CN106104590B - 不确定性下多级油田设计优化 - Google Patents

不确定性下多级油田设计优化 Download PDF

Info

Publication number
CN106104590B
CN106104590B CN201580012350.2A CN201580012350A CN106104590B CN 106104590 B CN106104590 B CN 106104590B CN 201580012350 A CN201580012350 A CN 201580012350A CN 106104590 B CN106104590 B CN 106104590B
Authority
CN
China
Prior art keywords
oilfield
values
model
fracture
design
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
Application number
CN201580012350.2A
Other languages
English (en)
Other versions
CN106104590A (zh
Inventor
H·A·吉克佩斯
K·拉希德
W·J·贝利
M·D·普兰格
B·库埃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Geological Exploration System
Original Assignee
Geological Exploration System
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Geological Exploration System filed Critical Geological Exploration System
Publication of CN106104590A publication Critical patent/CN106104590A/zh
Application granted granted Critical
Publication of CN106104590B publication Critical patent/CN106104590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • E21B43/25—Methods for stimulating production
    • E21B43/26—Methods for stimulating production by forming crevices or fractures
    • E21B43/267—Methods for stimulating production by forming crevices or fractures reinforcing fractures by propping
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/06—Simulation on general purpose computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • E21B43/25—Methods for stimulating production
    • E21B43/26—Methods for stimulating production by forming crevices or fractures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/12—Fixed resource partitioning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Business, Economics & Management (AREA)
  • Geology (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geophysics (AREA)

Abstract

管理油田作业包括：获得地下模型，所述模型包括裂缝设计模型，其具有带有不确定值的裂缝特性。获得并使用表示裂缝特性中不确定性的一组代表性值，求解带有控制变量的油田优化问题，以获得解决方案。所述解决方案包括所述控制变量的最优值。基于所述解决方案，生成并存储油田设计。

Description

不确定性下多级油田设计优化
相关申请的交叉引用
本申请根据35U.S.C 119§(e)要求2014年1月6日提交的美国临时申请No.61/924063、2014年10月27日提交的美国临时申请No.62/069187、2014年10月27日提交的美国临时申请No.62/069194、2014年10月27日提交的美国临时申请No.62/069189以及2014年10月27日提交的美国临时申请No.62/069178的优先权，它们通过引用全部并入本文。
背景技术
执行如地球物理勘测、钻井、测井、完井和生产等作业，以从地下地层中定位并采集有价值的井下流体。一种提取流体的技术即是在储层中引发裂缝，从而导致此类流体被牵拉至地表。此类引发的裂缝可通过地下地层传播。不同的控制变量定义裂缝的位置、几何形态和数量，随后定义烃回收量。
发明内容
提供本发明内容，旨在介绍所选择的概念，所述概念将在下文详细的说明书中进一步描述。本发明内容并不旨在确定所要求保护的主题的关键或必要特征，也不旨在用于帮助限制所要求保护的主题的范围。
一般而言，在一个方面，实施例涉及不确定性下管理油田作业的一种方法、系统和计算机可读介质。管理油田作业包括获得地下模型，所述地下模型包括裂缝设计模型，所述裂缝设计模型包括具体不确定值的裂缝特性。获得表示裂缝特性中不确定性的一组代表性值，并利用其求解具有控制变量的油田优化问题，以获得解决方案。解决方案包括控制变量的最优值。基于解决方案，生成并存储油田设计。
本发明的其他方面可从以下说明书和所附权利要求书中予以明确。
附图说明
图1和图2为根据一个或多个实施例的示意图。
图3-图5为根据一个或多个实施例的流程图。
图6-图10为根据一个或多个实施例的示例。
图11为根据一个或多个实施例的示意图。
图12-15为根据一个或多个实施例的流程图。
图16-20、21.1、21.2、21.3、21.4、21.5以及图22为根据一个或多个实施例的示例。
图23为根据一个或多个实施例的计算系统。
具体实施方式
参考附随的附图，现对具体的实施例进行详细描述。为了保持一致性，不同附图中的相同要素以相同附图标记指代。
在实施例的如下详细说明中，给出了大量具体细节，以便更为详尽地理解权利要求。然而，对于本领域普通技术人员，显而易见的是，实现权利要求可能无须这些具体细节。在其他情况下，未对公知特征进行详细描述，以避免说明书被不必要地复杂化。
在本申请全文中，可将序数(例如，第一、第二、第三等)用作修饰某一要素(即本申请中的任一名词)的形容词。序数的使用并不旨在暗示或创立要素的特定顺序，也不旨在限制任何要素为单数形式，除非明确予以公开，例如使用“之前”、“之后”、“单一”和其他类似术语进行定义。相反，序数的使用旨在区分各要素。举例说明，第一要素区别于第二要素，并且第一要素可能包含多于一个要素，且在要素的排序中，可在第二要素之后(或之前)。
一般而言，实施例针对存在不确定性的环境下，执行油田优化。特别是，当生成地下模型时，通过估算可在地下模型中建立一个或多个模型参数。换言之，可有多个可能的值与在油田采集的数据相符合。此类模型参数可被称为带有不确定值的模型参数。一个或多个实施例获得带有不确定值的模型参数的一组代表性值，并利用模型参数的一组代表性值来解决带有控制变量的油田优化问题，以获得解决方案。解决方案包括控制变量的最优值。基于解决方案，可生成并存储油田设计。
附图1描绘了场100的局部示意性剖视图，其中可实施一个或多个实施例。在一个或多个实施例中，场可为油田。在其他实施例中，场可为不同类型的场。在一个或多个实施例中，可省略、重复、和/或替代附图1所示的模块和要素中的一个或多个。相应地，实施例并不受限于附图1所示的模块的特定布局。
如附图1所示，地下地层104可包括多个地质结构106-1至106-4，附图1对此提供了示例。如所示，地层可包括砂岩层106-1、石灰岩层106-2、页岩层106-3和砂层106-4。断层线107可延伸穿过地层。在一个或多个实施例中，油田中可使用多种油田设备。一般而言，油田设备包括在探测和/或抽取烃中使用的任何物理硬件设备。例如，油田设备可包括勘测工具和/或数据采集工具，具备适于测量地层的传感器且可探测地层的地质结构特性。此外，如附图1所示，井场系统110与钻机101、井眼103以及其他井场设备相关联，并被配置用以进行井眼作业，例如测井、钻井、压裂、生产或其他适当的作业。井眼103还可被称为钻孔。通常，勘测作业和井眼作业被称为场100的现场作业。这些现场作业的执行可由地面单元112进行指导。
在一个或多个实施例中，井场系统可包括执行水力压裂作业的功能。水力压裂或压裂为一组增产作业，其使用流体压力以增加井产量，例如油和气井，使其高于自然产出率。将流体压力施用于岩石，以克服岩石的原位地应力和强度，导致岩石碎裂。然后，固态物质与流体混合，并被泵送到引发的裂缝中，以阻止流体压力丧失后裂缝的闭合。增产作业在邻近岩石基质上产生烃可流过的大的表面区域和那些烃到达井的路径。与处于同一储层的未增产井相比较，其效果是使得流率大大提高。
裂缝的物理尺寸及裂缝受可生产烃的预期岩层的限制在某种程度上由地下地层的地质结构以及增产作业的多个可配置要素支配。例如，岩石的特性、储层和边界层中的地应力、水力压裂处理中施用于岩石地层的压力以及所使用的材料体积，均可能对裂缝产生影响。物理尺寸也可能随时间变化。
井场系统110可包括专门设备，其混合用于压裂的流体，向所述流体中加入支撑剂，将流体的压力提升至能导致裂缝张开的水平，以及将高压流体传送至井。裂缝从井扩散的距离取决于泵送的流体和支撑剂的总体积以它们注入的速率。裂缝特性和储层特性在某种程度上可控制流率以及烃从井中的最终回收。裂缝特性是指裂缝的特性，举例说明，例如长度、宽度、高度、导流率、弯曲度、有效孔隙度、有效渗透率、流入性能、闭合以及其他特性。储层特性是指储层的特性，可包括例如原位裂缝、渗透率、孔隙度、流入特性、表皮以及其他特性。
如以上所讨论的，所生产的烃量和裂缝几何形态受增产作业的可配置要素影响。可配置要素是增产作业的一部分，其可由人或机器进行定义和控制，而不是自然地层的一部分。例如，可配置要素可包括井的数量和位置、每个井内的级的数量和位置，以及每个级内引发的裂缝数量等等。可配置要素还可包括泵送到井中的支撑剂量、泵送压力、流体构成、井间距离、钻井设备类型以及油田作业的其他方面。
至少其中一些可配置要素可被表示为控制变量。换言之，控制变量的值是实施可配置要素的值。在一个或多个实施例中，可在优化问题的解决方案的基础上对控制变量的值进行限定。换言之，优化问题的解决方案限定控制变量的最优值，以及随后限定可配置要素的值。
在一个或多个实施例中，地面单元112与场管理工具116和/或井场系统110操作性地连接。特别是，配置地面单元112与场管理工具116和/或井场系统110通信，以向场管理工具116和/或井场系统110发出指令并接收来自场管理工具116和/或井场系统110的数据。例如，使用随钻测井(LWD)工具，井场系统110可适用于测量井下特性，以获得测井记录和岩芯样本。在一个或多个实施例中，地面单元112可位于井场系统110和/或远程位置。地面单元112可配有计算机设施，用于接收、存储、处理和/或分析来自场管理工具116、井场系统110或场100的其他部分的数据。地面单元112还可配有或功能上用于位于场110的致动机构。此时，地面单元112可响应于接收到的数据向场110发出指令信号，例如控制和/或优化以上所描述的各种现场作业。
在一个或多个实施例中，地面单元112与场管理工具116通信地连接。通常，场管理工具116配置成基于从地面单元112提供的数据分析、模型化、控制、优化或执行上述现场作业的其他管理任务。如附图1所示，虽然地面单元112与场管理工具116相分离，但在其他示例中，地面单元112也可与场管理工具116也可以合并在一起。
地面单元112和场管理工具116可与多个井连接。特别是，图1所示的配置可出现于遍布场的多个井处。
图2示出了根据一个或多个实施例的场管理工具200的示意图。如图2所示，场管理工具200包括数据资料库202、设备控制器204、油田设计工具206、至少一个解算器208以及油田模拟器210。以下对所述部件逐一进行描述。
在一个或多个实施例中，数据资料库202是用于存储数据的任何类型的存储单元和/或装置(例如，文档系统、数据库、表格集或其他任何存储机构)。此外，数据资料库202可包括多个不同存储单元和/或装置。所述多个不同存储单元和/或装置可以是或可以不是相同类型或位于相同的物理位置。数据资料库202包括对油田数据212、油田设计214以及带有目标函数222和约束条件224的优化问题220进行存储的功能。
在一个或多个实施例中，油田数据212包括静态定义的油田数据226和多组代表性值228。一般而言，油田数据(包含静态定义的油田数据226和多组代表性值228)包括描述油田的原始数据、预处理数据(例如，校验用)以及已处理数据。油田数据可包括由地面单元接收的并表示地下地层特征的数据。在一个或多个实施例中，油田数据可由油田中的多种数据采集工具进行采集。油田数据可包括微地震数据、测井记录、从岩芯样本采集的数据和生产数据。油田数据可包括与在井场系统处井眼的钻井、压裂、测井或生产作业过程中的孔隙度、饱和度、渗透率、自然裂缝、应力幅度和方向、弹性特性、生产的烃等相关的信息。油田数据可包括在正在执行模拟作业的井场处采集的数据和/或在其他井场采集的数据。油田数据还可包括油田模型、储层模型或场的其他模型。
静态定义的油田数据226是被视作静态的油田数据。换言之，可将所述值视作为了求解优化问题而被恒定地定义。静态定义的油田数据226可随着接收到新的数据而变化，如接收到来自一个或多个传感器的新的测量值。静态定义的油田数据226也可基于配置而改变。例如，用户可对场管理工具200进行配置，以便如针对求解优化问题的各种执行静态定义地设定一些油田数据。
多组代表性值228是有关具有不确定值的模型参数的信息。具体而言，可能无法完全地知晓有关地球地下的信息，但基于某些因素，例如类似的油田、传感器数据，以及对地面以下地层的一些特性的假设，可以对所述信息进行推断，此类信息会有不确定性。换言之，未能很好地对模型参数的值进行定义。一组代表性值是带有不确定值的模型参数的可能的值的集合。换言之，一组代表性值为两个或多个值，其捕获模型参数中的潜在变化。特别是，每个带有不确定值的模型参数可具有相关的一组代表性值。在本发明的一个或多个实施例中，一组代表性值可能是从概率密度函数的抽样、蒙特卡罗方法、试验方法的设计(例如，拉丁超立方体)、专家、其他来源、或这些来源的组合。概率密度函数涉及具有模型参数为所述值的可能性的值。在本发明的一个或多个实施例中，具有不确定值的模型参数可包括裂缝特性、储层特性、其他特性以及它们的组合。
继续描述附图2，油田设计214是根据一个或多个实施例的用于执行油田作业的现场计划。举例说明，油田设计可包括场的每个可配置要素的值，例如压裂作业的位置和参数、油田设备以及其他可配置要素的参数。
在一个或多个实施例中，优化问题220为从可行的解决方案中寻找最好的解决方案(即最优的解决方案)的问题。换言之，解决方案为每个控制变量的特定值，控制变量表示油田的可配置要素。油田的优化问题220是寻找控制变量的最优值的问题。优化问题220包括目标函数222和约束条件224。目标函数222为油田优化问题中的效用函数或损耗函数。在一个或多个实施例中，可将目标函数定义为在特定时间段内最大化净现值(NPV)。在不脱离权利要求书的范围的情况下，也可使用其他目标函数。例如，目标函数可用于最大化总收入、最小化成本、最大化烃产量，或者实现其他目标。约束条件224为对可能的可行配置的限制。换言之，约束条件224限制哪些配置为可行的配置。例如，约束条件可为井之间的最小距离、级的最大数、流体的最大量以及其他对设计的限制。
继续描述场管理工具200，设备控制器204包括向位于油田的油田设备发出控制信号的功能。具体而言，设备控制器可包括接收油田设计214并向油田设备传送信号的功能，以根据油田设计执行油田作业。
根据一个或多个实施例，油田设计工具206包括基于油田的可配置要素生成油田设计214的功能。特别是，油田设计工具206包括如下功能：获得油田的可配置要素、基于至少其中一些可配置要素生成二进制变量数组、将二进制变量数组转换为整数变量以及向解算器发出调用以获得解决方案。油田设计工具可包括与用户交互的用户界面，以创建油田设计。例如，油田设计工具可包括从用户接收输入数据并向用户呈现度量和最优的解决方案的功能。
根据一个或多个实施例，解算器208包括解决优化问题的功能。例如，解算器208可为下降单纯形法、增广拉格朗日法、基于梯度的混合整数非线性问题解算器、无导数进化启发式解算器、设计用于处理混合整数变量的遗传算法，或解决给定问题的其他任何适合的解算器。
油田模拟器210包括在给定一组配置和模型时对油田进行模拟的功能。特别是，油田模拟器210包括在给定可配置要素的限定配置的情况下对裂缝几何形态进行模拟并确定由此产生的烃流动的功能。
虽然附图1和附图2示出部件的配置形式，但在不脱离本发明的范围的情况下，也可使用其他配置形式。例如，可组合多种部件以创立单一部件。另例，由单一部件执行的功能可由两个或更多个部件执行。
附图3-5示出了根据一个或多个实施例的流程图。虽然按顺序呈现并描述这些流程图中的不同框，但普通技术人员会领悟到可按不同的顺序执行至少其中一些框、组合或省略其中一些框以及并行地执行至少其中一些框。此外，可主动地或被动地执行框。例如，根据一个或多个实施例，可以轮询方式执行或中断驱动一些框。通过一个例子说明，根据一个或多个实施例，判断框可不需要处理器对指令进行处理，除非接收到中断指令表示存在某一情况。另例，根据一个或多个实施例，可通过执行测试来执行判断框，例如检测数据值，以测试所述值是否与已测试的情况一致。
在框301中，根据一个或多个实施例，获得油田数据。可从油田设备直接或间接地执行油田数据的获得。例如，位于油田的传感器可测量油田数据并将数据传送至场管理工具。例如，可进行探查性垂直井和水平井的钻井。可利用探查性垂直井和水平井建立有关地层的垂直分层的特性分布和信息。可获得岩芯样本、测井记录和流体样本，并对其进行分析。例如，可获取并分析岩芯样本，以确定地下区域的孔隙度、渗透率、组分以及其他物理特性。可利用传感器采集压力、体积流量数据和生产信息。可利用在不同深度进行射孔和水力压裂来测量微地震数据、近井应力场和由岩芯样本确定的渗透储层的裂缝的潜在性。从正在分析的油田采集油田数据之前、同时或之后，可从其他油田采集附加数据。所采集的油田数据可包括原始的和/或预处理的数据。数据的采集可在油田的勘探、生产和完井阶段进行。例如，还会采集来自初始测试井的生产数据，用于历史匹配储层模拟模型。
在框303中，根据一个或多个实施例，生成地下模型。特别是，从油田数据生成对地下地层进行估算的模型。在一些实施例中，地下模型包括裂缝设计模型，其表示一个或多个地下裂缝。地球科学家和储层工程师可利用在框301中获得的油田数据构造至少一个预期的地质学模型或一组地质统计学上合理的模型。可采用不同的技术生成模型。例如，可利用储层模拟模型的历史匹配。模型可表示油田处的物理特性的特性分布。
在框305中，根据一个或多个实施例，获得具有不确定值的每个模型参数的一组代表性值。在生成油田模型时，一些地下的模型参数可被视为不确定的。基于模型参数的不确定性程度，可判断哪些模型参数被设置为不确定的，哪些模型参数被视为静态的。在此类实施例中，场管理工具可将模型参数设置为静态或不确定的。在一个或多个实施例中，用户可定义哪个模型参数是静态的，哪个模型参数是不确定的。可通过生成概率密度函数并从概率函数取样、执行蒙特卡罗方法、设计例如拉丁超立方体的试验方法、征求专家意见，获得具有不确定值的模型参数的代表性值。附图5示出利用微地震数据执行框301-305，以获得裂缝特征的一组代表性值的流程图。
继续描述附图3，在框307中，根据一个或多个实施例，利用多组代表性值和地下模型解决具有控制变量的油田优化问题，以获得解决方案。参考附图4，下文将就解决油田优化问题进行讨论。
在框309中，根据一个或多个实施例，基于解决方案生成油田设计。油田设计可为原始解决方案。在其他实施例中，油田设计可为由解决方案翻译而来的油田设备的说明书。例如，如果将控制变量定义在地下模型的单元层级处，则获得油井设计可包括将特定的单元处的值翻译为位置的定义，在所述位置会出现钻井作业或模拟作业。例如，油田设计可在解决方案中指定沿井眼轨迹的测量深度，所述轨迹指示裂缝的位置，而非描述每个单元以及每个单元是否包含裂缝。在这样的情况下，为了获得油田设计，可调用映射函数以确定模型中的哪个单元与井眼轨迹相对应。在不脱离范围的情况下，可以采用其他技术以获得油田设计。
在框311中，根据一个或多个实施例，存储油田设计。特别是，全部或部分地、临时或永久地在物理存储装置上，如数据资料库或高速缓冲存储器中，存储油田设计。
在框313中，根据一个或多个实施例，利用油田设计执行油田作业。在一个或多个实施例中，设备控制器可向位于油田的油田设备发送控制信息号。控制信号可包括油田设计或基于油田设计的拟执行的行动。作为回应，通过物理钻井或执行不同增产作业的方式，油田设备可执行由油田设计指定的作业。油田作业可在有与人的交互或无与人的交互下执行，例如对设备进行控制或监视。
在一个或多个实施例中，在所述方法的多个级，油田设计工具可通过用户界面与用户进行交互，以获得解决方案、获得油田设计并控制油田设备。例如，油田设计工具可呈现有关解决优化问题的度量、解决方案、油田设计、其他信息或其任何的组合，用户可提交指令以控制优化和油田设计。例如，用户可在给定已执行的迭代次数的情况下，决定目前的解决方案是最优的解决方案，可设定最大迭代次数(例如，通过限定最大迭代次数、指定最长执行时间或者执行任何其他此类行动)、批准或不批准油田设计。
附图4示出了根据一个或多个实施例的用于解决油田设计问题的流程图。在框401中，根据一个或多个实施例，选择风险规避系数。一个或多个实施例遍历多个风险规避系数迭代。一般而言，风险规避系数为比例因数，其定义在选择一组特定的控制变量值中的风险量。
在框403中，根据一个或多个实施例，定义一组控制变量值。如以上所讨论的，一组控制变量定义油田的物理的可配置要素的值，且其基于油田设计的要求予以定义。例如，如果油田设计是用于油田的初始计划，则可配置要素可包括钻孔的位置和方向。与此相反，如果油田设计是为了在已存在井的储层上执行压裂作业，则可配置要素可包括级的位置、每级的裂缝数量、流体特性等。举例说明，使用油田设计工具，用户可指定油田设计的哪些要素为可配置的。在一些实施例中，可能的控制变量由油田设计工具指定，用于任何油田设计。可向用户提供可能的控制变量，用户从可能的控制变量或控制变量的类型中进行选择。在选择之前，可删除不适用的一部分控制变量。在一些实施例中，识别出控制变量的类型，例如定义在充填层的任何给定井中的级的数量和位置、充填层中井的数量、各井之间的空间距离、每个井中每级的裂缝数量以及裂缝的最优半长。
在一个或多个实施例中，一组控制变量值对系统的启动配置进行初始定义。启动配置可为默认配置、基于与油田或另一油田相关的历史信息而估算的配置、用户建议的配置、另行选择的配置或其组合。通过优化，可将所述一组控制变量值改进为最优化的控制变量值。
在框405中，根据一个或多个实施例，对多组代表性值进行取样，以获得模型参数样本。特别是，获得具有不确定值的每个模型参数的值。所述值可以是随机选择的值、基于所述值的可能性选择的值、符合特定顺序所选择的值，或以其他方法选择的值。
在框407中，根据一个或多个实施例，使用控制变量值和模型参数样本执行模拟，以获得目标函数值。在一个或多个实施例中，利用地下模型，基于具有模型参数样本中的值的模型参数以及具有相应值的控制变量，运行模拟。模拟的结果是优化问题中的基于模拟函数的特定实现值。换言之，实现是模型中的特定的一组参数的值，其被视为是不确定的。特定实现的值是基于模拟的利益价值函数(例如，NPV等)的值。例如，结果可为裂缝的几何形态、预期的烃、所生产的预期的烃的净现值，或另一种量度。
在框409中，根据一个或多个实施例，做出是否存在附加的模型参数样本的判断。一个或多个实施例可遍历每个模型参数样本迭代。在其他实施例中，一旦代表性的一组模型参数样本被认为已经过处理(例如，已经对期望的实现进行评估)，则场管理工具可停止处理。在此类实施例中，执行模拟，直到阀值数量的样本被处理，而非使用模型参数样本的每个变化执行模拟。如果做出存在附加的模型参数样本的判断，则根据一个或多个实施例，流程可重复对多组代表性值进行取样的框405。
在框411中，根据一个或多个实施例，计算用于模型参数样本和一组控制变量值的实现值的平均数和方差。在一个或多个实施例中，在给定如框403所指定的一组控制变量值时，平均数为目标函数提供预期的值。方差提供目标函数值之间的变化程度。因此，方差表示实现值的变化程度。
在框413中，做出所规定的目标函数是否为最优的判断。所规定的目标函数是否为最优取决于目标函数的类型。换言之，如果目标函数为成本函数，则当达到最小值时，解决方案为最优。如果目标函数为效用函数，则当取得最大值时，解决方案为最优。在一些实施例中，场管理工具可对迭代次数进行限制，以判断最优值并等待收敛(例如，当随后的迭代相互之间的差别在阀值以内)。在这种情况下，最优值可为最优的识别值。
最优值也可以考虑方差。一般而言，方差越小越好，因为方差越小，表示实际值与平均数相同或类似的可信度的程度越高。在某些情况下，第一组控制变量值可具有比第二组控制变量值更好的平均数但是更大的方差。在示例中，场管理工具可配置基于平均数、方差和风险规避系数的函数，以对不同解决方案进行评分。在选择最优的平均数和方差时，风险规避系数提供因数以应用方差。在本发明的一个或多个实施例中，例如函数可为Fy(X)＝μ-yσ，其中，X为一组控制变量值，μ为在框411中计算的所述一组控制变量值的平均数，y为风险规避系数，σ为框411中计算的所述一组控制变量值的标准偏差或方差的平方根。在不脱离权利要求范围的情况下，在判断最优的一组控制变量值时，可使用其他函数将方差与平均数结合。
在框415中，根据一个或多个实施例，选择新的一组控制变量值。通过所采用的优化方法，建立所选择的新的一组控制变量值。例如，无导数单纯形法会扰动当前的可剖分空间，以提供新的测试条件。基于梯度的方法会尝试沿下降方向的线搜索。对于基于近似法的方案，可将任何解算器应用于解析封闭式表示，且所建立的最好的解决方案常被用作新的候选的一组控制变量。根据一个或多个实施例，流程可重复框405，用于新的一组控制变量。
返回框417，根据一个或多个实施例，如果目标函数值已经被最优化，则存储目标函数值的平均数和方差。特别是，平均数和方差可被整体或部分地、临时或永久地存储在物理存储装置上，例如数据资料库或高速缓冲存储器。平均数和方差可与相对应的一组控制变量值一并存储。虽然并未在附图4中示出，存储平均数和方差，可不考虑已评估的每个设计配置。可利用此类信息帮助建立效率边界(由平均数定义的回报相对于由标准偏差或方差的平方根定义的风险的二维图)。换言之，效率边界为涉及所有已测试样品(在控制空间X内)的平均数相对于标准偏差(潜在实现值的)的二维图。
在框419中，根据本发明的一个或多个实施例，做出是否选择附加风险规避系数的判断。如果存在附加风险规避系数，则根据一个或多个实施例，所述方法可以以下一个风险规避系数重复。
在框421中，根据一个或多个实施例，选择与在效率边界上的理想的解决方案相对应的一组控制变量值。如上所示，每个风险规避系数具有相对应的最优平均数和方差，平均数和方差分别对应一组控制变量值。换言之，理想的解决方案是基于可接受的风险水平的最优的目标函数值，且其在效率边界上。选择与理想的解决方案相对应的一组控制变量。换言之，理想的解决方案可被视作包括所述一组控制变量值。场管理工具可配置有选择函数，其基于Fy(X)的值和在框417中选择的每个最优值的风险规避系数。
虽然以上并未呈现，在给定模型参数样本的情况下，可采用多种技术对控制变量进行优化。可在本申请中应用任何此类技术，以执行框403、407、413和415。在一些实施例中，至少部分控制变量可为二进制变量。在这种情况下，参见附图11-22，框403、407、413和415的执行如下所描述。在附图11-22所示的技术中，二进制变量被当作为优化目的的连续变量。可利用平均数的值选择新的一组控制变量值。
图5示出利用微地震数据采集裂缝特性的多组代表性值的流程图。在以下讨论中，由水力压裂过程中记录的被动微地震数据对水力裂缝几何形态进行估算。所述估算可基于这样一个事实：生成微地震数据的微地震事件的位置不可知。然而，基于表示地震速度的不确定性的估算的多组代表性值，可在两阶段处理中对由水力压裂过程引起的裂缝特性的多组代表性值进行估算。在第一阶段，对与探测到的微地震事件的位置有关的多组代表性值进行估算。在第二阶段，对各向异性速度模型中的不确定性的降低传导到与估算的裂缝特性相关的多组代表性值的程度进行量化。
在框501中，根据一个或多个实施例，获得微地震事件数据。在射孔发射后，高压流体可被泵入地层，以使储层岩石破裂，从而增大向生产井的流动导流率。在储层的水力压裂过程中，还会使用用于监视射孔发射的井下监视传感器，以便在每次探测到微地震事件时记录微地震波形。
在框503中，根据一个或多个实施例，获得表示地震速度模型中的不确定性的一组代表性值。所述速度模型的一组代表性值可以是所提供的分布，且可基于有关地下地层的信息，例如岩石类型、渗透率和其他信息而生成。可利用岩芯样本和其他数据采集技术生成有关地下地层的信息。
在框505中，利用速度模型的一组代表性值和微地震事件数据，获得微地震事件的位置的多组代表性值。特别是，可用于推断微地震事件的位置的测量结果包括直接P波与直接Sv波到达时间之间的差，直接P波与直接Sv波到达监视接收器的方位角的差。对于每个监视接收器，从3-C传感器波形估算所述P波和Sv波的方位角。
例如，考虑利用概率密度函数获得所述一组代表性值的情境。可执行与各向异性速度模型有关的概率密度函数的随机抽样，以获得多个估算微地震事件的位置的实现。将Vl视为速度模型的随机样本。对于速度模型，通过对后验概率分布
Figure BDA0001110253650000132
进行量化，对到达时间和方位角的测量结果之间的差进行转化，搜索区域的任何位置x＝(x，y，z)∈R3可解释观察到的数据为这一位置，xk，在所述位置发生kth探测到的微地震事件(k＝1,KNe)。对于Ne事件中的每个，通过从pk,vl随机抽样，计算所述kth事件的位置的一组Nq实现。
如以上所讨论的，处理每个微地震事件，以计算一组实现。当探测到的事件被处理后，对于速度模型样本vi，利用以下公式，可获得一组二维实现：
Figure BDA0001110253650000131
公式的右侧表示这样一个事实，即每个Nq实现包括可能的一组微地震事件位置。换言之，对于给定的nth实现，利用概率分布函数，可估算微地震事件云的震中以及微地震事件云的方位。
在框507中，利用速度模型的多组代表性值、微地震事件位置的多组代表性值以及微地震事件数据，获得表示裂缝特性中的不确定性的多组代表性值。换言之，给定与各向异性速度模型有关的多组代表性值，可对与裂缝宽度、长度、高度和裂缝的估算的增产体积有关的多组代表性值进行估算。以下所讨论的是生成至少其中一些裂缝特性的多组代表性值。
设V为各向异性速度模型的Nv随机样本的集合体。为了说明可能的Nv各向异性速度模型样本，利用Eq.2，可从一组Nv*Nq实现估算出裂缝特性，D，例如裂缝宽度、长度、高度或者增产体积的概率分布：
Figure BDA0001110253650000141
通过执行以下内容，一个或多个实施例从微地震数据估算裂缝特性。通过在射孔发射数据上探测到的次级源Sv波的到达，一个或多个实施例可约束各向异性速度模型的估算，导致速度模型分布的更小的方差。进一步，对于任何可能的速度模型，计算并显示事件位置中的不确定性，但是对不确定性概率分布进行取样，以产生可能的微地震云的Nq实现，由此可计算出云的任何几何形态特性的概率分布。此外，在考虑速度和事件位置分布的可能的模型后，从一组Nv*Nq实现获得水力裂缝的几何形态特性的最终概率分布。
附图6-10示出根据一个或多个实施例的示例。附图6-9所示的示例是为了说明的目的，而非旨在限制本发明的范围。
附图6示出相同微地震事件的地震数据曲线图600，地震数据由三个不同的接收器组(例如，接收器组A(602)、接收器组B(604)和接收器组C(606))采集。每个接收器组包括一组接收器(例如，附图6中的接收器1-11)，它们位于油田的特定位置。曲线图上的圆圈标示p波和sv波的传播时间，在每条线上，对应时间轴，第一个圆圈为p波的传播时间，第二个圆圈为sv波的传播时间。
如以上所讨论的，利用微地震数据和速度模型，例如附图6所示，可获得微地震事件位置的概率分布函数。附图7示出微地震事件云的两个实现的一组示例图表700，其被估算用于给定的速度模型。虽然示出的是两个实现，事实上可实现并分析任何数量的实现。在一组示例图表700中，纵轴代表深度，其余的轴代表北和东。如附图7所示，通过具有多个实现，速度模型中的不确定性传导到微地震事件位置的不确定性。附图7中，在给定事件位置概率分布的情况下，图表中某一位置的灰度色差表示对相应位置进行取样的概率。
在示例中，给定Ne＝66，选择Nv＝150和Nq＝300。基于Ne＝66，Nv＝150和Nq＝300，存在一组数量为45,000的实现，由此可计算出裂缝宽度、长度、高度以及估算的增产体积的柱状图。还可计算出宽度和长度、宽度和高度之间以及长度和高度之间存在的相互关系，并考虑了速度分布中的不确定性以及估算的微地震事件位置中的不确定性(用于给定速度)。通过约束生产数据与储层和裂缝特性的历史匹配，所述相互关系可用于储层生产预测。
附图8示出在确定速度概率分布时仅考虑p波以及在确定随后用于裂缝特性的速度概率分布时考虑p波和sv波产生的概率分布函数的示例图。裂缝特性的柱状图包括裂缝宽度802、裂缝长度804、裂缝高度806以及预期的裂缝体积808。裂缝宽度是指微地震事件云的宽度。利用Sv波时所获得的裂缝几何形态分布倾向于高斯分布，其反映了速度分布的形状。如附图8所示，与仅利用P波相对比，当结合P波和Sv波的到达估算各向异性速度模型分布时，可降低与裂缝几何形态有关的不确定性。
用于两个速度分布的与估算出的裂缝宽度、长度和高度有关的协方差矩阵可表示如下：
Figure BDA0001110253650000151
有关联的相关矩阵可表示如下：
Figure BDA0001110253650000152
如以上两组矩阵所示，对次级源Sv波的利用减小协方差值和增产裂缝的宽度与长度、宽度与高度以及高度与长度之间的相关性。
表1提供了估算出的裂缝的宽度、长度、高度以及增产体积的平均数和标准偏差值，所述裂缝如微地震云所见。考虑了两个速度概率分布并分别对应利用P波和利用直接P波及次级源Sv波的情况，以估算速度模型。
宽度 长度 高度 体积
(米) (米) (米) (10<sup>6</sup>m<sup>3</sup>＝GL)
仅P 平均数 67.275 57.110 78.322 0.5004
偏差 18.104 21.0561 29.310 0.5077
P和Sv 平均数 62.450 64.130 90.441 0.2812
偏差 5.404 5.966 7.808 0.0576
表1
如所示，当裂缝宽度、长度和高度的平均数值相对变化了7.17％、-12.30％和-15.47，分别与两个速度分布比较，估算的体积的平均数值的差别达到43.80％。在示例中，相比较体积估值为0.2812，在不利用Sv波时获得的体积估值为0.5004。估算体积越小，准确率越高，因为较小的估算体积有利于在射孔微地震数据上观测到的直接P波和次级源Sv波两者的到达的传播时间。此外，在一些实施例中，在利用次级源Sv波估算各向异性速度分布时，增产体积分布的方差可减少多于75％。在一个或多个实施例中，考虑裂缝宽度、长度和高度的概率分布。
在一个或多个实施例中，在考虑全部历史匹配的储层模型的不确定性的同时，可改进多级裂缝设计，所述不确定性是改进进程的输入。例如，可以增加分配给每个充填层的井的数量。在一个可能的方面，每个充填层的井的可能数量可在最小1个到最多10个的范围内，最小2个到最多5个的范围内。在其他方面，这些数量可以增加或减少。
例如，可将裂缝半长用作多级设计改进进程中的输入参数。可利用来自地质应力地图的信息，沿井分配特定的裂缝几何形态。在缺少此类数据时，根据一个或多个实施例，可选择特定的半长用于调查，或者这里所介绍的，裂缝半长可被当作设计过程中的不确定参数。此外，在缺少预期的裂缝长度的先期信息时，可认为已知悉裂缝长度(无不确定性的确定情况)和/或不确定性以某种形式的概率分布呈现。在后一种情况下，使用目标函数的评估中每个等同的可能的裂缝几何形态的若干实现，可执行不确定下的改进，目标函数解释裂缝半长中的不确定性。
作为不确定性下的优化的示例，利用给定数量的级的均等间隔(每级3个裂缝)，可考虑将模拟模型用于NPV最大化，所述模拟模型在油田的充填层模型中有2到5个井，对所有的井，这些井具有三个可能的裂缝长度，即45，125和175英尺。假设裂缝半长均匀分布，每个目标函数评估可包括三个实现，每一个感兴趣的裂缝设计具有一个。
图9示出示例曲线图900，其显示根据各种多级裂缝设计的实施，对于给定的若干数量的井，具有理想的风险规避因数(即，置信因数904)的复合目标函数902的可能变化。
附图10示出描绘平均数值1002相对于标准偏差(即，西格玛1004)的示例曲线图1000。效率边界以线1006显示，该线标定已知样本的外凸壳。该图示出，在扇区内井的数量选择是如何可根据决策者对风险的忍耐度而变化。在如附图10所示的示例中，所述线标定出从低风险(2个井，蓝色钻石型)到较高风险(5个井，紫色圆圈)。峰值状态(4个井，绿色三角形)表示最理想的解决方案。
在一个或多个实施例中，当风险规避因数低时(例如，0)，一个目标可等于实现的平均数值。此外，当风险规避因数高时，目标可等于平均数值减去实现的标准偏差的若干倍数。因此，当风险规避因数为0时(例如，在一些实施中，可能性达到50％)，预期的结果可能高，而当风险规避值为较高值时，预期的值可能低，但是必然性不断提高。
在一个可能的实施中，借助若干不确定性模型参数，每个参数具有一个给定的概率分布，可将基于不确定性的改进程序应用于若干情况(扇区内的井)。此外，可利用微地震数据分析结果提供裂缝特性的分布，包括例如，裂缝类型(包括不对称情况)和裂缝维度(例如，高度、长度和宽度)。
另举例说明，可将来自微地震分析结果的裂缝几何形态分布用于建立单一裂缝模型。微地震分析结果有时会对裂缝半长估计不足。换言之，预测的长度可能无法得到其他物理数据源的印证。即便如此，仍可采用微地震测量结果，以改进所开发的裂缝模型。给定系统中的当前不确定性，可将改进的分布用于改进框架内，以建立分级设计。
参考早前在附图9和附图10中所示的示例，可对之前的情况修改，以考虑非均匀裂缝半长分布，其可能从微地震调查中获得。在此，根据所希望的(三角形的)分布曲线图，75、125和175英尺裂缝半长模型可分别被分配权重0.375、0.5和0.125。
潜在裂缝几何形态分布中的变化可改变曲线图的表现和最终的效率边界。因此，在一个或多个实施例中，可获得潜在分布的准确估算，并将其用于预测改进级。获得准确的估算可能增加计算成本，因为每个目标函数评估可能涉及若干实现的评估(每个涉及一个可能的模拟调用)。进一步，因为问题中，模型参数具有不确定值，因此获取的样本数量应充足，以提供结果或实现的平均数和标准偏差的准确测量。在用于昂贵的功能改进的自适应的基于代理的改进程序过程中，可对样本进行平行的评估。因此，在不确定性下，在具有不确定性的非常规储层系统和采用的水力压裂模型中，多级设计改进是可管理且有意义的。
如上所讨论的，可通过将二进制变量转换为连续变量，执行控制变量值的优化部分，所述控制变量为二进制变量。以下讨论的是执行转换和在转换的基础上的优化。在以上的附图2中，数据资料库还可以包括一个或多个转换函数。在一个或多个实施例中，转换函数定义二进制空间中的设计模式和整数空间中的整数值之间的映射。特别是，设计模式是定义的二进制值排序，据此，定义的排序内的每个二进制值的位置对应一个特定的可配置要素。在一个或多个实施例中，转换函数提供设计模式与整数值之间的一对一的映射。换言之，在转换函数中，一个整数值映射到一个单一设计模式，一个设计模式映射到一个单一整数值。
可存在各种转换函数。例如，一个转换函数可为二进制转换，其将二进制值映射到相应的整数值(例如，“0010”映射到“2”)。另一个转换函数可为格雷码转换。在格雷码转换中，连续整数具有设计模式，其按单一位变化。在不脱离范围的情况下，可存在并使用其他转换函数。在一个或多个实施例中，不同的转换函数可对相同或不同长度的设计模式进行映射。例如，一个转换函数可对长为六的设计模式进行映射，而另一个转换函数可对长度为四的设计模式进行映射。
进一步，如以上附图2所示，油田设计工具206可包括附加的功能来获得油田的可配置要素，基于至少一些可配置要素生成二进制变量数组，将二进制变量数组转换为整数变量，以及向解算器发出调用，以获得解决方案。
在一个或多个实施例中，油田设计工具可包括生成多个解决方案的功能，据此对于复杂性的多个层级中的每一个，存在一个解决方案。附图11示出油田设计的可配置要素1100的分层结构。考虑将多个解决方案用于油田设计，所述解决方案允许不同数量的控制变量。剩余的控制变量可设定在预先定义的值，或在均衡设计的情况下，基于定义的所控制的变量的值进行设定。
如附图11所示，油田设计的可配置要素1100的分层结构包括油田设计的最小复杂性层级1102、第二小复杂性层级1104、可选的各种居中复杂性层级以及最大复杂性层级1106。复杂性层级定义针对油田设计考虑的控制变量或可配置要素的数量，包括转换的选择。例如，最小复杂性层级1102可为单变量系统，其中，在优化问题中考虑一种类型的可配置要素。第二小复杂性层级可考虑两个或更多类型的可配置要素。换言之，复杂性层级越低，在分层结构中的位置越高，优化问题越抽象，作为非独立设计变量而管理的可配置要素的数量越大。复杂性越高，被调整用于确定最优解决方案的可配置要素越多。
在一个或多个实施例中，通过考虑多个层级的复杂性，一个或多个实施例允许对生成最优解决方案的时间量与由最优解决方案生成的目标函数值之间的折中进行管理，以及对解决方案的复杂性层级进行管理。一般而言，所考虑的可配置要素的数量越大，用于生成最优解决方案的时间越长，在实践中得以实现的最优解决方案的复杂性越高。
附图11示出组成部分的一种配置，在不脱离技术范围的情况下，可使用其他配置。例如，可结合各个组成部分以创立单一的组成部分。另一个例子，单一组成部分的功能可由两个或多个组成部分执行。
附图12-15为根据一个或多个实施例的流程图。虽然按顺序呈现和描述这些流程图中的不同框，但普通技术人员会领悟到可按不同的顺序执行至少其中一些框、组合或省略其中一些框以及并行执行至少其中一些框。此外，可主动地或被动地执行框。例如，根据一个或多个实施例，可以轮询方式执行或中断驱动一些框。通过一个例子说明，根据一个或多个实施例，判断框可不需要处理器对指令进行处理，除非接收到中断指令，表示存在需要处理器处理的状况。另例，根据一个或多个实施例，可通过执行测试来执行判断框，例如检测数据值，以测试所述值是否与已测试的条件一致。
图12示出根据一个或多个实施例的油田管理的流程图。在框1201中，根据一个或多个实施例，识别油田设计的可配置要素。基于油田设计的要求，定义可配置要素。例如，如果油田设计是用于油田的初始计划，则可配置要素可包括钻孔的位置和方向。相反，如果油田设计是为了在已存在井的储层上执行压裂作业，则可配置要素可包括级的位置、每级的裂缝数量、流体特性等。举例说明，使用油田设计工具，用户可指定油田设计的哪些要素为可配置的。在一些实施例中，对于任何油田设计，可能的可配置要素由油田设计工具指定。向用户呈现可能的可配置要素，用户从可能的可配置要素或可配置要素的类型中进行选择。在选择之前，可删除不适用的一部分可配置要素。在一些实施例中，可识别出可配置要素的类型，例如裂缝、层、井场。基于识别出的可配置要素类型，可识别出具有所述类型的可配置要素，例如单元，其可具有或可不具有裂缝、层和井场。
在框1203中，根据一个或多个实施例，获得描述具有两个可能的值的可配置要素的二进制变量数组。具有两个可能的值的每个可配置要素以二进制变量表示。换言之，二进制变量数组中的二进制变量是一种类型的控制变量，其可具有两个值中的一个。在一个或多个实施例中，可用二进制变量表示的可配置要素按顺序排列为二进制变量数组。本申请全文使用的数组的术语是指，可用于直接或间接地将值与二进制变量相关联的任何数据结构。
在框1205中，根据一个或多个实施例，选择二进制变量数组的起始配置。在一个或多个实施例中，起始配置具有用于每个可配置要素的定义值。举例说明，在起始配置中，可定义一些可配置要素的值为0，而定义其他的可配置要素的值为1。起始配置可为默认配置、基于与本油田或其他油田相关的历史信息的估算配置、用户建议的配置、另行选择的配置或它们的组合。
在框1207中，根据一个或多个实施例，将二进制变量数组划分为多个子群。在一个或多个实施例中，所述划分将部分二进制变量数组拆分为不同的子群，据此每个二进制变量在单一的子群中。在对二进制变量数组进行划分时，保持二进制变量在二进制变量数组中的排序。进一步，划分出的部分可为同样大小或为若干不同大小。在一个或多个实施例中，对每个子群的大小进行选择，以减少子群中由分组控制的二进制变量的数量，同时确保所产生的设计的数量不太低或太高，以防止在优化程序中对向子群映射的整数变量进行持续地处理。
在框1209中，根据一个或多个实施例获得二进制变量数组的一个子群。一个或多个实施例处理二进制变量数组的每个子群。可连续、按顺序、并行、和/或随机或以其他顺序执行所述处理。
在框1211中，根据一个或多个实施例，选择子群的转换函数。可基于转换函数的特性选择转换函数。例如，格雷码具有1的汉明距离，意味着一位值在两个邻近的设计模式之间改变。在一个或多个实施例中，可选择相同或不同的转换函数用于每个子群。例如，可选择二进制转换函数用于一个子群，格雷码转换用于另一个子群。进一步，参考附图15，如以上所讨论的，可选择多个转换函数用于每个子群。
继续描述附图12，在框1213中，根据一个或多个实施例，将转换函数应用于起始配置的子群，以获得整数值。在一个或多个实施例中，在框1205中选择的与当前子群相对应的部分起始配置通过转换函数映射到整数值。从而获得与子群的起始配置相对应的整数值。
在框1215中，做出是否存在另一个未处理的子群的判断。如果存在另一个未处理的子群，则处理下一个子群。
在框1217中，根据一个或多个实施例，从每个子群的整数值获得整数数组。如以上所讨论的，数组术语的使用可指将整数值与相对应的子群相关联的任何数据结构。换言之，数据结构填充了相应的整数值。可在获得每个子群的整数值的同时执行数据结构的填充。
在框1219中，根据一个或多个实施例，定义目标函数。在一个或多个实施例中，以二进制数值定义目标函数。如果目标函数为净现价值，可基于预先定义的公式或模板以及模拟的结果，执行目标函数的定义，以确定烃的数量。例如，钻井的设备和执行增产作业可具有预先定义的成本，所述成本以每单元(例如，井、级和/或其他)为基础定义。预先定义的公式可考虑此类成本。类似的，模拟可提供预期的生产的烃，其具有预期的毛利。因此，可定义目标函数，其考虑多个成本和预期的毛利。可执行多种技术以定义目标函数，所述技术取决于目标函数的类型。
在框1221中，利用整数数组和目标函数，通过将整数变量当作连续变量来解决优化问题，以获得解决方案。换言之，将优化问题中的变量当作连续变量，以解决优化问题。在一些实施例中，利用附加变量(其表示具有多于两个可能的值的可配置要素)解决优化问题。解决优化问题将在下文予以讨论，并参考附图13。
在一些实施例中，解决优化问题的结果是解决方案，其提供整数值用于整数数组中的每个整数变量。在此类实施例中，在框1223中，将转换函数应用于每个整数变量，以获得相应的设计模式。换言之，对于每个子群，将在框1211中所选择的子群的转换函数应用于解决方案中的子群的整数值，以获得映射到整数值的相应的设计模式。
在其他实施例中，解决方案可为每个子群的设计模式。在此类实施例中，在这一级，无转换函数被应用，因为已经获得了设计模式。
子群的一组设计模式为每个二进制变量提供一个值，随后为油田设计的每个可配置要素提供一个值。相应地，在框1225中，根据一个或多个实施例，从设计模式获得油田设计。油田设计可为一组设计模式。在其他实施例中，油田设计可为将设计模式翻译为油田设备的说明书。例如，如果可配置要素被定义在单元层级，获得油井设计可包括将在特定单元的值翻译为位置的定义，在所述位置会出现钻井作业或模拟作业。例如，油田设计可在解决方案中指定沿井眼轨迹的测量深度，所述轨迹具有裂缝，而非描述每个单元以及每个单元是否包含裂缝。在这样的情况下，为了获得油田设计，可调用映射函数以确定模型中的哪个单元与井眼轨迹相对应。在不脱离范围的情况下，可以采用其他技术以获得油田设计。
在一个或多个实施例中，利用框1227中的油田设计执行油田作业。在一个或多个实施例中，设备控制器可向位于油田的油田设备发出控制信号。控制信号可包括油田设计或基于油田设计的拟执行的行动。作为回应，通过物理钻井或执行不同增产作业的方式，油田设备可执行由油田设计指定的作业。油田作业可在有与人的交互或无与人的交互下执行，例如对设备进行控制或监视。
在一个或多个实施例中，在所述方法的各种级，油田设计工具可通过用户界面与用户进行交互，以获得解决方案、获得油田设计并控制油田设备。例如，油田设计工具可呈现有关解决优化问题的量度、解决方案、油田设计、其他信息或其任何的组合，用户可提交指令以控制优化和油田设计。例如，用户可在给定已执行的迭代次数的情况下，决定目前的解决方案是最优的解决方案，可设定最大迭代次数(例如，通过定义最大迭代次数、指定最长执行时间或者执行任何其他类似行动)、批准或不批准油田设计。
转向附图13，附图13示出根据一个或多个实施例，解决优化问题的流程图。在框1301中，获得用于目标函数的描述油田和样本的油田数据。如以上所讨论的，利用油田数据中的数据采集工具，获得油田数据。特别是，位于油田的传感器可探测油田的多个物理特性，并将描述探测到的物理特性的信息传送到油田管理工具。在一些实施例中，可从数据资料库中获得油田数据，而非或除了利用油田采集工具获得油田数据。进一步，获得的油田数据可包括或被用于生成油田的模型，包括储层模型。在一个或多个实施例中，样本与油田设计的一组可能的配置相对应。初始的一组样本可由用户定义或由油田管理工具生成。
在框1303中，利用优化方案，在连续空间上生成建议配置。换言之，在应用优化方案时，样本中的整数变量被当作连续变量，所述方案可为直接的或基于近似法的优化方案。一个或多个样本可为附图12中选择的起始配置。从所述样本，可构建代理模型，其表示可用配置的近似模型。例如，利用神经网络或径向基函数代理方案，可构建代理模型。在基于代理的优化方案中，利用样本的初始集合(设计配置连同相关联的目标函数)构建近似模型。样本可被随机指定，采用均匀取样、试验设计、拉丁超立方取样或其他启发式方案，但是它们是整数可行的。近似方法可包括神经网络、克里格、径向基函数或一些其他方法。其用于提供利益问题的分析表示。在连续空间上，代替昂贵的基于模拟的处理对近似模型进行最优化。然后，通过请求真实的模拟模型对建议的解决方案进行评估(四舍五入，以确保理想完整性要求)。如果没有收敛，则新的样本被添加到数据组且过程重复。很好地建立此类基于代理(或代表)的方法，用于管理昂贵的基于模拟的优化问题。
在框1305中，基于用于每个子群的转换函数，将建议配置转化到二进制空间。在一个或多个实施例中，每个子群具有相对应的在建议配置中的连续变量。在建议配置中可存在附加连续变量，其表示具有可能的连续值和/或整数值的可配置要素。将表示具有整数值的可配置要素的连续变量和子群转化为整数变量，例如通过四舍五入(例如，四舍五入的入，或舍，或到最接近的整数)。对于表示子群的整数值，根据所选择的用于子群的转换函数，将整数值转换为子群的设计模式。因此，框1305的结果是建议配置，其具有二进制值、整数值、连续值或其任何的组合。
在框1307中，利用目标函数和油田数据，模拟引擎可评估由框1305产生的建议配置，以获得目标函数的值。例如，利用油田数据，可在油田上执行模拟，以确定基于所述配置抽取的烃量。可利用描述配置成本的数据以及生产的烃量的经济成本，计算目标函数的值。因为可定义多个不同的目标函数，根据目标函数，评估目标函数的值的技术可不同，且在不脱离权利要求范围的情况下，包括于此。
在框1309中，根据一个或多个实施例，做出实施例是否收敛于一个值上的判断。在一个或多个实施例中，可对来自之前的迭代的目标函数之前的值进行比较，以判断是否存在值的收敛。
如果不存在收敛，则执行另一个迭代。具体而言，利用多个识别出的样本，通过在框1311中选择后续的配置以及重复始于框1303的过程，执行下一个迭代。在一个或多个实施例中，可在整数空间而非二进制空间执行后续配置的选择。由所采用的优化方法建立对新的设计候选的选择。例如，无导数单纯形法会扰动当前的可剖分空间，以提供新的测试条件。基于梯度的方法会尝试沿下降方向的线搜索。对于基于近似法的方案，可将任何解算器应用于解析封闭式表示，且所建立的最好的解决方案常被用作新的候选解决方案。请注意，根据涉及的运算法和计算成本，新的候选解决方案的任何数量可在每个迭代进行测试。
如果存在收敛，则在框1313中将解决方案设置为与最优值相对应的配置。换言之，如果目标函数为成本函数，则解决方案为与最小值对应的配置。如果目标函数为效用函数，则解决方案为与最大值对应配置。在一些实施例中，可对迭代的数量设置限制。在这种情境下，最优值可为最优的识别值。
参考附图11，如以上所讨论的，不同的解决方案可具有拟执行的不同层级的复杂性。例如，可独立配置的可配置要素的数量越大，拟执行的油田设计越难，且识别最优解决方案所需的时间越长。通过解决多个层级的复杂性中每一层级的优化问题，可利用一个或多个实施例来管理复杂性和最优值之间的折中。附图14示出生成和选择解决方案的流程图，所述解决方案考虑多个层级的复杂性。
在框1401中，定义可配置要素的多个层级的复杂性的分层结构。利用用户界面，可对分层结构进行定义。例如，用户可指定，对于每一层级的复杂性，哪些可配置要素为静态的，哪些可配置要素可改变。在其他实施例中，油田管理工具可自动定义分层结构，例如通过假设整个油田的均匀配置，到假定不均匀配置，或非对称配置。
在框1403中，根据一个或多个实施例，在分层结构中选择复杂性的第一层级。在一个或多个实施例中，可初始选择最小复杂性层级。然而，在不脱离范围的情况下，可初始选择复杂性的任何层级。
在框1405中，给定迭代的最大数量，解决优化问题，以获得目标函数的值。通过执行用于复杂性层级的附图12的框1201-1221，执行解决复杂性层级的优化问题。换言之，基于复杂性层级，定义二进制变量数组，也就是，哪些变量具有不变值或等同值或其他变量，或确实被指定为因变量。进一步，在一个或多个实施例中，解决方案可被迭代次数所限制。通过限制迭代的次数，一个或多个实施例可平衡有时间限制的最优解决方案的完成，以确定最优解决方案。
在框1409中，根据一个或多个实施例，做出是否继续的判断。在一些实施例中，油田管理工具可停止，而非执行分层结构的每一层级。例如，如果分层结构的若干层级的目标函数的最优值收敛，则做出判断，由更复杂的解决方案获得的任何附加利益比复杂性更为重要，以实现解决方案。在其他实施例中，工程师对油田设计的要求或者时间的最大值可导致做出停止分层结构中的当前层级的决定。如果做出继续的决定，则在框1411中，获得分层结构中的下一个复杂性层级，且解决分层结构中的下一个复杂性层级的优化问题。
如果做出不继续的决定，至少在一定程度上，基于目标函数的值，从已测试的分层结构的复杂性层级选择解决方案。换言之，选择最优解决方案，其与已测试的分层结构中的一个层级相对应。根据最优值，可执行最优解决方案的选择。附加因素，例如执行解决方案的复杂性层级也可为选择分层结构的层级的因素。例如，如果非均匀配置和均匀配置之间的增益量可以忽略不计，则基于更容易实现的原因，可选择均匀配置。另外举例说明，如果较均匀配置，非均匀配置具有大大提高的最优值，则可选择非均匀配置。通过执行用于所选择的解决方案的框423-427，一个或多个实施例可实现所选择的解决方案。
返回附图13的框1303，为了确定建议配置，可使用多个样本。在一些实施例中，可生成局部最优值，其不能反映全局最优值。在一些实施例中，确定最优值的时间可为最本质的。通过将不同的转换函数应用于相同的子群，一个或多个实施例可并行地解决优化问题。通过应用不同的转换函数，可减少确定最优值的时间，且在一些实施例中，系统可不决定局部最优值。
附图15示出利用不同转换函数的流程图，所述转换函数应用于相同子群。可通过多个线程、多个计算处理器和/或处理器核，并行执行附图15中的不同转换函数的处理。
在一个或多个实施例中，就解决优化问题，可执行附图15所示的框，代替附图13。在执行附图15的不同作业前，可执行框1201-1207。进一步，可多次执行框1209-1211，对于应用于不同子群的每组一个或多个转换函数，执行一次。换言之，对于应用于子群的第一组一个或多个转换函数，可执行框1209-1219一次。同时地或相继地，对于应用于子群的第二组一个或多个转换函数，可再次执行框1209-1219。所述过程可重复一组一个或多个转换函数应用于子群的执行次数。
返回附图15，在框1501中，获得每组转换函数的样本配置。在一个或多个实施例中，执行获得一组一个或多个转换函数的样本配置可独立于获得其他转换函数的样本配置。进一步，可按如上参考框1301所讨论地执行获得特定一组转换函数的样本配置。
在框1503中，单独地且对于每组转换函数，利用样本配置，在连续空间内获得建议配置。在一个或多个实施例中，执行获得一组一个或多个转换函数的建议配置可独立于获得其他转换函数的建议配置。进一步，可按如上参考框1303所讨论地执行获得特定一组转换函数的建议样本配置。
在框1505中，基于相应的转换，将每个建议配置转换到二进制空间。可独立执行转换每个转换函数的建议配置，并可以如以上参考框1305所讨论地执行。
在框1507中，利用目标函数，在二进制空间中对建议配置进行评估，以获得目标函数的值。可如以上参考框1307所讨论地执行框1507，并可以为每组一个或多个转换函数而独立执行框1507。
在框1509中，根据一个或多个实施例，做出值是否收敛的判断。特别是，基于相互之间以及相对于在解决优化问题的过程中的在先迭代，对通过不同转换函数获得的值是否收敛做出判断。
在框1511中，如果收敛不存在，则对于每组一个或多个转换函数，基于目标函数和每个转换的建议配置，选择后续配置。在一个或多个实施例中，建议配置与多组转换函数相异交。特别是，由一组转换函数使用的建议配置，在另一组转换函数中被用作样本，用于下一个迭代。为了将用于第一组转换函数的建议配置作为第二组转换函数的样本，可执行以下的作业。利用第一组转换函数，将建议配置转换到二进制空间中。换言之，获得建议配置的设计模式。然后，根据第二组转换函数，将设计模式映射到整数空间。因此，结果是来自第一组转换函数的建议配置被映射到第二组转换函数的相对应的值。然后，每组转换函数可创立附加样本，并从框1503开始，生成新的建议函数。
虽然分开显示和描述附图12-15，附图12-15的多个部分可结合。例如，根据附图14所示的分层结构，执行处理可与附图15中的各组转换函数间的相异交组合。在此类情境下，对于分层结构的一个或多个层级，可处理多个组的转换函数。
附图16-22示出了根据一个或多个实施例的示例。以下示例是以解释为目的，而非旨在限制范围。
附图16示出水平井1602的示例性模拟模型1600，水平井具有三十级(如附图16中的盒状物所示)。每个级对应井眼的一段，在其中执行一系列的压裂作业。其中两个级以放大图示出1604。如附图16所示，以放大图1604显示的两个级中的每一个具有三个裂缝。利用局部网格细化(LGR)程序，在模拟模型中可对裂缝进行定义。通过增加定义体积内模拟网格中的单元数量，LGR程序提高模拟网格中特定体积的分辨率。因此，定义体积内网格单元的静态特性可根据需要调整，同时也确保具有所引入的特性改变的数值模拟的稳定性。根据开发用于每个代表性裂缝长度的裂缝模型，升级LGR块中的单元特性。所述特性可以若干方式引入，或者直接引入主模拟模型数据文件，或者以独立的相关LGR定义文件(例如，LGRDEF)被包括，所述LGR定义文件定义从属于LGR的数据，例如有关井眼、网格参数、表皮因素、渗透率、孔隙度、含水饱和度、净重毛重比率、孔隙容积、压力以及其他特性的数据，以将代表性裂缝引入模拟模型。
在模拟模型中，可在网格中沿任何井的固定位置定义裂缝。可利用LGR机制定义井中特定位置的相邻单元中较高的导流率，以说明与岩石基质的较高连接，其导致在该点的流体生产增加的结果。因此，根据所采用的特性(即，LGRDEF),每个LGR块可表示一个简单的平面裂缝。而且，单一裂缝可出现在一些预先定义宽度(例如，50英尺)的单一块中，以表示增产作业过程中导致的裂缝间的物理距离。由于裂缝的可能的位置数量是离散的，因而出现基于二进制优化问题的模拟。
多级裂缝设计问题可包括在一个扇区内建立沿每个井的级的数量和位置。在一个或多个实施例中，对于每个所调查的情况，可对井的数量、裂缝半长以及每级裂缝的数量给出先验。
二进制优化问题针对个体裂缝的指定。在二进制优化问题中，为每个变量(yi)建立0或1的值，使得利益目标函数F(Y)最大化，这里Y表示二进制变量的矢量，其指示模型中给定位置的裂缝的定位(或其他不同的)。
无约束问题的可能的解决方案总数为2n，这里n是二进制系统的维度，由此创立了NP-难题。解空间可在某种程度上因描述每级裂缝的固定数量的约束条件而减小；然而，问题的复杂性仍存在。附加复杂性由每个目标函数评估可涉及极大的计算需求(即时间消耗)模拟评估这一事实引入。利用此中多个公开内容，解决与二进制优化相关的复杂性，同时可采用自适应代理优化方案以管理昂贵的基于模拟的优化问题。
此中描述的一个或多个实施例作为管理与昂贵的基于模拟的二进制优化问题相关的复杂性的方法。所述方法的目的是将二进制转换为较低维度的连续问题。
附图17示出根据一个或多个实施例的二进制优化问题方案的示例。如附图17所示，可定义二进制变量数组1700为一排n个单元(标示为c1(1702)…cn(1704))。每个单元对应在井眼中的一个特定位置和一个特定控制变量，例如裂缝或状态。如附图17所示，每个单元可包括为0或1的值，并从而定义起始配置。
此中描述的一个或多个实施例将二进制变量数组分割为若干区段。附图18示出被分割为多个区段的二进制变量数组1800的示例。虽然附图18示出被分割为相等大小的二进制变量数组，但分割区段可为不同大小。利用转换函数，二进制变量的每个子群b可被共同控制。
附图19示出两个转换函数示例的表格1900。特别是，附图19示出二进制转换函数1902和格雷转换函数1904。如附图19所示，根据一个或多个实施例，每个转换函数将二进制空间中的设计模式vj映射到整数值(例如，指数)。换言之，利用二进制转换函数，“0100”的设计模式被映射到整数值4，利用格雷转换方式，其被映射到整数值7。在生成所建议的解决方案以解决优化问题时，相应的整数值可被视作为连续的。
因此，考虑将两个转换函数应用到相同的分割区段以解决二进制优化问题的情境，例如参考附图15，利用以上所讨论的技术。如果利用二进制转换函数，执行第一优化方案的结果是9的建议配置，则利用二进制转换函数，9被映射返回“1001”。此时模式“1001”被映射到格雷转换函数，以给出整数值14。因此，在示例中，如附图13中的框1303所讨论的，当将优化方案应用于格雷转换函数，整数14(与其相关联的目标值一起)被用作样本，对于利用格雷转换程序而建立的解决方案，反之亦然。
如以上所讨论的，根据模拟模型的地质力学的复杂性，一个或多个实施例可以分级的方式应用，以高效地管理多级裂缝设计优化问题。根据一个或多个实施例，附图20示出复杂性分层结构2000的示例。可利用略语表2002对附图20中所示的变量进行解释。如附图20所示，最高抽象层级2004为具有单一变量的N个井中的级的均匀分布UD。最优均匀分布(OUD)2006对具备分配到每个井中的一个变量的过程进行改善。在保持均匀分布的同时，通过将井划分为每个井m个块，抽象的最优均匀配置(AOUD)2008进一步改善过程。更为一般的抽象，具备每个井有p个块(p>m)，利用AOD方案2010，允许采用任何转换。维度n的最初二进制优化问题(BOP)2020在最低的层级描述。
当水平地和横向地沿井的主要的不均匀性低时，分层方案可降低计算复杂性，而当不均匀性高时，也可以获得解决方案。然而，假定不知悉模型复杂性的先验，优化可向下，从最小的复杂性层级到最大的复杂性层级。
附图21.1-21.5为显示三个示例井眼的示例，井眼的配置是根据附图20中的示例所示的复杂性分层结构的复杂性层级的结果。在附图21.1-21.5中，水平线是井，竖直线是裂缝。附图21.1示出根据一个或多个实施例的均匀配置示例。对于附图21.1，考虑其中原位储层性质均匀的储层模型。在此类情况下，因为此处没有水平(扇区宽)或横向(沿井)的变化，一种设计配置可应用于井。对于优化问题，可指定单一变量x，约束条件x＝xj，j＝1:::N(N是井的数量)。转换函数(T)基于满足每级(nfps)裂缝要求的给定数量的裂缝的均匀分布。在此，指数对应级的数量且受制于[1,xmaxj]，级的最大数量(xmaxj)由nc/nfps给定，nc是井中单元的数量。显然xmaxj是完全裂缝的井，而根据所采用的映射方案，低指数值描述较低密度的均匀分布。
附图21.2示出最优均匀分布2104的示例。在示例中，考虑其中存在实质的水平不均匀性、但很少或没有横向不均匀性的模型。在这种情境下，可使一个变量被分派到每个井，使用如上所描绘的均匀分布的转换模型，参见附图21.1，形成最优均匀布局。
附图21.3示出抽象的最优均匀分布(AOUD)2106的示例。对于所述示例，考虑其中存在实质水平和横向变化的模型。在这种情境下，通过适当地选择bj(分割区段大小)，对于j-th井，较大数量的块可被定义。如OUD，定义优化问题，但是nv>N(N表示井的数量，nv为有效变量的数量)。
附图21.4示出了根据一个或多个实施例的抽象的最优分布(AOD)2108的示例。对于实质异性的模型，均匀分布的转换可能并不足够。在这种情境下，可利用非均匀最优分布，相当程度地减少二进制转换，以满足每级裂缝的要求。利用AOD方案，可实现更大的灵活性，但是在给定每个井中块长度(bj)选择较短的情况下，以增加变量的数量为代价。附图21.4所示的方案可允许每个分割区段中的非对称的解决方案。
根据一个或多个实施例，附图21.5示出抽象的最优分布(AOD)2110的示例。在附图21.5所示的方案中，对井没有约束。如果每级裂缝要求被取消，则优化进程是完全宽松的。在这种情境下，因为没有减少模型，每个变量具有较宽的指数范围，允许可能的设计。
根据一个或多个实施例，附图22示出复杂性层次结构的每个复杂性水平的优化性能概况的曲线示例图2200。如下，表2提供了与附图22中示例图相对应的值。
Figure BDA0001110253650000311
特别是，表2和附图22示出具有125英尺裂缝半长的5-井模型的优化示例。底层二进制系统具有n＝990二进制变量，nc＝198个单元/每井。所示为UD、OUD、AOUD和AOD方案的结果。对于每种方案，给定问题维度、每个井的裂缝数量以及全部裂缝数量。达到解决方案NPV所要求的函数评估次数的数量和时间也均已给定。
UD解决方案由使用25个函数评估次数的单变量优化过程产生。建立针对每个井的设计，其包括20个均匀分布的级(具有60个裂缝)。OUD解决方案牵涉5-变量问题，并识别每个井的最优均匀分布。在所述示例中，OUD解决方案略低于UD方案，显示在模型中无实质的异性。即便如此，通过分配给每个井附加的分割区段，可进一步改善OUD解决方案。在示例中，具有2或3个区段的AOUD问题分别产生10和15个变量问题。如所示，随着模型维度增加，达到解决方案所要求的函数评估次数的数量也会增加。然而，在当前的示例中，从UD解决方案看，结果并未明显改变。
AOD方案允许更大的灵活性(如果允许)和更小的分割区段。具有165个变量的问题产生6位的块长度并使用多于300个模拟评估。由于问题复杂性的提高，可能存在低值的解决方案。当函数为高度多模态的，低值可受自适应程序的限制，所述程序能够导致局部陷阱的诱捕。可采用重新启动程序，以在一定程度上克服限制。
最后，如曲线图所示，显示没有每级3个裂缝的设计限制下，仍具有165个变量的AOD方案。明显地，宽松的问题产生更高的目标函数值(比由UD方案建立的最优的解决方案还高出近24％)。
如上所讨论的，附图16-22为示例。在不脱离一个或多个实施例范围的情况下，配置和结果可不同。
本发明的实施例可在计算机系统上实现。可使用移动设备、桌面设备、服务器、嵌入或其他类型的硬件的任何组合。例如，如附图23所示，计算系统2300可包括一个或多个计算处理器2302、相关存储器2304(例如，随机存取存储器(RAM)、高速缓冲存储器、闪存等)、一个或多个存储装置2306(例如，硬盘、光盘驱动器如光盘(CD)驱动器或数字化视频光盘(DVD)驱动器，闪存棒等)以及大量其他要素和功能。计算机处理器2302可为用于处理指令的集成电路。例如，计算机处理器可为处理器的一个或多个核或微核。计算系统2300还可包括一个或多个输入装置2310，例如触摸屏、键盘、鼠标、麦克风、触摸板、电子笔或任何其他类型的输入装置。进一步，计算系统2300可包括一个或多个输出装置2308，例如屏幕(例如，液晶显示屏(LCD)、等离子显示屏、触摸屏、阴极射线管(CRT)监视器、投影仪或其他显示装置)、打印机、外部存储器或任何其他输出装置。一个或多个输出装置可与输入装置相同或不同。计算系统2300可通过网络接口连接(未示出)与网络2312(例如，局域网(LAN)、广域网(WAN)如因特网、移动网，或任何其他类型的网络)相连。输入和输出装置可在本地或远程地(例如，通过网络2312)与计算机处理器2302、存储器2304和存储装置2306连接。存在很多不同类型的计算系统，并且以上提及的输入和输出装置可选取其他形式。
执行本发明实施例的计算机可读程序代码形式的软件指令可全部或部分地、临时或永久地存储在非临时性的计算机可读介质上，例如CD、DVD、存储装置、磁盘、磁带、闪存、物理内存，或任何其他计算机可读存储介质。具体而言，软件指令可对应计算机可读程序代码，当由处理器执行时，对所述代码进行配置，以执行本发明的实施例。
进一步，以上提及的计算系统2300的一个或多个要素可位于远程位置并通过网络2312与其他要素相连。进一步，本发明的实施例可在具有多个节点的分布式系统上予以实现，在这里，本发明的每个部分可被定位于分布式系统内的不同节点。在本发明的一个实施例中，节点对应不同的计算装置。节点可对应具有相关物理内存的计算机处理器。节点可对应带有共享内存和/或资源的计算机处理器或计算机处理器的微核。
尽管参照有限数量的实施例已经对本发明进行了描述，但得益于这一公开，本领域技术人员可以领会到，可以设计其他实施例，其不脱离本发明在此所公开的范围。相应地，本发明的范围应由所附权利要求书予以限制。

Claims (17)

1.一种用于管理油田作业的方法，包括：
获得地下模型，所述地下模型包括裂缝设计模型，所述裂缝设计模型具有包括不确定值的裂缝特性；
获得代表所述裂缝特性中的不确定性的一组代表性值；
使用所述裂缝特性的所述一组代表性值，求解具有控制变量的油田优化问题，以获得包括所述控制变量的最优值的解决方案；
基于所述解决方案生成油田设计；以及
存储所述油田设计，其中，油田作业基于向位于油田的油田设备发送控制信号而执行，所述控制信号包括油田设计，用于生成所述油田设计的油田优化问题包括目标函数，所述目标函数用于在油田作业时最大化产量；
其中，获得所述裂缝特性的所述一组代表性值包括：
获得代表地震速度模型中的不确定性的一组代表性值；
获得微地震事件数据；
使用所述地震速度模型的所述一组代表性值以及所述微地震事件数据，生成所述裂缝特性的一组代表性值。
2.如权利要求1所述的方法，进一步包括：
获得具有不确定值的储层特性的一组代表性值，
其中，求解所述油田优化问题包括：使用所述储层特性的一组代表性值。
3.如权利要求1所述的方法，进一步包括：
根据所述油田设计执行油田作业。
4.如权利要求1所述的方法，进一步包括：
使用位于所述油田中的多个传感器获得油田数据，
其中，获得所述地下模型包括使用所述油田数据生成所述地下模型，以及
其中，获得代表所述裂缝特性中的不确定性的所述一组代表性值包括基于所述油田数据生成所述裂缝特性的所述一组代表性值。
5.如权利要求1所述的方法，其中，求解所述油田优化问题包括：
对于多个模型参数样本，通过以下方式，对于所述多个模型参数样本中的每一个，生成第一多个目标函数值：
对所述裂缝特性的所述一组代表性值进行采样，以获得所述多个模型参数样本中的一个模型参数样本，以及
执行具有第一控制变量值以及所述一个模型参数样本的裂缝预测模型，以获得所述第一多个目标函数值中的第一目标函数值；计算所述第一多个目标函数值的第一平均数；以及
计算所述第一多个目标函数值的第一方差。
6.如权利要求5所述的方法，进一步包括：
基于所述第一平均数和所述第一方差，确定所述第一控制变量值为所述控制变量的最优值；
基于确定所述第一控制变量值为最优值，在所述解决方案中设定所述第一控制变量值。
7.如权利要求5所述的方法，进一步包括：
基于所述第一平均数和所述第一方差，确定所述第一控制变量值不是所述控制变量的最优值；
基于确定所述第一控制变量值不是最优值，选择第二控制变量值；
对于所述多个模型参数样本，通过以下方式，对于所述多个模型参数样本中的每一个，生成第二多个目标函数值：
对所述裂缝特性的所述一组代表性值进行采样，以获得所述多个模型参数样本中的所述一个模型参数样本，以及
执行具有所述第二控制变量值以及所述一个模型参数样本的所述裂缝预测模型，以获得所述第二多个目标函数值中的一个第二目标函数值；
计算所述第二多个目标函数值的第二平均数；以及
计算所述第二多个目标函数值的第二方差。
8.如权利要求7所述的方法，进一步包括：
基于所述第二平均数和所述第二方差，确定所述第二控制变量值为所述控制变量的最优值；
基于确定所述第二控制变量值为最优值，在所述解决方案中设定所述第二控制变量值。
9.一种用于油田管理的系统，包括：
计算机处理器；
油田设计工具，当在所述计算机处理器上执行时，所述油田设计工具：
获得地下模型，所述地下模型包括裂缝设计模型，所述裂缝设计模型具有包括不确定值的裂缝特性；
获得代表所述裂缝特性中的不确定性的一组代表性值；
基于解决方案生成油田设计；以及
解算器，当在所述计算机处理器上执行时，所述解算器：
使用所述裂缝特性的所述一组代表性值，求解具有控制变量的油田优化问题，以获得包括所述控制变量的最优值的解决方案；
其中，油田作业基于向位于油田的油田设备发送控制信号而执行，所述控制信号包括油田设计，用于生成所述油田设计的油田优化问题包括目标函数，所述目标函数用于在油田作业时最大化产量；
其中，获得所述裂缝特性的所述一组代表性值包括：
获得代表地震速度模型中的不确定性的一组代表性值；
获得微地震事件数据；
使用所述地震速度模型的所述一组代表性值以及所述微地震事件数据，生成所述裂缝特性的一组代表性值。
10.如权利要求9所述的系统，进一步包括：
设备控制器，用于：
发送控制信号，以基于所述油田设计执行油田作业。
11.如权利要求10所述的系统，进一步包括：
油田设备，用于：
接收所述控制信号；并且
执行所述油田作业。
12.如权利要求9所述的系统，进一步包括：
位于油田的多个传感器，用于：
获得油田数据，
其中，获得所述地下模型包括使用所述油田数据生成所述地下模型，以及
其中，获得所述一组代表性值包括基于所述油田数据生成所述一组代表性值。
13.如权利要求9所述的系统，进一步包括：
油田模拟器，当由所述计算机处理器执行时，所述油田模拟器：
执行具有控制变量以及模型参数样本的裂缝预测模型，以获得多个目标函数值中的一个目标函数值，其中，由所述解算器求解所述油田优化问题包括：
对于多个模型参数样本，通过以下方式，对于所述多个模型参数样本中的每一个，生成多个目标函数值：
对所述裂缝特性的所述一组代表性值进行采样，以获得所述多个模型参数样本中的一个模型参数样本，以及
向具有所述控制变量值以及所述一个模型参数样本的所述油田模拟器发出调用；以及
计算所述多个目标函数值的平均数。
14.如权利要求9所述的系统，进一步包括：
数据资料库，其被配置成存储多组代表性值。
15.一种用于管理油田作业的非暂时性计算机可读介质，包括计算机可读程序代码，用于：
获得地下模型，所述地下模型包括裂缝设计模型，所述裂缝设计模型具有包括不确定值的裂缝特性；
获得代表所述裂缝特性中的不确定性的一组代表性值；
使用所述裂缝特性的所述一组代表性值，求解具有控制变量的油田优化问题，以获得包括所述控制变量的最优值的解决方案；
基于所述解决方案生成油田设计；以及
存储所述油田设计，油田作业基于向位于油田的油田设备发送控制信号而执行，所述控制信号包括油田设计，用于生成所述油田设计的油田优化问题包括目标函数，所述目标函数用于在油田作业时最大化产量；
其中，获得所述裂缝特性的所述一组代表性值包括：
获得代表地震速度模型中的不确定性的一组代表性值；
获得微地震事件数据；
使用所述地震速度模型的所述一组代表性值以及所述微地震事件数据，生成所述裂缝特性的一组代表性值。
16.如权利要求15所述的非暂时性计算机可读介质，其中，求解所述油田优化问题包括：
对于多个模型参数样本，通过以下方式，对于所述多个模型参数样本中的每一个，生成第一多个目标函数值：
对所述裂缝特性的所述一组代表性值进行采样，以获得所述多个模型参数样本中的一个模型参数样本，以及
执行具有第一控制变量值以及所述一个模型参数样本的裂缝预测模型，以获得所述第一多个目标函数值中的第一目标函数值；计算所述第一多个目标函数值的第一平均数。
17.如权利要求16所述的非暂时性计算机可读介质，进一步包括：
计算所述第一多个目标函数值的第一方差。
CN201580012350.2A 2014-01-06 2015-01-06 不确定性下多级油田设计优化 Active CN106104590B (zh)

Applications Claiming Priority (11)

Application Number Priority Date Filing Date Title
US201461924063P 2014-01-06 2014-01-06
US61/924,063 2014-01-06
US201462069178P 2014-10-27 2014-10-27
US201462069189P 2014-10-27 2014-10-27
US201462069187P 2014-10-27 2014-10-27
US201462069194P 2014-10-27 2014-10-27
US62/069,194 2014-10-27
US62/069,189 2014-10-27
US62/069,187 2014-10-27
US62/069,178 2014-10-27
PCT/US2015/010242 WO2015103582A1 (en) 2014-01-06 2015-01-06 Multistage oilfield design optimization under uncertainty

Publications (2)

Publication Number Publication Date
CN106104590A CN106104590A (zh) 2016-11-09
CN106104590B true CN106104590B (zh) 2020-09-01

Family

ID=53494109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580012350.2A Active CN106104590B (zh) 2014-01-06 2015-01-06 不确定性下多级油田设计优化

Country Status (5)

Country Link
US (2) US10435995B2 (zh)
CN (1) CN106104590B (zh)
CA (1) CA2935421A1 (zh)
RU (1) RU2669948C2 (zh)
WO (2) WO2015103582A1 (zh)

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2935421A1 (en) * 2014-01-06 2015-07-09 Schlumberger Canada Limited Multistage oilfield design optimization under uncertainty
US10954766B2 (en) * 2016-04-08 2021-03-23 Intelligent Solutions, Inc. Methods, systems, and computer-readable media for evaluating service companies, identifying candidate wells and designing hydraulic refracturing
WO2017199753A1 (ja) * 2016-05-18 2017-11-23 日本電気株式会社 最適化システム、最適化方法および最適化プログラム
US10794134B2 (en) * 2016-08-04 2020-10-06 Baker Hughes, A Ge Company, Llc Estimation of optimum tripping schedules
CN107829719A (zh) * 2017-02-21 2018-03-23 中国石油化工股份有限公司 海上油藏新区经济最优井网的优化设计方法
US11326443B2 (en) * 2017-04-28 2022-05-10 Schlumberger Technology Corporation Method and system for generating a completion design using a streamline model
US11624326B2 (en) 2017-05-21 2023-04-11 Bj Energy Solutions, Llc Methods and systems for supplying fuel to gas turbine engines
CN107808032B (zh) * 2017-09-28 2021-07-16 中国石油化工股份有限公司 页岩气储层含水饱和度计算方法及系统
WO2019200370A1 (en) * 2018-04-13 2019-10-17 Schlumberger Technology Corporation A method for reservoir simulation optimization under geological uncertainty
US11112516B2 (en) * 2018-04-30 2021-09-07 Schlumberger Technology Corporation Data fusion technique to compute reservoir quality and completion quality by combining various log measurements
US11774631B2 (en) * 2018-05-11 2023-10-03 Schlumberger Technology Corporaton Geologic formation neutron porosity system
US11808903B2 (en) 2018-05-12 2023-11-07 Schlumberger Technology Corporation Seismic data interpretation system
US20200175444A1 (en) * 2018-12-04 2020-06-04 Schlumberger Technology Corporation Multi-domain planning and execution
US11288609B2 (en) 2018-12-04 2022-03-29 Schlumberger Technology Corporation Systems and methods for executing a plan associated with multiple equipment by using rule-based inference
CN110529105B (zh) * 2018-05-23 2022-06-03 中国石油天然气股份有限公司 多重介质有水气藏水平井开发的设计方法及设计装置
CN108920849B (zh) * 2018-07-09 2022-07-19 合肥辰工科技有限公司 一种缝洞型储层试井确定地层中洞流量方法
US20210270998A1 (en) * 2018-08-30 2021-09-02 Landmark Graphics Corporation Automated production history matching using bayesian optimization
WO2020092300A1 (en) * 2018-10-29 2020-05-07 Schlumberger Technology Corporation Uploading and validation of combined oilfield data
AU2019387281B2 (en) * 2018-11-30 2024-01-25 Chevron U.S.A. Inc. System and method for analysis of subsurface data
US10983233B2 (en) * 2019-03-12 2021-04-20 Saudi Arabian Oil Company Method for dynamic calibration and simultaneous closed-loop inversion of simulation models of fractured reservoirs
US11560845B2 (en) 2019-05-15 2023-01-24 Bj Energy Solutions, Llc Mobile gas turbine inlet air conditioning system and associated methods
US11125671B2 (en) * 2019-07-09 2021-09-21 Saudi Arabian Oil Company Laboratory measurement of dynamic fracture porosity and permeability variations in rock core plug samples
US10895202B1 (en) 2019-09-13 2021-01-19 Bj Energy Solutions, Llc Direct drive unit removal system and associated methods
US11555756B2 (en) 2019-09-13 2023-01-17 Bj Energy Solutions, Llc Fuel, communications, and power connection systems and related methods
US11015594B2 (en) 2019-09-13 2021-05-25 Bj Energy Solutions, Llc Systems and method for use of single mass flywheel alongside torsional vibration damper assembly for single acting reciprocating pump
US10961914B1 (en) 2019-09-13 2021-03-30 BJ Energy Solutions, LLC Houston Turbine engine exhaust duct system and methods for noise dampening and attenuation
CA3191280A1 (en) 2019-09-13 2021-03-13 Bj Energy Solutions, Llc Methods and systems for supplying fuel to gas turbine engines
US10815764B1 (en) 2019-09-13 2020-10-27 Bj Energy Solutions, Llc Methods and systems for operating a fleet of pumps
US12065968B2 (en) 2019-09-13 2024-08-20 BJ Energy Solutions, Inc. Systems and methods for hydraulic fracturing
US11002189B2 (en) 2019-09-13 2021-05-11 Bj Energy Solutions, Llc Mobile gas turbine inlet air conditioning system and associated methods
CA3092865C (en) 2019-09-13 2023-07-04 Bj Energy Solutions, Llc Power sources and transmission networks for auxiliary equipment onboard hydraulic fracturing units and associated methods
CA3092859A1 (en) 2019-09-13 2021-03-13 Bj Energy Solutions, Llc Fuel, communications, and power connection systems and related methods
US11708829B2 (en) 2020-05-12 2023-07-25 Bj Energy Solutions, Llc Cover for fluid systems and related methods
US10968837B1 (en) 2020-05-14 2021-04-06 Bj Energy Solutions, Llc Systems and methods utilizing turbine compressor discharge for hydrostatic manifold purge
US11428165B2 (en) 2020-05-15 2022-08-30 Bj Energy Solutions, Llc Onboard heater of auxiliary systems using exhaust gases and associated methods
US11208880B2 (en) 2020-05-28 2021-12-28 Bj Energy Solutions, Llc Bi-fuel reciprocating engine to power direct drive turbine fracturing pumps onboard auxiliary systems and related methods
US11109508B1 (en) 2020-06-05 2021-08-31 Bj Energy Solutions, Llc Enclosure assembly for enhanced cooling of direct drive unit and related methods
US11208953B1 (en) 2020-06-05 2021-12-28 Bj Energy Solutions, Llc Systems and methods to enhance intake air flow to a gas turbine engine of a hydraulic fracturing unit
US11111768B1 (en) 2020-06-09 2021-09-07 Bj Energy Solutions, Llc Drive equipment and methods for mobile fracturing transportation platforms
US11066915B1 (en) 2020-06-09 2021-07-20 Bj Energy Solutions, Llc Methods for detection and mitigation of well screen out
US10954770B1 (en) 2020-06-09 2021-03-23 Bj Energy Solutions, Llc Systems and methods for exchanging fracturing components of a hydraulic fracturing unit
US11639657B2 (en) 2020-06-12 2023-05-02 Landmark Graphics Corporation Controlling wellbore equipment using a hybrid deep generative physics neural network
US11125066B1 (en) 2020-06-22 2021-09-21 Bj Energy Solutions, Llc Systems and methods to operate a dual-shaft gas turbine engine for hydraulic fracturing
US11028677B1 (en) * 2020-06-22 2021-06-08 Bj Energy Solutions, Llc Stage profiles for operations of hydraulic systems and associated methods
US11933153B2 (en) 2020-06-22 2024-03-19 Bj Energy Solutions, Llc Systems and methods to operate hydraulic fracturing units using automatic flow rate and/or pressure control
US11939853B2 (en) 2020-06-22 2024-03-26 Bj Energy Solutions, Llc Systems and methods providing a configurable staged rate increase function to operate hydraulic fracturing units
US11466680B2 (en) 2020-06-23 2022-10-11 Bj Energy Solutions, Llc Systems and methods of utilization of a hydraulic fracturing unit profile to operate hydraulic fracturing units
US11473413B2 (en) 2020-06-23 2022-10-18 Bj Energy Solutions, Llc Systems and methods to autonomously operate hydraulic fracturing units
US11149533B1 (en) 2020-06-24 2021-10-19 Bj Energy Solutions, Llc Systems to monitor, detect, and/or intervene relative to cavitation and pulsation events during a hydraulic fracturing operation
US11220895B1 (en) 2020-06-24 2022-01-11 Bj Energy Solutions, Llc Automated diagnostics of electronic instrumentation in a system for fracturing a well and associated methods
US11193361B1 (en) 2020-07-17 2021-12-07 Bj Energy Solutions, Llc Methods, systems, and devices to enhance fracturing fluid delivery to subsurface formations during high-pressure fracturing operations
US11740386B2 (en) 2020-07-30 2023-08-29 Chevron U.S.A. Inc. Determination of representative wells to characterize subsurface regions
CN112392477B (zh) * 2020-12-04 2023-08-22 中国石油天然气股份有限公司 一种单井潜力快速预测方法
US20240019603A1 (en) * 2020-12-10 2024-01-18 Schlumberger Technology Corporation Processing subsurface data with uncertainty for modelling and field planning
CN112647916B (zh) * 2020-12-22 2023-03-24 中海石油(中国)有限公司 一种海上低渗透油田压裂技术选井选层方法和系统
CN112983359B (zh) * 2021-02-25 2022-01-28 中国石油大学(北京) 一种薄互层油田开发方法
US11639654B2 (en) 2021-05-24 2023-05-02 Bj Energy Solutions, Llc Hydraulic fracturing pumps to enhance flow of fracturing fluid into wellheads and related methods
WO2023214196A1 (en) * 2022-05-02 2023-11-09 Abu Dhabi National Oil Company Method and system for exploiting a subterranean reservoir
CN114880775B (zh) * 2022-05-10 2023-05-09 江苏大学 一种基于主动学习Kriging模型的可行域搜索方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012125558A2 (en) * 2011-03-11 2012-09-20 Schlumberger Technology Corporation System and method for performing microseismic fracture operations

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6434435B1 (en) 1997-02-21 2002-08-13 Baker Hughes Incorporated Application of adaptive object-oriented optimization software to an automatic optimization oilfield hydrocarbon production management system
US6549879B1 (en) * 1999-09-21 2003-04-15 Mobil Oil Corporation Determining optimal well locations from a 3D reservoir model
US6980940B1 (en) * 2000-02-22 2005-12-27 Schlumberger Technology Corp. Intergrated reservoir optimization
US6775578B2 (en) 2000-09-01 2004-08-10 Schlumberger Technology Corporation Optimization of oil well production with deference to reservoir and financial uncertainty
RU2211311C2 (ru) * 2001-01-15 2003-08-27 ООО Научно-исследовательский институт "СибГеоТех" Способ одновременно-раздельной разработки нескольких эксплуатационных объектов и скважинная установка для его реализации
GB0419588D0 (en) * 2004-09-03 2004-10-06 Virtual Well Engineer Ltd "Design and control of oil well formation"
RU2417443C2 (ru) 2005-04-29 2011-04-27 Лэндмарк Графикс Корпорейшн Оптимизация решений, касающихся многочисленных объектов, при наличии различных основополагающих неопределенностей
US9176243B2 (en) * 2006-02-24 2015-11-03 Hanner Zueroher Locating oil or gas actively by exciting a porous oil and gas saturated system to give off its characteristic resonance response, with optional differentiation of oil, gas and water
US7953587B2 (en) * 2006-06-15 2011-05-31 Schlumberger Technology Corp Method for designing and optimizing drilling and completion operations in hydrocarbon reservoirs
CA2665116C (en) 2006-10-30 2011-07-19 Schlumberger Canada Limited System and method for performing oilfield simulation operations
US8190458B2 (en) * 2007-01-17 2012-05-29 Schlumberger Technology Corporation Method of performing integrated oilfield operations
US8497685B2 (en) * 2007-05-22 2013-07-30 Schlumberger Technology Corporation Angular position sensor for a downhole tool
US20080319726A1 (en) * 2007-06-19 2008-12-25 Schlumberger Technology Corporation System and method for performing oilfield simulation operations
US20090132979A1 (en) 2007-11-19 2009-05-21 Simon Joshua Waters Dynamic pointer dereferencing and conversion to static hardware
US9228415B2 (en) * 2008-10-06 2016-01-05 Schlumberger Technology Corporation Multidimensional data repository for modeling oilfield operations
BRPI0923412A2 (pt) 2008-12-16 2016-05-24 Exxonmobil Upstream Res Co método, e, produto de programa de computador.
US8600717B2 (en) 2009-05-14 2013-12-03 Schlumberger Technology Corporation Production optimization for oilfields using a mixed-integer nonlinear programming model
BR112012002907A2 (pt) 2009-08-12 2016-04-05 Exxonmobil Upstream Res Co método e sistema para otimizar a política operacional de campo para uma região de subsuperfície, método para otimizar um problema de otimização durante o tempo,e para suporte de decisão considerando desenvolvimento de recursos de petroléo,e, meio de armazenagem legível por computador.
US9031674B2 (en) * 2010-10-13 2015-05-12 Schlumberger Technology Corporation Lift-gas optimization with choke control
WO2012078238A1 (en) 2010-12-09 2012-06-14 Exxonmobil Upstream Company Optimal design system for development planning of hydrocarbon resources
GB2502726B (en) * 2011-02-08 2016-06-29 Logined Bv Three-dimensional modeling of parameters for oilfield drilling
RU2461026C1 (ru) 2011-05-31 2012-09-10 Шлюмберже Текнолоджи Б.В. Способ определения геометрических характеристик трещины гидроразрыва
US8929312B2 (en) * 2011-09-14 2015-01-06 Transpacific Ip Management Group Ltd. Dynamic resource management for orthogonal frequency division multiple access wireless networks
MX2015001362A (es) * 2012-08-01 2015-09-16 Schlumberger Technology Bv Evaluacion, monitoreo y control de operaciones de perforacion y/o evaluacion de caracteristicas geologicas.
US20140094974A1 (en) 2012-10-01 2014-04-03 Schlumberger Technology Corporation Lift and choke control
US9076337B2 (en) 2013-09-19 2015-07-07 Mitsubishi Electric Research Laboratories, Inc. Method for determining trajectory of multi-motor control system avoiding obstacle
US10068170B2 (en) 2013-09-23 2018-09-04 Oracle International Corporation Minimizing global error in an artificial neural network
US10275422B2 (en) * 2013-11-19 2019-04-30 D-Wave Systems, Inc. Systems and methods for finding quantum binary optimization problems
AU2014357611B2 (en) * 2013-12-05 2018-10-18 Schlumberger Technology B.V. Digital core model construction
WO2015084447A1 (en) * 2013-12-05 2015-06-11 Schlumberger Canada Limited Method and system of showing heterogeneity of a porous sample
CA2935421A1 (en) * 2014-01-06 2015-07-09 Schlumberger Canada Limited Multistage oilfield design optimization under uncertainty
US20150268365A1 (en) 2014-03-18 2015-09-24 Schlumberger Technology Corporation Method to characterize geological formations using secondary source seismic data
US20150331122A1 (en) 2014-05-16 2015-11-19 Schlumberger Technology Corporation Waveform-based seismic localization with quantified uncertainty
US10487649B2 (en) * 2015-03-26 2019-11-26 Schlumberger Technology Corporation Probabalistic modeling and analysis of hydrocarbon-containing reservoirs
US20170336811A1 (en) 2016-05-17 2017-11-23 Schlumberger Technology Corporation Flow control device design for well completions in an oilfield

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012125558A2 (en) * 2011-03-11 2012-09-20 Schlumberger Technology Corporation System and method for performing microseismic fracture operations

Also Published As

Publication number Publication date
US20160326845A1 (en) 2016-11-10
WO2015103582A1 (en) 2015-07-09
US10767448B2 (en) 2020-09-08
RU2016132217A (ru) 2018-02-09
CA2935421A1 (en) 2015-07-09
US20160326846A1 (en) 2016-11-10
US10435995B2 (en) 2019-10-08
WO2015103573A1 (en) 2015-07-09
RU2669948C2 (ru) 2018-10-17
CN106104590A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106104590B (zh) 不确定性下多级油田设计优化
EP2599023B1 (en) Methods and systems for machine-learning based simulation of flow
US10198535B2 (en) Methods and systems for machine-learning based simulation of flow
EP2748739B1 (en) Methods and systems for well planning based on a complex fracture model
US10087721B2 (en) Methods and systems for machine—learning based simulation of flow
AU2013404930B2 (en) Designing wellbore completion intervals
US10408957B2 (en) Analysis of microseismic supported stimulated reservoir volumes
AU2015392975A1 (en) Shale geomechanics for multi-stage hydraulic fracturing optimization in resource shale and tight plays
WO2012015516A1 (en) Methods and systems for machine-learning based simulation of flow
WO2016011064A2 (en) Discrete irregular cellular models for simulating the development of fractured reservoirs
US11500123B2 (en) Hybrid 3D geocellular representation of selected natural fracture network subsets
CN113874864A (zh) 使用硬约束和软约束训练机器学习系统
CA3040439C (en) Petrophysical field evaluation using self-organized map
Wang et al. Hierarchical stochastic modeling and optimization for petroleum field development under geological uncertainty
WO2023245051A1 (en) Hydraulic fracturing system

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