CN111417970A - 利用实时数据的湿井预测 - Google Patents
利用实时数据的湿井预测 Download PDFInfo
- Publication number
- CN111417970A CN111417970A CN201880077443.7A CN201880077443A CN111417970A CN 111417970 A CN111417970 A CN 111417970A CN 201880077443 A CN201880077443 A CN 201880077443A CN 111417970 A CN111417970 A CN 111417970A
- Authority
- CN
- China
- Prior art keywords
- data
- well
- real
- time
- database
- 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
- 230000007704 transition Effects 0.000 claims abstract description 15
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 239000012530 fluid Substances 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 229930195733 hydrocarbon Natural products 0.000 claims description 9
- 150000002430 hydrocarbons Chemical class 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000003921 oil Substances 0.000 description 39
- 238000005259 measurement Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/10—Locating fluid leaks, intrusions or movements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
- E21B47/07—Temperature
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
- E21B49/087—Well testing, e.g. testing for reservoir productivity or formation parameters
- E21B49/0875—Well testing, e.g. testing for reservoir productivity or formation parameters determining specific fluid parameters
-
- 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
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
用于预测干油生产井预计何时过渡为湿油生产井的系统和方法的实施例,该系统被配置为从多个信息数据库生成预测。第一数据库被设计为存储关于活动生产井的实时数据,第二数据库可以为历史生产信息数据库,诸如联机事务处理(OLTP)数据库。可以对来自两个数据库的数据进行归一化、比较和相关,以创建这样的预测模型:其可以准确地预测特定井预计何时从干油生产井过渡为湿油生产井。该系统和方法可以被配置为使用包括自回归综合移动平均等式的许多不同的技术,以基于来自多个数据库的归一化数据来创建预测模型。
Description
发明人:Muhammad S.Khakwani、Abbas W.AlBeshri和Abdullah H.Bar
技术领域
本公开的实施例涉及预测干油生产井预计何时过渡为湿油生产井。
背景技术
已知这样的软件一段时间:其跟踪与井场处的石油和天然气生产有关的各种统计数据并将该统计数据存储在数据库中。传感器可用于检测生产系统中各个点处所产生的石油和天然气的各种性质。在当代生产系统中,由这样的传感器记录的数据可以被登记到现场计算机系统和/或微型计算机系统中,或者该数据可以通过网络被登记到场外计算机系统中以用于以后的处理和分析。通常,此数据会被加载到数据库中,并具有与每个传感器读数相关联的时间日志以及关于数据所源自的特定井和井场的信息。
在井工业中,目前需要先进的预测方法,其可以可靠且准确地预测干油生产井预计何时过渡为湿油生产井。本公开的实施例旨在提供先进的预测方法和技术,并且涉及在两个单独的数据库中对实时传感器数据以及历史数据进行分类和分析,将数据组合并使用该数据来预测干油井产生预计何时过渡为湿油生产井。
发明内容
本公开的实施例旨在提供一种先进的预测方法和技术,以识别并预测干油生产井预计何时过渡为湿油生产井。在实施例中,输入并分析干油生产井(生产含水量低于特定阈值的油的井)的实时传感器读数,并且做出关于哪些井预计将过渡为湿油生产的预测。湿井的特征通常在于它们的产水量大于百分之一的事实。为了将井宣称为湿油生产,通常的测试是对井进行连续三个测试以测试其流体成分,从而显示该井具有水含量,或可替换地,具有高盐含量。通常在实验室中使用来自待测井的样本来进行这些测试。盐含量也表明水的存在,因为盐水是其中从井中产出的流体可能含有盐的方式。通常,测试需要持续几个月才能完成。对过渡时间段的测试和理解很重要,因为干油生产系统和湿油生产系统被不同地设定,以便在特定井场实现最高的油生产效率。
传感器通常安装在上游的石油和天然气资产中以监视井的流量。这些传感器可以安装在地表处、安装井口上和/或安装在井内的表面下(subsurface)并且可以沿主孔或母孔安装。传感器发送与流体的流率、流体的不同相、流体的温度、压力、连接到该井的机械装置的振动有关的数据以及取决于特定井场的传感器配置的许多其它读数。这些读数是实时接收的,并存储在数据库中,所述数据库被设计为快速有效地存储实时数据并提供对所存储的信息的访问权限,使得终端用户可以确定井的状态。
在一些实施例中,被配置为存储实时数据的数据库也被配置为监测井的状态并根据需要警告用户。可替换地,具有对数据库的访问权限的单独的系统可以被配置为监测井的状态并根据需要警告用户。如果井意外脱机或者如果触发了其它预配置的警告条件,则可以基于流进数据库并登记在数据库中的实时数据来警告系统的用户。数据库尤其被配置为在井处处理由传感器传输的实时数据。值得注意,这种类型的数据库以与存储关于上游资产的不同信息的联机事务处理数据库(OLTP)不同的方式进行配置。OLTP数据库被配置为存储关于井的信息,其包括井的年龄、生产历史、完成类型和对从该井中获取的流体样本进行的各种地球化学测试。这与用于进行调查、采样和记录测试结果的传统方法中考虑的信息相似。
从实时数据库获取新的和当前的数据的实施例将该数据与来自诸如OLTP数据库的传统的数据库的数据组合,并且在对来自两个源的数据进行处理、分析和/或相关之后,创建干井将何时过渡为湿井的预测。在实施例中,该系统可以被配置为同时分析来自两个数据存储的数据,并且基于比较和相关生成用于井将何时变湿并具有多于一百分比的含水量的预测模型。在实施例中,该系统还可以寻找实时数据的模式,并深入了解数据的质量。例如,有时数据中存在可能不精确的尖峰,并且在实施例中,该系统可以被配置为滤除任何这样的噪声以确保系统的准确预测。
在实施例中,用于预测特定井预计何时从干油生产井过渡为湿油生产井的系统被配置为从OLTP数据库和实时数据库接收数据,将数据集组合,去除异常传感器读数,将经组合的数据集转换为时间序列,建立模型,并且随后基于预测模型来预测湿井。在一些实施例中,该模型是自回归综合移动平均模型(ARIMA),并使用两个数据集来分析和识别候选井以预测该井是否将变为湿油生产井以及将何时变为湿油生产井,使得可以对它们进行识别,并且可以警告井管理人员和服务器,并相应计划过渡。
根据实施例,该系统可以被配置为执行用于预测干油生产井预计何时过渡为湿油生产井的方法,所述方法包括以下步骤:从至少一口井收集并存储与含水量有关的实时数据,并将该实时数据实时存储在被配置为存储实时数据的数据库中;从所述至少一口井收集并存储历史联机事务处理数据,并将该历史联机事务处理数据存储在联机事务处理数据库中;将来自两个数据库的实时数据和联机事务处理数据进行组合和归一化;从经组合和归一化的数据去除离群值;将经组合的数据转换为时间序列数据;使用自回归综合移动平均为所述至少一口井建立预测模型,所述预测模型基于经转换的数据预测所述至少一口井将何时生产含水量大于百分之一的碳氢化合物;以及识别是否应对所述至少一口井进一步进行水测试,并基于预测模型来确定所述井将何时从干变为湿。
在实施例中,所述方法可以包括以下步骤:使用机器学习对分别来自联机事务处理数据库和实时数据库中的每一个的历史联机事务处理数据和实时数据进行比较和相关。
在实施例中,所述方法可以包括以下步骤:检测联机事务处理数据库和实时数据库中的每一个中的数据更新,并基于这些数据更新来建立预测模型。
在实施例中,所述方法可以包括以下步骤:实时获取安装在地表处的仪表、安装在井口上的仪表以及安装在井口内的井的主孔或母孔处的仪表的读数,读数与流体的流率、流体的不同相、温度、压力和机械装置的振动有关。
在实施例中,所述方法包括以下步骤:监测所述实时数据库,并在井意外脱机或生产不足时增加标志。
在实施例中,所述系统可以被配置为使得联机事务处理数据库包括关于井、井的年龄、生产历史、完成类型和在从井中获取的流体样本中进行的各种地球化学测试的信息的数据库字段。
在实施例中,所述方法可以包括以下步骤:分析并处理实时数据库中的数据,以识别实时数据的模式,并处理实时数据库中的数据以消除噪声并去除明显的不良信号。
在实施例中,所述方法可以包括以下步骤:基于所生成的预测模型,根据自动决策来安排地球化学测试。
在实施例中,所述方法可以包括以下步骤:在显示器上向用户显示每口井的状态和预测模型。
根据实施例,用于预测干油生产井预计何时过渡为湿油生产井的系统,所述系统可以包括:实时数据库,其被配置为存储来自至少一口井的关于含水量的实时数据;联机事务处理数据库,其被配置为从所述至少一口井收集并存储历史数据;计算机系统,其被配置有处理器和存储器,所述计算机被配置为:对来自实时数据库和联机事务处理数据库的数据进行组合和归一化,以生成经组合和归一化的数据;从经组合和归一化的数据去除离群值;将经组合的数据转换为时间序列数据;使用自回归综合移动平均为所述至少一口井建立预测模型,预测模型基于经转换的数据预测所述至少一口井将何时生产含水量大于百分之一的碳氢化合物;以及基于预测模型来识别是否应对所述至少一口井进一步进行水测试并确定该井将何时从干变为湿。
根据实施例,可以配置所述系统,其中,计算机系统使用机器学习对分别来自联机事务处理数据库和实时数据库中的每一个的历史联机事务处理数据和实时数据进行比较和相关。
根据实施例,可以配置所述系统,其中,来自联机事务处理数据库和实时数据库中的每一个的数据被更新,并且经更新的数据用于基于每个数据库的数据变化来建立预测模型。
根据实施例,可以配置所述系统,其中,计算机系统还被配置为收集实时读数并将读数登记到实时数据库,传感器读数由安装在地表处的仪表、安装在井口上的仪表以及安装在井口内的井的主孔或母孔处的仪表生成,传感器读数与流体的流率、流体的不同相、温度、压力和机械装置的振动有关。
根据实施例,可以配置所述系统,其中,实时数据库被监测和分析,并且实时数据库被配置为在井意外脱机或生产不足时拉高标志。
根据实施例,可以配置所述系统,其中,联机事务处理数据库包括关于井、井的年龄、生产历史、完成类型和在从井中获取的流体样本中进行的各种地球化学测试的信息。
根据实施例,可以配置所述系统,其中,计算机系统还被配置为分析实时数据以识别数据的模式,并且还被配置为处理该数据以消除噪声并去除明显的不良信号。
根据实施例,可以配置所述系统,其中,计算机系统还被配置为基于所生成的预测模型,根据自动决策来安排地球化学测试。
根据实施例,可以配置所述系统,其中,计算机系统还被配置为在显示器上向用户显示每口井的状态、实时数据库和联机事务处理数据库中收集的信息和预测模型。
附图说明
当参照实施例的以下描述和附图考虑时,将进一步理解本公开的实施例的前述方面、特征和优点。在描述附图中示出的本公开的实施例时,为了清楚起见,将使用特定术语。然而,本公开不旨在局限于使用的特定术语,并且将理解,每个特定术语包括以相似方式进行操作来实现相似目的的等同物。
图1示出了根据实施例的配置有多相流量计、传感器组和发送器的井的框图。
图2示出了呈现根据实施例的一种可能配置的框图,该种可能配置示出了收集井测量信息的两个不同数据库的数据收集流动路径。
图3示出了呈现本文描述的湿井预测系统的数据收集流动路径的一个实施例的框图。
具体实施方式
通过参照以下结合附图详细描述的实施例,本发明及其实现方法的优点和特征将显而易见。然而,本发明不限于以下公开的实施例,并且可以以各种不同的形式来实施。提供这些实施例仅用于使本发明的公开完整,并向本领域技术人员充分地表示本发明的范围。
为了简要且清楚的说明,附图示出了一般的构造方式,并且可以省略公知特征和技术的描述和细节以避免不必要地使本发明的所描述的实施例的讨论不清楚。额外地,附图中的元件不必按比例绘制。
例如,可以相对于其它元件夸大附图中一些元件的尺寸,以帮助改善本发明的实施例的理解。在整个说明书中,同样的附图标记表示同样的元件。
在下文中,将参照附图详细地描述各种实施例。
在实施例中,系统被配置为从实时数据库获取数据作为输入数据集,并且还将存储在传统的(OLTP)数据库中的数据作为第二输入数据集。然后,对来自每个数据库的数据进行组合和归一化,去除离群值,并且随后经精炼的数据用于预测干油生产井预计何时过渡为湿油生产井。整体分析着眼于两个数据集,从数据集中去除离群值,将数据集转换为时间序列,并根据该信息制作井模型。在实施例中,可以对数据进行归一化,因为该数据是在不同的频率下收集的,并且在查看了来自两个数据库源的数据之后进行了预测。OLTP数据库收集关于井的位置、状态、年龄、生产的流体类型、构造和与储层的接触的数据。对实时数据库进行优化以处理流数据,该流数据从装有不断发送数据的传感器的数字化油田井接收数据。传感器可以收集和传送各种类型的数据,包括与流体的流率、流体的不同相(例如油、气或水)、流体的温度、压力、连接到井的机械装置的振动以及其它读数有关的数据。该预测系统的各种实施例试图通过将不同的数据集放在一起并在所收集的数据之间进行比较来满足管理井数据并基于特定井的整体视图做出决策的需求。
诸如OLTP数据库的传统的数据库也收集关于特定区域中的大量井的历史数据。包含在指示干油生产井何时过渡为湿油生产井的数据集中的历史数据和标志可能是有用的。在实施例中,可以将在干油生产井上收集的实时数据的趋势与历史趋势进行比较,并且可以将在干油生产井上收集的实施数据的区域与具有类似于过去已从干油生产井过度为湿油生产井的井的数据模式的井相关。从干过度为湿的井通常指的是已经从生产不到百分之一的水过渡为生产超过百分之一的水的井。在实施例中,可以考虑不同的转换点。通过比较数据值(诸如流率和水含量百分比)之间的历史趋势,特别是对于位于相似地理区域中相似位置的井,可以做出关于特定油井将何时过渡为湿油生产井的准确预测。通过提前知道可能的过渡,井管理者和操作员可以确保在过渡之前他们在现场具有适当的设备,并且还针对特定井生成更准确的财务模型。
在特定实施例中,机器学习算法可以用于建立将流数据和历史数据两者组合的预测模型。该信息用于预测干井将何时变为湿井。在一些实施例中,在井测试期间收集原油样品以进行三个连续采样并且该井的含水量大于百分之一之后被宣称为干井。该井在由系统进行了不同处理的点处转换为湿。例如,一旦将一口井归类为“湿”,随后工程师就必须制定关于如何管理采出的水的策略。可以在井场配置分离系统,然后可以将产出的水重新注入井中、泵送并注入附近的井中,或者异地运输或注入其它地方。另外,必须经常降低“湿”井的生产率,以确保水不穿透特定井并且不破坏特定井的油生产。以下描述了一些示例算法,这些算法使用机器学习和对两个数据库的考虑,目的是在干井变湿之前识别接近高含水量的干井。使用几个因素来确定井何时被预测从干油生产井过渡到湿油生产井。这些因素可以包括流体温度的变化、压力的变化、水率的增加和油率的降低。根据特定井场构造以及可以设定的监测传感器,还可以考虑其它因素。
在另一实施例中,系统首先从OLTP和实时数据库获得来自与含水量有关的井的数据。然后将数据集组合,但是以不同的时间间隔获取每个数据集中的读数,因此随后将它们归一化为设定的时间频率。还去除离群值,并且将数据点转换为特定的时间序列。这提供了基于组合后的数据的模型,并且该模型用于预测干井将何时变湿。
在实施例中,湿井预测系统首先创建开放数据库连接源名称,然后针对特定数据集从实时数据库中检索含水量信息。然后该软件从联机事务处理数据库中检索历史数据。在各种实施例中,然后将数据进行组合并且去除在两个标准偏差之外的离群值。然后将数据集转换为时间序列,并查看设定的时间段。在实施例中,可以使用以下等式将自回归滑动平均等式与数据的时间序列一起使用:
其中,Xt为时间序列数据,t为整数索引号,数据序列是实数。该模型由上述等式给出,进一步以L作为滞后算子,θi是移动平均部分的参数,并且εt是误差项。
图1示出了根据实施例的被配置有多相流量计、传感器组和发送器的井的框图。在实施例中,具有至少一口井102的井场100装配有传感器组108,其可以包括实时测量流体并将数据传输到实时数据库的多相流量计104。多相流量计104是传感器组108的一部分。流体通过配置有流量计104的管道112从井102流出,并通过管道110流向生产设施。传感器组具有至少一个发送器106,其将信息发送到计算机系统,使得数据可以被加载到数据库中。该计算机系统和数据库还被配置为使得用户可以利用显示器实时查看传感器数据,或者可以针对该数据生成并运行程序以帮助数据分析。
在实施例中,用户计算机上的显示器可以显示各种传感器测量值,其包括但不限于含水量信息、历史趋势和与未来事件有关的预测信息。另外,井场可以包括多个井,并且出于将井压裂以获取更多的碳氢化合物的目的,一些井可以被注入采收流体。井的布局可以使碳氢化合物的产量最大化,并且针对在井场处和井场周围的所有井收集的历史数据和实时数据可以被组合并被显示给用户,以预测每口井将何时变湿或变干。在实施例中,井场处的全部或仅一部分井可以被绑在一起成为主要生产流水线(未示出),并且多相流量计104可以连接到该主要生产流水线。
次级采收流体可以通过也将管道并入到流水线中的方式来在压力下被泵入井中。另外,可以基于井场来改变井的数量,并且可以将多个井场连接在一起并通过生产流水线连接。每口井可以具有一个或多个多相流量计104,其用于测量与井的生产相关联的传感器数据。多相流量计104可以测量井通过管道的流量的量和体积。还可以测量流中的各种成分(诸如石油和天然气)的混合物。可以在每口井上安装带有传感器的其它装置,诸如天然气流量计、水流量计、压力表、电压测量装置和其它测量设备。测量装置可以被配置为测量流体(诸如油、气或水)的不同相、流体的温度、压力、连接到井的机械装置的振动以及其它读数。
处理来自流量计104和其它传感器(未示出)的所有数据的计算机、计算机系统和/或服务器系统包括计算机可读介质和处理器,其中,可以通过计算机程序的使用来执行指令。计算机程序可以被配置为使用各种算法,这些算法接收传感器数据并预测未来事件(诸如预测该井将何时从干油生产井转向湿油生产井)。可替换地,该预测还可以指示干油生产井将在特定持续时间内保持为干油生产井。在一些情况下,计算机系统是位于井场上或井场附近的服务器系统,在其它情况下,计算机系统可以被定位为远离井场。该计算机还可以是云计算系统或另一种已知的计算系统配置。
图2示出了呈现根据实施例的一种可能配置的框图,该种可能配置示出了收集井测量信息的两个不同数据库的数据收集流动路径。示出了传统的方法和系统200,其单独生成他们各自的数据存储。在一个特定的数据收集方法214中,应用程序202与传感器204通信,传感器204每6个月在作为OLTP数据库206的数据库中存储特定的数据并对其进行采样。在另一特定的数据收集方法216中,由传感器210每15秒对每口井获取读数传感器读数并将其存储在实时数据存储212中。在实施例中,井测试数据存储在OLTP数据库中,并且在丢失实时流率数据或流率传感器不可用而使得该数据尚未收集并且尚未存储在实时数据存储中的情况下,可以使用OLTP数据将输入替代为公式以估计生产流率。可以通过使用PQ曲线公式和方法对压力数据相对于流率进行内插或外推来使用OLTP数据。在丢失实时数据的情况下,这将是非常有益的,因为可以智能地估计该数据,并且仍然可以通过使用OLTP数据来完成预测湿油井的处理。
图3示出了在此描述的湿井预测系统的实施例。在实施例中,该系统对来自两个不同的数据库的数据进行组合和归一化,并预测干油生产井何时预计过渡到湿油生产井。应用程序302每6个月在每口井处对传感器读数进行采样和存储,其中,特定应用程序被配置为在每口井处运行并将数据存储在OLTP数据库306中。在系统的另一侧,由传感器312每15秒在每口井实时收集各个井310的传感器读数,并将其存储在实时数据存储314中。通常,测量油、水和气流率的流量计传感器是用于预测湿井过渡的最相关的传感器读数。对于未配置流量计传感器或流量计传感器可能出现故障的情况,压力传感器成为第二最相关。例如,可以通过使用PQ曲线公式来使用压力估计水流率。值得注意,这些仅仅是示例传感器读数和存储周期,并且可以替换为其它时间间隔。然后,将该数据与OLTP数据一起进行组合并归一化310,然后进行分析,以识别可能过渡到湿油生产井的候选井318。在实施例中,可以从地表传感器获取读数,并且可以使用PQ曲线方法来估计含水量。PQ曲线是压力与流率的关系,其可以表明水的存在。PQ曲线方法是本领域众所周知的,生产工程师经常使用该方法以使用压力数据来计算流率。这在井不配备流率传感器但配备有压力传感器时是有用的。当压力读数高于气泡点时,该方法使用线性方程,并且当压力读数低于气泡点时,该方法使用Vogel方程。然后,结合执行代码以根据自回归滑动平均方程来处理数据的计算机,基于来自两个数据库的信息来预测被识别为可能过渡为湿油生产井的井320,以在指定时间成为湿油生产井。然后可以访问数据并将其向最终用户显示。
在实施例中,存储在计算机上的数值建模程序可以在确定未来的碳氢化合物活度和每口井的状态时考虑多种传感器数据。可以收集不同的信息片段,包括当前的碳氢化合物生产率、井口压力以及有关每口井状态的其它信息。该信息可以无线传输,也可以通过有线网络实时发送。
基于实时数据,在此描述的系统的实施例还可以预测每口井及其碳氢化合物生产的未来参数。这些参数可以包括井将从干井转换到湿井的精确时间。另外,系统的用户可以调整某些参数以改变与井有关的各种事件的时序。另外,可以为每种预测分配不同的置信区间,并且可以生成各种图形以显示每口井随时间的预测输出。
可用于估计各种预测参数的测量是流量计传感器,其测量作为用于预测湿井过渡的最相关传感器读数的油、水和气流率。在缺少流量计传感器的情况下,压力传感器成为第二最相关传感器,可以如先前讨论地使用。
通过以上提供的描述,设想了可以与通用硬件组合的包括软件的本发明的许多不同实施例。可以利用各种组件来创建计算机系统,以执行各种实施例的方法,其包括可包含用于实现实施例的方法的软件程序的指令的非暂时性计算机可读介质。
以上公开旨在说明本发明的各种实施例。一旦作为整体考虑本公开,各种修改对于本领域技术人员而言将变得显而易见。
Claims (18)
1.一种用于预测干油生产井预计何时过渡为湿油生产井的方法,所述方法的特征在于:
从至少一口井收集并存储关于含水量的实时数据,并将实时数据实时地存储在被配置为存储实时数据的数据库中;
从所述至少一口井收集并存储历史联机事物处理数据,并将历史联机事务处理数据存储在联机事务处理数据库中;
对来自两个数据库的实时数据和联机事务处理数据进行组合和归一化;
从经组合和归一化的数据中去除离群值;
将经组合的数据转换为时间序列数据;
使用自回归综合移动平均为所述至少一口井建立预测模型,预测模型基于经转换的数据预测所述至少一口井将何时生产含水量大于百分之一的碳氢化合物;
基于预测模型来识别是否应对所述至少一口井进一步进行水测试并确定所述井将何时从干变为湿。
2.根据权利要求1所述的方法,其特征还在于:
使用机器学习对分别来自联机事务处理数据库和实时数据库中的每一个的历史联机事务处理数据和实时数据进行比较和相关。
3.根据权利要求1或2所述的方法,其特征还在于:
检测联机事务处理数据库和实时数据库中的每一个中的数据更新,并基于这些数据更新来建立预测模型。
4.根据前述权利要求中的任一项所述的方法,其特征还在于:
实时获取安装在地表处的仪表、安装在井口上的仪表以及安装在井口内的井的主孔或母孔处的仪表的读数,读数与流体的流率、流体的不同相、温度、压力和机械装置的振动有关。
5.根据前述权利要求中的任一项所述的方法,其特征还在于:
监测实时数据库,并在井意外脱机或生产不足时增加标志。
6.根据前述权利要求中的任一项所述的方法,其中,联机事务处理数据库包括关于井、井的年龄、生产历史、完成类型和在从井中获取的流体样本中进行的各种地球化学测试的信息的数据库字段。
7.根据前述权利要求中的任一项所述的方法,其特征还在于:
分析并处理实时数据库中的数据,以识别实时数据的模式,并处理实时数据库中的数据以消除噪声并去除明显的不良信号。
8.根据权利要求3至权利要求7中的任一项所述的方法,其特征还在于:
基于所生成的预测模型,根据自动决策来安排地球化学测试。
9.根据权利要求3至权利要求8中的任一项所述的方法,其特征还在于:
在显示器上向用户显示每口井的状态和预测模型。
10.一种用于预测干油生产井预计何时过渡为湿油生产井的系统,所述系统的特征在于:
实时数据库,其被配置为存储来自至少一口井的关于含水量的实时数据;
联机事务处理数据库,其被配置为从所述至少一口井收集并存储历史数据;
计算机系统,其被配置有处理器和存储器,计算机被配置为:对来自实时数据库和联机事务处理数据库的数据进行组合和归一化,以生成经组合和归一化的数据;从经组合和归一化的数据去除离群值;将经组合的数据转换为时间序列数据,并使用自回归综合移动平均为所述至少一口井建立预测模型,预测模型基于经转换的数据预测所述至少一口井将何时生产含水量大于百分之一的碳氢化合物;以及基于预测模型来识别是否应对所述至少一口井进一步进行水测试并确定所述井将何时从干变为湿。
11.根据权利要求10所述的系统,其中,计算机系统使用机器学习对分别来自联机事务处理数据库和实时数据库中的每一个的历史联机事务处理数据和实时数据进行比较和相关。
12.根据权利要求10至权利要求11中任一项所述的系统,其中,来自联机事务处理数据库和实时数据库中的每一个的数据被更新,并且经更新的数据用于基于每个数据库的数据变化来建立预测模型。
13.根据权利要求10至权利要求12中任一项所述的系统,其中,计算机系统还被配置为收集实时读数并将读数登记到实时数据库,传感器读数由安装在地表处的仪表、安装在井口上的仪表以及安装在井口内的井的主孔或母孔处的仪表生成,传感器读数与流体的流率、流体的不同相、温度、压力和机械装置的振动有关。
14.根据权利要求10至权利要求13中任一项所述的系统,其中,实时数据库被监测和分析,并且实时数据库被配置为在井意外脱机或生产不足时增加标志。
15.根据权利要求10至权利要求14中任一项所述的系统,其中,联机事务处理数据库包括关于井、井的年龄、生产历史、完成类型和在从井中获取的流体样本中进行的各种地球化学测试的信息。
16.根据权利要求10至权利要求15中任一项所述的系统,其中,计算机系统还被配置为分析实时数据以识别数据的模式,并且还被配置为处理数据以消除噪声并去除明显的不良信号。
17.根据权利要求10至权利要求16中任一项所述的系统,其中,计算机系统还被配置为基于所生成的预测模型,根据自动决策来安排地球化学测试。
18.根据权利要求10至权利要求17中任一项所述的系统,其中,计算机系统还被配置为在显示器上向用户显示每口井的状态、实时数据库和联机事务处理数据库中收集的信息和预测模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/826,240 | 2017-11-29 | ||
US15/826,240 US10832152B2 (en) | 2017-11-29 | 2017-11-29 | Wet well prediction using real time data |
PCT/US2018/058544 WO2019108338A1 (en) | 2017-11-29 | 2018-10-31 | Wet well prediction using real time data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111417970A true CN111417970A (zh) | 2020-07-14 |
CN111417970B CN111417970B (zh) | 2022-03-22 |
Family
ID=64453594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880077443.7A Expired - Fee Related CN111417970B (zh) | 2017-11-29 | 2018-10-31 | 利用实时数据的湿井预测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10832152B2 (zh) |
EP (1) | EP3718065A1 (zh) |
CN (1) | CN111417970B (zh) |
WO (1) | WO2019108338A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11875371B1 (en) | 2017-04-24 | 2024-01-16 | Skyline Products, Inc. | Price optimization system |
CN110630256B (zh) * | 2019-07-09 | 2022-12-02 | 吴晓南 | 一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法 |
CN112505304B (zh) * | 2020-12-11 | 2023-10-03 | 成都北方石油勘探开发技术有限公司 | 一种含水量的检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
US20140249876A1 (en) * | 2011-09-20 | 2014-09-04 | The Trustees Of Columbia University In The City Of New York | Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings |
US20140278302A1 (en) * | 2013-03-13 | 2014-09-18 | Eric Ziegel | Computer-implemented method, a device, and a computer-readable medium for data-driven modeling of oil, gas, and water |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740033A (en) | 1992-10-13 | 1998-04-14 | The Dow Chemical Company | Model predictive controller |
US6968303B1 (en) | 2000-04-13 | 2005-11-22 | Advanced Micro Devices, Inc. | Automated system for extracting and combining tool trace data and wafer electrical test (WET) data for semiconductor processing |
US8170801B2 (en) | 2007-02-26 | 2012-05-01 | Bp Exploration Operating Company Limited | Determining fluid rate and phase information for a hydrocarbon well using predictive models |
US8103493B2 (en) | 2007-09-29 | 2012-01-24 | Schlumberger Technology Corporation | System and method for performing oilfield operations |
US9866426B2 (en) | 2009-11-17 | 2018-01-09 | Hawk Network Defense, Inc. | Methods and apparatus for analyzing system events |
AU2013263330B2 (en) | 2012-05-14 | 2016-05-26 | Landmark Graphics Corporation | Method and system of predicting future hydrocarbon production |
US20140039860A1 (en) | 2012-07-31 | 2014-02-06 | Landmark Graphics Corporation | Monitoring and Diagnosing Water Flooded Reservoirs Using Production Data |
EP2904530B1 (en) | 2012-12-13 | 2018-10-10 | Landmark Graphics Corporation | System, method and computer program product for determining placement of perforation intervals using facies, fluid boundaries, geobodies and dynamic fluid properties |
US9141920B2 (en) | 2013-05-17 | 2015-09-22 | International Business Machines Corporation | Project modeling using iterative variable defect forecasts |
BR112015032435A2 (pt) | 2013-08-30 | 2017-07-25 | Landmark Graphics Corp | método implementado por computador, sistema, produto de programa de computador, método para completar um poço e método para desenvolver um campo de hidrocarboneto |
US10565540B2 (en) | 2014-08-27 | 2020-02-18 | Sourcewater, Inc. | Oilfield water and well management using modeled predictions of oilfield water production or hydrocarbon production |
-
2017
- 2017-11-29 US US15/826,240 patent/US10832152B2/en active Active
-
2018
- 2018-10-31 CN CN201880077443.7A patent/CN111417970B/zh not_active Expired - Fee Related
- 2018-10-31 WO PCT/US2018/058544 patent/WO2019108338A1/en unknown
- 2018-10-31 EP EP18807781.2A patent/EP3718065A1/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140249876A1 (en) * | 2011-09-20 | 2014-09-04 | The Trustees Of Columbia University In The City Of New York | Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
US20140278302A1 (en) * | 2013-03-13 | 2014-09-18 | Eric Ziegel | Computer-implemented method, a device, and a computer-readable medium for data-driven modeling of oil, gas, and water |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
Non-Patent Citations (1)
Title |
---|
QING,YANG ET AL: "A Generalized Predictive Control for Management of an Intelligent Well"s Downhole,Interval Control Valves-Design and Practical Implementation", 《SPE OFFSHORE EUROPE OIL&GAS CONFERENCE&EXHIBITION》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111417970B (zh) | 2022-03-22 |
US20190164073A1 (en) | 2019-05-30 |
US10832152B2 (en) | 2020-11-10 |
WO2019108338A1 (en) | 2019-06-06 |
EP3718065A1 (en) | 2020-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A two-stage data-driven-based prognostic approach for bearing degradation problem | |
AU2014324846B2 (en) | Non-intrusive sensor system | |
DK179510B1 (en) | MULTIFASE FLUID ANALYSIS | |
US9268057B2 (en) | Real-time dynamic data validation apparatus and computer readable media for intelligent fields | |
CN111417970B (zh) | 利用实时数据的湿井预测 | |
KR101431237B1 (ko) | 구조물의 이상거동 검출 및 안전성 평가 시스템과 그 방법 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN107533560A (zh) | 用于推断原料成分的数据清理系统和方法 | |
EP3580623B1 (en) | Method for detection and isolation of faulty sensors | |
CN104915568A (zh) | 基于dtw的卫星遥测数据异常检测方法 | |
Peterson et al. | The good, the bad and the outliers: automated detection of errors and outliers from groundwater hydrographs | |
CN114065627A (zh) | 温度异常检测方法、装置、电子设备和介质 | |
Yu et al. | Online frequency and amplitude tracking in structural vibrations under environment using APES spectrum postprocessing and Kalman filtering | |
KR20210155851A (ko) | 수송관 이상 징후 감지 시스템 | |
Haider et al. | Effect of frequency of pavement condition data collection on performance prediction | |
WO2015039693A1 (en) | Method and system for data quality assessment | |
US11125043B2 (en) | Model-based monitoring and useful life estimation for blowout preventer annulars | |
Chaves et al. | Short-term production optimization under water-cut uncertainty | |
NO20161482A1 (en) | Multi-model fraction verifican | |
Galotto et al. | Data based tools for sensors continuous monitoring in industry applications | |
Du et al. | A critical change point detection method in threaded steel pipe connection processes using two stage sequential piecewise linear approach | |
US11953161B1 (en) | Monitoring and detecting pipeline leaks and spills | |
Kaneko et al. | Improvement and estimation of prediction accuracy of soft sensor models based on time difference | |
Aleksandrova et al. | Virtual analysis of technical equipment operational states variability | |
Wibawa et al. | Virtual Rate Estimation Using Machine Learning for ESP Problems Identification |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220322 |
|
CF01 | Termination of patent right due to non-payment of annual fee |