CN109478208A - 用于石油勘探和生产评估的综合数据和过程集成的迭代且可重复的工作流程 - Google Patents
用于石油勘探和生产评估的综合数据和过程集成的迭代且可重复的工作流程 Download PDFInfo
- Publication number
- CN109478208A CN109478208A CN201780041194.1A CN201780041194A CN109478208A CN 109478208 A CN109478208 A CN 109478208A CN 201780041194 A CN201780041194 A CN 201780041194A CN 109478208 A CN109478208 A CN 109478208A
- Authority
- CN
- China
- Prior art keywords
- data
- simulation process
- value
- model simulation
- modeling
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 295
- 230000008569 process Effects 0.000 title claims abstract description 225
- 238000004519 manufacturing process Methods 0.000 title description 16
- 230000010354 integration Effects 0.000 title description 2
- 230000006870 function Effects 0.000 claims abstract description 135
- 238000004088 simulation Methods 0.000 claims abstract description 110
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000003860 storage Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 7
- 235000014676 Phragmites communis Nutrition 0.000 claims description 4
- 239000003208 petroleum Substances 0.000 description 44
- 239000011435 rock Substances 0.000 description 42
- 239000012530 fluid Substances 0.000 description 38
- 239000000243 solution Substances 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 239000007789 gas Substances 0.000 description 15
- 238000005094 computer simulation Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 230000035699 permeability Effects 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 239000004215 Carbon black (E152) Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 9
- 229930195733 hydrocarbon Natural products 0.000 description 9
- 150000002430 hydrocarbons Chemical class 0.000 description 9
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 238000002360 preparation method Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000000712 assembly Effects 0.000 description 6
- 238000000429 assembly Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000007789 sealing Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 229910052770 Uranium Inorganic materials 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011545 laboratory measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- DNYWZCXLKNTFFI-UHFFFAOYSA-N uranium Chemical compound [U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U][U] DNYWZCXLKNTFFI-UHFFFAOYSA-N 0.000 description 2
- RXZBMPWDPOLZGW-HEWSMUCTSA-N (Z)-roxithromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=N\OCOCCOC)/[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 RXZBMPWDPOLZGW-HEWSMUCTSA-N 0.000 description 1
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001415846 Procellariidae Species 0.000 description 1
- 229910052776 Thorium Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 229910052586 apatite Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- HJUFTIJOISQSKQ-UHFFFAOYSA-N fenoxycarb Chemical compound C1=CC(OCCNC(=O)OCC)=CC=C1OC1=CC=CC=C1 HJUFTIJOISQSKQ-UHFFFAOYSA-N 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- VSIIXMUUUJUKCM-UHFFFAOYSA-D pentacalcium;fluoride;triphosphate Chemical compound [F-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O VSIIXMUUUJUKCM-UHFFFAOYSA-D 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000004079 vitrinite Substances 0.000 description 1
- 229910052845 zircon Inorganic materials 0.000 description 1
- GFQYVLUOOAAOGM-UHFFFAOYSA-N zirconium(iv) silicate Chemical compound [Zr+4].[O-][Si]([O-])([O-])[O-] GFQYVLUOOAAOGM-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- 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]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/614—Synthetically generated data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6163—Electromagnetic
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6167—Nuclear
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
全局目标函数初始化为初始值。使用准备好的输入数据来执行特定模型模拟过程。通过使用局部函数将该特定模型模拟过程的输出与对应的该特定模型模拟过程的输入数据进行比较，来计算不匹配值。向另一模型模拟过程发送与该特定模型模拟过程相关联的模型对象。执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
Description
要求优先权
本申请要求于2016年5月23日递交的美国专利申请No.15/162,205的优先权，其全部内容通过引用并入本文。
背景技术
在石油和天然气行业中经常使用若干过程(例如，物理过程、化学过程、地质力学过程等)的数值模型，以优化石油勘探和生产活动。这些数值模型经常用于识别和筛选新的前景，以优化恢复机制以及设计最优的地面设施，从而提高净现值(NPV)。使用数值模型优化勘探和生产活动的挑战在于具有精确的模型预测，所述精确的模型预测具有在决策过程中使用时可接受的不确定性容限。遗憾的是，根据当前的基于过程的数值模型的预测包括重大的不确定性；这意味着任何决策过程都固有地存在风险，并且往往导致石油勘探和生产成本的增大。
发明内容
本公开描述了用于使用数值建模来优化石油勘探和生产活动的方法和系统，包括计算机实现的方法、计算机程序产品和计算机系统。
在实施方式中，全局目标函数初始化为初始值。使用准备好的输入数据来执行特定模型模拟过程。通过使用局部函数将该特定模型模拟过程的输出与对应的该特定模型模拟过程的输入数据进行比较，来计算不匹配值。向另一模型模拟过程发送与该特定模型模拟过程相关联的模型对象。执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
上述和其它实施方式可以使用下述各项来实现：计算机实现的方法；存储用于执行该计算机实施的方法的计算机可读指令的非暂时性计算机可读介质；以及计算机系统，该计算机系统包括与硬件处理器可互操作地耦接的计算机存储器，所述硬件处理器被配置为执行该计算机实现的方法/存储在该非暂时性计算机可读介质上的指令。
在本说明书中描述的主题可以在特定实施方式中实现，以便实现以下优点中的一个或多个。首先，新的工作流程将链接重要的建模方法，用于预测性的a)源岩/油藏/密封分析；b)成熟/运移/灌注/圈闭分析；以及c)生产工程d)恢复过程。其次，综合预测方法可以降低勘探和生产风险，增加资源和生产。第三，基于来自每种建模方法的增量不确定性的全局目标函数提供了改善的预测；允许改善对每个建模方法的输入参数集的校准和验证。第四，工作流程提供油气(HC)勘探和生产社区共享模型，其与HC系统的各个不调和单元的孤立的数值模型形成对比。第五，各个过程、整体工作流程或者各个过程与工作流程两者的组合的结果可以产生以下积极影响：1)在井布局和实时地理转向方面改善的井操作；2)高度预测的3D数值油藏模型；高效的动态流模拟，其中在生产历史匹配过程期间模型参数的改变最小化；以及增强的油藏和现场性能预测3)最优的恢复过程。第六，可以减小在勘探和生产二者中使用的模型预测的不确定性，以增加发现和增强恢复。第七，可以将生成的模型的预测精确性与当前模型进行比较，以确定模型效率，并允许用当前模型替换旧模型，等等。其它优点对于本领域普通技术人员将是明显的。
本说明书的主题的一个或多个实施方式的细节在附图和下面的描述中阐述。通过说明书、附图和权利要求书，所述主题的其它特征、方面和优点将变得明显。
附图说明
图1A和图1B示出了根据实施方式的使用数值建模来优化石油勘探和生产活动的示例工作流程的框图。
图2示出了根据实施方式的在特定建模方法与相关联的硬件/数据和软件之间的关系。
图3表示根据实施方式的使用数值模型优化石油勘探和生产活动的方法的框图。
图4是根据实施方式的用于提供与如本公开中描述的算法、方法、功能、处理、流程和过程相关联的计算功能的示例性计算机系统的框图。
各附图中相似的附图标记和标号指示相似的要素。
具体实施方式
本公开总体上描述了使用数字建模来优化石油勘探和生产活动，并且被介绍以使得本领域技术人员能够在一个或多个特定实施方式的上下文中制造和使用所公开的主题。对公开的实施方式的各种修改对本领域技术人员而言将是明显的，并且在不背离本发明的范围的情况下，此处定义的一般原理可适用于其它实施方式和应用。因此，本公开并非意在限于所描述的或示出的实施方式，而应赋予与本文中公开的原理和特征一致的最宽范围。
在石油和天然气行业中经常使用若干过程(例如，物理过程、地球物理过程、化学过程、机械过程等)的数值模型，以优化石油勘探和生产活动。这些数值模型经常用于识别和筛选新的前景，以优化恢复机制以及设计最优的地面设施，从而提高净现值(NPV)。
使用数值模型优化勘探和生产活动的挑战在于具有精确的模型预测，所述精确的模型预测具有在决策过程中使用时可接受的不确定性容限。遗憾的是，根据当前的基于过程的数值模型的预测包括重大的不确定性；这意味着任何决策过程都固有地存在风险，并且往往导致石油勘探和生产成本的增大。这些模型的预测精确性不足主要是由于两个相关因素造成的：
1.提高模型预测精确性的有效方法是通过观察到的历史数据来约束模型结果；例如，使用逆建模技术。缺乏明确且有效的执行逆建模的方法总是迫使油藏工程师以牺牲模型预测精确性为代价来走捷径；只有少数类型的数据被用于约束模型，忽略了从实验室、现场测量和新技术(例如，电子领域、纳米技术、遥感等)收集的大量数据，以及；
2.历史数据集成的执行通常是不一致的。例如，假设过程与过程彼此独立；因此，每个模型都各自更新，而不考虑其对其它模型的依赖性。
现有技术的优化方法遭受不明确的工作流程之苦，其中，例如，石油系统和盆地(basin)建模人员需要挖掘数据/信息并且为其模型建立输入。在某些情况下，建模人员并不了解他们所使用的输入的细节和假设。因此，经常创建次优工作，并且建模结果以及观察数据的质量需要验证。
本公开描述了整合所有过程，从而使得能够成功发现油气成藏或改善油气成藏的恢复；使得能够朝着单一目标集成多学科和多边工作。这种集成可以节省专业人员和研究人员的时间和精力，并且使用户(例如，石油公司)受益。在本公开的范围内，设想以下各方(但不仅限于此)之间密切合作：油藏地质学家、结构地质学家、古生物学家、地层学家、地震数据处理专家、地震解释师、油藏地球物理学家、地球化学家、地层评价专家、岩石物理学家、油藏模拟专家、以及与所公开和描述的主题一致的其它专家。
本公开提出了一种新的数据驱动的工作流程，其中例如岩层、石油产生、运移、灌注(charging)和生产中所涉及的各种过程始终彼此有关系，从而考虑它们的相对依赖性。因此，每个考虑的过程都以其输入和输出来表征。
过程之间的关联主要通过表征性的输入和输出来建立，其中一个过程的输出部分地是后续过程的输入。然后，将每个过程的输出系统地与可用数据进行比较，并且在每个过程的结束处评价当前过程的不匹配函数(例如，局部目标函数)，以更新整个工作流程的全局目标函数。在一些实施方式中，可以定义标准统一的输入/输出格式，以用于工作流程中所使用的一些或所有过程和相关联的软件工具。在一些实施方式中，可以使用转换器将一个过程的输出格式转换为后面的过程所需的输入格式。
在典型的实施方式中，在运行所描述的新的数据驱动的工作流程之前，指定要被优化的输入参数的集合。在运行该工作流程时，通常只改变指定的参数，并且输出会因使用指定的参数运行过程模拟而相应地改变。
该工作流程的一次迭代通过设置由优化器提供的新的参数/输入的集合而开始。在典型的实施方式中，数据驱动的工作流程中的每个过程提供上述局部目标函数，该局部目标函数测量模拟过程预测和观察到的数据之间的不匹配。一旦模拟了工作流程中的所有过程，就可以将所有局部目标函数相加在一起以形成(例如，在某些实施方式中根据某一权重)将被最小化的全局目标函数。
在一些实施方式中，全局目标函数的一般公式可以是：
其中：
·是局部目标函数，
·wi是加权因子，用于说明针对所考虑的局部过程的数据/测量的不确定性，以及
·np是过程的总数量。
不确定性高的数据将被指派低的加权因子wi。不确定性低的数据将被指派高的加权因子wi。丢失的数据将被指派零加权因子wi。理想情况下，加权因子wi必须归一化成0和1之间的值。
在一些实施方式中，局部目标函数的一般公式可以基于欧几里德范数：
其中：
·是针对第i号局部过程的观察集，
·是针对第i号局部过程的模拟结果集，以及
·是描述工作流程中所涉及的各种过程的非线性运算符。
根据该过程，可以是：来自油井的井底压力、来自分离器的油率、来自薄截面分析的粒度、来自岩心描述的岩性、2-3D地震特性(例如，声学阻抗)、孔隙度测井、地层厚度等。
在一些实施方式中，局部目标函数的特定公式称为利用L2范数的最小二乘公式：
其中：
·σij是表示数据测量的标准偏差的实数值，
·mi是针对第i号过程的测量数量，以及
·是描述工作流程中所涉及的第i号过程的非线性运算符。
在典型的实施方式中，通过自动循环来最小化全局目标函数，以产生可以在不会不利地影响模型中的一致性的情况下解释可用数据的具有最低不确定性的模型。全局目标函数最小化所面临的挑战之一是：对用以获得“最优”模型的全局优化技术的选择和实现。标准的/已知的优化器和自定义的优化器都可被用于各种实施方式中。可以以本领域普通技术人员已知的方式来对优化器进行基准测试，以确定哪个优化器提供“最优”的全局目标函数最小化。预期基于梯度的优化器通常会产生最优结果，但在一些实施方式中，数据、函数等的变化可以影响优化器功能。在一些实施方式中，阈值可被用于比较由局部/全局目标函数产生的值，以确定全局目标函数是否被最小化并且产生可以在不会不利地影响模型中的一致性的情况下解释可用数据的具有最低不确定性的模型。
图1A和图1B示出了根据实施方式的使用数值建模来优化石油勘探和生产活动的示例工作流程100的框图。图示的是与示例工作流程100相关的各种工作流程过程102、输入104、输出106、优化循环108和数据110。
工作流程概述
工作流程100通常基于逆问题理论：描述可观察系统(使用数值模型)所涉及的不确定输入被优化，以最小化在模型模拟结果与系统观察结果之间的不匹配。
任何逆问题通常包括两个组成部分：
1.正演(复合)建模：假设参数是已知的，并且执行数值模拟以获得对应的模拟“观察”，以及
2.逆建模：假设系统观察是已知的，并且执行若干数值模拟(非线性情况)以确定参数值。
正演(复合)建模
正演(复合)建模通常非常复杂，并且由一系列彼此有关系的基本建模组成部分(例如，过程102)形成，以形成复合建模步骤。每个建模组成部分都以其输入和输出作为表征。
在典型的实施方式中，对于每个基本建模组成部分，执行以下步骤：
1.准备模型输入，
2.识别要被优化的参数，
3.运行过程模拟，
4.将模拟输出与对应数据进行比较，并且计算任何不匹配值，
5.通过将任何计算出的不匹配添加到全局目标函数来更新全局目标函数，
6.将模拟结果发送给优化器以进行存档，以及
7.发送其它模型所需的模型对象(例如，输入和输出)以保持模型的依赖性。
在典型的实施方式中，输入可以分为两个类别：
1.硬输入(观察数据)：这些是假设为众所周知的输入(例如，岩石类型)，并且在逆建模期间不会改变和优化，或者
2.软输入：这些是具有高度不确定性的输入。例如，这些输入可以是假设的结果(例如，古热流)或来自其它基本建模组成部分的输出。由于其固有的不确定性，允许软输入在逆建模过程期间发生变化，以最小化在模拟结果与系统观察之间的不匹配。出于计算考虑，可以优化的软输入的数量通常保持尽可能小。在逆建模过程期间，正演建模被执行若干次，以改善在模拟和观察之间的匹配。执行正演建模的频次取决于需要优化的软输入的数量。通常引入参数化技术以减少输入的数量(例如，通过使用解析表达式、分带等，仅需要很少的参数来表示复杂属性(例如，曲线、表面、体积等))。
当可以保持模型之间的一致性时，基本建模组成部分的输出被用作其它基本建模组成部分的输入。当输出表示可以测量的可观察量时，必须将该输出和观察之间的任何不匹配添加到全局目标函数。在一些实施方式中，可能需要放大和缩小技术来填补模型规模和观察规模之间的差距。
通常，目标函数最小化是迭代过程(例如，典型的正演模型是高度非线性的)。优化循环108使用优化器来识别最优参数/输入，该最优参数/输入使得任何计算出的在过程预测与测量数据110之间的不匹配最小化。由于非线性，通常需要若干次优化迭代以收敛到可接受的解。如本领域普通技术人员将理解的，迭代的次数可以根据例如数据、函数或其它参数而变化。在每次迭代时，优化器将估计通过全局目标函数的梯度值引导的新的参数/输入集。
所评价的参数/输入将取决于工作流程100的特定过程102。注意，图1A和图1B中所示的参数仅用于示例目的。例如，考虑到田野/盆地的地质情况，可以使用/需要不同的参数。通常，在运行特定工作流程之前执行灵敏度分析，以决定工作流程的适当参数。灵敏度分析是关于给定输入参数的改变将如何影响模型的输出的研究和确定。例如，在一个实施方式中，每个过程102的参数/输入可以包括：
·结构建模112a：断层落差(垂直、横向)、曲率、应变速率、法向和剪切应力、(每层的)流变学(例如，杨氏模量值、泊松比)，
·地层学建模112b：水深、沉降/隆起、调节(作为这两者的一致的产物)、沉积物通量(更具体地，碳酸盐的生长速率与光穿透深度、碎屑岩的密度沉积物与密度水)，
·石油系统建模112c：油母岩质类型、热流、(每层的)热导率、水深、表面温度、(每层的)孔隙度/渗透率、应力场(例如，缩短率)，
·流体流动建模112d：流体和气体粘度、孔隙度、渗透率、垂直连通系数、横向连续系数(部分与石油系统建模的参数重叠)、泄漏因子，
·石油弹性(Petro-Elastic)建模112e：应变率、应力率(部分与结构建模相同)，以及
·正演地震建模112f：速度、密度、阻抗(作为这两者的一致的产物)、孔隙度、粘土含量、流体类型、饱和度、反射系数、小波。
使用与本公开提及的针对过程102的构思相同的构思，可以通过下述方式将任何新过程102(或软件)集成到现有工作流程100中：清楚地指定新过程102(或软件)的输入/输出并将新过程102(或软件)连接到现有工作流程100。在典型的实施方式中，通过在适用的情况下在各种模型之间共享类似对象(例如，具有类似的输入和输出)来解决模型依赖性。因此，一致性得以保持，原因是这些模型中的任何模型的输入(如果适用)都是根据相同工作流程内的其它模型的输出而计算和导出的(依赖性)。此外，数据利用率被最大化，以尽可能地将模型的输出约束到可用数据，以减少在使用这些模型进行预测时的不确定性。
在一些实施方式中，用于形成复合模型的基本建模组成部分以及依赖性(例如，具有特定的输入和输出)如下：
结构建模
结构建模的目标在于：定义对油藏质量和异质性有重大影响的同沉积变形、以及控制包埋(entrapment)的沉积后变形。工作流程100的结构建模组成部分涉及通过集成若干数据类型来构建鲁棒的三维(3D)结构格架(framework)。输入数据中的一些包括地质标记、地平线网格、断层和断裂。地震和微观结构数据(岩心、测井)用作结构建模的输入。在结构格架中定义了主要的地质区域，用于后续详细的在更精细的分层尺度上的地层学建模。
硬输入数据示例：
·模型感兴趣区域(AOI)，
·顶部和底部油藏参考网格，
·井偏差调查，
·地质标记，
·断层网络(例如，断层棒、多边形和平面)，
·断裂属性(例如，密度和取向)，以及
·流体接触(例如，油/水接触(OWC)、气/水接触(GWC)、油/焦油接触(OTC)等)。
软输入数据示例：
·基于工程动态数据的断裂和断层解释，以及
·与顶部和底部油藏深度相关的不确定性。
输出数据示例：
·外部几何，以及
·内部主体。
地层学建模
地层学建模包括基于过程的沉积和成岩建模。在3D和时间维度上对埋藏期间的对油藏质量的主要控制(例如，沉积物运输、侵蚀/再加工和流体驱动的套印)进行建模。基于过程的建模不同于基于已知数据点(井)之间的插值的地质统计建模。地层学建模基于沉积环境的发展定义源岩分布、运移路径和油藏参数(岩石属性、架构和异质性)。
硬输入数据示例：
·来自层序地层学格架内的井和地震信息的地层序列(例如，地层、厚度)，
·来自生物地层学、地质年代的放射性测定(例如，铀/铅比(U/Pb))和层序地层学(相关性)的岩石属性(例如，测井、岩屑、岩心地层年龄(例如，相对的、绝对的)，
·用于定义潜在的源岩的总有机碳含量，以及
·来自热年代学的古温度数据(例如，磷灰石和锆石裂变径迹和铀/钍比(U/Th)数据)。
软输入数据示例：
·来自回剥的沉降抬升(1D)和等静压/弯曲逆盆地建模(2D或3D)，
·来自沉积相、地震数据和化石含量的古水深度，
·来自地震解释、同位素地层学(例如，岩心)的海面升降的海平面，以及
·来自质量平衡和现代环境的沉积物输入和生产。
输出数据示例：
·岩性3D网格，以及
·厚度3D网格。
石油系统建模
石油系统分析已成为评估给定盆地的油气潜力的完整学科。石油系统的主要组成部分是烃源、油藏、圈闭、密封、运移和定时，所有这些都必须单独和集体评价。石油系统建模(尽管侧重于石油系统的源岩组成部分)旨在提供校准的地球模型，其将所有数据联系起来并预测最终产量(即，在圈闭中发现的油气产物的组成和相)。非烃源石油系统组成部分同样被研究和评价，以对从烃源到圈闭的石油运移过程进行描述和建模，目的是量化油气类型、运移方向和定时。石油系统建模不再被视为石油勘探中的补充工具；因为它是精确描述真实地球模型的唯一可用勘探工具。解决地下的流体移动、成熟度、温度和压力变化只能在三维域中进行评估。
通过源岩存在的数量和质量以及地质层的有机富集度、厚度、空中覆盖率、热成熟度和温度以及压力历史来评价烃源组成部分。利用现有的被评价的盆地所特有的井和地震数据，针对油藏、密封和圈闭完整性来评价非烃源组成部分。然后利用所有石油系统组成部分的输入数据在三维(3D)中构建真实的地球模型。此外，表示每个组成部分的结构和岩性相图是地层堆叠的，考虑了在盆地的整个地质历史中的不整合面、埋藏/侵蚀/非沉积、断层/结构变形、沉积环境和油气产生、排出和运移这些事件。
随后使用数值方法对3D模型进行正演建模，以预测地层学层的埋藏和热历史。最后，通过所发现和生产的油气的现今的油气组成和热成熟度来验证输出。此外，油藏、密封和圈闭属性(例如，粘度、柱高、气油比(GOR)和相)也利用从新钻的井获得的数据(例如，测试、测井、岩心和地震数据)来验证。
石油系统建模涉及石油系统的关键要素，即烃源、载体、油藏、圈闭和密封。这些过程/要素在盆地历史中的时间依赖性对于成功的石油勘探和生产非常重要。例如，如果运移路线是合适的，并且如果通过密封保持结构闭合，则石油产生和运移后期圈闭地层将极有可能使得找到油/气成藏。
硬输入数据示例：
·地层学建模的所有输出。
软输入数据示例：
·石油产生的动力学，
·用于从源岩中排出的所产生的油气的饱和阈值(例如，可用孔隙空间的20％)的假设，
·在从源到圈闭的盆地尺度上的载体岩石中所产生的油气的流体流动的假设，
·热成熟的动力学(例如，镜质体反射率)，
·古和热流现今的热流，
·关于古地表温度的假设，
·每个岩石单元的基质热导率的假设。
输出数据示例：
·针对每个地层的孔隙度、温度和压力随时间的演变，
·随时间的从源岩的油气产生，
·随时间的源岩的热成熟度，
·油气运移路径，以及
·随时间的油气成藏、流失，或随时间的油气成藏和流失二者的组合。
关于石油系统建模，对模型输出的校准通常基于给定层的温度、压力和厚度的计算值相对于测量值来执行。对于热成熟度预测与测量到的热成熟度的比较，同样也是如此且更有效。热成熟度是更强大的校准参数，因为它(热成熟度)在其记忆中记录了整个埋藏历史中油气源岩的时间-温度暴露。热成熟度可以分解为时间和埋藏深度(其决定埋藏温度)。因此，测量到的热成熟度和建模的热成熟度之间的良好相关性(例如，可接受的匹配)将在大多数时候得到对模型的非常好的校准。
石油系统建模模块中的每个输入参数可以是单个独立的数据点(例如，油母岩质类型或沉积物水温)或能被表示为地图的可变数据点(例如，以岩石的重量％给出的总有机碳含量(TOC)、作为100*可热解HC与TOC的比率的氢指数(HI)、或热流)。输出参数可以是利用测量数据(例如，温度、有机成熟度、或美国石油协会的重力)进行验证和优化。如果建模数据和测量数据之间的匹配较弱，则相应地修改输入参数，直到匹配合理为止。当整个石油系统输出模型不与来自其它模块的其它输出参数(例如，地层、结构和流体流动)相关联时，再次调整该相同的工作流程。因此，调整是动态的和多方向的，因为它是从内部校准的，但同时，当修改外部模型参数时，它也被修改。
流体流动建模
流体流动建模的目标在于：在我们开始油藏生产时模拟孔隙系统内的流体移动。必须在相同模型内模拟连通油藏以考虑此连通。否则，需要每个油藏一个数值模型以避免非流动区域中的流体流动模拟，这将最小化模拟所需的CPU模拟时间)。
硬输入数据示例：
·井位置，
·生产率，以及
·注射率。
软输入数据示例：
·相对渗透率曲线，
·毛细压力曲线，
·断层位置/电导率，
·岩性分布，
·孔隙度分布，
·渗透率分布，以及
·油藏顶部结构。
输出数据示例：
·井底压力(BHP)，其将与来自模块化地层动态测试仪(MDT)的BHP进行比较，
·井底温度(BHT)，其将与来自MDT的BHT进行比较，
·油气率，其将与来自流量计的比率进行比较，
·含水率，其将与来自含水率仪的含水率进行比较，
·流体饱和网格，其将被用作石油弹性建模的输入，以及
·流体压力网格，其将被用作石油弹性建模的输入。
石油弹性建模
石油弹性建模(PEM)表示工作流程100中根据3D地质细胞模型中定义的岩石属性来计算弹性属性的关键步骤。PEM的主要目标在于：基于预定义的岩石物理模型和油藏流体属性来模拟和量化合成地震响应。岩石物理模型(其被校准到测井、岩心和实验室中完成的测量)提供在弹性参数与油藏岩石和流体属性之间的联系。PEM(其在地质上与用于构建3D地质模型的输入数据和地质构思一致)成为地震振幅建模的基础，并最终将地震逆弹性属性转换为岩石属性。
石油弹性模型根据岩石和流体属性模拟饱和介质的地震响应，同时根据子组成部分模型(例如，地质模型、岩石物理模型、油藏模拟、岩石和流体物理模型、以及延时岩石流体物理模板)进行迭代绘制。石油弹性模型使用常规的现有岩石物理模型，其被校准到测井曲线数据测量。石油弹性模型模拟控制波传播的弹性参数和控制流体流动的岩石和流体属性。常规的模拟属性(例如，压力、流体密度、流体饱和度和有效孔隙度)被用于计算流体的有效声学响应。然后，将其与岩石(格架和矿物二者)的声学响应相结合，以给出油藏的整体声学响应。在模拟模型中，针对每个有效网格单元计算和输出声学响应。岩石物理模型通常由被校准到实验室测量和分析公式的经验法则组成。所执行的流体替代基于修改后的加斯曼方程。
硬输入数据示例：
·测井曲线(孔隙度、岩性、渗透率、含水饱和度等)，
·岩石物理岩心测量，
·压缩波的速度(Vp)、剪切波的速度(Vs)，并且Vp/Vs是P波与S波的比，
·杨氏模量，以及
·流体压力、体积温度(PVT)测量。
软输入数据示例：
·岩石物理模板，
·岩性分布，
·孔隙度/渗透率分布，
·油藏顶部结构，以及
·针对输入数据的不确定性限制(可能使用多个PEM)。
输出数据示例：
·反射率。
正演地震建模
正演地震建模被用于基于已知的3D地质模型来对地震响应进行建模和预测。存在许多正演建模技术，但是一些可能计算成本非常高。因此，具有相对较快的计算时间的简单的基于1D卷积的正演建模技术是产生合成地震数据体(cube)的首选技术。
在3D地质声学阻抗模型中的每列单元处，基于地质界面处的AT对比度来计算反射率系列。然后，通过将反射系数与从获取的3D地震勘测中提取的零相小波进行卷积来产生合成地震记录道(trace)。
正演地震建模的目的在于：在时间和深度方面正确地对结构进行成像；其次，正确地表征反射的振幅。假设精确地呈现振幅，则可以导出一系列附加特征并将其用于解释，最常被称为地震特性。特性可以从典型的叠后地震数据体获得，并且这些是最常见的类型，而在叠前分析中，可以从堆叠之前的各个地震记录道的特性获得附加信息。这些特性中最常见的是振幅相对于偏移(AVO)的变化，它表示振幅与偏移的关系，通常用作流体类型的指示。任何特性的解释都是非唯一的，并且需要相对于井数据进行校准以最小化存在的歧义。对获取的地震数据进行叠前分析，以识别地震振幅异常区域，并且将它们与3D地质模型中存储的岩石属性和流体类型进行相关。
硬输入数据示例：
·声波和密度测井曲线，
·侧壁和常规岩心，
·钻孔地震数据，
·结构网格，以及
·叠前和叠后的地震体积和道集(gather)。
软输入数据示例：
·声学阻抗测井
·地震小波，
·合成记录道，以及
·小波算法。
输出数据示例：
·稀疏脉冲反卷积
·约束递归反演，
·低频3D声学阻抗模型，以及
·三D逆声学阻抗模型。
从数学的角度来看，在一些实施方式中，复合正演建模可以由以下表达式表示：
S＝F(P)，
其中：
·要被优化的参数集(n：参数的总数量)。
·要与观察比较的模拟结果集(m：观察的总数量)，
以及
·描述工作流程100中涉及的各种过程的非线性运算符。
逆建模
为了解决逆问题，必须如上所述定义目标函数，以度量模拟结果和观察之间的不匹配。解决逆问题所面临的挑战在于：对用以最小化目标函数的全局优化技术的选择和实施。在一些实施方式中，全局优化算法可以大致分为两类：1)随机方法，以及2)确定性方法。以下部分简要回顾一些现有的全局优化算法。
随机全局优化
随机优化技术已成功应用于科学和工程中的各种问题。这些技术已被广泛使用，并且其在枚举方法可能是昂贵的或优化问题涉及太多变量的情况下可能有所帮助。许多现实世界的问题常常涉及关于一些参数的不确定性，并且可能没有精确的问题数据。当优化问题涉及一些不确定性或随机性时，或当问题没有代数公式时，随机技术可能会有很大帮助。
随机全局优化方法随机地搜索感兴趣的域上的全局最优值。这些方法通常依靠统计学来证明会收敛到全局解。根据随机技术，搜索全局最优值所花费的时间越多，达到全局最优值的概率就越大。这些方法的优点是它们不需要特定的结构来解决问题。一个缺点是它们经常无法处理高度约束的优化问题。这些方法对解没有限制。所述方法包括：模拟退火、Tableau搜索、Pursuit搜索和遗传算法。尽管存在其它随机算法，但本文仅讨论选定的随机优化方法。
模拟退火
模拟退火比较物理退火过程和解决组合优化问题。在算法的任何迭代中，随机改变当前解以创建在当前解的邻域中的备选解。如果针对新解的目标函数值优于当前解，则用新解替代当前解。另一方面，如果针对新解的目标函数值比当前解差，则基于某个概率函数用新解替代当前解。转向劣质解的原因是防止搜索被困于局部解。在搜索开始时，对应上坡移动的可能性较高，随着概率降低到零这种可能性在搜索过程中稍后显著降低。
遗传算法
遗传算法是进化算法的特定类别，其处理类似于进化生物学构思(例如，突变、遗传和重组)的技术。遗传算法表示用于确定优化问题的全局解的流行的随机优化方法。遗传算法和各种其它随机搜索技术之间的主要区别在于：这些算法与可能的候选解的群一起工作，而不是与一个解一起工作。该算法通过同时将多个候选解从当前群向着全局解移动来进行迭代。从完全随机的个体的群开始，该算法通过下述方式进行迭代：从当前群中选择潜在候选进行修改(突变)，并且组合(交叉配对)以形成新的群。上述算法使用一些适应度函数来确定任何提出的解的质量，从而拒绝具有低适应度值的那些解。
确定性全局优化
与随机方法相反，确定性全局优化方法可以保证在指定容差内的最优解，其中该容差是真实全局最优点的目标函数值与所获得的解的目标函数值之间的差。确定性全局优化技术可以明确地处理受约束的优化问题，因此与随机技术相比通常是有利的。
这些技术需要特定的数学结构，因此只能应用于特定问题以获得全局解。然而，以任意精确度识别全局解会带来显著的优势和挑战。
确定性方法基于对可行空间的理论基础探索，这反过来保证了对全局解的识别。这些算法通过严格减少可行空间来进行，直到找到具有规定的精确度的全局解为止。产生具有有效的上下界的收敛序列，其从上方和下方接近全局解。最优解的边界的严格产生是确定性全局优化的重要特点(pan)，这通常需要产生凸函数松弛到非凸表达式。分支定界法和外部近似法是用于解决非凸非线性编程问题的最常用的确定性全局优化算法中的一些。
在一些实施方式中，符合图1A和图1B、图2、图3(见下面的附加细节)和图4的一般过程流程可以包括：
1.将全局目标函数值设置为零，以指示当前在模型模拟过程和数据之间没有不匹配，
2.结构建模112a
2.1.准备模型参数/输入。输入数据通常获取自对现场测量的原始数据的解释(例如，地震数据、地质现场工作、露头建模、岩心描述、测井解释等)。用于执行结构建模模拟过程的输入的示例可以包括结构控制、断层落差、断层位置等。
2.2.识别要优化的输入参数。在开始优化和模型更新之前，执行局部目标函数对大的对应输入参数集的灵敏度分析，以减少输入参数的数量。需要针对每个过程进行此计算。当选定最终的输入参数集时，就可以通过运行整个工作流程(所有过程)若干次来启动优化过程，以决定如何改变输入参数以减小全局目标函数。
2.3.运行结构建模模拟过程。若干输出可以获取自结构建模模拟过程(例如，外部盆地几何形状(2D地图)、内部盆地层位(horizon)(2D地图)等)的执行。与可用的测井、岩心、地震和其它测量数据相比，这些输出中的一些输出是定量的(例如，使用上述目标函数)。
2.4.将模拟输出与对应数据进行比较，并且计算不匹配值(如果存在)。与结构建模模拟过程相关联的局部目标函数用于度量在模型输出(本文中，结构建模模拟过程)与测量到的输入数据之间的不匹配值(如果有的话)。最优模型对应于目标函数的最小值(例如，理论上模型输出将等于测量到的数据)。此外，为了计算局部目标函数值，通常需要放大/缩小步长。在这种情况下，模型输出(例如，外部几何形状和内部层位)由2D地图给出，但测量到的数据可以是2D(例如，地震数据)和1D(例如，测井和岩心数据)。
2.5.通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。
2.6.向优化器发送模拟结果以进行存档。为了优化全局目标函数，必须完成所有过程的模拟，以收集所有模拟结果，并且确定新的输入参数值。在等待所有模拟完成的同时，已经模拟的过程的结果将存档在存储器中。
2.7.准备/发送其它模型所需的模型对象(例如，输入和输出)以保持模型间的依赖性。例如，所述模型对象可以被传输到与另一模型模拟过程相关联的数据结构，存储在数据库中，或存储在另一数据结构中等等，只要特定的模型模拟过程在必要时可以访问所述模型对象即可。可以将模型对象发送给工作流程中所涉及的其它模型模拟过程以用作输入。在所示的结构建模的示例中，盆地外部几何形状数据被发送给地层学建模过程，以计算适应地图输入(例如，参考图1A，用于结构建模112a的数据110和用于地层学建模112b的输入104)。
注意，以下模型模拟过程遵循如上所述的类似工作流程(即使下文未单独/明确地描述)，其中对于每个特定模型模拟过程输入数据要求、输出等，存在适当的差异。参见图3，描述了图1中所述的工作流程的附加描述。
3.地层学建模112b
3.1.准备模型输入。用于地层学建模模拟过程的输入的示例可以包括古水深、适应地图(accommodation map)、输送系数、沉积物供应等。这些输入通常从对现场测量到的原始数据的解释获得(如上所述)。为了保持工作流程的一致性，适应地图(2D)输入是从盆地外部几何形状(例如，上述结构建模模拟过程的输出)导出的。
3.2.识别要优化的参数。
3.3.运行地层学建模模拟过程。若干输出可以通过运行地层学建模模拟过程(例如，外部几何形状(2D网格)、内部层位(2D网格)、岩性(随时间推移的3D网格)、孔隙度(随时间推移的3D网格)、渗透率(随时间推移的3D网格)等)获得。
3.4.将模拟输出与对应数据进行比较，并且计算不匹配值。
3.5.通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。
3.6.向优化器发送模拟结果以进行存档。
3.7.准备/发送其它模型所需的模型对象(例如，输入和输出)以保持模型间的依赖性。在所示的示例中，数据110(例如，外部几何形状、内部层位、岩性、孔隙度、渗透率等)可以被发送给地层学建模模拟过程112b、石油系统建模模拟过程112c、流体流动建模模拟过程112d和石油弹性建模模拟过程112e。
4.石油系统建模112c
4.1.准备模型输入。石油系统建模的一些输入来自原始数据解释和实验室测量(例如，源岩TOC和HI、油母岩质的源岩类型、源岩动力学、基础热流、古水深、沉积物水气温度等)。为了保持工作流程的一致性，石油系统建模所需的一些其它输入可以从地层学建模模拟过程导入，因为它们可作为输出获得(例如，外部几何形状(2D网格)、内部层位(2D网格)、岩性(随着时间推移的3D网格)、孔隙度(随时间推移的3D网格)和渗透率(随时间推移的3D网格)等)。
4.2.识别要优化的参数。
4.3.运行石油系统建模模拟过程。通过运行石油系统建模模拟过程，可以获得若干输出(例如，压力(随时间推移的3D网格)、温度(随时间推移的3D网格)、饱和度(随时间推移的3D网格)、有机成熟度等)。
4.4.将模拟输出与对应数据进行比较，并且计算不匹配值。
4.5.通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。
4.6.向优化器发送模拟结果以进行存档。
4.7.准备/发送其它模型所需的模型对象(例如，输入和输出)以保持模型间的依赖性。在所示示例中，数据110(例如，压力(随时间推移的3D网格)、饱和度(随时间推移的3D网格)、温度(随时间推移的3D网格)等)可以被发送给图1B中所示的流体流动建模模拟过程112d。
5.流体流动建模112d
5.1.准备模型输入。流体流动建模的输入的示例包括毛细压力、相对渗透率、外部几何形状、内部层位、岩性(3D网格)、孔隙度(3D网格)、渗透率(3D网格)等。这些输入中的一些输入可以在实验室中测量(例如，毛细压力和相对渗透率)，而一些输入是其它模型模拟过程输出的(例如，主要来自上述的地层学建模)。
5.2.识别要优化的参数。
5.3.运行流体流动建模模拟过程。通过运行流体流动建模过程，可以获得若干输出(例如，合成(3D网格)、压力(3D网格)、饱和度(3D网格)等)。
5.4.将模拟输出与对应数据进行比较，并且计算不匹配值。
5.5.通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。
5.6.向优化器发送模拟结果以进行存档。
5.7.准备/发送其它模型所需的模型对象(例如，输入和输出)以保持模型间的依赖性。在所示的示例中，数据110(例如，压力(随时间推移的3D网格)和饱和度(随时间推移的3D网格))可以被发送给石油弹性建模模拟过程。
6.石油弹性建模112e
6.1.准备模型输入。石油弹性建模的输入的示例包括外部几何形状(2D网格)、内部层位(2D网格)、岩性(2D网格)、孔隙度(3D网格)、压力(随时间推移的3D网格)、饱和度(随时间推移的3D网格)等。
6.2.识别要优化的参数。
6.3.运行石油弹性建模模拟过程。通过运行石油弹性建模过程，可以获得若干输出(例如，反射率(随时间推移的3D网格)等)，
6.4.将模拟输出与对应数据进行比较，并且计算不匹配值。
6.5.通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。
6.6.向优化器发送模拟结果以进行存档。
6.7.准备/发送其它模型所需的模型对象(例如，输入和输出)以保持模型间的依赖性。在所示的示例中，数据110(例如，反射率)可以被发送给正演地震建模模拟过程。
7.正演地震建模112f
7.1.准备模型输入。正演地震建模的输入的示例是地震小波和反射率。
7.2.识别要优化的参数。
7.3.运行地震振幅建模模拟过程。通过运行正演地震建模过程，可以获得若干输出(例如，地震振幅)。
7.4.将模拟输出与对应数据进行比较，并且计算不匹配值。
7.5.通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。请注意，在所示示例中，该全局目标函数的更新是在使用优化器来计算将减少全局目标函数值的新参数集之前的最终更新。
7.6.向优化器发送模拟结果以进行存档。
7.7.准备/发送其它模型(如果适用)所需的模型对象(例如，输入和输出)以保持模型的依赖性。例如，如果执行另一过程循环，则正演地震模拟建模过程的输出可以被传回以供其它模型模拟过程使用(例如，从结构建模模拟过程112a(如果适用)开始)。
8.模型更新/运行优化工具：优化器根据所采用的优化技术计算新的参数集，该新的参数集减小全局目标函数值。优化工具将(使用已经如上所述执行的模型模拟过程结果)预测工作流程参数的新值，所述新值减少模型输出与测量到的数据之间的不匹配。在典型的实施方式中，最优参数集对应于具有最小局部/全局目标函数值(最小的总不匹配值)的工作流程。
9.返回到上面将全局目标函数值设置为零，以指示当前在模型模拟过程和数据之间没有不匹配，以重新运行上述过程循环。循环整个工作流程(例如，关于图1A和图1B描述的工作流程)将继续，直到获得数据和模拟结果之间的(例如，基于阈值(预设的或动态的)或其它值)可接受的不匹配为止。
图2示出了根据实施方式的特定建模方法202(基本建模组成部分102)与相关联的硬件和数据204和软件示例206之间的关系。例如，在一些实施方式中，过程地层学建模112b与硬件和数据204(例如，测井曲线(、岩心、地震2D/3D等)和软件示例(SEDSIM(CSIRO)、FSM(斯伦贝谢)、DIONISOS(Beicip-Franlab))相关联，如下所述。
在一些实施方式中，用于各种基本建模组成部分102的硬件和数据204可以包括以下项中的一个或多个：
·结构建模：地震2D/3D等，
·地层学建模：测井曲线、岩心、岩屑、地震2D/3D、露头模拟等，
·石油系统建模：井生产数据、地质密度/指纹识别、4D地震监测等，
·流体流动建模：井生产数据、不稳定试井、地层格架等，
·石油弹性建模：实验室分析岩心、施塞(plug)等，以及
·正演地震建模：实验室分析、岩心、施塞等。
在一些实施方式中，用于各种基本建模组成部分102的软件206可以包括以下项中的一个或多个：
·结构建模：GOCAD(Paradigm)、RMS(Roxar)、PETREL(斯伦贝谢)、JEWELSUITE(贝克休斯)、MOVE(米德兰谷)，
·地层学建模：SEDSIM(CSIRO)、FSM(斯伦贝谢)、DIONISOS(Beicip-Franlab)，
·石油系统建模：PETROMOD(斯伦贝谢)、TEMISFLOW(Beicip-Franlab)，
·流体流动建模：GIGAPOWER(沙特阿美)、ECLIPSE(斯伦贝谢)、INTERSECT(斯伦贝谢)、PUMAFLOW(Beicip-Franlab)，
·石油弹性建模：MOVE地质力学模块(MVE)、PRO4D(CGG)，
以及
·正演地震建模：SEISROX(Norsar)。
目标函数和优化函数都可以包括专有函数或商用函数(或两者的组合)以考虑工作流程复杂度。
如对于本领域普通技术人员明显的，其它实施方式可以包括不同的硬件204或软件206。与本公开一致的其它软件也被认为在本公开的范围内。
图3表示根据实施方式的使用数值建模优化石油勘探和生产活动的方法300的框图。为了清楚地呈现，下文的描述在图1A、图1B、图2和图4的上下文中一般性地描述方法300。然而，应该理解的是，方法300可以例如通过任何其它合适的系统、环境、软件和硬件、或者系统、环境、软件和硬件的适当组合来执行。在一些实施方式中，方法300的各个步骤可以并行、组合、循环或以任意顺序运行。方法300的以下描述与图1A和图1B中描述的一般性过程流程一致。
在302处，将全局目标函数值初始化为初始值(例如，零或一些其它值)，以指示当前在模型模拟过程与参数/输入数据之间不存在不匹配。方法300自302进行到304。
在304处，针对特定模型模拟过程准备模型参数/输入。输入数据通常从对现场测量到的原始数据的解释或从其它模型模拟过程的输出获得，以用作输入(例如，地震数据、地质现场工作、露头建模、岩心描述、测井解释等)。用于执行结构建模模拟过程(图1A的112a)的输入的示例可以包括结构控制、断层落差、断层位置等，方法300自304进行到306。
在306处，执行特定模型模拟过程。可以从特定模型模拟过程的执行获得一个或多个输出。例如，对于结构建模模拟过程，可以通过该过程的执行来产生外部盆地几何形状(2D地图)、内部盆地层位(2D地图)等。方法300自306进行到308。
在308处，将模拟输出与特定模型模拟过程所使用的对应数据进行比较，以计算特定模型模拟过程与测量到的数据之间的不匹配值(如果存在的话)。例如，关于结构建模模拟过程，与结构建模模拟过程相关联的局部目标函数用于测量模型输出(本文中，结构建模模拟过程)与测量到的输入数据之间的不匹配值(如果有的话)。最优模型对应于目标函数的最小值(例如，理论上模型输出将等于测量到的输入数据)。此外，为了计算局部目标函数值，通常需要放大/缩小步长。在这种情况下，模型输出(例如，外部几何形状和内部层位)由2D地图给出，但测量到的数据可以是2D(例如，地震数据)和1D(例如，测井和岩心数据)。方法300自308进行到310。
在310处，通过将通过局部目标函数计算出的任何模型不匹配添加到全局目标函数值来更新全局目标函数。方法300自310进行到312。
在312处，将特定模型模拟过程结果传输给优化器以更新输入参数值，从而允许模拟结果与观察数据之间的更好匹配。方法300自312进行到314。
在314处，来自特定模型模拟过程的模型对象(例如，参数/输入和输出)被准备，以发送给其它模型模拟过程，从而保持模型依赖性。例如，所述模型对象可以被传输给与另一模型模拟过程相关联的数据结构，存储在数据库中，或存储在另一数据结构中等等，只要特定的模型模拟过程在必要时可以访问所述模型对象即可。可以将模型对象发送给工作流程中所涉及的其它模型模拟过程以用作输入。例如，在图1A中所示的结构建模的示例中，盆地外部几何形状数据被发送给地层学建模过程，以计算适应地图输入(参考图1A，用于结构建模112a的数据110和用于地层学建模112b的输入104)。方法300自314进行到316。
在316处，确定是否存在要执行的另外的模型模拟过程。如果确定存在要执行的另外的模型模拟过程，则方法300返回到304以执行该另外的模型模拟过程。模型对象也被发送给该另外的模型模拟过程(如果需要的话)以保持模型依赖性。如果确定不存在要执行的另外的模型模拟过程，则方法300进行到318。
在318处，执行优化过程以(根据已执行的模型模拟过程结果)预测工作流程参数/输入的新值，所述新值减小模型输出与测量到的数据之间的任何不匹配。在典型的实施方式中，最优参数集对应于具有最小局部/全局目标函数值(最小的总不匹配值)的工作流程。在318之后，方法300返回到302，以将全局目标函数值设置为零，以指示当前在模型模拟过程和数据之间没有不匹配，以重新运行上述过程循环。循环整个工作流程(例如，关于图1A和图1B描述的工作流程)将继续，直到获得数据和模拟结果之间的(例如，基于阈值(预设的或动态的)或其它值)可接受的不匹配为止。
图4是示出了根据实施方式的用于提供与如本公开中描述的算法、方法、功能、处理、流程和过程相关联的计算功能的示例计算机系统400的框图。示出的计算机402旨在包括任意计算设备，例如服务器、台式计算机、膝上型/笔记本计算机、无线数据端口、智能电话、个人数字助理(PDA)、平板计算设备、这些设备内的一个或多个处理器、或任意其它合适的处理设备(包括计算设备的物理和/或虚拟实例(或这两者))。附加地，计算机402可以包括计算机，该计算机包括可以接受用户信息的输入设备(例如键区、键盘、触摸屏或其他设备)以及输出设备，该输出设备传达与计算机402的操作相关联的信息，包括数字数据、视觉或音频信息(或信息的组合)或GUI。
计算机402可以用作用于执行本公开中描述的主题的计算机系统的客户端、网络组件、服务器、数据库或其他持久性或任意其他组件(或它们的组合)。示出的计算机402可通信地与网络430耦接。在一些实施方式中，计算机402的一个或多个组件可以被配置为在包括基于云计算、局部、全局、或其它环境在内的环境(或者环境的组合)中操作。
从高层面来看，计算机402是可操作用于接收、发送、处理、存储或管理与所描述的主题相关联的数据和信息的电子计算设备。根据一些实施方式，计算机402还可以包括或可通信地耦接到应用服务器、电子邮件服务器、web服务器、缓存服务器、流传输数据服务器、商业智能(BI)服务器、或其它服务器(或服务器的组合)。
计算机402可以通过网络430从客户端应用(例如，在另一计算机402上执行的应用)接收请求，并通过在适当的软件应用中处理所述请求来响应所接收的请求。此外，还可以从内部用户(例如，从命令控制台或通过其它适当的访问方法)、外部或第三方、其它自动化应用以及任何其它适当的实体、个人、系统或计算机向计算机402发送请求。
计算机402的每个组件可以使用系统总线403进行通信。在一些实施方式中，计算机402的任意或所有组件(硬件和/或软件(或硬件和软件的组合))可以使用应用编程接口(API)412或服务层413(或API 412和服务层413的组合)，通过系统总线403彼此交互或与接口404(或两者的组合)交互。API 412可以包括针对例程、数据结构和对象类的规范。API412可以是独立于或依赖于计算机语言，并且指的是完整的接口、单个功能或甚至是一组API。服务层413向计算机402或可通信地耦接到计算机402的其它组件(无论是否被示出)提供软件服务。计算机402的功能可以对于使用该服务层的所有服务消费者是可访问的。软件服务(例如，由服务层413提供的软件服务)通过定义的接口提供可重用的、定义的业务功能。例如，接口可以是以JAVA、C++或以可扩展标记语言(XML)格式或其它合适格式提供数据的其它合适语言所编写的软件。尽管被示为计算机402的集成组件，但是备选实施方式可以将API 412或服务层413示作为相对于计算机402的其它组件或可通信地耦接到计算机402的其它组件(无论是否被示出)的独立组件。此外，在不脱离本公开的范围的情况下，API412或服务层413的任意或所有部分可以被实现为另一软件模块、企业应用或硬件模块的子模块或副模块。
计算机402包括接口404。尽管在图4中被示为单个接口404，但是可以根据计算机402的特定需要、期望或特定实现而使用两个或更多个接口404。接口404由计算机402用于与连接到网络430的分布式环境中的其它系统(无论是否示出)通信。通常，接口404包括以软件或硬件(或软件和硬件的组合)编码的逻辑，并且可操作用于与网络430通信。更具体地，接口404可以包括支持与通信相关联的一个或多个通信协议的软件，使得网络430或接口的硬件可操作用于在所示出的计算机402内部和外部传送物理信号。
计算机402包括处理器405。尽管在图4中被示为单个处理器405，但是可以根据计算机402的特定需要、期望或特定实现而使用两个或更多个处理器。通常，处理器405执行指令并操纵数据，以执行计算机402的操作以及如本公开中所描述的任何算法、方法、功能、处理、流程和过程。
计算机402还包括存储器406，其保存用于计算机402或可以连接到网络430的其它组件(无论是否被示出)(或两者的组合)的数据。例如，存储器406可以是存储与本公开一致的数据的数据库。尽管在图4中被示为单个存储器406，但是可以根据计算机402的特定需求、期望或特定实施方式和所描述的功能，来使用两个或更多个存储器。尽管存储器406被示为计算机402的集成组件，但是在备选实施方式中，存储器406可以在计算机402的外部。
应用407是根据计算机402的特定需要、期望或特定实施方式提供功能(尤其是关于本公开中描述的功能)的算法软件引擎。例如，应用407可以用作一个或多个组件、模块、应用等。此外，尽管被示为单个应用407，但是应用407可以被实现为计算机402上的多个应用407。此外，尽管被示出为与计算机402集成在一起，但是在备选实施方式中，应用407可以在计算机402的外部。
可以存在与包含计算机402的计算机系统相关联或在其外部的任意数量的计算机402，每个计算机402通过网络430进行通信。此外，在不脱离本公开的范围的情况下，术语“客户端”、“用户”和其它适当的术语可以适当地互换使用。此外，本公开包含许多用户可以使用一个计算机402，或者一个用户可以使用多个计算机402。
所描述的主题的实施方式可以单独或组合地包括一个或多个特征。
例如，在第一实施方式中，计算机实现的方法包括：将全局目标函数初始化为初始值；为多个模型模拟过程中的特定模型模拟过程准备输入数据；使用准备好的输入数据来执行所述特定模型模拟过程；通过使用局部函数将所述特定模型模拟过程的输出与对应的所述特定模型模拟过程的输入数据进行比较，来计算不匹配值；向另一模型模拟过程发送与特定模型模拟过程相关联的模型对象；以及执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
前述和其它所述实施方式可以各自可选地包括以下特征中的一个或多个：
第一特征，可与以下特征中的任意特征组合，其中全局目标函数由下式表示：
其中：
是局部目标函数，以及
wi是用于说明数据测量的不确定性并且归一化为0和1之间的值的加权因子。
第二特征，可与先前或以下特征中的任意特征组合，其中输入数据是从对原始测量数据的解释或从另一模型模拟过程的输出获得的。
第三特征，可与先前或以下特征中的任意特征组合，其中局部目标函数基于欧几里德范数并定义为：
其中：
是针对第i号局部过程的观察集。
第四特征，可与先前或以下特征中的任意特征组合，其中局部目标函数使用利用L2范数的最小二乘公式：
其中：
σii是表示数据测量的标准偏差的实数值。
第五特征，可与先前或以下特征中的任意特征组合，包括利用计算出的与特定模型模拟过程相关联的不匹配值来更新全局目标函数值。
第六特征，可与先前或以下特征中的任意特征组合，包括确定是否存在要在工作流程中执行的另外的模型模拟过程。
在第二实施方式中，一种存储一个或多个指令的非暂时性计算机可读介质，所述指令可由计算机执行以执行下述操作：将全局目标函数初始化为初始值；为多个模型模拟过程中的特定模型模拟过程准备输入数据；使用准备好的输入数据来执行所述特定模型模拟过程；通过使用局部函数将所述特定模型模拟过程的输出与对应的所述特定模型模拟过程的输入数据进行比较，来计算不匹配值；向另一模型模拟过程发送与特定模型模拟过程相关联的模型对象；以及执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
前述和其他所述实施方式可以各自可选地包括以下特征中的一个或多个：
第一特征，可与以下特征中的任意特征组合，其中全局目标函数由下式表示：
其中：
是局部目标函数，以及
wi是用于说明数据测量的不确定性并且归一化为0和1之间的值的加权因子。
第二特征，可与先前或以下特征中的任意特征组合，其中输入数据是从对原始测量数据的解释或从另一模型模拟过程的输出获得的。
第三特征，可与先前或以下特征中的任意特征组合，其中局部目标函数基于欧几里德范数并定义为：
其中：
是针对第i号局部过程的观察集。
第四特征，可与先前或以下特征中的任意特征组合，其中局部目标函数使用利用L2范数的最小二乘公式：
其中：
σii是表示数据测量的标准偏差的实数值。
第五特征，可与先前的或以下的特征中的任意特征组合，包括用于利用计算出的与特定模型模拟过程相关联的不匹配值来更新全局目标函数值的一个或多个指令。
第六特征，可与先前或以下特征中的任意特征组合，包括用于确定是否存在要在工作流程中执行的另外的模型模拟过程的一个或多个指令。
在第三实施方式中，计算机实现的方法包括：计算机存储器；至少一个硬件处理器，与计算机存储器互操作地耦接，并且被配置为：将全局目标函数初始化为初始值；为多个模型模拟过程中的特定模型模拟过程准备输入数据；使用准备好的输入数据来执行所述特定模型模拟过程；通过使用局部函数将所述特定模型模拟过程的输出与对应的所述特定模型模拟过程的输入数据进行比较，来计算不匹配值；向另一模型模拟过程发送与特定模型模拟过程相关联的模型对象；以及执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
前述和其他所述实施方式可以各自可选地包括以下特征中的一个或多个：
第一特征，可与以下特征中的任意特征组合，其中全局目标函数由下式表示：
其中：
是局部目标函数，以及
wi是用于说明数据测量的不确定性并且归一化为0和1之间的值的加权因子。
第二特征，可与先前或以下特征中的任意特征组合，其中输入数据是从对原始测量数据的解释或从另一模型模拟过程的输出获得的。
第三特征，可与先前或以下特征中的任意特征组合，其中局部目标函数基于欧几里德范数并定义为：
其中：
是针对第i号局部过程的观察集。
第四特征，可与先前或以下特征中的任意特征组合，其中局部目标函数使用利用L2范数的最小二乘公式：
其中：
σij是表示数据测量的标准偏差的实数值。
第五特征，可与先前或以下特征中的任意特征组合，被配置为：利用计算出的与所述特定模型模拟过程相关联的不匹配值来更新所述全局目标函数值。
第六特征，可与先前或以下特征中的任意特征组合，被配置为确定是否存在要在工作流程中执行的另外的模型模拟过程。
在本说明书中描述的主题和功能操作的实施可以实现在下述形式中：数字电子电路、有形体现的计算机软件或固件、计算机硬件，包括在本说明书中公开的结构及其结构等同物、或它们中的一个或多个的组合。在本说明书中描述的主题的实施方式可以实现为一个或多个计算机程序，即，在有形的非暂时性计算机可读计算机存储介质上编码的计算机程序指令的一个或多个模块，以用于被数据处理装置执行或控制数据处理装置的操作。备选地或附加地，程序指令可以编码在人工生成的传播信号(例如，机器生成的电、光或电磁信号)上，所述信号被生成以对信息进行编码，以传输给合适的接收机装置，以供数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或计算机存储介质的组合。
术语“数据处理装置”、“计算机”或“电子计算机设备”(或本领域普通技术人员所理解的等同物)是指数据处理硬件，并且包括用于处理数据的各种装置、设备和机器，例如包括可编程处理器、计算机、或多个处理器或计算机。所述装置还可以是专用逻辑电路或还可以包括专用逻辑电路，例如，中央处理单元(CPU)、FPGA(现场可编程门阵列)或ASIC(专用集成电路)。在一些实施方式中，数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合)可以基于硬件或基于软件(或基于硬件和基于软件的组合)。可选地，装置可以包括为计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统或者执行环境的组合的代码。本公开考虑具有或不具有常规操作系统(例如，LINUX、UNIX、WINDOWS、MAC OS、ANDROID、IOS或任意其它合适的常规操作系统)的数据处理装置的使用。
可以以任何形式的编程语言来写计算机程序(也可以称作或描述为程序、软件、软件应用程序、模块、软件模块、脚本或代码)，所述编程语言包括：编译或解释语言、或者声明或程序语言，并且可以以任何形式来部署计算机程序，包括部署为单独的程序或者部署为适合于用于计算环境的模块、组件、子例程、或者其它单元。计算机程序可以但不是必须与文件系统中的文件相对应。程序可以存储在保持其它程序或数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中、存储在专用于所讨论的程序的单个文件中、或者存储在多个协同文件中(例如，存储一个或多个模块、子程序或代码的一部分的文件)。计算机程序可以被部署为在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互连的多个计算机上执行。尽管各图中所示的程序的部分被示为通过各种对象、方法或其他过程实现各种特征和功能的各个模块，但是视情况程序可以替代地包括多个子模块、第三方服务、组件、库等。相反，各种组件的特征和功能可以视情况组合成单个组件。
本说明书中描述的过程和逻辑流可以由一个或多个可编程计算机来执行，所述一个或多个可编程计算机执行一个或多个计算机程序以通过操作输入数据并且产生输出来执行功能。过程和逻辑流也可以由专用逻辑电路(例如CPU、FPGA或ASIC)来执行，并且装置也可以实现为专用逻辑电路(例如CPU、FPGA或ASIC)。
适合于执行计算机程序的计算机可以基于通用或专用微处理器、这两者或任何其它类型的CPU。通常，CPU将从只读存储器(ROM)或随机存取存储器(RAM)或者这二者接收指令和数据。计算机的必不可少的元件是用于执行指令的CPU和用于存储指令和数据的一个或更多个存储器设备。通常，计算机还将包括用于存储数据的一个和或更多个大容量存储设备(例如，磁盘、磁光盘或光盘)，或可操作耦接以便从所述一个或更多个大容量存储设备接收或向其发送数据。然而，计算机不需要具有这些设备。此外，计算机可以嵌入在另一设备中，例如，移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏机、全球定位系统(GPS)接收机或者便携式存储设备(例如，通用串行总线(USB)闪存驱动器)，这仅是举几个例子。
适合于存储计算机程序指令和数据的计算机可读介质(暂时或非暂时的)包括所有形式的非易失性存储器、介质和存储器设备，其包括例如半导体存储器设备、例如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存设备；磁盘(例如内部硬盘或可移动盘)；磁光盘；以及CD ROM、DVD+/-R、DVD-RAM和DVD-ROM盘。存储器可以存储各种对象或数据，包括：高速缓存区、类(class)、框架、应用、备份数据、工作、网页、网页模板、数据库表格、存储动态信息的知识库、以及包括任意参数、变量、算法、指令、规则、约束、对其的引用在内的任意其它适当的信息。此外，存储器可以包括任何其它适当的数据，比如测井、策略、安全或访问数据、报告文件等等。处理器和存储器可以由专用逻辑电路来补充或者并入到专用逻辑电路中。
为了提供与用户的交互，本说明书中描述的主题可以实现在计算机上，该计算机具有用于向用户显示信息的显示设备(例如，CRT(阴极射线管)、LCD(液晶显示器)、LED(发光二极管)或等离子监视器)和用户可以向计算机提供输入的键盘和指点设备(例如，鼠标、轨迹球或轨迹板)。还可以使用触摸屏(诸如具有压敏性的平板计算机表面、使用电容或电感测的多点触摸屏或其它类型的触摸屏)向计算机提供输入。其它类型的设备也可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈，例如，视觉反馈、听觉反馈或触觉反馈；以及可以以任意形式(包括声音、语音或触觉输入)来接收来自用户的输入。此外，计算机可以通过向用户使用的设备发送文档和从该设备接收文档来与用户交互；例如，通过响应于从用户客户端设备上的网络浏览器接收到的请求而向所述网络浏览器发送网页，来与用户交互。
术语“图形用户界面”或GUI可以以单数或复数形式使用，以描述一个或更多个图形用户界面以及特定图形用户界面的每一次显示。因此，GUI可以表示任意图形用户界面，包括但不限于web浏览器、触摸屏或过程信息并且有效地向用户呈现信息结果的命令行界面(CLI)。通常，GUI可以包括多个用户界面(UI)要素，其中一些或全部与web浏览器相关联，诸如可由商业套件用户操作的交互式域、下拉列表和按钮。这些和其它UI要素可以与web浏览器的功能相关或表示web浏览器的功能。
本说明书中描述的主题的实施可以实现在计算系统中，该计算系统包括后端组件(例如，数据服务器)、或包括中间件组件(例如，应用服务器)、或者包括前端组件(例如，具有用户通过其可以与本说明书中描述的主题的实现进行交互的图形用户界面或者web浏览器的客户端计算机)、或者一个或更多个此类后端组件、中间件组件或前端组件的任意组合。系统的组件可以通过有线或无线数字数据通信(或数据通信的组合)的介质或任意形式(例如通信网络)互相连接。通信网络的示例包括局域网(LAN)、无线电接入网络(RAN)、城域网(MAN)、广域网(WAN)、全球微波接入互操作性(WIMAX)、使用例如802.11a/b/g/n或802.20(或802.11x和802.20的组合或与本公开一致的其它协议)的网络(WLAN)、互联网的全部或一部分、或一个或多个位置处的任意其它通信系统(或通信网络的组合)。网络可以在网络地址之间传输例如互联网协议(IP)分组、帧中继帧、异步传输模式(ATM)小区、语音、视频、数据或其它合适信息(或通信类型的组合)。
计算系统可以包括客户端和服务器。客户端和服务器一般相互远离并且通常通过通信网络进行交互。客户端和服务器的关系通过在相应计算机上运行并且相互具有客户端-服务器关系的计算机程序来产生。
在一些实施方式中，计算系统的任意或所有组件(硬件和/或软件(或硬件和软件的组合))可以使用应用编程接口(API)或服务层(或API和服务层的组合)来彼此进行交互，或接口交互。API可以包括例程、数据结构和对象类的规范。API可以是独立于或依赖于计算机语言，并且指的是完整的接口、单个功能或甚至是一组API。服务层向计算系统提供软件服务。计算系统的各种组件的功能对于使用该服务层的所有服务消费者可以是可访问的。软件服务通过定义的接口提供可重用的、定义的业务功能。例如，接口可以是以JAVA、C++或以可扩展标记语言(XML)格式或其它合适格式提供数据的其它合适语言所编写的软件。API或服务层(或API和服务层的组合)可以是与计算系统的其它组件相关的集成组件或独立组件。此外，在不脱离本公开的范围的情况下，服务层的任意或所有部分可以被实现为另一软件模块、企业应用或硬件模块的子模块或副模块。
尽管本说明书包含许多特定的实施方式的细节，然而这些细节不应被解释为对要求保护的范围或任何发明的范围构成限制，而是用于描述特定于具体发明的具体实施方式的特征。在单个实现中，还可以组合实现本说明书中在独立实现的上下文中描述的特定特征。反之，在单个实施方式的上下文中描述的各种特征也可以在多个实施方式中分开地或以任何合适的子组合来实现。此外，尽管特征可以在上面描述为在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合的一个或多个特征在一些情况下可以从组合中删除，并且所要求保护的组合可以针对子组合或子组合的变体。
已经描述了本主题的特定实施方式。对于本领域技术人员显而易见的是，所描述的实施方式的其它实现、改变和置换在所附权利要求的范围内。尽管在附图和权利要求中以特定顺序描述了操作，但这不应被理解为：为了实现期望的结果，要求按所示的特定顺序或按相继的顺序来执行这些操作，或者要求执行所有所示的操作(一些操作可以看作是可选的)。在一些情况下，多任务或并行处理(或者多任务和并行处理的组合)可以是有利的并且视情况来执行。
此外，在上述实现的各种系统模块和组件的分离或集成不应被理解为在所有实现中都要求这样的分离或集成，并且应该理解的是，所描述的程序组件和系统一般可以一起集成在单个软件产品中或封装为多个软件产品。
因此，上述对示例实现的描述不限定或限制本公开。在不脱离本公开的精神和范围的情况下，还可以存在其它改变、替换和变化。
此外，下面的任何要求保护的实施方式被认为适用于至少一种计算机实施的方法；存储用于执行计算机实施的方法的计算机可读指令的非暂时性计算机可读介质；以及计算机系统，该系统包括与硬件处理器可互操作地耦接的计算机存储器，所述硬件处理器被配置为执行计算机实现的方法或存储在非暂时性计算机可读介质上的指令。
Claims (21)
1.一种计算机实现的方法，包括：
将全局目标函数初始化为初始值；
为多个模型模拟过程中的特定模型模拟过程准备输入数据；
使用准备好的输入数据来执行所述特定模型模拟过程；
通过使用局部函数将所述特定模型模拟过程的输出与对应的所述特定模型模拟过程的输入数据进行比较，来计算不匹配值；
向另一模型模拟过程发送与所述特定模型模拟过程相关联的模型对象；以及
执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
2.根据权利要求1所述的计算机实现的方法，其中，所述全局目标函数由下式表示：
其中：
是所述局部目标函数，以及
wi是用于说明数据测量的不确定性并且归一化为0和1之间的值的加权因子。
3.根据权利要求1所述的计算机实现的方法，其中，所述输入数据是从对原始测量数据的解释或从另一模型模拟过程的输出获得的。
4.根据权利要求1所述的计算机实现的方法，其中，所述局部目标函数基于欧几里德范数，并且定义为：
其中：
是针对第i号局部过程的观察集。
5.根据权利要求1所述的计算机实现的方法，其中，所述局部目标函数使用利用L2范数的最小二乘公式：
其中：
σii是表示所述数据测量的标准偏差的实数值。
6.根据权利要求1所述的计算机实现的方法，包括：利用计算出的与所述特定模型模拟过程相关联的不匹配值来更新所述全局目标函数值。
7.根据权利要求1所述的计算机实现的方法，包括：确定是否存在要在工作流程中执行的附加模型模拟过程。
8.一种存储一个或多个指令的非暂时性计算机可读介质，所述指令能由计算机执行以执行下述操作：
将全局目标函数初始化为初始值；
为多个模型模拟过程中的特定模型模拟过程准备输入数据；
使用准备好的输入数据来执行所述特定模型模拟过程；
通过使用局部函数将所述特定模型模拟过程的输出与对应的所述特定模型模拟过程的输入数据进行比较，来计算不匹配值；
向另一模型模拟过程发送与所述特定模型模拟过程相关联的模型对象；以及
执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
9.根据权利要求8所述的非暂时性计算机可读介质，其中，所述全局目标函数由下式表示：
其中：
是所述局部目标函数，以及
wi是用于说明数据测量的不确定性并且归一化为0和1之间的值的加权因子。
10.根据权利要求8所述的非暂时性计算机可读介质，其中，所述输入数据是从对原始测量数据的解释或从另一模型模拟过程的输出获得的。
11.根据权利要求8所述的非暂时性计算机可读介质，其中，所述局部目标函数基于欧几里德范数并且定义为：
其中：
是针对第i号局部过程的观察集。
12.根据权利要求8所述的非暂时性计算机可读介质，其中，所述局部目标函数使用利用L2范数的最小二乘公式：
其中：
σij是表示所述数据测量的标准偏差的实数值。
13.根据权利要求8所述的非暂时性计算机可读介质，包括用于利用计算出的与所述特定模型模拟过程相关联的不匹配值来更新所述全局目标函数值的一个或多个指令。
14.根据权利要求8所述的非暂时性计算机可读介质，包括用于确定是否存在要在工作流程中执行的附加模型模拟过程的一个或多个指令。
15.一种计算机实现的系统，包括：
计算机存储器；
至少一个硬件处理器，与所述计算机存储器能互操作地耦接，并且被配置为：
将全局目标函数初始化为初始值；
为多个模型模拟过程中的特定模型模拟过程准备输入数据；
使用准备好的输入数据来执行所述特定模型模拟过程；
通过使用局部函数将所述特定模型模拟过程的输出与对应的所述特定模型模拟过程的输入数据进行比较，来计算不匹配值；
向另一模型模拟过程发送与所述特定模型模拟过程相关联的模型对象；以及
执行优化过程以预测输入数据的新值，以减小计算出的不匹配值。
16.根据权利要求15所述的计算机实现的系统，其中，所述全局目标函数由下式表示：
其中：
是所述局部目标函数，以及
wi是用于说明数据测量的不确定性并且归一化为0和1之间的值的加权因子。
17.根据权利要求15所述的计算机实现的系统，其中，所述输入数据是从对原始测量数据的解释或从另一模型模拟过程的输出获得的。
18.根据权利要求15所述的计算机实现的系统，其中，所述局部目标函数基于欧几里德范数，并且定义为：
其中：
是针对第i号局部过程的观察集。
19.根据权利要求15所述的计算机实现的系统，其中，所述局部目标函数使用利用L2范数的最小二乘公式：
其中：
σij是表示所述数据测量的标准偏差的实数值。
20.根据权利要求15所述的计算机实现的系统，被配置为：利用计算出的与所述特定模型模拟过程相关联的不匹配值来更新所述全局目标函数值。
21.根据权利要求15所述的计算机实现的系统，被配置为：确定是否存在要在工作流程中执行的附加模型模拟过程。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/162,205 US10713398B2 (en) | 2016-05-23 | 2016-05-23 | Iterative and repeatable workflow for comprehensive data and processes integration for petroleum exploration and production assessments |
| US15/162,205 | 2016-05-23 | ||
| PCT/US2017/020858 WO2017204879A1 (en) | 2016-05-23 | 2017-03-06 | An iterative and repeatable workflow for comprehensive data and processes integration for petroleum exploration and production assessments |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109478208A true CN109478208A (zh) | 2019-03-15 |
| CN109478208B CN109478208B (zh) | 2023-09-19 |
Family
ID=58361119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780041194.1A Active CN109478208B (zh) | 2016-05-23 | 2017-03-06 | 用于石油勘探和生产评估的综合数据和过程集成的迭代且可重复的工作流程 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10713398B2 (zh) |
| EP (1) | EP3465488A1 (zh) |
| CN (1) | CN109478208B (zh) |
| CA (1) | CA3024411C (zh) |
| SA (1) | SA518400444B1 (zh) |
| WO (1) | WO2017204879A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113382412A (zh) * | 2021-05-12 | 2021-09-10 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
| CN113950684A (zh) * | 2019-06-05 | 2022-01-18 | X开发有限责任公司 | 用于优化物理设备的制造和设计的级联模型 |
Families Citing this family (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11487915B2 (en) * | 2015-06-29 | 2022-11-01 | Onesubsea Ip Uk Limited | Integrated modeling using multiple subsurface models |
| CA3039469A1 (en) * | 2016-12-09 | 2018-06-14 | Landmark Graphics Corporation | Wavelet estimation for four-dimensional characterization of subsurface properties based on dynamic simulation |
| AU2017382546B2 (en) * | 2016-12-19 | 2022-03-24 | Conocophillips Company | Subsurface modeler workflow and tool |
| US11131187B2 (en) | 2017-08-14 | 2021-09-28 | Saudi Arabian Oil Company | Identifying hydrocarbon production zones |
| US11269100B2 (en) * | 2017-08-18 | 2022-03-08 | Landmark Graphics Corporation | Hybrid optimization of fault detection and interpretation |
| CA3078983C (en) * | 2017-11-29 | 2022-05-31 | Landmark Graphics Corporation | Geological sediment provenance analysis and display system |
| US11215734B2 (en) * | 2017-11-29 | 2022-01-04 | Landmark Graphics Corporation | Geological source-to-sink analysis and display system |
| JP7029990B2 (ja) * | 2018-03-22 | 2022-03-04 | 日本電信電話株式会社 | 最適解探索装置、最適解探索方法及びプログラム |
| US11506804B2 (en) * | 2018-05-31 | 2022-11-22 | Saudi Arabian Oil Company | Inverse stratigraphic modeling using a hybrid linear and nonlinear algorithm |
| WO2020046392A1 (en) * | 2018-08-31 | 2020-03-05 | Halliburton Energy Services, Inc. | Sparse deconvolution and inversion for formation properties |
| US10914158B2 (en) | 2018-09-07 | 2021-02-09 | Saudi Arabian Oil Company | Methods and systems for hydrocarbon resources exploration assessment |
| CN109814513B (zh) * | 2019-03-20 | 2020-12-29 | 广东辛孚科技有限公司 | 一种基于数据模型的催化裂化装置优化方法 |
| US11340381B2 (en) * | 2019-07-02 | 2022-05-24 | Saudi Arabian Oil Company | Systems and methods to validate petrophysical models using reservoir simulations |
| US11754746B2 (en) * | 2020-02-21 | 2023-09-12 | Saudi Arabian Oil Company | Systems and methods for creating 4D guided history matched models |
| CN113093302B (zh) * | 2020-03-04 | 2022-04-15 | 中国海洋石油集团有限公司 | 复杂断裂带多层系油气立体充注运移分析方法 |
| US11846741B2 (en) | 2020-04-06 | 2023-12-19 | Saudi Arabian Oil Company | Systems and methods for evaluating a simulation model of a hydrocarbon field |
| US11815650B2 (en) | 2020-04-09 | 2023-11-14 | Saudi Arabian Oil Company | Optimization of well-planning process for identifying hydrocarbon reserves using an integrated multi-dimensional geological model |
| US11486230B2 (en) | 2020-04-09 | 2022-11-01 | Saudi Arabian Oil Company | Allocating resources for implementing a well-planning process |
| US11693140B2 (en) | 2020-04-09 | 2023-07-04 | Saudi Arabian Oil Company | Identifying hydrocarbon reserves of a subterranean region using a reservoir earth model that models characteristics of the region |
| US11493654B2 (en) * | 2020-05-11 | 2022-11-08 | Saudi Arabian Oil Company | Construction of a high-resolution advanced 3D transient model with multiple wells by integrating pressure transient data into static geological model |
| US11867604B2 (en) | 2020-05-11 | 2024-01-09 | Saudi Arabian Oil Company | Real-time estimation of formation hydrocarbon mobility from mud gas data |
| US11352873B2 (en) * | 2020-05-11 | 2022-06-07 | Saudi Arabian Oil Company | System and method to identify water management candidates at asset level |
| US11512580B2 (en) | 2020-05-11 | 2022-11-29 | Saudi Arabian Oil Company | Real-time estimation of reservoir porosity from mud gas data |
| EP4217905A4 (en) * | 2020-09-23 | 2024-10-30 | Services Petroliers Schlumberger | MACHINE LEARNING CALIBRATION FOR PETROLEUM SYSTEM MODELING |
| CN112206553B (zh) * | 2020-09-24 | 2022-06-03 | 天津大学 | 一种评估砂滤中聚苯乙烯微球与腐殖酸竞争吸附的方法 |
| DE102020211992A1 (de) * | 2020-09-24 | 2022-03-24 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Verarbeiten von mit einem Simulationsmodell für wenigstens einen Aspekt eines technischen Systems assoziierten Daten |
| CN114446397B (zh) * | 2020-10-19 | 2024-10-01 | 中国石油化工股份有限公司 | 存储器、炼化过程流程分段模拟和优化方法、装置和设备 |
| US11668847B2 (en) | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
| US20220245534A1 (en) * | 2021-02-01 | 2022-08-04 | Chevron U.S.A. Inc. | System and method for data analytics with multi-stage feature selection |
| WO2022221179A1 (en) * | 2021-04-12 | 2022-10-20 | Board Of Regents, The University Of Texas System | A starting model independent full waveform inversion system, method, and computer-program product for subsurface velocity estimation |
| US11867862B2 (en) | 2021-04-23 | 2024-01-09 | Saudi Arabian Oil Company | Method for validating rock formations compaction parameters using geomechanical modeling |
| CN113343391B (zh) * | 2021-07-02 | 2024-01-09 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
| US11808909B2 (en) | 2021-08-20 | 2023-11-07 | Saudi Arabian Oil Company | System and method for predicting fluid type and thermal maturity |
| US12123299B2 (en) | 2021-08-31 | 2024-10-22 | Saudi Arabian Oil Company | Quantitative hydraulic fracturing surveillance from fiber optic sensing using machine learning |
| EP4177644A1 (en) * | 2021-11-05 | 2023-05-10 | MATRIX JVCO LTD trading as AIQ | Method and system for determining geomechanical parameters of a well |
| US11852768B2 (en) * | 2021-11-19 | 2023-12-26 | Saudi Arabian Oil Company | Multimodal approach to target stratigraphic plays through seismic sequence stratigraphy, rock physics, seismic inversion and machine learning |
| CN115019897B (zh) * | 2022-06-27 | 2024-06-04 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
| WO2024205814A1 (en) * | 2023-03-27 | 2024-10-03 | Conocophillips Company | Kinetic modeling of petroleum evolution |
| CN118566981A (zh) * | 2024-08-02 | 2024-08-30 | 南京迪佳特能源科技有限公司 | 一种基于数据分析的油气藏开发井位管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080077371A1 (en) * | 2006-09-01 | 2008-03-27 | Chevron U.S.A. Inc. | Method for history matching and uncertainty quantification assisted by global optimization techniques utilizing proxies |
| CN102754105A (zh) * | 2010-02-12 | 2012-10-24 | 埃克森美孚上游研究公司 | 用于创建历史匹配模拟模型的方法和系统 |
| CN102918521A (zh) * | 2010-03-29 | 2013-02-06 | 埃克森美孚上游研究公司 | 使用时变滤波器的全波场反演 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6480790B1 (en) * | 1999-10-29 | 2002-11-12 | Exxonmobil Upstream Research Company | Process for constructing three-dimensional geologic models having adjustable geologic interfaces |
| US6980940B1 (en) | 2000-02-22 | 2005-12-27 | Schlumberger Technology Corp. | Intergrated reservoir optimization |
| US20020177955A1 (en) | 2000-09-28 | 2002-11-28 | Younes Jalali | Completions architecture |
| US20070016389A1 (en) | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
| US8793111B2 (en) | 2009-01-20 | 2014-07-29 | Schlumberger Technology Corporation | Automated field development planning |
| EP2376948A4 (en) | 2008-12-16 | 2017-03-22 | Exxonmobil Upstream Research Company | Systems and methods for hydrocarbon reservoir development and management optimization |
| FR2949586B1 (fr) | 2009-08-26 | 2011-09-23 | Inst Francais Du Petrole | Methode pour exploiter un reservoir petrolier a partir d'un calage d'historique optimise |
| US20150153476A1 (en) * | 2012-01-12 | 2015-06-04 | Schlumberger Technology Corporation | Method for constrained history matching coupled with optimization |
| US20140214387A1 (en) * | 2013-01-25 | 2014-07-31 | Schlumberger Technology Corporation | Constrained optimization for well placement planning |
| US20140303951A1 (en) * | 2013-04-09 | 2014-10-09 | Schlumberger Technology Corporation | Integrated system for production design assistance |
| US10083258B2 (en) * | 2013-09-13 | 2018-09-25 | Schlumberger Technology Corporation | Combining downhole fluid analysis and petroleum systems modeling |
| US20170091636A1 (en) * | 2015-09-25 | 2017-03-30 | Schlumberger Technology Corporation | Method for automated workflow and best practices extraction from captured user interactions for oilfield applications |
-
2016
- 2016-05-23 US US15/162,205 patent/US10713398B2/en active Active
-
2017
- 2017-03-06 CN CN201780041194.1A patent/CN109478208B/zh active Active
- 2017-03-06 CA CA3024411A patent/CA3024411C/en active Active
- 2017-03-06 EP EP17712315.5A patent/EP3465488A1/en active Pending
- 2017-03-06 WO PCT/US2017/020858 patent/WO2017204879A1/en unknown
-
2018
- 2018-11-15 SA SA518400444A patent/SA518400444B1/ar unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080077371A1 (en) * | 2006-09-01 | 2008-03-27 | Chevron U.S.A. Inc. | Method for history matching and uncertainty quantification assisted by global optimization techniques utilizing proxies |
| CN102754105A (zh) * | 2010-02-12 | 2012-10-24 | 埃克森美孚上游研究公司 | 用于创建历史匹配模拟模型的方法和系统 |
| CN102918521A (zh) * | 2010-03-29 | 2013-02-06 | 埃克森美孚上游研究公司 | 使用时变滤波器的全波场反演 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113950684A (zh) * | 2019-06-05 | 2022-01-18 | X开发有限责任公司 | 用于优化物理设备的制造和设计的级联模型 |
| CN113382412A (zh) * | 2021-05-12 | 2021-09-10 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
| CN113382412B (zh) * | 2021-05-12 | 2022-12-27 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20170337302A1 (en) | 2017-11-23 |
| EP3465488A1 (en) | 2019-04-10 |
| CA3024411C (en) | 2023-09-26 |
| SA518400444B1 (ar) | 2022-03-16 |
| WO2017204879A1 (en) | 2017-11-30 |
| CN109478208B (zh) | 2023-09-19 |
| CA3024411A1 (en) | 2017-11-30 |
| US10713398B2 (en) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109478208A (zh) | 用于石油勘探和生产评估的综合数据和过程集成的迭代且可重复的工作流程 | |
| CA3122686C (en) | Automated reservoir modeling using deep generative networks | |
| EP3938815A1 (en) | Method for dynamic calibration and simultaneous closed-loop inversion of simulation models of fractured reservoirs | |
| US20130218538A1 (en) | Simulation model optimization | |
| CN106104590A (zh) | 不确定性下多级油田设计优化 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| Tolstukhin et al. | Ekofisk 4D seismic-seismic history matching workflow | |
| US11126694B2 (en) | Automatic calibration for modeling a field | |
| Xu et al. | Evaluation of active learning algorithms for formation lithology identification | |
| US20220178228A1 (en) | Systems and methods for determining grid cell count for reservoir simulation | |
| Chaikine et al. | A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs | |
| Pollack et al. | Stochastic inversion of gravity, magnetic, tracer, lithology, and fault data for geologically realistic structural models: Patua Geothermal Field case study | |
| Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
| Benetatos et al. | Fully integrated hydrocarbon reservoir studies: myth or reality? | |
| WO2016187238A1 (en) | Auto-validating earth interpretation and modeling system | |
| Arwini et al. | Combining experimental design with proxy derived sensitivities to improve convergence rates in Seismic History Matching | |
| Wang et al. | A fracture modeling method for ultra-deep reservoirs based on geologic information fusion: an application to a low porosity sandstone reservoirs in X gas field of a basin in western China | |
| Zhang et al. | Machine Learning Enhanced Upscaling of Anisotropic Shear Strength for Heterogeneous Oil Sands | |
| Abrar et al. | Unlocking Recovery Potential in a Mature Clastic Oil-Rim Reservoir Using an Integrated Reservoir Simulation Model: A Case Study of the Eastern Potwar Basin, Pakistan | |
| Ciriaco | A Refined Methodology for Quantifying Estimates of Extractable Geothermal Energy: Experimental Design (ED) and Response Surface Methodology (RSM) | |
| Jo et al. | Sensitivity analysis of geological rule-based subsurface model parameters on fluid flow | |
| US20230359793A1 (en) | Machine-learning calibration for petroleum system modeling | |
| Liu et al. | Simulation and Prediction of Injection Pressure in CO2 Geological Sequestration Based on Improved LSO Algorithm and BP Neural Networks | |
| Dubey et al. | Petroleum System Based Integrated Exploration and Prospect Generation | |
| Saleh et al. | Uncertainty Quantification Through the Assimilation of CO2 Plume Size from 4D Seismic Survey |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |