CN105804730B - 使用历史井数据的资源识别的方法和系统 - Google Patents
使用历史井数据的资源识别的方法和系统 Download PDFInfo
- Publication number
- CN105804730B CN105804730B CN201610022708.6A CN201610022708A CN105804730B CN 105804730 B CN105804730 B CN 105804730B CN 201610022708 A CN201610022708 A CN 201610022708A CN 105804730 B CN105804730 B CN 105804730B
- Authority
- CN
- China
- Prior art keywords
- production
- features
- vertical well
- well
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 86
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 230000000704 physical effect Effects 0.000 claims description 12
- 238000012856 packing Methods 0.000 claims description 4
- 230000002269 spontaneous effect Effects 0.000 claims description 4
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 14
- 235000009508 confectionery Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- E21B49/003—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 by analysing drilling variables or conditions
-
- 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
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/26—Storing data down-hole, e.g. in a memory or on a record carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
Abstract
公开了使用历史井数据的资源识别的方法和系统。一种用于使用包括资源的垂直井日志和资源的水平井产量数据的历史井数据来识别一个地域中的资源的方法,所述方法包括:从所述垂直井日志中提取多个特征;执行从所述垂直井日志中提取的所述多个特征到所述水平井产量数据的坐标上的空间内插,以确定多个经内插的特征;以及通过将所述水平井产量数据回归到经内插的所述特征上,来建立预测所述地域中的所述资源产量的模型,其中所述模型作为所述地域中预测的所述资源产量的可视化而被显示。
Description
技术领域
本公开内容涉及用于识别在土地中蕴藏的自然资源的方法,并且更具体地涉及用于使用历史井数据来识别自然资源的方法。
背景技术
随着水平钻井技术的出现,对于以前被垂直井耗尽的页岩或棕色地域(brownfield)的兴趣不断增长起来。如果利用水平井来开发,这些棕色地域被认为具有潜力。事实上,已经使用水平技术对若干个这样的棕色地域进行了钻井并且结果良好。然而,高钻井成本、针对“甜点(sweet spot)”处的新井的提取设备的选址、或者具有高可能性的地点是非常重要的。
发明内容
根据本发明的示例实施例,一种用于使用包括资源的垂直井日志和资源的水平井产量数据的历史井数据来识别一个地域中的资源的方法,所述方法包括:从所述垂直井日志中提取多个特征;执行从所述垂直井日志中提取的所述多个特征到所述水平井产量数据的坐标上的空间内插以确定多个经内插的特征;以及通过将所述水平井产量数据回归到所述经内插的特征上来建立预测所述地域中的所述资源产量的模型,其中所述模型作为所述地域中预测的所述资源产量的可视化而被显示。
附图说明
下面将参考附图更详细地描述本发明的优选实施例:
图1是根据本发明示例实施例的针对垂直井和水平井的数据的可视化;
图2是根据本发明示例实施例的用于预测资源储备的方法的流程图;
图3示出了根据本发明示例实施例的与图2相对应的可视化;
图4是根据本发明示例实施例的用于从井数据中提取特征的函数主成分分析(fPCA)的方法的流程图;
图5是根据本发明示例实施例被配置用于预测资源储备并将其可视化的计算机系统的图表。
具体实施方式
根据本发明示例实施例,从复杂且高维的井日志曲线(来自垂直井的历史记录)中自动地提取特征集合,其中所提取的特征被用来建立一个或多个预测模型。这些预测模型通过将从垂直井的历史井日志中所提取的特征与来自水平井的产量数据相关联,从而识别资源储备(例如页岩)中的甜点。预测模型的可视化可以被输出以用于进一步的分析。
地质和岩石物理研究已表明:页岩中的甜点的识别涉及寻找具有某些参数组合的位置,比如厚度、TOC(总有机碳)、成熟度、孔隙度、以及高的气储量。本发明的示例实施例利用历史井数据,其针对识别给定储备地域中的一个或多个甜点的自动、高效、健壮的方法而言,对于许多位置(例如,一些储备地域具有几万或几十万个数据点)都是广泛可用的。本发明的一个或多个示例实施例使用了一种原理性框架用于从复杂且高维的井日志曲线中提取简单且有意义的特征。
在本公开内容中,短语“井日志”是指关于垂直井的信息,而短语“井数据”是指关于垂直井和/或水平井的信息。此外,应该理解,产量可以通过任何相关的方法来测量。例如,典型的产量单位是在规定的周期期间的体积(例如6个月的产量)并且可以被测量为若干桶。规定的周期可以是任何感兴趣的周期(1个月,3个月,6个月等)。
尚未知晓存在用于从高维且复杂的井日志曲线中提取此类特征的方法。诸如平均数、最大或最小峰高之类的汇总统计过于简单而不能从井日志曲线中捕获相关的特征。此外,这样的汇总统计是必需是自组织的,并且将会导致建模结果中的变化性。与此相反,根据本发明的一个或多个实施例,原理性统计方法根据全变差准则自动地提取特征。
本发明的示例实施例可以被用来在无需地质核心分析而单独地使用历史产量数据和井日志(例如,岩石物理井日志或水文物理井日志)的情况下,以建立与天然资源的产量相关的一个或多个预测模型。更具体地,根据本发明的一个或多个实施例,一种方法包括:从多个井日志曲线的每一个之中提取一维特征,其中,使用2D内插(相对于更难的三维内插)将一维特征内插到水平井产量数据的坐标上。这在地震数据不可用的情况下是有利的。通过在来自垂直井的内插提取特征上回归来自水平井的历史产量数据,在储备地域中的新位置处可以直接预测产量。至少在岩石物理井日志的情况中,这具有超过岩石物理性质的3D内插的优势,岩石物理性质的3D内插可能会或者可能不会将井与产量相关并且以后会需要地质专家进行分析。
用于预测给定储备地域中的产量(例如,识别甜点)的工作流程在图1-图3中被示出。在示例中,储备地域包括与物理井日志相关联的多个物理井和产量数据可用的多个水平井。
参见图1,储备地域被给出为由点(例如102)所表示的垂直井和由线(例如103)表示的水平井的地图101。注意在图1中,水平井不与垂直井位于相同的坐标处。井日志104与每个垂直井相关联并且产量数据105与每个水平井相关联。
每个垂直井与一个或多个井日志相关联。每个井日志给出了沿着相应井的深度的一些物理测量(S)。垂直井日志数据包括每个深度的以下中的一个或多个:深电阻率、伽马辐射、声波传播时间、密度孔隙度、声波孔隙度、中子孔隙度、堆积密度、和自发电位。应当理解,该方法也可以被应用于其它类型的物理井日志曲线。
每个水平井与历史产量数据(例如,油,气,或水产量)相关联。如图2中所示,用于建立预测模型的方法200包括:接收多个垂直井和多个水平井的井数据201,使用函数主成分分析(FPCA)从垂直井的井日志中系统地提取一维特征202,通过克里格方法(Kriging)确定跨越垂直井的一维特征的加权平均203,并且执行来自水平井的历史产量数据在来自垂直井的内插提取特征上的回归204,并输出该预测模型205。可以使用预测模型来在跨越整个产量地域的一部分的网格上执行产量预测,从而促进地图可视化。
图3是示例性的可视化301,其示出了在跨越整个产量地域的一部分的网格上的产量预测和一个或多个预测的甜点(例如,302和303)。应当理解,可以基于产量阈值(绝对或相对于周围区域)来识别网格中的甜点。
分析工作流程(图2)包括模型建立阶段和预测阶段。正如将在下面描述的那样,建模阶段将内插的主成分X回归到产量y上。这将产生模型y=X*beta,其中beta在建模阶段中被估计。预测阶段选择期望进行预测的新位置,并且将主成分内插到该新位置上,其中内插值是X_new。预测可以通过确定y_new=X_new*beta(beta来自模型)来实现。
模型建立阶段通过图2来说明并且包括方框202-方框204。假定在方框201处接收历史井数据,在方框202处使用fPCA来从每个物理井日志曲线中提取是主成分得分的一维特征。换言之,针对每个物理性质提取K个主成分得分。可以根据由最初第一的K个成分所解释的曲线中的全变差的比例,来选择针对每个物理曲线要被提取的主成分的数量K。
理论上,存在无限的主成分得分ρi,i=1,...,∞。这些主成分得分的方差总和等于曲线中的(整体的)总变差,它由下式给出:其中x(t)是描述井日志参数的给定曲线。因此,通过选择所有的(无限的)主成分得分,可以解释曲线中的100%总变差。在实践中,最初第一的K个主成分被选择,直到比例高于一些阈值(例如80%)。应当理解,用户可以针对特定应用选择阈值。
参见在方框202处的fPCA(图2和图4),物理井日志曲线(例如,电阻率,声波孔隙度,伽马辐射)包括在离散深度dj,j=1,...,p处观察到的离散观察值xj,其中p是观察的深度单位数量。由于深度单位数量可以是数千,并且由于散点图(dj,xj)演示了光滑的函数关系,所以这个数据可以被表示为函数。这促进了函数数据分析的使用,其可以被用来从曲线中提取(函数)主成分。该函数可以通过线性扩展来表示:
其中,代表已知的基本函数(例如傅立叶基函数或B样条基函数)。系数ck作为数据预处理的一部分而被计算。这导致作为函数对象的离散数据的有效计算表示,其中针对每个井的数据已经从数以千计的测量值减少到仅仅K<<p个系数(ck)和已知的基函数在示例性实现中,这可以使用公开可用的统计应用来很容易地实现,比如“fda”R包(用于统计计算和图形的语言和环境)。
假设在401处井日志已全部被转换为函数对象x1(·),...,xn(·),其中,n表示地域中的垂直井的数量,fPCA包括在402处寻找主成分权重函数ξ1(·),针对其,主成分得分:
ρ1i=∫ξ1(t)xi(t)dt,
以如下为条件,将最大化:
在403处,fPCA包括顺序地确定权重函数ξk(·),K≥2使得被最大化,其中ρki=∫ξk(t)xi(t)dt是第k个主成分得分。第k个对应权重函数另外需要与所有先前计算的权重函数正交,即,对于所有j=1,...,k-1,∫ξk(t)ξj(t)dt=0。还可以在403处使用经配置的商业统计应用来执行函数主成分得分的计算。
fPCA继续确定正交权重函数,直到期望的主成分得分数量被确定为止(参见404)。
模型建立阶段进一步包括在方框203处的克里格方法,其将在垂直井处提取的特征内插到水平井的坐标上。在示例实施例中,由于水平井向外延伸,水平井的中心坐标可以被使用。应当理解,沿着或接近水平井的其它位置也可以取决于用户的喜好而被用作坐标。
更具体地参考方框203,让H和V分别表示水平井集合和垂直井集合。在垂直井处计算的第k个主成分得分(对于给定的物理参数)i∈V被表示为xik(k=1,...,K)。克里格方法确定跨越垂直井集合的主成分得分的加权平均。更具体地,对于水平井i'和主成分得分k,加权平均被确定为:
其中,disti,i'表示垂直井i∈V和水平井i'之间的距离。可以通过使用配置的商业统计应用获得克里格方法权重。
根据本发明的示例实施例,模型建立阶段进一步包括:在方框204处执行回归(Regression)。回归是用于估计因变量y和自变量x之间的关系的统计过程。根据本发明的示例实施例,因变量是yi',它表示在水平井i'∈H处的产量(例如,6个月的产量或者井产量的任何有意义总结),以及自变量是在水平井i'∈H处的内插主成分得分通过选定的回归模型(例如,多元线性回归(MLR),支持向量机,神经网络,LASSO),内插的主成分得分被回归在yi上。在示例性实现中,MLR模型通过如下来描述:
其中,模型参数估计通过最小二乘法而获得。
在方框204处,通过将水平井处的历史产量回归到内插的主成分得分上,建立一个或多个预测模型,其可以被用来预测在储备地域中的新地点处的产量。
现在假定用户希望在空间坐标已知的新位置处(或者在此新位置的网格上)钻取一个新的水平井。这就是所谓的预测阶段(方框205),并且涉及使用在此所述的克里格方法通过来将主成分得分内插到新地点i0(或者到此位置的网格上)。所估计的回归模型(例如,从(2)中所估计的MLR模型)被用来形成新的水平井处的预测产量:
鉴于上述情况,一旦模型建立阶段完成,产量的预测可以在储备地域中的任何给定位置处被执行。在预测阶段(方框205)中,从fPCA202中所提取的主成分被内插(使用克里格方法203)到新的位置上,其中预测的产量是所期望的。来自204的估计回归模型随后被用来使用内插主成分作为模型的输入从而预测产量。该预测可以在任何个别位置处或者在跨越整个地域的网格上而被执行。在区域宽预测(例如,对于整个储备地域的一部分)的情况下,该区域可以用轮廓和/或彩色地图来被可视化,所述地图向用户提供跨越储备地域的预测产量的视觉表示。这允许用户识别具有高产量潜力的位置,即,甜点。
通过概括来说,根据本发明的示例实施例,一种用于使用包括资源的垂直井日志和资源的水平井产量数据的历史井数据来识别一个地域中的资源的方法包括:从垂直井日志中提取多个特征,执行从垂直井日志中提取的所述多个特征到水平井产量数据的坐标上的空间内插以确定多个经内插的特征,并通过将水平井产量数据回归到经内插的特征上来建立预测地域中的资源产量的模型,其中所述模型作为地域中预测的资源产量的可视化而被显示。
在一个或多个实施例中,该方法进一步包括:接收包括在多个深度处测量的至少一个物理性质的垂直井日志,其中每个物理性质包括深电阻率、伽马射线、声波传播时间、密度孔隙度、声波孔隙度、中子孔隙度、堆积密度、自发电位中的一个,并且其中每个所提取的特征对应于一个参数。在一个或多个实施例中,垂直井日志的每一个包括在多个深度处测量的至少一个物理性质的数据,并且进一步地在其中,从垂直井日志中提取多个特征进一步包括:针对来自垂直井日志的每个物理性质确定多个函数主成分得分。在一个或多个实施例中,该方法进一步包括:接收地域中没有现有井的新位置的坐标,并且使用该模型来预测在该新位置处的产量,其中在新位置处的产量的预测使用来自垂直井日志的函数主成分得分的内插。在一个或多个实施例中,该模型预测水平井产量。
在一个或多个实施例中,从垂直井日志中提取多个特征进一步包括:将多个函数主成分得分确定为垂直井数据中的曲线的加权积分,加权函数控制跨越垂直井日志的相应积分的样本方差。在一个或多个实施例中,执行来自垂直井日志的多个特征到水平井产量数据的坐标上的空间内插是通过克里格发法来执行。在一个或多个实施例中,该方法进一步包括通过水平井产量数据的中心坐标来描述水平井产量数据的位置。
本公开内容的实施例的方法可以特别适合在电子设备或替换系统中使用。因此,本发明的实施例可以采取完全硬件实施例或者软件和硬件方面结合的实施例的形式,其在此可以全都被统称为“处理器”、“电路”、“模块”或“系统”。
此外,应该指出,在此所描述的任何方法可以包括提供用于预测资源储备并将其可视化的系统的附加步骤。此外,计算机程序产品可以包括有形的计算机可读记录存储介质,其具有适于被执行以执行在此所描述的一个或多个方法步骤的代码,包括提供具有不同的软件模方框的系统。
参考图5,图5是一个框图,描绘了根据本发明实施例的用于预测资源储备并将其可视化的示例计算机系统500。在图5中示出的计算机系统包括处理器501,存储器502,显示器503,输入设备504(例如,键盘),网络接口(I/F)505,媒体(I/F)506,以及媒体507,如信号源,例如,相机,硬盘驱动器(HD),外部存储设备,等等。
在不同的应用中,图5中示出的某些组件可以被省略。图5中示出的整个系统由计算机可读指令来控制,计算机可读指令通常被存储在媒体507中。软件可以从网络(图中未示出)下载,存储在507中。可替代地,从网络下载的软件可以被加载到存储器502中并由处理器501执行以便完成由软件确定的功能。
处理器501可以被配置来执行本公开内容中描述的一个或多个的方法,其示例性实施例在以上附图中被示出并在本文中被描述。本发明的实施例能够被实现为例程,所述例程被存储在存储器502中并由处理器501执行以处理来自媒体507中的信号。这样,计算机系统是在执行本发明内容的例程时变成专用计算机系统的通用计算机系统。
虽然在图5中描述的计算机系统可以支持根据本公开内容的方法,但是该系统只是计算机系统的一个示例。本领域技术人员应当理解,其他计算机系统设计也可以被用来实施本发明的实施实施例。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质(或媒体),其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的示例(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令可以使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
尽管在此参考附图已经描述了本发明的示例实施例,但应该理解本发明不限于那些精确的实施例,并且本领域技术人员在不脱离所附权利要求书的范围和精神下在其中可以想到各种其他改变和修改。
Claims (20)
1.一种用于使用包括资源的垂直井日志和资源的水平井产量数据的历史井数据来识别一个地域中的资源的方法,所述方法包括:
从所述垂直井日志中提取多个特征,其中,所述垂直井日志各自包括在多个深度处测量的至少一个物理性质的数据;
执行从所述垂直井日志中提取的所述多个特征到所述水平井产量数据的坐标上的空间内插,以确定多个经内插的特征;以及
通过将所述水平井产量数据回归到经内插的所述特征上,来建立预测所述地域中的资源产量的模型,其中,所述模型作为所述地域中预测的所述资源产量的可视化而被显示。
2.根据权利要求1所述的方法,进一步包括:接收所述垂直井日志,其中每个物理性质包括深电阻率、伽马射线、声波传播时间、密度孔隙度、声波孔隙度、中子孔隙度、堆积密度、自发电位中的一个,并且其中每个提取的所述特征对应于一个参数。
3.根据权利要求1所述的方法,其中,从所述垂直井日志中提取所述多个特征进一步包括:针对来自所述垂直井日志的每个物理性质确定多个函数主成分得分。
4.根据权利要求3所述的方法,进一步包括:
接收所述地域中的没有现有井的新位置的坐标;以及
使用所述模型来预测在所述新位置处的产量,其中,在所述新位置处的产量的预测使用来自所述垂直井日志的所述函数主成分得分的内插。
5.根据权利要求4所述的方法,其中,所述模型预测水平井产量。
6.根据权利要求1所述的方法,其中,从所述垂直井日志中提取所述多个特征进一步包括:将多个函数主成分得分确定为所述垂直井数据中的曲线的加权积分,加权函数控制跨越所述垂直井日志的相应积分的样本方差。
7.根据权利要求1所述的方法,其中,执行来自所述垂直井日志的所述多个特征到所述水平井产量数据的所述坐标上的所述空间内插是通过克里格方法而被执行。
8.根据权利要求7所述的方法,进一步包括:通过所述水平井产量数据的中心坐标来描述所述水平井产量数据的位置。
9.一种用于使用包括资源的垂直井日志和资源的水平井产量数据的历史井数据来识别一个地域中的资源的系统,所述系统包括:
用于从所述垂直井日志中提取多个特征的装置,其中,所述垂直井日志各自包括在多个深度处测量的至少一个物理性质的数据;
用于执行从所述垂直井日志中提取的所述多个特征到所述水平井产量数据的坐标上的空间内插以确定多个经内插的特征的装置;以及
用于通过将所述水平井产量数据回归到经内插的所述特征上来建立预测所述地域中的资源产量的模型的装置,其中,所述模型作为所述地域中预测的所述资源产量的可视化而被显示。
10.根据权利要求9所述的系统,进一步包括:用于接收所述垂直井日志的装置,其中每个参数包括深电阻率、伽马射线、声波传播时间、密度孔隙度、声波孔隙度,中子孔隙度、堆积密度、自发电位中的一个,并且其中每个提取的所述特征对应于一个参数。
11.根据权利要求9所述的系统,其中,从所述垂直井日志中提取所述多个特征进一步包括:针对来自所述垂直井日志的每个物理性质确定多个函数主成分得分。
12.根据权利要求11所述的系统,进一步包括:
用于接收所述地域中的没有现有井的新位置的坐标的装置;以及
用于使用所述模型来预测在所述新位置处的产量的装置,其中,在所述新位置处的产量的预测使用来自所述垂直井日志的所述函数主成分得分的内插。
13.根据权利要求12所述的系统,其中,所述模型预测水平井产量。
14.根据权利要求9所述的系统,其中,用于从所述垂直井日志中提取所述多个特征的所述装置进一步包括:用于将多个函数主成分得分确定为所述垂直井数据中的曲线的加权积分的装置,加权函数控制跨越所述垂直井日志的相应积分的样本方差。
15.根据权利要求9所述的系统,其中,执行来自所述垂直井日志的所述多个特征到所述水平井产量数据的所述坐标上的所述空间内插是通过克里格方法而被执行。
16.根据权利要求15所述的系统,进一步包括:用于通过所述水平井产量数据的中心坐标来描述所述水平井产量数据的位置的装置。
17.一种用于预测地域中的资源的产量的方法,包括:
生成所述地域中的多个垂直井处的垂直井日志,其中,所述垂直井日志各自包括在多个深度处测量的至少一个物理性质的数据;
生成所述地域中的多个水平井处的水平井产量数据;
从所述垂直井日志中提取与据深度测量的参数相对应的多个特征;
执行从所述垂直井日志中提取的所述多个特征到所述水平井产量数据的坐标上的空间内插,以确定多个经内插的特征;以及
通过将所述水平井产量数据回归到经内插的所述特征上,来建立预测所述地域中的资源产量的模型,其中,所述模型作为所述地域中预测的所述资源产量的可视化而被显示。
18.根据权利要求17所述的方法,进一步包括:
接收所述地域中的位置的坐标;以及
使用所述模型预测在所述位置处的产量,其中在所述位置处的所述产量的预测使用来自所述垂直井日志的函数主成分得分的内插来预测新的水平井产量数据。
19.一种用于预测地域中的资源的产量的系统,包括:
用于生成所述地域中的多个垂直井处的垂直井日志的装置,其中,所述垂直井日志各自包括在多个深度处测量的至少一个物理性质的数据;
用于生成所述地域中的多个水平井处的水平井产量数据的装置;
用于从所述垂直井日志中提取与据深度测量的参数相对应的多个特征的装置;
用于执行从所述垂直井日志中提取的所述多个特征到所述水平井产量数据的坐标上的空间内插以确定多个经内插的特征的装置;以及
用于通过将所述水平井产量数据回归到经内插的所述特征上来建立预测所述地域中的资源产量的模型的装置,其中,所述模型作为所述地域中预测的所述资源产量的可视化而被显示。
20.根据权利要求19所述的系统,进一步包括:
用于接收所述地域中的位置的坐标的装置;以及
用于使用所述模型预测在所述位置处的产量的装置,其中在所述位置处的所述产量的预测使用来自所述垂直井日志的函数主成分得分的内插来预测新的水平井产量数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/599,902 | 2015-01-19 | ||
US14/599,902 US10822922B2 (en) | 2015-01-19 | 2015-01-19 | Resource identification using historic well data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105804730A CN105804730A (zh) | 2016-07-27 |
CN105804730B true CN105804730B (zh) | 2019-12-24 |
Family
ID=56407449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610022708.6A Active CN105804730B (zh) | 2015-01-19 | 2016-01-14 | 使用历史井数据的资源识别的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (2) | US10822922B2 (zh) |
CN (1) | CN105804730B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11249218B2 (en) | 2016-08-10 | 2022-02-15 | Halliburton Energy Services, Inc. | Horizontal reservoir description systems |
CN106869915B (zh) * | 2017-03-14 | 2020-05-08 | 中国石油天然气股份有限公司 | 一种水平井井间隔夹层预测方法及装置 |
CN110318744B (zh) * | 2018-03-30 | 2022-01-21 | 中国石油化工股份有限公司 | 一种用于预测页岩气资源的方法 |
US11719842B2 (en) | 2018-11-14 | 2023-08-08 | International Business Machines Corporation | Machine learning platform for processing data maps |
CN111580179B (zh) * | 2019-01-30 | 2023-02-28 | 中国石油天然气股份有限公司 | 一种有机碳含量确定方法、装置及系统 |
CN110532518B (zh) * | 2019-08-30 | 2023-04-25 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种空冷对比观测待插补数据插补方法及系统 |
CN113128734A (zh) * | 2019-12-30 | 2021-07-16 | 北京国双科技有限公司 | 一种油田产量的预测方法及装置 |
US11727583B2 (en) * | 2020-09-02 | 2023-08-15 | Baker Hughes Oilfield Operations Llc | Core-level high resolution petrophysical characterization method |
WO2022108441A1 (en) * | 2020-11-20 | 2022-05-27 | Petroliam Nasional Berhad (Petronas) | A device suitable for sweet spot-based machine learning (ssml) and/or processing method in association with completion-based machine learning (comml) |
CN116070390B (zh) * | 2021-10-29 | 2023-11-21 | 大庆油田有限责任公司 | 一种油田地质数据处理方法及处理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101421640A (zh) * | 2006-02-09 | 2009-04-29 | 普拉德研究及开发有限公司 | 用于预测井位的碳氢化合物产量的方法和设备 |
CN103266881A (zh) * | 2013-05-22 | 2013-08-28 | 中国石化集团华北石油局 | 一种致密低渗气田多级压裂水平井产量预测方法 |
CN104047598A (zh) * | 2014-06-24 | 2014-09-17 | 中国石油集团川庆钻探工程有限公司 | 非均质古岩溶碳酸盐岩储层产能预测方法 |
EP2795527A1 (en) * | 2012-02-10 | 2014-10-29 | Landmark Graphics Corporation | Systems and methods for selecting facies model realizations |
CN105008664A (zh) * | 2012-11-20 | 2015-10-28 | 钻井信息公司 | 能量沉积物发现系统和方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995906A (en) | 1997-10-03 | 1999-11-30 | Western Atlas International, Inc. | Method for reconciling data at seismic and well-log scales in 3-D earth modeling |
FR2875305B1 (fr) | 2004-09-16 | 2006-10-27 | Inst Francais Du Petrole | Methode pour generer un modele de reservoir sur maillage flexible |
US7225078B2 (en) * | 2004-11-03 | 2007-05-29 | Halliburton Energy Services, Inc. | Method and system for predicting production of a well |
US20070276604A1 (en) * | 2006-05-25 | 2007-11-29 | Williams Ralph A | Method of locating oil and gas exploration prospects by data visualization and organization |
US20090132169A1 (en) * | 2007-11-19 | 2009-05-21 | Schlumberger Technology Corporation | Methods and systems for evaluating fluid movement related reservoir properties via correlation of low-frequency part of seismic data with borehole measurements |
JP2010115059A (ja) | 2008-11-07 | 2010-05-20 | Toyota Motor Corp | 車両およびその制御方法 |
CA2743827C (en) * | 2008-12-16 | 2018-01-23 | Exxonmobil Upstream Research Company | Systems and methods for hydrocarbon reservoir development and management optimization |
US9043189B2 (en) | 2009-07-29 | 2015-05-26 | ExxonMobil Upstream Research—Law Department | Space-time surrogate models of subterranean regions |
BR112012017278A2 (pt) | 2010-02-12 | 2016-04-26 | Exxonmobil Upstream Res Co | método e sistema para criar modelos de simulação de ajuste de histórico |
US20120084007A1 (en) * | 2010-09-30 | 2012-04-05 | Chevron U.S.A. Inc. | System and method for declustering subsurface data on a per-slice basis |
WO2012121707A1 (en) * | 2011-03-08 | 2012-09-13 | Landmark Graphics Corporation | Method and system of drilling laterals in shale formations |
EP2506039A3 (en) * | 2011-03-28 | 2013-08-14 | Conocophillips Company | Methods for Seismic Fracture Parameter Estimation and Gas Filled Fracture Identification From Vertical Well Log Data |
FR2979724B1 (fr) * | 2011-09-06 | 2018-11-23 | Ifp Energies Now | Procede d'exploitation d'un gisement petrolier a partir d'une technique de selection des positions des puits a forer |
WO2013106720A1 (en) * | 2012-01-12 | 2013-07-18 | Schlumberger Canada Limited | Method for constrained history matching coupled with optimization |
FR2987149B1 (fr) * | 2012-02-16 | 2014-10-31 | IFP Energies Nouvelles | Procede d'exploitation d'un gisement a partir d'une technique de selection des positions de puits a forer |
US9910938B2 (en) * | 2012-06-20 | 2018-03-06 | Schlumberger Technology Corporation | Shale gas production forecasting |
US9458713B2 (en) | 2012-11-14 | 2016-10-04 | Repsol, S. A. | Generating hydrocarbon reservoir scenarios from limited target hydrocarbon reservoir information |
US20140156194A1 (en) * | 2012-12-04 | 2014-06-05 | Schlumberger Technology Corporation | Deviated well log curve grids workflow |
US10428642B2 (en) * | 2014-10-01 | 2019-10-01 | Halliburton Energy Services, Inc. | Transposition of logs onto horizontal wells |
-
2015
- 2015-01-19 US US14/599,902 patent/US10822922B2/en active Active
- 2015-12-31 US US14/986,498 patent/US10822923B2/en active Active
-
2016
- 2016-01-14 CN CN201610022708.6A patent/CN105804730B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101421640A (zh) * | 2006-02-09 | 2009-04-29 | 普拉德研究及开发有限公司 | 用于预测井位的碳氢化合物产量的方法和设备 |
EP2795527A1 (en) * | 2012-02-10 | 2014-10-29 | Landmark Graphics Corporation | Systems and methods for selecting facies model realizations |
CN105008664A (zh) * | 2012-11-20 | 2015-10-28 | 钻井信息公司 | 能量沉积物发现系统和方法 |
CN103266881A (zh) * | 2013-05-22 | 2013-08-28 | 中国石化集团华北石油局 | 一种致密低渗气田多级压裂水平井产量预测方法 |
CN104047598A (zh) * | 2014-06-24 | 2014-09-17 | 中国石油集团川庆钻探工程有限公司 | 非均质古岩溶碳酸盐岩储层产能预测方法 |
Non-Patent Citations (1)
Title |
---|
Quantifying and analyzing relationships between well log attributes and production for the Mississippian play in Woods County, OK;BAREFOOT,CLINT.;《Oklahoma State University》;20140531;第1-60页 * |
Also Published As
Publication number | Publication date |
---|---|
US10822923B2 (en) | 2020-11-03 |
US10822922B2 (en) | 2020-11-03 |
CN105804730A (zh) | 2016-07-27 |
US20160210378A1 (en) | 2016-07-21 |
US20160208582A1 (en) | 2016-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105804730B (zh) | 使用历史井数据的资源识别的方法和系统 | |
US10767448B2 (en) | Multistage oilfield design optimization under uncertainty | |
Wellmann et al. | Towards incorporating uncertainty of structural data in 3D geological inversion | |
US10385658B2 (en) | In-situ wellbore, core and cuttings information system | |
US20190331813A1 (en) | Data fusion technique to compute reservoir quality and completion quality by combining various log measurements | |
US10890688B2 (en) | Method for generating secondary data in geostatistics using observed data | |
US12012826B2 (en) | Field development planning based on deep reinforcement learning | |
US20180284311A1 (en) | Method for determining a drilling plan for a plurality of new wells in a reservoir | |
US11506804B2 (en) | Inverse stratigraphic modeling using a hybrid linear and nonlinear algorithm | |
Rolo et al. | Signed distance function implicit geologic modeling | |
US20150032377A1 (en) | System and method for remaining resource mapping | |
US11719842B2 (en) | Machine learning platform for processing data maps | |
WO2023154312A1 (en) | Quantification of expressive experimental semi-variogram ranges uncertainties | |
US11156740B2 (en) | Electrofacies determination | |
US11320553B2 (en) | System and method for subsurface structural interpretation | |
EP3887872B1 (en) | System and method for analysis of subsurface data | |
WO2019216892A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
Becerra et al. | Petroleum reservoir uncertainty mitigation through the integration with production history matching | |
CN111815769A (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
US20220373702A1 (en) | Systems and methods for probabilistic well depth prognosis | |
JP2018128929A (ja) | 地下構造推定装置 | |
Aydin et al. | Exploring structural uncertainty using a flow proxy in the depositional domain | |
Roberson et al. | Modelling particle-size distributions from operator estimates of sediment particle-size |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |