CN115769216A - 用于数值模拟的智能时间步进 - Google Patents
用于数值模拟的智能时间步进 Download PDFInfo
- Publication number
- CN115769216A CN115769216A CN202180045561.1A CN202180045561A CN115769216A CN 115769216 A CN115769216 A CN 115769216A CN 202180045561 A CN202180045561 A CN 202180045561A CN 115769216 A CN115769216 A CN 115769216A
- Authority
- CN
- China
- Prior art keywords
- computing device
- data
- time step
- reservoir
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims description 57
- 238000000034 method Methods 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000010801 machine learning Methods 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005553 drilling Methods 0.000 description 31
- 230000015572 biosynthetic process Effects 0.000 description 21
- 238000005755 formation reaction Methods 0.000 description 21
- 238000005259 measurement Methods 0.000 description 16
- 230000003068 static effect Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 13
- 239000012530 fluid Substances 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000191291 Abies alba Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000009844 basic oxygen steelmaking Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013626 chemical specie Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- G05B13/047—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 the criterion being a time optimal performance criterion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
-
- 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
- G05B13/042—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 parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G01V2210/66—Subsurface modeling
-
- 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
- G01V2210/663—Modeling production-induced effects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mining & Mineral Resources (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Fluid Mechanics (AREA)
- Molecular Biology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
Abstract
提供了用于对储层进行建模的系统和方法。一种示例性方法包括:接收与储层工作流程过程相关联的储层模型;使用最优时间步策略修改与储层工作流程过程相关联的储层模型;从储层模型中提取特征以及第一时间步长;使用第一时间步长生成用于设计训练集的第一组数据;确定第一组数据的选定量是否达到预定水平;使用训练集和机器学习(ML)算法触发实时训练;使用训练集生成具有第二时间步长的ML模型;基于置信水平选择第一步长或第二步长;将选择的步长发送到模拟器进行处理;从使用所选步长的模拟器接收结果;以及确定来自模拟器的结果是否需要更新训练集。
Description
相关申请的交叉引用
本申请要求2020年5月6日提交的美国临时申请号63/020,824的优先权,其内容全部包含于此。
背景技术
动态系统的数值模拟需要精确和可靠的时间积分,例如在碳氢化合物储层中。给定模型采用的离散化对时间步长有很大影响。显式离散化仅对于小时间步长是稳定的,受到Courant-Friedrichs-Lewy(CFL)条件的限制。对于隐式时间积分,理论时间步长没有稳定性限制。另一方面,对于非线性解状态在收缩区域之外的任何系统,不保证收敛。在各种模拟模型中,有许多选择时间步长的启发式技术。
模拟器中的算法没有固有的CFL型稳定性极限,因此时间步长选择的选择主要受一组启发式参数的限制。时间消减误差已被成功地用于保持精度;但是,对于许多复杂的模型,它的限制太多了。
在这种情况下,时间步长选择的主要驱动因素是非线性收敛。本质上,如果牛顿迭代的次数很少,则时间步长可以增加一个因子,而如果迭代超过预定的限制,则停止模拟,并以小的时间步长从先前的状态重复模拟(这导致计算工作量的显著浪费)。最近,已经提出了一种基于模糊逻辑的启发式方法,该方法已经产生了令人鼓舞的结果,但是仍然停留在不能保证最优结果的启发式方法池中。
研究人员已提出了一种基于PID控制器的时间步长选择器。PID控制器由用户规定的压力和饱和度变化限制控制,并根据该逻辑调整时间步长。PID控制器也显示出在该方案的计算效率方面的一些改进,但是PID控制器的调整是控制器实施的最重要阶段之一。此外,控制器处理用户输入,这在许多情况下可能不是最佳的,并可能导致效率低下。一些开创性的工作基于明确的稳定性要求和局部消减误差估计,这些构成了储层模拟中最新时间步进方法背后的许多研究项目和思想的基石。
本文提供了一种用于动态系统数值模拟的精确和可靠的时间积分的新方法。
附图说明
为了更好地理解上述实施例及其附加实施例,应结合以下附图参考下面的详细描述,在附图中,相同的附图标记表示所有附图中的相应部件。
图1A示出了根据一些实施例的由勘测工具在油田执行的勘测操作的简化示意图。
图1B示出了根据一些实施例的由钻井工具执行的钻井操作的简化示意图。
图1C示出了根据一些实施例的由生产工具执行的生产操作的简化示意图。
图2示出了根据一些实施例的油田的部分横截面示意图。
图3示出了根据一些实施例的静态工作流程,其包括作为推理机的机器学习模型。
图4示出了根据一些实施例的实时训练-推理-加强类型模型的第二工作流程。
图5示出了根据一些实施例的包括人工智能时间步进的动态工作流程。
图6示出了根据一些实施例的组成模拟模型的来自随机森林模型的树的快照。
图7示出了根据一些实施例的用于热模拟模型的来自随机森林模型的树的快照。
图8示出了热模拟模型的时间步长比较。
图9示出了根据一些实施例的具有和不具有机器学习(ML)的模拟模型的实际运行时间的比较。
图10示出了根据一些实施例的用于执行本公开的一些方法的计算系统的示例。
发明内容
根据本公开中描述的主题的一个方面,提供了一种用于对储层建模的方法。该方法包括以下步骤:使用一个或多个计算设备处理器接收与储层工作流程过程相关联的储层模型;使用一个或多个计算设备处理器,使用最优时间步长策略修改与储层工作流程过程相关联的储层模型;使用一个或多个计算设备处理器从储层模型中提取特征以及第一时间步长;使用所述一个或多个计算设备处理器生成第一组数据,用于使用所述第一时间步长设计训练集;使用所述一个或多个计算设备处理器为所述训练集收集选定量的第一组数据;使用一个或多个计算设备处理器确定第一组数据的选定量是否达到预定水平;响应于第一组数据的选定量达到预定水平,使用训练集和机器学习(ML)算法触发实时训练;使用所述一个或多个计算设备处理器,使用所述训练集生成具有第二时间步长的ML模型;使用一个或多个计算设备处理器比较第一时间步长和第二时间步长,以生成置信水平;使用一个或多个计算设备处理器,基于置信水平选择第一步长或第二步长;使用所述一个或多个计算设备处理器将所选择的步长发送到模拟器进行处理;使用一个或多个计算设备处理器接收来自使用所选步长的模拟器的结果;以及使用一个或多个计算设备处理器来确定来自模拟器的结果是否需要更新训练集。
根据本公开中描述的主题的另一方面,提供了一种用于对复杂过程建模的方法。该方法包括以下步骤:使用一个或多个计算设备处理器接收与工作流程过程相关联的模型;使用一个或多个计算设备处理器,使用最优时间步长策略来修改与工作流程过程相关联的模型;使用一个或多个计算设备处理器从模型中提取特征以及用于分析的第一时间步长;使用所述一个或多个计算设备处理器生成第一组数据,用于使用所述第一时间步长设计训练集;使用所述一个或多个计算设备处理器为所述训练集收集选定量的第一组数据;使用一个或多个计算设备处理器确定第一组数据的选定量是否达到预定水平;响应于第一组数据的选定量达到预定水平,使用训练集触发机器学习(ML)算法的实时训练;使用所述一个或多个计算设备处理器,使用所述训练集生成具有第二时间步长的ML模型;使用一个或多个计算设备处理器比较第一时间步长和第二时间步长,以生成置信水平;确定置信水平是否低于阈值;以及响应于置信度水平低于阈值,使用一个或多个计算设备处理器来更新训练集。
根据本公开中描述的主题的另一方面,提供了一种用于对储层建模的系统。该系统包括一个或多个计算设备处理器。此外,该系统包括联接到一个或多个计算设备处理器的一个或多个计算设备存储器。一个或多个计算设备存储器存储由一个或多个计算设备处理器执行的指令。这些指令被配置成:接收与储层工作流程过程相关联的储层模型;使用最优时间步长策略修改与储层工作流程过程相关联的储层模型;从储层模型中提取特征以及用于分析的第一时间步长;使用第一时间步长生成用于设计训练集的第一组数据;为训练集收集选定量的第一组数据;确定第一组数据的选定量是否达到预定水平;响应于第一组数据的选定量达到预定水平,使用机器学习(ML)算法使用训练集触发实时训练;使用所述训练集生成具有第二时间步长的ML模型;比较所述第一时间步长和所述第二时间步长,以产生置信水平;基于置信度选择第一步长或第二步长;将选择的步长发送到模拟器进行处理;从使用所选步长的模拟器接收结果;并确定来自模拟器的结果是否需要更新训练集。
本公开的附加特征和优点在本公开的详细描述中进行了描述,并且将从本公开的详细描述中变得显而易见。
具体实施方式
现在将详细参考实施例,其示例在附图中示出。在下面的详细描述中,阐述了许多具体细节,以便提供对本发明的透彻理解。然而,对于本领域普通技术人员来说,显然可以在没有这些具体细节的情况下实施本发明。在其他情况下,没有详细描述公知的方法、程序、组件、电路和网络,以免不必要地模糊实施例的各个方面。
还将理解,尽管术语第一、第二等可以在这里用来描述各种元件,但是这些元件不应该被这些术语所限制。这些术语用于区分一个元件和另一个元件。例如,在不脱离本发明的范围的情况下,第一对象或步骤可以被称为第二对象或步骤,并且类似地,第二对象或步骤可以被称为第一对象或步骤。第一个对象或步骤和第二个对象或步骤分别是两个对象或步骤,但是它们不能被认为是同一个对象或步骤。
在本发明的描述中使用的术语是为了描述特定的实施例,而不是为了限制本发明。如在本发明和所附权利要求的描述中所使用的,单数形式“一”、“一个”和“该”也旨在包括复数形式,除非上下文清楚地另外指出。还应该理解,这里使用的术语“和/或”是指并包含一个或多个相关列出项目的任何可能组合。还将理解,术语“包括(includes)”、“包括(including)”、“包含(comprises)”和/或“包含(comprising)”在本说明书中使用时,指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在,但不排除一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合的存在或添加。
如这里所使用的,根据上下文,术语“如果”可以被解释为表示“当…时”或“在…时”或“响应于确定”或“响应于检测”。
本领域的技术人员将会理解,虽然本公开中的一些术语可能指代绝对数,例如所有源接收器轨迹、多个对象中的每一个等,但是本文公开的方法和技术也可以在少于全部的给定事物上执行,例如,在一个或多个组件上执行和/或在一个或多个源接收器轨迹上执行。因此,在本公开中使用绝对值的情况下,本公开也可以被解释为指子集。
本文公开的计算系统、方法、处理过程、技术和工作流程是用于开发机器学习(ML)模型的更高效和/或有效的方法,该模型用于通过选择r时间步长策略来驱动模拟器,r时间步长策略通常是一类基于迭代的方法,其在模拟过程中启发式地创建改进的时间步长。在本公开中,解决了地下储层的油气开采过程的数值模拟中的挑战,但是本公开通常适用于由平流-扩散-反应型过程控制的任何模拟。
这种方法消耗来自系统物理状态的数据以及来自描述非线性偏微分方程的导出数学参数的数据。机器学习方法(例如随机森林回归、神经网络)解释并分类输入参数数据和模拟器性能数据,然后选择优化的时间步长。经过训练的模型用于实时推理(被认为基本上是瞬时的),因此在模拟过程中不会引入任何额外的成本。
考虑的参数包括以前的时间步长、解更新的幅度和解特征的其他度量(如CFL数)、收敛条件、非线性和线性解算器的行为、井事件、流体类型和使用的开采方法。该系统和方法作为独立的应用程序工作,并且从在一个模拟模型上训练时间步长预测器获得的学习可以被转移和应用到类似的模拟模型。最后,该解决方案可以应用于本地集群和基于云的模拟中的一系列问题。
此处示出的细节仅是示例性的,并且是为了对本发明的实施例进行说明性讨论,并且是为了提供被认为是对本发明的原理和概念方面最有用和最容易理解的描述而给出的。在这点上,没有试图比基本理解本主题公开所必需的更详细地示出结构细节,结合附图的描述使本领域技术人员清楚如何在实践中体现本主题公开的几种形式。此外,不同附图中相同的附图标记和名称表示相同的元件。
地下储层的油气采收预测是一项复杂的建模活动,与涉及动态(流体/能量)体积流动系统(例如地热采收、CO2封存、天气和洋流预测)的许多其他情况一样,建模方法通常使用数值方法,其中在一个时间点的解通过一个小的时间步长向前投影到下一个时间点,并且重复该过程以计算整个感兴趣时段的解。
较大的时间步长是有利的,因为它们允许模拟进行得更快,但是如果时间步长变得太大,那么显式方法(其使用当前的解状态来计算流体性质)就不稳定,不能使用。为此,隐式公式(其使用未知的未来溶液状态来估计流体性质)通常是优选的,因为它们是无条件稳定的。
然而,在实践中,无条件稳定所承诺的大时间步长并不总是可能实现的。如果寻求太大的时间步长,被求解的系统可能变得过于非线性,其解可能需要不切实际的大量迭代才能收敛。在这种情况下,该过程通常被放弃,并且解被设置回先前的时间,并且用更小的时间步长进行新的解尝试(该时间步长被“消减”)。这种放弃计算和重置既浪费了计算资源又浪费了实时性。需要一种平衡——一个最佳的时间步长应该足够大,以允许快速进行模拟,但又足够小,以防止消减。
不幸的是,这个大小不容易预测。被模拟的情景可能在特征和复杂性上有很大不同,时间步长选择策略需要考虑这一点。此外,模拟过程中的条件可能会随时间发生显著变化,这意味着最佳时间步长选择策略在模拟运行的不同阶段可能会有所不同。迄今为止,已经开发并实现了许多启发式策略,但是还没有发现任何一种策略是通用的。
这里描述的一个实施例可以使用AI和机器学习技术来分析底层模型在模拟运行期间改变时的数学和物理状态,以便预测和应用最优大小的时间步长。
在一实施例中,描述了一种储层模拟器时间步长选择方法,该方法可以使用机器学习(ML)技术来分析系统的数学和物理状态,并预测时间步长,该时间步长很大,但仍然可以有效求解,从而使得模拟更快。当时间步长太小时,最佳时间步长选择可以避免浪费非线性和线性方程建立工作,并避免需要多次迭代求解的高度非线性系统。
典型的时间步长选择器可以使用有限的启发式指标集合来预测随后的步长。虽然这些算法对于简单的模拟模型是有效的,但是随着复杂性的增加,对稳健的数据驱动的时间步长选择算法的需求也越来越大。描述了动态和静态工作流程,这些工作流程使用一组不同的物理(如油井数据)和数学(如CFL)指标来建立预测ML模型。这些可以被预先或动态训练,以生成最佳推理模型。随着新数据变得可用并有效地用于迁移学习,经过训练的模型也可以得到加强。
在一些实施例中,这里描述的工作流程可以遵循三个步骤——训练、推理和加强。第一工作流程可以包括从一组数据中预先训练ML模型,该一组数据是通过以宽松的时间步长策略运行模拟模型而生成的,然后使用训练的模型作为模拟器框架内的推理机。训练数据可以由模拟器生成,范围从直接的物理量到系统的导出的数学属性。可以为来自各种来源的训练数据生成最佳时间步长。最佳时间步长可以允许模拟器在使用时产生改进的结果。
本公开中描述的一种技术是在训练步骤期间在模拟器中请求非常大的时间步长。如果一时间步长是成功的,它将作为训练样本点。但是,当一时间步长失败并需要消减时,会过滤掉(较大的)失败时间步长尝试,并将(较小的)成功尝试添加到训练集中。该过程可以为每个特征集生成具有其相应最佳时间步长的训练数据。最佳时间步长可以是已经成功尝试的一个或多个改进的时间步长。然后,推理机产生最佳时间步长,该时间步长可以应用于任何模拟模型,该模拟模型本质上类似于用于生成训练数据的模型(并且模型之间的“相似性”可以通过对每个模型的输入数据进行指纹识别来确定)。也可以加强ML模型(用后续运行的时间步长行为更新训练数据),以迭代地提高时间步长预测器的准确性。
本公开的优点在于,它描述了每当储层工程师需要在模拟模型的许多类似变型上运行储层模拟器时可以用来加速工作流程的实施例。从第一个模型的模拟中获得的信息用于产生改进的和稳健的时间步长预测器,其允许所有其他模型更有效地运行。目标工作流程包括集成优化、历史匹配和预测。
图1A-1C示出了根据在此描述的各种技术和工艺的实施方式的具有其中包含储层104的地下地层102的油田100的简化示意图。图1A示出了由诸如地震卡车106a的勘测工具执行的勘测操作,以测量地下地层的特性。勘测操作是用于产生声音振动的地震勘测操作。在图1A中,一个这样的声振动,例如由源110产生的声振动112,反射离开地层116中的层位114。一组声音振动由位于地球表面的传感器接收,例如地震检波器接收器118。接收的数据120作为输入数据被提供给地震卡车106a的计算机122a,并且响应于该输入数据,计算机122a生成地震数据输出124。该地震数据输出可以根据需要被存储、传输或进一步处理,例如通过数据简化。
图1B示出了由钻机128悬挂的钻井工具106b执行的钻井操作,该钻井操作前进到地下地层102中以形成井筒136。钻井工具被推进到地下地层102中以到达储层104。每口井可以瞄准一个或多个储层。钻井工具可以适于使用随钻测井工具测量井下特性。如所示,随钻测井工具也可以适于获取岩心样本133。
钻井工具106b可以包括适于执行随钻测井(LWD)数据收集的井下传感器。传感器S可以是任何类型的传感器。
计算机设施可以位于油田100周围的不同位置(例如,地面单元134)和/或远程位置。地面单元134可用于与钻井工具和/或场外作业通信,以及与其他地面或井下传感器通信。地面单元134能够与钻井工具通信,以向钻井工具发送命令,并从其接收数据。地面单元134还可以收集在钻井操作期间产生的数据,并产生数据输出135,该数据输出135然后可以被存储或传输。
在一些实施例中,传感器(S)(例如计量器)可以位于油田100周围,以收集与如前所述的各种油田作业相关的数据。如所示,传感器(S)定位在钻井工具和/或钻机128中的一个或多个位置,以测量钻井参数,例如钻压、钻压扭矩、压力、温度、流量、成分、转速和/或现场作业的其他参数。在一些实施例中,传感器(S)也可以位于井筒136中的一个或多个位置。
钻井工具106b可包括靠近钻头(例如,在距钻头几个钻铤长度内)的通常称为的井底组件(BHA)(未示出)。井底组件包括测量、处理和存储信息的能力,以及与地面单元134通信的能力。井底组件还包括用于执行各种其他测量功能的钻铤。
井底组件可包括与地面单元134通信的通信子组件。通信子组件被配置成使用诸如泥浆脉冲遥测、电磁遥测或有线钻杆通信的通信信道向地面发送信号和从地面接收信号。通信子组件可包括例如发射器,该发射器产生代表测量的钻井参数的信号,例如声学或电磁信号。本领域技术人员将会理解,可以采用各种遥测系统,例如有线钻杆、电磁或其他已知的遥测系统。
由传感器(S)收集的数据可以由地面单元134和/或其他数据收集源收集,用于分析或其他处理。进一步处理的一示例是生成用于计算并列图的网格,如下所述。传感器(S)收集的数据可以单独使用,也可以与其他数据结合使用。数据可以在一个或多个数据库中收集和/或在现场或非现场传输。该数据可以是历史数据、实时数据或其组合。实时数据可以实时使用,或者存储起来供以后使用。该数据还可以与历史数据或其他输入相结合,用于进一步分析。数据可以存储在不同的数据库中,也可以合并到一个数据库中。
地面单元134可以包括收发器137,以允许地面单元134和油田100的各个部分或其他位置之间的通信。地面单元134也可以设置有或功能性地连接到一个或多个控制器(未示出),用于致动油田100处的机构。地面单元134然后可以响应于接收到的数据向油田100发送命令信号。地面单元134可以通过收发器137接收命令,或者可以自己执行给控制器的命令。可以提供处理器来分析数据(本地或远程),做出决定和/或启动控制器。
图1C示出了由生产工具106c执行的生产操作,生产工具106c由钻机128部署,钻机128具有进入完井的井筒136的采油树阀装置,用于将流体从井下储层抽入钻机128。流体从储层104通过套管中的射孔(未示出)流入井筒136中的生产工具106c,并通过收集网络146到达钻机128。
在一些实施例中,传感器(S)(例如计量器)可以位于油田100周围,以收集与如前所述的各种现场操作相关的数据。如所示,传感器(S)可以位于生产工具106c或钻机128中。
虽然图1A-1C示出了用于测量油田特性的工具,但是应当理解,各种测量工具能够感测地下地层的参数,例如地震双向传播时间、密度、电阻率、生产率等,和/或可以使用其地质地层。作为示例,缆线工具可用于获得与套管属性相关的测量信息。缆线工具可包括声波或超声波换能器,以提供对套管几何形状的测量。套管几何信息也可以由包括在缆线工具上的手指卡尺传感器提供。各种传感器可以位于沿着井筒和/或监测工具的各种位置,以收集和/或监测期望的数据。其他数据源也可以从非现场位置提供。
图1A-1C的油田配置旨在提供可用于油田应用框架的油田的示例的简要描述。油田100的部分或全部可以在陆地、水上和/或海上。此外,虽然描述了在单个位置测量的单个油田,但是油田应用可以与一个或多个油田、一个或多个处理设施和一个或多个井场的任意组合一起使用。处理由传感器收集的数据的一示例是生成用于计算并列图的网格,如下所述。
图2示出了油田200的部分横截面示意图,该油田200具有数据采集工具202a、202b、202c和202d,这些数据采集工具202a、202b、202c和202d位于沿着油田200的各个位置,用于根据在此描述的各种技术和工艺的实施方式来收集地下地层204的数据。数据采集工具202a-202d可以分别与图1A-1C的数据采集工具106a-106d相同,或者与其他未示出的相同。如所示,数据采集工具202a-202d分别生成数据曲线图或测量208a-208d。沿着油田200描绘这些数据曲线图,以展示由各种操作产生的数据。
数据曲线图208a-208c是可以分别由数据采集工具202a-202c生成的静态数据曲线图的示例;然而,应该理解,数据曲线图208a-208c也可以是实时更新的数据曲线图。可以对这些测量结果进行分析,以更好地确定地层的特性和/或确定测量结果的精度和/或检查误差。每个相应测量值的曲线图可以被对齐和缩放,用于比较和验证性质。
静态数据曲线图208a是一段时间内的地震双向响应。静态曲线图208b是从地层204的岩心样本测量的岩心样本数据。岩心样本可用于提供数据,例如岩心样本在岩心长度上的密度、孔隙度、渗透率或一些其他物理性质的图表。可以在不同的压力和温度下对岩心中的流体进行密度和粘度测试。静态数据曲线图208c是提供不同深度处地层的电阻率或其他测量值的测井轨迹。
生产率递减曲线或图表208d是流体流量随时间变化的动态数据曲线图。生产率递减曲线提供了作为时间函数的生产率。当流体流过井筒时,对流体性质进行测量,例如流量、压力、成分等。
也可以收集其他数据,例如历史数据、用户输入、经济信息和/或其他测量数据和其他感兴趣的参数。如下所述,静态和动态测量可以被分析并用于生成地下地层的模型,以确定其特征。类似的测量也可以用于测量地层方面随时间的变化。
地下结构204具有多个地质构造206a-206d。如所示,该结构具有几个地层或层,包括页岩层206a、碳酸盐层206b、页岩层206c和砂层206d。断层207延伸穿过页岩层206a和碳酸盐层206b。静态数据采集工具适于进行测量并检测地层的特征。
虽然描述了具有特定地质结构的特定地下地层,但是应当理解,油田200可以包含各种地质结构和/或地层,有时具有极大的复杂性。在一些位置,例如在吃水线以下,流体可能占据地层的孔隙空间。每个测量装置可用于测量地层的性质和/或其地质特征。虽然每个采集工具被示出为处于油田200中的特定位置,但是应当理解,可以在跨越一个或多个油田的一个或多个位置或其他位置进行一种或多种类型的测量,以进行比较和/或分析。
从各种来源收集的数据,例如图2的数据采集工具,然后可以被处理和/或评估以形成用于评估钻场的模型报告。
在一些实施例中,模型可以包括井的名称、井的区域和位置(通过纬度和经度)(县和州)、井控号、钻机承包商名称和钻机号、开钻和钻机发布日期、天气和温度、道路状况和孔状况以及提交报告的人的姓名。
在一些实施例中,模型可以包括所使用的钻头(具有尺寸和序列号)、深度(方钻杆补心深度、地面标高、钻井深度、钻井深度进度、水深)、钻井液损失和井漏、估计成本(通常是单独的文件)、打捞和侧钻、泥浆工程师对所钻地层的岩性和所观察到的碳氢化合物、日常钻井问题、管件(套管和油管接头和底脚)运行和所使用的水泥、供应商及其服务、井筒勘测结果、工作总结、所执行和计划的工作。
在一些实施例中,该模型可以包括单个操作的小时分解持续时间,其具有允许即时查看、理解和总结每个阶段的代码,例如,钻机装配和拆卸时间、切线钻井(垂直)、曲线钻井(将钻井方向从垂直改变为水平)和横向钻井(对于水平井)、循环井、调节泥浆、为了安全而铰孔以防止卡管、下套管、等待水泥、接头连接和测试BOP、井的起下钻和勘测。
图3示出了工作流程300,其中使用图1A-1C和图2中描述的技术生成模型,如步骤302所示。如步骤304所示,可以使用最佳时间步长策略来修改模型。如阶段306所示,经修改的模型可以包括从经修改的模型的模拟运行中提取的用于训练ML模型的特征。如阶段308所示,ML预处理器可以更新/清理特征并生成测试/训练模型。涉及优化时间步长的处理步骤由框316封装。
特别地,ML处理器使用训练集来训练ML算法,如阶段310所示。ML算法可以是利用步骤302的模型的任何类型。此外,如步骤312所示,决策树可用于使用训练集来确定最佳时间步长。如步骤314所示,可以使用测试模型来测试模型以验证结果。通过使用步骤312生成的决策树,类似的模型可以使用优化的时间步长。
图4示出了根据一些实施例的实时训练-推理-加强类型模型的第二工作流程。在这种情况下,模拟从选择最佳时间步长开始,如步骤402所示,该最佳时间步长是通过采用大时间步长并微调该大时间步长以获得改进的或成功的时间步长,并提取特征以及成功的时间步长来确定的,如步骤404所示。如步骤406所示,收集以下信息以创建训练数据。如步骤408所示,一旦收集了足够的数据,就触发生成ML模型的实时、基本上即时的训练。对于接下来的步骤,ML模型充当推理机并生成最佳时间步长。如步骤410所示,生成并不断更新ML时间步长置信水平,并使用实际模拟器时间步长的成功来比较ML生成的时间步长与模拟器的现有启发式算法生成的时间步长。
这个置信水平决定了在模拟的这个阶段ML时间步长的当前可靠性。如步骤412所示,如果置信水平低于阈值,则系统触发一个过程来生成更多的训练数据(使用一段时间的尝试大时间步长)以附加到现有特征集。如步骤414所示,随后的训练也被触发,并且推理机被更新。用于调整ML和启发式时间步长选择之间的置信水平以及选择当前使用哪种方法的机制本身可以被配置为机器学习分类器。这种设置将动态工作流程带入了人工智能领域。一个或多个ML算法/模型然后可以控制一个或多个从属ML模型,从而向前驱动模拟器。
图5示出了根据一些实施例的动态工作流程500的设置。由步骤502表示的第一过程步骤可以在模拟运行开始时触发。在这一点上,可以采用积极的时间步进策略,通过将模拟器带到给定模型的数值极限来驱动模拟器前进。这可能导致失败的时间步长被从训练数据中丢弃,而成功的时间步长(也代表步长的最优集合)可以被添加到训练集合中。可以获取模型的静态和动态指纹,这将包括模型属性、数字设置和实时或基本即时的参数,例如在模拟期间打开和关闭的井的数量。一旦生成了足够的数据,将触发步骤504,该步骤可以使用指定的算法来训练ML模型。这种经过训练的模型可用于预测模拟器的时间步长。
同时,步骤506可以从模拟器中的现有方法产生启发式时间步长。预测的ML和启发式时间步骤可以在另一个ML分类器中进行比较,该分类器将确定置信水平。这可以在步骤508中执行。置信度监视器可以选择一个时间步长,并将其输入模拟器。模拟器依次执行并发回非线性收敛行为的结果,如步骤510所示。置信度监视器然后分析该反馈,并且或者在步骤512决定加强ML模型,或者决定重新生成一组全新的最优时间步长(来自步骤502)并且重新训练新的模型(在步骤504)。加强步骤不会干扰模型或仅轻微干扰模型,但是增加了可靠的时间步骤以增加预测器的置信水平。这些阶段共同导致了基于人工智能的时间步长选择策略,而不仅仅是ML推理机。箭头上的数字表示操作次数。在生成新数据点时(步骤502-504),产生多个时间步长,而在其他阶段,一次处理一个步长。
在一些实施例中,静态工作流程300以及动态工作流程500可以彼此结合使用。静态工作流程300可以给出初始模型,该初始模型在步骤502(图5中)被动态模型500使用,并且在模拟期间根据需要被加强。
现在讨论储层模拟的ML增强时间步长选择策略的结果。这些结果是通过将第一工作流程300应用于代表不同物理过程的一系列模型而获得的。
表1示出了模拟器生成的一组示例特征。训练数据仅包括成功的时间步长(表示为“通过”)。这确保了ML模型被训练到最佳时间步长。该训练数据也可以实时或基本上即时生成。
表1:用于ML增强时间步进的一组示例特征
在此示例中,示出了随机森林回归的应用程序。对于神经网络也获得了类似的结果。图6示出了为等温组成模型生成的树600的一部分的快照。在该树600中,压力变化导致数据中的最大变化,因此是主要的分裂数据。各种化学物质之间的相互作用由系统的热力学状态决定,压力变化是影响这种相互作用的主要状态变量。生成的树符合基于系统物理的逻辑推理的预期。
图7描绘了根据一些实施例的来自热模拟模型的随机森林模型的树700的快照。在这种情况下,温度CFL数成为一个重要的特征,因为温度的局部变化给控制偏微分方程引入了刚度。方程的刚度越大,数值求解就越困难。图7示出了随机森林树700的一部分,顶部节点702是温度CFL数。
图8描绘了根据一些实施例的热模拟模型的时间步长比较。曲线802示出了ML增强模型的时间步长,而曲线804是默认模拟运行。ML生成的时间步长比默认运行更加优化。在一些实施例中,ML能够以两倍的时间步长驱动模拟器。
图9示出了根据一些实施例的相同模型的运行时间比较。ML增强运行902导致模拟运行时间904减少约25%。对于复杂性和非线性范围内的其他情况,也获得了类似的结果。
图10描绘了根据一些实施例的根据执行本公开的一些方法的示例计算系统1000。例如,计算系统1000可以执行这里描述的工作流程300、400和500。
计算系统1000可以是单独的计算机系统1001A或分布式计算机系统的布置。计算机系统1001A包括一个或多个地球科学分析模块1002,其被配置成根据一些实施例执行各种任务,例如本文公开的一种或多种方法。为了执行这些不同的任务,地质科学分析模块1002独立执行,或者与一个或多个处理器1004协调执行,处理器1004连接到一个或多个存储介质1006。处理器1004还连接到网络接口1008,以允许计算机系统1001A通过数据网络1010与一个或多个附加的计算机系统和/或计算系统,例如1001B、1001C和/或1001D通信(注意,计算机系统1001B、1001C和/或1001D可以共享或不共享与计算机系统1001A相同的架构,并且可以位于不同的物理位置,例如,计算机系统1001A和1001B可以在海洋上航行的船上,同时与位于岸上、其他船上和/或位于不同大陆的不同国家的一个或多个数据中心中的一个或多个计算机系统如1001C和/或1001D通信。注意,数据网络1010可以是专用网络,它可以使用公共网络的一部分,它可以包括远程存储和/或应用处理能力(例如,云计算)。
处理器可以包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或其他控制或计算设备。
存储介质1006可以被实现为一个或多个计算机可读或机器可读存储介质。注意,虽然在图10的示例实施例中,存储介质1006被描绘为在计算机系统1001A内,但是在一些实施例中,存储介质1006可以分布在计算系统1001A和/或附加计算系统的多个内部和/或外部机箱内和/或跨其分布。存储介质1006可以包括一种或多种不同形式的存储器,包括半导体存储设备,例如动态或静态随机存取存储器(DRAM或SRAM)、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;磁盘,例如固定磁盘、软盘和可移动磁盘;包括磁带在内的其他磁介质;光学介质,例如光盘(CD)或数字视频光盘(DVD)、蓝光光盘或任何其他类型的光学介质;、或其他类型的存储设备。“非暂时性”计算机可读介质指的是介质本身(即,有形的,不是信号),而不是数据存储持久性(例如,RAM对ROM)。
注意,上面讨论的指令或方法可以在一个计算机可读或机器可读存储介质上提供,或者可替换地,可以在分布在可能具有多个节点和/或非暂时性存储装置的大型系统中的多个计算机可读或机器可读存储介质上提供。这种计算机可读或机器可读存储介质被认为是物品(或制造物品)的一部分。物品或制造物品可以指任何制造的单个部件或多个部件。一个或多个存储介质可以位于运行机器可读指令的机器中,或者位于可以通过网络从其下载机器可读指令以供执行的远程站点。
应当理解,计算机系统1001A是计算系统的一个示例,并且计算机系统1001A可以具有比所示更多或更少的组件,可以组合图10的示例实施例中未示出的附加组件,和/或计算机系统1001A可以具有图10中所示组件的不同配置或布置。图10中所示的各种组件可以用硬件、软件或硬件和软件的组合来实现,包括一个或多个信号处理和/或专用集成电路。
还应当理解,尽管没有针对计算机系统1001A、1001B、1001C和1001D示出用户输入/输出外围设备,但是计算系统1000的许多实施例包括具有键盘、触摸屏、显示器等的计算系统。计算系统1100中使用的一些计算系统可以是台式工作站、膝上型电脑、平板电脑、智能手机、服务器计算机等。
此外,这里描述的处理方法中的步骤可以通过运行信息处理装置中的一个或多个功能模块来实现,所述信息处理装置例如通用处理器或专用芯片,例如ASIC、FPGA、PLD或其他适当的设备。这些模块、这些模块的组合和/或它们与通用硬件的组合包括在本公开的保护范围内。
在一些实施例中,提供了一种计算系统,该计算系统包括至少一个处理器、至少一个存储器以及存储在该至少一个存储器中的一个或多个程序,其中该程序包括指令,当由该至少一个处理器执行时,该指令被配置成执行这里公开的任何方法。
在一些实施例中,提供了计算机可读存储介质,其中存储了一个或多个程序,该一个或多个程序包括指令,当由处理器执行时,该指令使处理器执行本文公开的任何方法。
在一些实施例中,提供了一种计算系统,其包括至少一个处理器、至少一个存储器和存储在该至少一个存储器中的一个或多个程序;和用于执行这里公开的任何方法的装置。
在一些实施例中,提供了一种在计算系统中使用的信息处理装置,其包括用于执行这里公开的任何方法的装置。
在一些实施例中,提供了图形处理单元,并且该图形处理单元包括用于执行这里公开的任何方法的器件。
这里讨论的模拟器用于运行石油和天然气工业中的油田开发规划案例。这些包括运行数以千计的此类案例,模型设置略有不同。本主题公开的实施例可以容易地应用于这样的应用,并且所产生的收益是显著的。在优化场景中,学习可以很容易地转移,这将避免重新训练几个模型的需要。在模型显示物理或数学属性的大变化的情况下,将触发加强学习,这将使ML模型适应新的特征范围。类似地,动态框架也可以应用于独立的模型,并与静态工作流程相结合。
此外,在石油和天然气行业之外还有潜在的应用,如计算流体动力学(CFD)研究、地下水流动、天气预报、磁流体力学(MHD)等。随着许多应用程序向云迁移,这也为优化模拟云工作流程和解决方案提供了一个框架。
本公开的主题解决了储层模拟器中时间步长的低效(次优)选择的问题,这导致了计算工作量的浪费和更长的模拟时间(与云计算中的成本直接相关)。这意味着储层工程师需要更长的时间来做出操作决策。太大的步骤需要减少和重复——这个过程叫做消减;当步长太小时,模拟过程中需要更多的步长,从而增加了计算量。
储层模拟器中使用的典型时间步长选择方法着眼于前一时间步长的基本参数,以决定是否应该增加或减少,但不考虑模拟器中可用的许多物理复杂性测量。
这里描述的实施例将那些测量结合到实际工作流程中,以预测尽可能大的时间步长,并且可以在不需要消减的情况下求解。
在静态模式下,在放宽时间步长限制的单次模拟运行中获得的信息(其只需足够长以捕捉模型的主要行为)可用于训练稳健的智能时间步长选择,以用于类似模型的后续运行。除了许多正常的模拟数值参数之外,使用的信息还包括容易获得的模拟“物理”信息(如CFL数),这意味着它更适合在更广泛的模拟模型中使用。
在动态模式中,系统比较由训练的ML模型和模拟器的基础启发式算法选择的时间步长,以计算ML时间步长是可靠的置信度。可以基于所使用的实际时间步长的性能来调整该置信水平,以便确定何时应该使用该模型以及何时需要更新其训练。
每当储层工程师需要在模拟模型的许多类似变体上运行储层模拟器时,这里描述的实施例可以用于加速工作流程。从第一个模型的模拟中获得的信息用于产生改进的和稳健的时间步长预测器,其允许其他模型更有效地运行。目标工作流程包括集成优化、历史匹配和预测。
现有的方法可以分为两个子类——物理的和数学的。物理方法基于特定的参数,如状态变量的变化幅度、物理类型等,而数学方法基于诸如误差估计、收敛定理、迭代次数等概念。可以使用专业知识来调整这些方法,以便获得最佳性能。
本公开描述了从系统的物理状态和数学参数中学习的机器学习工作流程。这将产生最佳的性能,并且不需要任何调整来实现这一点。另一个优点是不需要运行多个模拟来产生训练数据集,而是描述了实时学习模型。
这里描述的实施例可以在云上使用,而不需要共享数据或模型。它使用物理信息和ML,并利用较少的模拟。
这里描述的实施例可以在模拟器中使用,以实现有效的模型并改善运行时间。
在一些实施例中,工作流程可以用于为通用数值模拟生成优化的时间步长。这导致模拟时间的减少,并导致更有效的石油和天然气开采的油田开发规划。在一些实施例中,可对照模拟器内的一组诊断数字和物理特征来训练可控参数,并且优化可控参数。不需要对现有模拟结果进行后处理,因为这是模拟期间的实时时间步长预测。在一些实施例中,描述了基于人工智能的动态时间步长选择策略。ML时间步长与模拟器启发式时间步长进行动态比较,以不断更新置信水平,该置信水平指示ML时间步长何时可靠以及ML系统何时需要更多训练。
这里描述的实施例可以用于独立模拟或闭环优化例程,并且可以实现为本地独立解决方案以及云解决方案。
虽然上面已经描述了根据所公开的原理的各种实施例,但是应当理解,它们仅仅是通过示例的方式呈现的,而不是限制性的。
此外,在所描述的实施例中提供了上述优点和特征,但是不应将所发布的权利要求的应用限制于实现任何或所有上述优点的过程和结构。
权利要求书(按照条约第19条的修改)
1.一种用于对储层进行建模的方法,包括:
使用一个或多个计算设备处理器接收与储层工作流程过程相关联的储层模型;
使用一个或多个计算设备处理器,使用最优时间步策略修改与储层工作流程过程相关联的储层模型;
使用一个或多个计算设备处理器从储层模型中提取特征以及第一时间步长;
使用一个或多个计算设备处理器生成第一组数据,用于使用第一时间步长设计训练集;
使用一个或多个计算设备处理器为所述训练集收集选定量的第一组数据;
使用一个或多个计算设备处理器确定第一组数据的选定量是否达到预定水平;
响应于第一组数据的选定量达到预定水平,使用训练集和机器学习(ML)算法触发实时训练;
使用所述一个或多个计算设备处理器,使用所述训练集生成具有第二时间步长的ML模型;
使用一个或多个计算设备处理器比较第一时间步长和第二时间步长,以生成置信水平,其中监测该置信水平以确定该置信水平是否低于阈值;
响应于该置信度水平低于阈值,使用一个或多个计算设备处理器生成更多数据以附加到训练集,从而将该置信度水平调整为高于所述阈值;
使用一个或多个计算设备处理器,基于置信水平选择第一步长或第二步长;
使用一个或多个计算设备处理器将所选择的步长发送到模拟器进行处理;
使用一个或多个计算设备处理器接收来自使用所选步长的模拟器的结果;和
使用一个或多个计算设备处理器来确定来自模拟器的结果是否需要更新训练集。
2.根据权利要求1所述的方法,其中接收用于储层工作流程过程的储层模型包括用于创建储层模型的信息。
3.根据权利要求1所述的方法,其中修改与储层工作流程过程相关联的储层模型包括输入时间步信息。
4.根据权利要求1所述的方法,其中从储层模型提取特征包括从一个或多个启发式选项接收第一时间步长。
5.根据权利要求1所述的方法,其中生成第一组数据包括以宽松的时间步策略运行模拟模型。
6.根据权利要求1所述的方法,其中生成第一组数据包括访问直接物理量以导出储层的数学性质。
7.根据权利要求1所述的方法,其中生成第一组数据包括确定每个第一时间步长是否满足最佳第一时间步长的标准。
8.根据权利要求7所述的方法,其中生成第一组数据包括使用最佳第一时间步长设计训练集。
9.根据权利要求7所述的方法,其中生成第一组数据包括去除不满足标准的第一时间步长。
10.一种用于对复杂过程进行建模的方法,包括:
使用一个或多个计算设备处理器接收与工作流程过程相关联的模型;
使用一个或多个计算设备处理器,使用最优时间步策略来修改与工作流程过程相关联的模型;
使用一个或多个计算设备处理器从模型中提取特征以及用于分析的第一时间步长;
使用一个或多个计算设备处理器生成第一组数据,用于使用第一时间步长设计训练集;
使用一个或多个计算设备处理器为所述训练集收集选定量的第一组数据;
使用一个或多个计算设备处理器确定第一组数据的选定量是否达到预定水平;
响应于第一组数据的选定量达到预定水平,使用训练集触发机器学习(ML)算法的实时训练;
使用一个或多个计算设备处理器,使用所述训练集生成具有第二时间步长的ML模型;
使用一个或多个计算设备处理器比较第一时间步长和第二时间步长,以生成置信水平;
使用一个或多个计算设备处理器确定置信水平是否低于阈值;和
响应于置信度水平低于阈值,使用一个或多个计算设备处理器更新训练集,从而将该置信度水平调整为高于所述阈值。
11.根据权利要求10所述的方法,其中生成ML模型包括使用ML模型生成第二步长。
12.根据权利要求10所述的方法,其中更新训练集包括生成第二组数据。
13.根据权利要求12所述的方法,其中更新训练集包括通过附加训练集和第二组数据生成第二训练集。
14.一种用于对储层进行建模的系统,该系统包括
一个或多个计算设备处理器;和
联接到所述一个或多个计算设备处理器的一个或多个计算设备存储器,该一个或多个计算设备存储器存储由一个或多个计算设备处理器执行的指令,其中所述指令被配置成:
接收与储层工作流程过程相关联的储层模型;
使用最佳时间步策略修改与储层工作流程过程相关的储层模型;
从储层模型中提取特征以及用于分析的第一时间步长;
使用第一时间步长生成用于设计训练集的第一组数据;
为训练集收集选定量的第一组数据;
确定第一组数据的选定量是否达到预定水平;
响应于第一组数据的选定量达到预定水平,使用机器学习(ML)算法使用该训练集来触发实时训练;
使用所述训练集生成具有第二时间步长的ML模型;
比较第一时间步长和第二时间步长,以产生置信水平,其中监测该置信水平以确定该置信水平是否低于阈值;
响应于该置信度水平低于阈值,生成更多数据以附加到训练集,从而将该置信度水平调整为高于所述阈值;
基于置信水平选择第一步长或第二步长;
将选择的步长发送到模拟器进行处理;
从使用所选步长的模拟器接收结果;和
确定来自模拟器的结果是否需要更新所述训练集。
15.根据权利要求14所述的系统,其中储层模型包括用于创建储层模型的信息。
16.根据权利要求14所述的系统,其中所修改的储层模型包括输入的时间步信息。
17.根据权利要求14所述的系统,其中第一时间步长来自一个或多个启发式选项。
18.根据权利要求14所述的系统,其中第一组数据包括与储层相关的直接物理量。
19.根据权利要求14所述的方法,其中每个第一时间步长满足最佳第一时间步长的标准。
20.根据权利要求19所述的方法,其中所述训练集包括使用最佳第一时间步长形成的数据。
Claims (20)
1.一种用于对储层进行建模的方法,包括:
使用一个或多个计算设备处理器接收与储层工作流程过程相关联的储层模型;
使用一个或多个计算设备处理器,使用最优时间步策略修改与储层工作流程过程相关联的储层模型;
使用一个或多个计算设备处理器从储层模型中提取特征以及第一时间步长;
使用一个或多个计算设备处理器生成第一组数据,用于使用第一时间步长设计训练集;
使用一个或多个计算设备处理器为所述训练集收集选定量的第一组数据;
使用一个或多个计算设备处理器确定第一组数据的选定量是否达到预定水平;
响应于第一组数据的选定量达到预定水平,使用训练集和机器学习(ML)算法触发实时训练;
使用所述一个或多个计算设备处理器,使用所述训练集生成具有第二时间步长的ML模型;
使用一个或多个计算设备处理器比较第一时间步长和第二时间步长,以生成置信水平;
使用一个或多个计算设备处理器,基于置信水平选择第一步长或第二步长;
使用一个或多个计算设备处理器将所选择的步长发送到模拟器进行处理;
使用一个或多个计算设备处理器接收来自使用所选步长的模拟器的结果;和
使用一个或多个计算设备处理器来确定来自模拟器的结果是否需要更新训练集。
2.根据权利要求1所述的方法,其中接收用于储层工作流程过程的储层模型包括用于创建储层模型的信息。
3.根据权利要求1所述的方法,其中修改与储层工作流程过程相关联的储层模型包括输入时间步信息。
4.根据权利要求1所述的方法,其中从储层模型提取特征包括从一个或多个启发式选项接收第一时间步长。
5.根据权利要求1所述的方法,其中生成第一组数据包括以宽松的时间步策略运行模拟模型。
6.根据权利要求1所述的方法,其中生成第一组数据包括访问直接物理量以导出储层的数学性质。
7.根据权利要求1所述的方法,其中生成第一组数据包括确定每个第一时间步长是否满足最佳第一时间步长的标准。
8.根据权利要求7所述的方法,其中生成第一组数据包括使用最佳第一时间步长设计训练集。
9.根据权利要求7所述的方法,其中生成第一组数据包括去除不满足标准的第一时间步长。
10.一种用于对复杂过程进行建模的方法,包括:
使用一个或多个计算设备处理器接收与工作流程过程相关联的模型;
使用一个或多个计算设备处理器,使用最优时间步策略来修改与工作流程过程相关联的模型;
使用一个或多个计算设备处理器从模型中提取特征以及用于分析的第一时间步长;
使用一个或多个计算设备处理器生成第一组数据,用于使用第一时间步长设计训练集;
使用一个或多个计算设备处理器为所述训练集收集选定量的第一组数据;
使用一个或多个计算设备处理器确定第一组数据的选定量是否达到预定水平;
响应于第一组数据的选定量达到预定水平,使用训练集触发机器学习(ML)算法的实时训练;
使用一个或多个计算设备处理器,使用所述训练集生成具有第二时间步长的ML模型;
使用一个或多个计算设备处理器比较第一时间步长和第二时间步长,以生成置信水平;
确定置信水平是否低于阈值;和
响应于置信度水平低于阈值,使用一个或多个计算设备处理器更新训练集。
11.根据权利要求10所述的方法,其中生成ML模型包括使用ML模型生成第二步长。
12.根据权利要求10所述的方法,其中更新训练集包括生成第二组数据。
13.根据权利要求12所述的方法,其中更新训练集包括通过附加训练集和第二组数据生成第二训练集。
14.一种用于对储层进行建模的系统,该系统包括
一个或多个计算设备处理器;和
联接到所述一个或多个计算设备处理器的一个或多个计算设备存储器,该一个或多个计算设备存储器存储由一个或多个计算设备处理器执行的指令,其中所述指令被配置成:
接收与储层工作流程过程相关联的储层模型;
使用最佳时间步策略修改与储层工作流程过程相关的储层模型;
从储层模型中提取特征以及用于分析的第一时间步长;
使用第一时间步长生成用于设计训练集的第一组数据;
为训练集收集选定量的第一组数据;
确定第一组数据的选定量是否达到预定水平;
响应于第一组数据的选定量达到预定水平,使用机器学习(ML)算法使用该训练集来触发实时训练;
使用所述训练集生成具有第二时间步长的ML模型;
比较第一时间步长和第二时间步长,以产生置信水平;
基于置信水平选择第一步长或第二步长;
将选择的步长发送到模拟器进行处理;
从使用所选步长的模拟器接收结果;和
确定来自模拟器的结果是否需要更新所述训练集。
15.根据权利要求14所述的系统,其中储层模型包括用于创建储层模型的信息。
16.根据权利要求14所述的系统,其中所修改的储层模型包括输入的时间步信息。
17.根据权利要求14所述的系统,其中第一时间步长来自一个或多个启发式选项。
18.根据权利要求14所述的系统,其中第一组数据包括与储层相关的直接物理量。
19.根据权利要求14所述的方法,其中每个第一时间步长满足最佳第一时间步长的标准。
20.根据权利要求19所述的方法,其中所述训练集包括使用最佳第一时间步长形成的数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063020824P | 2020-05-06 | 2020-05-06 | |
US63/020,824 | 2020-05-06 | ||
PCT/US2021/030705 WO2021226126A1 (en) | 2020-05-06 | 2021-05-04 | Intelligent time-stepping for numerical simulations |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115769216A true CN115769216A (zh) | 2023-03-07 |
Family
ID=78468390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180045561.1A Pending CN115769216A (zh) | 2020-05-06 | 2021-05-04 | 用于数值模拟的智能时间步进 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230116731A1 (zh) |
EP (1) | EP4147176A4 (zh) |
CN (1) | CN115769216A (zh) |
WO (1) | WO2021226126A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11775858B2 (en) * | 2016-06-13 | 2023-10-03 | Schlumberger Technology Corporation | Runtime parameter selection in simulations |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9043188B2 (en) * | 2006-09-01 | 2015-05-26 | Chevron U.S.A. Inc. | System and method for forecasting production from a hydrocarbon reservoir |
AU2008338406B2 (en) * | 2007-12-17 | 2013-09-12 | Landmark Graphics Corporation, A Halliburton Company | Systems and methods for optimization of real time production operations |
GB2472519A (en) * | 2008-03-10 | 2011-02-09 | Schlumberger Holdings | System and method for well test design, interpretation and test objectives verification |
CA2803315A1 (en) * | 2010-07-29 | 2012-02-02 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
US11775858B2 (en) * | 2016-06-13 | 2023-10-03 | Schlumberger Technology Corporation | Runtime parameter selection in simulations |
CA3039475C (en) * | 2016-12-07 | 2022-08-09 | Landmark Graphics Corporation | Automated mutual improvement of oilfield models |
-
2021
- 2021-05-04 CN CN202180045561.1A patent/CN115769216A/zh active Pending
- 2021-05-04 WO PCT/US2021/030705 patent/WO2021226126A1/en unknown
- 2021-05-04 EP EP21800426.5A patent/EP4147176A4/en active Pending
-
2022
- 2022-11-03 US US18/052,266 patent/US20230116731A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230116731A1 (en) | 2023-04-13 |
EP4147176A1 (en) | 2023-03-15 |
WO2021226126A1 (en) | 2021-11-11 |
EP4147176A4 (en) | 2024-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
US11499409B2 (en) | Dynamic system for field motor operations | |
US11143775B2 (en) | Automated offset well analysis | |
US11238379B2 (en) | Systems and methods for optimizing oil production | |
CA2733841C (en) | System and method for simulating oilfield operations | |
US20190323323A1 (en) | Automated mutual improvement of oilfield models | |
US20210248500A1 (en) | Hybrid modeling process for forecasting physical system parameters | |
US20230082520A1 (en) | Hybrid neural network for drilling anomaly detection | |
CN116615600A (zh) | 马达效率和退化解释系统 | |
WO2019200207A1 (en) | Disentanglement for inference on seismic data and generation of seismic data | |
US10401808B2 (en) | Methods and computing systems for processing and transforming collected data to improve drilling productivity | |
US20230116731A1 (en) | Intelligent time-stepping for numerical simulations | |
WO2022099311A1 (en) | Agent guided drilling assessment | |
US10521524B2 (en) | Methods and systems for bounding box clipping | |
US20240240546A1 (en) | Fourier transform-based machine learning for well placement | |
US20230193736A1 (en) | Infill development prediction system | |
US20240168195A1 (en) | Well intervention performance system | |
US20240060402A1 (en) | Method for obtaining unique constraints to adjust flow control in a wellbore | |
EP4416533A1 (en) | Field survey system | |
EP4150490A1 (en) | Stability check for thermal compositional simulation |
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 |