.如权利要求22至29中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器利用由油气产量预测器提供的统计来预测针对所述多个候选井参数组合中的每一个的油气产量和对应的预测不确定性的代码。
31.如权利要求22至30中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器为井确定经优化的井参数组合以使得与井相关联的风险被最小化的代码。
32.如权利要求22至31中任何一项所述的计算系统，其中非暂时性计算机可读介质包括被配置为指引处理器为井确定经优化的井参数组合以使得在指定时间段之后井的生产率被最大化的代码。
33.如权利要求22所述的计算系统，其中井包括现有井，并且其中非暂时性计算机可读介质包括被配置为指引处理器基于经优化的井参数组合对现有井执行井维修的代码。
34.一种用于存储计算机可读指令的非暂时性计算机可读介质，所述计算机可读指令包括被配置为指引处理器执行以下过程的代码：
基于对应于油气田的油气田数据来训练油气产量预测器；
为井生成多个候选井参数组合；
利用经训练的油气产量预测器为所述多个候选井参数组合中的每一个预测油气产量和对应的预测不确定性；
为所述多个候选井参数组合中的每一个计算井成本；
基于针对所述多个候选井参数组合中的每一个的油气产量、对应的预测不确定性和井成本来为所述多个候选井参数组合中的每一个估计井的预期投资回报ROI；以及
为井确定经优化的井参数组合以使得预期ROI被最大化。
35.如权利要求34所述的非暂时性计算机可读介质，其中计算机可读指令包括被配置为指引处理器为多个井确定经优化的井参数组合以使得用于在油气田中钻探和完成所述多个井的总体预期ROI被最大化的代码。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361833368P | 2013-06-10 | 2013-06-10 | |
| US61/833,368 | 2013-06-10 | ||
| PCT/US2014/038617 WO2014200669A2 (en) | 2013-06-10 | 2014-05-19 | Determining well parameters for optimization of well performance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105247546A true CN105247546A (zh) | 2016-01-13 |
Family
ID=50943619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480030059.3A Pending CN105247546A (zh) | 2013-06-10 | 2014-05-19 | 确定用于井动态优化的井参数 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US9946974B2 (zh) |
| EP (1) | EP3008282A2 (zh) |
| CN (1) | CN105247546A (zh) |
| BR (1) | BR112015026505B1 (zh) |
| CA (1) | CA2909170C (zh) |
| WO (1) | WO2014200669A2 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017206157A1 (en) * | 2016-06-03 | 2017-12-07 | Schlumberger Technology Corporation | Systems, methods, and computer readable media for enchanced simulation of drilling dynamics |
| CN107989543A (zh) * | 2017-11-30 | 2018-05-04 | 中国石油大学(北京) | 连续油管调制井底局部欠平衡水力特性测试系统及方法 |
| CN109155064A (zh) * | 2016-04-01 | 2019-01-04 | 沙特阿拉伯石油公司 | 自动化岩心描述 |
| CN109339745A (zh) * | 2018-11-28 | 2019-02-15 | 闫存章 | 基于最优单井控制面积的页岩气藏开采方法 |
| CN109416769A (zh) * | 2016-05-19 | 2019-03-01 | 雷普索尔有限公司 | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 |
| CN110080743A (zh) * | 2018-01-24 | 2019-08-02 | 中国石油天然气股份有限公司 | 油井潜力检测方法 |
| CN110662962A (zh) * | 2017-03-14 | 2020-01-07 | 沙特阿拉伯石油公司 | 烃源岩属性的协同感测与预测 |
| CN110685651A (zh) * | 2019-10-14 | 2020-01-14 | 重庆科技学院 | 一种多层合采气井产量劈分方法及系统 |
| CN111279050A (zh) * | 2017-09-11 | 2020-06-12 | 吉奥奎斯特系统公司 | 井规划系统 |
| CN113297803A (zh) * | 2021-06-17 | 2021-08-24 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
| CN113939776A (zh) * | 2019-06-04 | 2022-01-14 | 大陆汽车有限责任公司 | 考虑到不确定性的主动数据生成 |
| US11668847B2 (en) | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
| US12123299B2 (en) | 2022-08-31 | 2024-10-22 | Saudi Arabian Oil Company | Quantitative hydraulic fracturing surveillance from fiber optic sensing using machine learning |
Families Citing this family (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9946974B2 (en) * | 2013-06-10 | 2018-04-17 | Exxonmobil Upstream Research Company | Determining well parameters for optimization of well performance |
| US10138717B1 (en) * | 2014-01-07 | 2018-11-27 | Novi Labs, LLC | Predicting well performance with feature similarity |
| WO2015130313A1 (en) * | 2014-02-28 | 2015-09-03 | Landmark Graphics Corporation | Facies definition using unsupervised classification procedures |
| AU2015384813A1 (en) * | 2015-03-02 | 2017-08-10 | Landmark Graphics Corporation | Selecting potential well locations in a reservoir grid model |
| US10643146B1 (en) | 2015-06-08 | 2020-05-05 | DataInfoCom USA, Inc. | Systems and methods for analyzing resource production |
| US11487915B2 (en) * | 2015-06-29 | 2022-11-01 | Onesubsea Ip Uk Limited | Integrated modeling using multiple subsurface models |
| GB201517729D0 (en) * | 2015-10-07 | 2015-11-18 | Swellfix Uk Ltd | Data systems, devices and methods |
| US10546355B2 (en) * | 2016-10-20 | 2020-01-28 | International Business Machines Corporation | System and tool to configure well settings for hydrocarbon production in mature oil fields |
| MX2019006674A (es) * | 2016-12-07 | 2019-08-26 | Safekick Americas Llc | Perforacion automatizada basada en modelos. |
| US10902276B2 (en) * | 2016-12-22 | 2021-01-26 | Samsung Electronics Co., Ltd. | Apparatus and method for processing image |
| US11087221B2 (en) | 2017-02-20 | 2021-08-10 | Saudi Arabian Oil Company | Well performance classification using artificial intelligence and pattern recognition |
| US10838412B2 (en) | 2017-06-14 | 2020-11-17 | Sabic Global Technologies B.V. | Hybrid machine learning approach towards olefins plant optimization |
| US20190040305A1 (en) | 2017-08-01 | 2019-02-07 | Weatherford Technology Holdings, Llc | Fracturing method using a low-viscosity fluid with low proppant settling rate |
| US10866962B2 (en) | 2017-09-28 | 2020-12-15 | DatalnfoCom USA, Inc. | Database management system for merging data into a database |
| WO2019067213A1 (en) | 2017-09-28 | 2019-04-04 | Chevron U.S.A. Inc. | SYSTEMS AND METHODS FOR ESTIMATING THE PRODUCTIVITY OF A TANK BASED ON DEPTH IN A UNDERGROUND VOLUME OF INTEREST |
| CA3076523C (en) * | 2017-09-28 | 2023-04-04 | Chevron, U.S.A. | Systems and methods for estimating a likelihood of reservoir productivity as a function of position in a subsurface volume of interest |
| NO20210007A1 (en) * | 2018-07-05 | 2021-01-05 | Schlumberger Technology Bv | Geological interpretation with artificial intelligence |
| US11910201B2 (en) | 2018-07-11 | 2024-02-20 | Sail Internet, Inc. | Method and apparatus for qualifying customers and designing a fixed wireless network using mapping data |
| WO2020094525A1 (en) | 2018-11-09 | 2020-05-14 | Curious Ai Oy | Solution for machine learning system |
| US20220110001A1 (en) * | 2018-12-10 | 2022-04-07 | Sail Internet, Inc. | Method and Apparatus for Design of a Wireless Network |
| WO2020185863A1 (en) * | 2019-03-11 | 2020-09-17 | Wood Mackenzie, Inc. | Machine learning systems and methods for isolating contribution of geospatial factors to a response variable |
| US11208886B2 (en) * | 2019-03-26 | 2021-12-28 | Exxonmobil Upstream Research Company | Direct hydrocarbon indicators analysis informed by machine learning processes |
| US11143775B2 (en) * | 2019-05-09 | 2021-10-12 | Schlumberger Technology Corporation | Automated offset well analysis |
| US11566504B2 (en) | 2019-07-17 | 2023-01-31 | Weatherford Technology Holdings, Llc | Application of elastic fluids in hydraulic fracturing implementing a physics-based analytical tool |
| CN110608032B (zh) * | 2019-09-18 | 2023-01-24 | 中国石油天然气集团有限公司 | 一种基于轻烃录井的油井产量预测方法及计算机设备 |
| US11371336B2 (en) | 2019-09-19 | 2022-06-28 | Chevron U.S.A. Inc. | Systems and methods for estimating refined reservoir productivity values as a function of position in a subsurface volume of interest |
| US11480709B2 (en) | 2019-10-21 | 2022-10-25 | Chevron U.S.A. Inc. | Systems and methods for predicting hydrocarbon production and assessing prediction uncertainty |
| US11719856B2 (en) | 2019-10-29 | 2023-08-08 | Saudi Arabian Oil Company | Determination of hydrocarbon production rates for an unconventional hydrocarbon reservoir |
| US11704579B2 (en) * | 2020-04-17 | 2023-07-18 | Quantic Energy Solutions Llo | Earth modeling methods using machine learning |
| US11377932B2 (en) | 2020-11-19 | 2022-07-05 | International Business Machines Corporation | Machine learning-based reservoir reserves estimation |
| US11674379B2 (en) | 2021-03-11 | 2023-06-13 | Saudi Arabian Oil Company | Method and system for managing gas supplies |
| US12049820B2 (en) | 2021-05-24 | 2024-07-30 | Saudi Arabian Oil Company | Estimated ultimate recovery forecasting in unconventional reservoirs based on flow capacity |
| US20220397698A1 (en) * | 2021-06-14 | 2022-12-15 | Saudi Arabian Oil Company | Flow-after-flow tests in hydrocarbon wells |
| US20220414299A1 (en) * | 2021-06-25 | 2022-12-29 | Cenovus Energy Inc. | Apparatus and method for oil production forecasting |
| US12031423B2 (en) | 2021-08-17 | 2024-07-09 | Landmark Graphics Corporation | Well construction optimization techniques |
| AU2021467706A1 (en) | 2021-10-08 | 2024-03-14 | Halliburton Energy Services, Inc. | Alkali-silica reaction for expanding cement in a wellbore |
| US20230193725A1 (en) * | 2021-12-16 | 2023-06-22 | Landmark Graphics Corporation | Scoring a final risk for identified borehole design concepts |
| US11940398B2 (en) * | 2022-08-19 | 2024-03-26 | Saudi Arabian Oil Company | Method to determine relative thermal maturity from porosities measured by quantitative imaging on uncleaned samples and GRI porosity measured on crushed cleaned samples |
| CN115726776B (zh) * | 2022-11-24 | 2024-07-16 | 西南石油大学 | 一种非常规油气藏经验产量递减模型优选方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6002985A (en) * | 1997-05-06 | 1999-12-14 | Halliburton Energy Services, Inc. | Method of controlling development of an oil or gas reservoir |
| US6901391B2 (en) * | 2001-03-21 | 2005-05-31 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
| CN101415905A (zh) * | 2006-04-07 | 2009-04-22 | 国际壳牌研究有限公司 | 优化井组产量的方法 |
| CN102282562A (zh) * | 2009-01-13 | 2011-12-14 | 埃克森美孚上游研究公司 | 优化井作业计划 |
| CN102473232A (zh) * | 2009-08-12 | 2012-05-23 | 埃克森美孚上游研究公司 | 优化井管理策略 |
| CN103842615A (zh) * | 2011-08-02 | 2014-06-04 | 沙特阿拉伯石油公司 | 执行井动态模型创建和校准的全自动化工作流程的系统和程序产品 |
Family Cites Families (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2818742B1 (fr) | 2000-12-22 | 2003-02-14 | Inst Francais Du Petrole | Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques |
| WO2002077728A1 (en) | 2001-03-21 | 2002-10-03 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
| US6795773B2 (en) * | 2001-09-07 | 2004-09-21 | Halliburton Energy Services, Inc. | Well completion method, including integrated approach for fracture optimization |
| US7512543B2 (en) * | 2002-05-29 | 2009-03-31 | Schlumberger Technology Corporation | Tools for decision-making in reservoir risk management |
| FR2848320B1 (fr) | 2002-12-10 | 2005-01-28 | Inst Francais Du Petrole | Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones |
| US8374974B2 (en) | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
| US6810332B2 (en) | 2003-01-31 | 2004-10-26 | Chevron U.S.A. Inc. | Method for computing complexity, confidence and technical maturity indices for reservoir evaluations |
| US8560476B2 (en) | 2003-08-26 | 2013-10-15 | The Trustees Of Columbia University In The City Of New York | Martingale control of production for optimal profitability of oil and gas fields |
| WO2005020044A1 (en) | 2003-08-26 | 2005-03-03 | The Trustees Of Columbia University In The City Of New York | Innervated stochastic controller for real time business decision-making support |
| 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 |
| US20070185696A1 (en) | 2006-02-06 | 2007-08-09 | Smith International, Inc. | Method of real-time drilling simulation |
| US9043188B2 (en) * | 2006-09-01 | 2015-05-26 | Chevron U.S.A. Inc. | System and method for forecasting production from a hydrocarbon reservoir |
| US8335677B2 (en) | 2006-09-01 | 2012-12-18 | Chevron U.S.A. Inc. | Method for history matching and uncertainty quantification assisted by global optimization techniques utilizing proxies |
| US7467044B2 (en) | 2007-01-15 | 2008-12-16 | Chevron U.S.A. Inc | Method and system for assessing exploration prospect risk and uncertainty |
| US9110193B2 (en) | 2007-02-25 | 2015-08-18 | Chevron U.S.A. Inc. | Upscaling multiple geological models for flow simulation |
| US8510242B2 (en) | 2007-08-31 | 2013-08-13 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
| US8577660B2 (en) | 2008-01-23 | 2013-11-05 | Schlumberger Technology Corporation | Three-dimensional mechanical earth modeling |
| US9223041B2 (en) | 2008-01-23 | 2015-12-29 | Schlubmerger Technology Corporation | Three-dimensional mechanical earth modeling |
| CA2689341A1 (en) | 2008-12-31 | 2010-06-30 | Shell Internationale Research Maatschappij B.V. | Method and system for simulating fluid flow in an underground formation with uncertain properties |
| EP2387730A1 (en) | 2009-01-13 | 2011-11-23 | ExxonMobil Upstream Research Company | Methods and systems to volumetrically conceptualize hydrocarbon plays |
| US9134457B2 (en) | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| WO2010148320A1 (en) | 2009-06-19 | 2010-12-23 | Conocophillips Company | Source rock volumetric analysis |
| US8798978B2 (en) | 2009-08-07 | 2014-08-05 | Exxonmobil Upstream Research Company | Methods to estimate downhole drilling vibration indices from surface measurement |
| CA2770230C (en) | 2009-08-07 | 2016-05-17 | Exxonmobil Upstream Research Company | Methods to estimate downhole drilling vibration amplitude from surface measurement |
| US8949173B2 (en) | 2009-10-28 | 2015-02-03 | Schlumberger Technology Corporation | Pay zone prediction |
| US8392165B2 (en) | 2009-11-25 | 2013-03-05 | Halliburton Energy Services, Inc. | Probabilistic earth model for subterranean fracture simulation |
| US20130046524A1 (en) | 2009-12-15 | 2013-02-21 | Schlumberger Technology Corporation | Method for modeling a reservoir basin |
| US8412501B2 (en) | 2010-06-16 | 2013-04-02 | Foroil | Production simulator for simulating a mature hydrocarbon field |
| WO2012015516A1 (en) * | 2010-07-29 | 2012-02-02 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
| US8855986B2 (en) | 2010-09-03 | 2014-10-07 | Chevron U.S.A. Inc. | Iterative method and system to construct robust proxy models for reservoir simulation |
| EA201390784A1 (ru) | 2010-11-30 | 2013-12-30 | Лэндмарк Графикс Корпорейшн | Способ уменьшения времени моделирования природного резервуара углеводородов |
| US20120143508A1 (en) | 2010-12-01 | 2012-06-07 | Conocophillips Company | Automatic estimation of source rock petrophysical properties |
| BR112013019329A2 (pt) | 2011-01-31 | 2018-07-10 | Landmark Graphics Corp | método e sistema para implementar um simulador de reservatório, e, meio legível por computador. |
| EP2525242A3 (en) | 2011-05-20 | 2017-07-12 | Baker Hughes Incorporated | Multiscale geologic modeling of a clastic meander belt including asymmetry using multi-point statistics |
| US8571799B2 (en) | 2011-06-10 | 2013-10-29 | Schlumberger Technology Corporation | Method for cost effective sampling and characterization of heterogeneous unconventional hydrocarbon regions |
| DE102011108242A1 (de) | 2011-07-21 | 2013-01-24 | Giesecke & Devrient Gmbh | Optisch variables Element, insbesondere Sicherheitselement |
| US9423526B2 (en) | 2011-12-31 | 2016-08-23 | Saudi Arabian Oil Company | Methods for estimating missing real-time data for intelligent fields |
| US9429678B2 (en) | 2011-12-31 | 2016-08-30 | Saudi Arabian Oil Company | Apparatus, computer readable media, and computer programs for estimating missing real-time data for intelligent fields |
| EP2850467B1 (en) | 2012-05-14 | 2018-06-20 | Landmark Graphics Corporation | Method and system of predicting future hydrocarbon production |
| US8700549B2 (en) | 2012-05-23 | 2014-04-15 | King Fahd University Of Petroleum And Minerals | Method of predicting gas composition |
| US9014982B2 (en) | 2012-05-23 | 2015-04-21 | Exxonmobil Upstream Research Company | Method for analysis of relevance and interdependencies in geoscience data |
| US9262713B2 (en) | 2012-09-05 | 2016-02-16 | Carbo Ceramics Inc. | Wellbore completion and hydraulic fracturing optimization methods and associated systems |
| WO2014039036A1 (en) | 2012-09-05 | 2014-03-13 | Stratagen, Inc. | Wellbore completion and hydraulic fracturing optimization methods and associated systems |
| US20140149041A1 (en) | 2012-10-29 | 2014-05-29 | Saudi Arabian Oil Company | Rock facies prediction in non-cored wells from cored wells |
| WO2014088571A1 (en) | 2012-12-05 | 2014-06-12 | Landmark Graphics Corporation | Systems and methods for 3d seismic data depth conversion utilizing artificial neural networks |
| US20140214387A1 (en) * | 2013-01-25 | 2014-07-31 | Schlumberger Technology Corporation | Constrained optimization for well placement planning |
| US9952340B2 (en) | 2013-03-15 | 2018-04-24 | General Electric Company | Context based geo-seismic object identification |
| WO2014146004A2 (en) | 2013-03-15 | 2014-09-18 | Intelligent Solutions, Inc. | Data-driven analytics, predictive modeling & optimization of hydraulic fracturing in marcellus shale |
| US9824135B2 (en) | 2013-06-06 | 2017-11-21 | Exxonmobil Upstream Research Company | Method for decomposing complex objects into simpler components |
| US9946974B2 (en) * | 2013-06-10 | 2018-04-17 | Exxonmobil Upstream Research Company | Determining well parameters for optimization of well performance |
| WO2015153680A1 (en) * | 2014-04-01 | 2015-10-08 | Landmark Graphics Corporation | Optimizing oil recovery and reducing water production in smart wells |
| US10139507B2 (en) | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
| US20170247995A1 (en) * | 2015-05-07 | 2017-08-31 | Baker Hughes Incorporated | Evaluating far field fracture complexity and optimizing fracture design in multi-well pad development |
| US10605940B2 (en) | 2015-06-24 | 2020-03-31 | Exxonmobil Upstream Research Company | Method for selecting horizon surfaces |
-
2014
- 2014-05-19 US US14/281,382 patent/US9946974B2/en active Active
- 2014-05-19 CA CA2909170A patent/CA2909170C/en active Active
- 2014-05-19 BR BR112015026505-7A patent/BR112015026505B1/pt active IP Right Grant
- 2014-05-19 EP EP14730713.6A patent/EP3008282A2/en not_active Ceased
- 2014-05-19 CN CN201480030059.3A patent/CN105247546A/zh active Pending
- 2014-05-19 WO PCT/US2014/038617 patent/WO2014200669A2/en active Application Filing
-
2018
- 2018-03-13 US US15/919,686 patent/US10963815B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6002985A (en) * | 1997-05-06 | 1999-12-14 | Halliburton Energy Services, Inc. | Method of controlling development of an oil or gas reservoir |
| US6901391B2 (en) * | 2001-03-21 | 2005-05-31 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
| CN101415905A (zh) * | 2006-04-07 | 2009-04-22 | 国际壳牌研究有限公司 | 优化井组产量的方法 |
| CN102282562A (zh) * | 2009-01-13 | 2011-12-14 | 埃克森美孚上游研究公司 | 优化井作业计划 |
| CN102473232A (zh) * | 2009-08-12 | 2012-05-23 | 埃克森美孚上游研究公司 | 优化井管理策略 |
| CN103842615A (zh) * | 2011-08-02 | 2014-06-04 | 沙特阿拉伯石油公司 | 执行井动态模型创建和校准的全自动化工作流程的系统和程序产品 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109155064A (zh) * | 2016-04-01 | 2019-01-04 | 沙特阿拉伯石油公司 | 自动化岩心描述 |
| CN109416769A (zh) * | 2016-05-19 | 2019-03-01 | 雷普索尔有限公司 | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 |
| CN109416769B (zh) * | 2016-05-19 | 2024-02-13 | 雷普索尔有限公司 | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 |
| WO2017206157A1 (en) * | 2016-06-03 | 2017-12-07 | Schlumberger Technology Corporation | Systems, methods, and computer readable media for enchanced simulation of drilling dynamics |
| CN110662962A (zh) * | 2017-03-14 | 2020-01-07 | 沙特阿拉伯石油公司 | 烃源岩属性的协同感测与预测 |
| CN110662962B (zh) * | 2017-03-14 | 2022-05-17 | 沙特阿拉伯石油公司 | 用于感测和预测烃源岩的成熟度的系统和方法 |
| CN111279050A (zh) * | 2017-09-11 | 2020-06-12 | 吉奥奎斯特系统公司 | 井规划系统 |
| CN107989543A (zh) * | 2017-11-30 | 2018-05-04 | 中国石油大学(北京) | 连续油管调制井底局部欠平衡水力特性测试系统及方法 |
| CN107989543B (zh) * | 2017-11-30 | 2018-09-25 | 中国石油大学(北京) | 连续油管调制井底局部欠平衡水力特性测试系统及方法 |
| CN110080743A (zh) * | 2018-01-24 | 2019-08-02 | 中国石油天然气股份有限公司 | 油井潜力检测方法 |
| CN109339745A (zh) * | 2018-11-28 | 2019-02-15 | 闫存章 | 基于最优单井控制面积的页岩气藏开采方法 |
| CN109339745B (zh) * | 2018-11-28 | 2020-06-02 | 闫存章 | 基于最优单井控制面积的页岩气藏开采方法 |
| CN113939776A (zh) * | 2019-06-04 | 2022-01-14 | 大陆汽车有限责任公司 | 考虑到不确定性的主动数据生成 |
| CN110685651A (zh) * | 2019-10-14 | 2020-01-14 | 重庆科技学院 | 一种多层合采气井产量劈分方法及系统 |
| US11668847B2 (en) | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
| CN113297803A (zh) * | 2021-06-17 | 2021-08-24 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
| US12123299B2 (en) | 2022-08-31 | 2024-10-22 | Saudi Arabian Oil Company | Quantitative hydraulic fracturing surveillance from fiber optic sensing using machine learning |
Also Published As
| Publication number | Publication date |
|---|---|
| US9946974B2 (en) | 2018-04-17 |
| US10963815B2 (en) | 2021-03-30 |
| US20140365409A1 (en) | 2014-12-11 |
| CA2909170C (en) | 2020-02-18 |
| WO2014200669A2 (en) | 2014-12-18 |
| CA2909170A1 (en) | 2014-12-18 |
| EP3008282A2 (en) | 2016-04-20 |
| BR112015026505A2 (pt) | 2017-07-25 |
| BR112015026505B1 (pt) | 2021-12-14 |
| WO2014200669A3 (en) | 2015-08-27 |
| US20180204139A1 (en) | 2018-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105247546A (zh) | 确定用于井动态优化的井参数 | |
| US10997518B2 (en) | Method for predicting oil and gas reservoir production | |
| EP2948618B1 (en) | Constrained optimization for well placement planning | |
| RU2496972C2 (ru) | Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях | |
| US20210355804A1 (en) | Explorative Sampling of Natural Mineral Resource Deposits | |
| Bai et al. | Modeling of frac flowback and produced water volume from Wattenberg oil and gas field | |
| EP3117075B1 (en) | Ranking drilling locations among shale plays | |
| Annan Boah et al. | Critical evaluation of infill well placement and optimization of well spacing using the particle swarm algorithm | |
| US20230111179A1 (en) | Predicting oil and gas reservoir production | |
| Litvak et al. | Field development optimization with subsurface uncertainties | |
| Al-Mudhafar et al. | Using optimization techniques for determining optimal locations of additional oil wells in South Rumaila oil field | |
| O'Brien et al. | Maximizing mature field production-A novel approach to screening mature fields revitalization options | |
| Mehranfar et al. | Optimization under uncertainty for reliable unconventional play evaluation. A case study in Vaca Muerta shale gas blocks, Argentina | |
| Al-Aruri et al. | Development of gas injection strategy optimized under subsurface uncertainties in naturally fractured Karachaganak reservoir | |
| Ma et al. | Design of steam alternating solvent process operational parameters considering shale heterogeneity | |
| Angga et al. | Automated decision support methodology for early planning phase of a multi-reservoir field | |
| Cottini-Loureiro et al. | Optimized well location by combination of multiple realization approach and quality map methods | |
| Hirschmiller et al. | The importance of integrating subsurface disciplines with machine learning when predicting and optimizing well performance–case study from the spirit river formation | |
| Komin et al. | Multivariate Asset Assessment: Fast and Reasonable Decision on Oil Rims Development on the Example of a Unique Field in the Arctic Onshore. | |
| Javadi et al. | Understanding the impact of rock properties and completion parameters on estimated ultimate recovery in shale | |
| Rezaei et al. | Utilizing a Global Sensitivity Analysis and Data Science to Identify Dominant Parameters Affecting the Production of Wells and Development of a Reduced Order Model for the Eagle Ford Shale | |
| Ma | Integrated Hydraulic Fracture Placement and Design Optimization in Unconventional Gas Reservoirs | |
| Magizov et al. | Automated Identification of the Optimal Sidetrack Location by Multivariant Analysis and Numerical Modeling. A Real Case Study on a Gas Field | |
| Braun et al. | Entering a Liquid-Rich Shale Play Near the Top of the Learning Curve: Early Quantification and Application of Development Best Practices | |
| Leow et al. | Simultaneous optimal placement of injector and producer wells using mathematical programming |
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: 20160113 |
|
| RJ01 | Rejection of invention patent application after publication |