CN1973110A - 从地下地层控制生产碳氢化合物流体用的闭环控制系统 - Google Patents

从地下地层控制生产碳氢化合物流体用的闭环控制系统 Download PDF

Info

Publication number
CN1973110A
CN1973110A CNA2005800212057A CN200580021205A CN1973110A CN 1973110 A CN1973110 A CN 1973110A CN A2005800212057 A CNA2005800212057 A CN A2005800212057A CN 200580021205 A CN200580021205 A CN 200580021205A CN 1973110 A CN1973110 A CN 1973110A
Authority
CN
China
Prior art keywords
model
fluid
mathematics
layer model
hydrocarbon
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
Application number
CNA2005800212057A
Other languages
English (en)
Inventor
D·R·布劳沃
J·D·扬森
P·K·A·卡普泰因
C·P·J·W·范克雷伊斯迪克
R·马尔科维诺维奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shell Internationale Research Maatschappij BV
Original Assignee
Shell Internationale Research Maatschappij BV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shell Internationale Research Maatschappij BV filed Critical Shell Internationale Research Maatschappij BV
Publication of CN1973110A publication Critical patent/CN1973110A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • 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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers 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
    • 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

Abstract

本发明公开了借助闭环控制系统从地下储存层控制生产油和/或气体的一种方法，其中：—监控传感器组件(4)监控在储存层内的碳氢化合物和其它流体的物理特性；—一系列的高次和/或低次数学储存层模型(5，7)每个都计算含碳氢化合物的地层内以及在油井内的碳氢化合物和其它流体的物理特性的估算值；—数学储存层模型(5，7)响应由传感器组件提供的数据而被反复更新，从而使在由传感器监控的特性和由每个储存层模型计算的特性之间的差别减至最小；—优化储存层模型(5，7)或这种模型的优化组合是在至少一个更新步骤中选择的，对该更新步骤而言，在计算的特性和由传感器组件监控的特性之间的平均差别是最小的；以及优化算法(8)基于选择的优化数学储存层模型或这种模型的优化组合控制跨过地层的一系列油井的生产控制组件。

Description

从地下地层控制生产碳氢化合物流体用的闭环控制系统
技术领域
本发明涉及一种借助生产控制系统从含碳氢化合物的地下地层控制生产碳氢化合物流体的方法，这些流体比如是原油和/或天然气。
背景技术
这样一种方法可以参见下列国际专利申请WO 01/62603和WO02/086277，美国专利6,266,619，美国专利申请US 2002/0100584和下列文献：
“通过高级储蓄层管理经济地改善油料回收(Economicallyimproving oil recovery by advanced reservoir management)”由G.L.Ghiericiby发表于石油科技期刊(the Journal of Petroleum ScienceTechnology)，8(1992)205-219，
“实时的油和气储蓄层管理的方法(The road ahead to real-timeoil and gas reservoir management)”由R.G.Smith和G.C.Maitland发表于过渡化学工业(Trans.Inst.Chem.)76A(July 1998)539-552。
“从井孔到管线，场地规模方案(From pore to pipeline，field-scale solutions)”由A.Beamer等人发表于油田评论(OilfieldReview)(1998夏)，2-19。
“具有下孔永久监控和控制系统的储蓄层排出装置。动态储蓄器特性数据的实时积分和静态储蓄器模型改善控制决策(Reservoirdrainage with down hole permanent monitoring and control systems.Real-time integration of dynamic reservoir performance data andstatic reservoir model improves control decisions)”SPE论文62937，由F.Nyhavn等人发表于2000年10月1日至4日在美国德州达拉斯举办的2000 SPE年度技术会议及展览会(2000 SPE Annual TechnicalConference and Exhibition)。
“将监控数据集成到储蓄层管理过程中的决定(Discussion onintegrating monitoring data into the reservoir managementprocess)”，论文SPE 65150，由D.J.Rossi等人发表于2000年10月24日-25日在法国举办的SPE欧洲石油会议(SPE EuropeanPetroleum Conference)。
“使用新颖的集成储蓄层和生产管理方法的边缘气体冷凝物田的开发(Development of a marginal gas-condensate field using a novelintegrated reservoir and production management approach)”论文SPE 68734，Nygard等人发表于2001年4月17-19日在印尼雅加达召开的亚太油气会议和展览会(Asia Pacific Oil and Gas Conference andExhibition)。
“智能油田：如何从碳氢化合物源产生更大价值(Smart fields：How to generate more valuefrom hydrocarbon resources)”由P.K.A.Kapteijn发表于2002年9月1-5日在巴西里约热内卢召开的第17届世界石油会议(the 17th World Petroleum Congress)，2，307-316。
“自学习储蓄层管理(Self-learning reservoir management)”论文SPE 84064，由L.Saputelli等人发表于2003年10月5-8日在美国科罗拉多州丹佛市召开的2003SPE年度技术会议和展览会(the 2003SPE Annual Technical Conference and Exhibition)。
这些现有技术参考文献公开根据使用测量的数据定期更新的一个模型控制碳氢化合物流动的概念。与这些现有技术文献内公开的概念相关的一个问题或者是它们没有教导如何进行这种必须的计算，或者是建议的是使用高次(大规模)计算机模型，这是非常消耗时间的。使用这种高次计算机模型的另一个问题是它们含有比由一个有限量的测量能够专门确定的更多的参数。作为其结果，这些更新的高次模型仅属于可使用于碳氢化合物流动控制的有限的值。
下列文献SPE论文79674“使用系统理论的低次储蓄层模型的改进(Generation of Low-Order Reservoir Model using SystemTheoretical Concepts)”，发表于2003年2月3-5日在美国德州休斯敦市召开的SPE储蓄层仿真讨论会(the SPE Reservoir SimulationSymposium，作者T.Heijn，R.Markovinovic和J.D.Jansen，公开五种方法以便从一个高次储存层模型导出两相(油-水)储存层流动的低次数字模型，以达到开发高效计算的算法的目的，用于智能油井控制策略的按时间匹配、优化和设计。SPE论文79674指出，如果一种储存层模型是由大量的数字组成，典型地达到103-106个变量(压力和饱和度)，则该模型称为高次模型，以及使用高次储存层模型的优化在计算上是非常繁重的，以及在使用最优化之前，需要简化高次储存层模型至低次储存层模型，低次储存层模型典型地具有101-103个变量。然而，SPE论文79674没有教导如何将这种简化方法能够使用于与更新技术和优化技术相结合，以控制地下的碳氢化合物流动。
美国专利5,992,519公开一种方法，用于根据一个储存层模型自动化控制一个储存层。已知方法的一个缺点是该选择的储存层模型可能比可替换的高次和/或低次储存层模型不精确，以及最后最精确的数字储存层模型可能不同于从储存层生产碳氢化合物流体的一个较早阶段期间最精确地反映流体的流量和/或其它流体特性的一个数学储存层的模型。
本发明的一个目的是解决与选择一个最优的高次和/或低次数字储存层模型相关的问题，并与更新技术和优化技术相结合，用于控制碳氢化合物和/或其它的流体通过一个地下含碳氢化合物的地层流入一系列的碳氢化合物流体生产油井。
本发明的另一个目的是提供一种简化方法与更新技术和优化技术的综合使用，用于控制地下的碳氢化合物流动，导致一个工作流程，它可用于根据规则的更新模型的储存层管理，该工作流程是计算上可行的并带来比现有技术更高质量的模型更新。
发明内容
按照本发明，提供借助闭环生产控制系统控制从含碳氢化合物的地下地层生产碳氢化合物流体的一种方法，在该闭环生产控制系统中：
-一个监控传感器组件，用于监控跨过含碳氢化合物的地下地层的碳氢化合物和其它流体的流量和/或其它物理特性；
-一系列数学储存层模型，每个都计算含碳氢化合物的地下地层内的碳氢化合物和其它流体的流量和/或其它物理特性的估算值；
-数学储存层模型每个都响应由传感器组件提供的数据而被反复更新的，从而使在由传感器组件监控的特性和由每个储存层模型计算的特性之间的任何差别减至最小；
-在至少一个更新步骤中选择一个优化数学储存层模型或数学储存层模型的一个优化组合，对该更新步骤而言，在计算的特性和由传感器组件监控的特性之间的平均差别是最小的；以及
-一个优化算法根据由选择的优化数学储存层模型或数学储存层模型的优化组合提供的数据控制跨过含碳氢化合物的地层的一系列油井的生产控制组件。
任选地，一系列高次数学储存层模型每个都计算物理流体特性的一估算值，比如地层内的碳氢化合物和其它流体的压力、温度、速度、密度、饱和度和/或成分，以及将估算的流体特性与监控的物理流体特性比较，以便选择一个优化的高次储存层模型或高次储存层模型的优化组合，以便为优化算法提供数据。
优选的是：
-一系列低次数学储存层模型，它们是借助不同的数学简化技术从一个或多个高次数学储存层模型导出的，每个都用于计算含碳氢化合物的地层内的碳氢化合物和其它流体的流量和/或其它物理特性的估算值；
-低次数学储存层模型是每个都响应由传感器组件提供的数据而被反复更新，从而使在由传感器组件监控的特性和由每个低次储存层模型计算的特性之间的任何差别减至最小；
-在至少一次更新步骤期间选择一个优化低次数学储存层模型或低次数学储存层的一个优化组合，对该更新步骤而言，在计算的特性和由传感器组件监控的特性之间的平均差别最小；以及
-一个优化算法基于由选择的优化低次数学储存层模型或低次数学储存层模型的优化组合提供的数据优化跨过地层的一系列油井的生产控制组件。
优选的是，低次数学储存层模型之一是借助一种称为正常正交分解或POD的数学简化技术，从较高次物理储存层模型导出的一个非线性低次模型。在此种情况下，在至少一个高次储存层模型内，含碳氢化合物的地下地层可以用一层m×n栅格来表示，其每个栅格具有估算的孔隙度、渗透性、初始压力和初始饱和度，其中非线性低次模型以下式表示：
z(k+1)＝ΦTf(Φz(k)，u(k)，y(k+1)＝CdΦz(k)
式中：k是离散时间，z是次状态矢量，Φ是转换高次模型至低次模型的转换矩阵，f是高次模型，u是控制器，y是模型化输出，以及Cd是一个矩阵，它确定何种状态的变量是可测量的。
进一步优选的是，至少一个其它低位数学储存层模型是线性低次模型，它是借助数学简化技术从较高次物理储存层模型导出的，这种简化技术已知是子空间识别法、模型分解法、平衡实现法或模型分解法和平衡实现法的组合。
同样优选的是，碳氢化合物和其它流体的监控的物理特性是上述碳氢化合物和/或其它流体的压力和/或温度和/或流量和/或成分和/或饱和度，并且周围的岩石的物理特性也被监控，这些特性包括周围的岩石的密度和/或渗透性和/或孔隙度和/或应力和/或应变和/或声速。
高次和/或低次数学储存层模型的优化组合可以用目标函数J评定，其中监控的物理流体特性以Ym1，Ym2，Ym3...Ymn表示，并且由不同的高次储存层模型计算的物理流体特性以Yc1，Yc2，Yc3...Ycn表示，并且不同的高次和/或低次储存层模型的优化组合产生物理流体特性的优化组合，并且：
J = { ( Ym 1 - Yc 1 ) 2 + ( Ym 2 - Yc 2 ) 2 + ( Ym 3 - Yc 3 ) 2 + ( Ym n - Yc n ) 2 }
任选地，优化算法优化至少一个参数，它表示根据一个伴随组等式通过含碳氢化合物的地层至油井的流体的流量。
地下地层可以包括水和碳氢化合物，在此种情况下，优化算法可以包括生产控制组件，以控制碳氢化合物的生产，目的在于在储存层的整个生产期内使碳氢化合物的回收率和经济价值最大化。
代替地，优化算法可以包括生产控制组件，以动态改变从含碳氢化合物流体的地层进入不同的油井的流体的流量，从而使选择的优化数学储存层模型或选择的这种模型的优化组合指示从相邻的含气体和水的地层进入含碳氢化合物液体的地层的水和气体的流入导致的水和气体的锥入作用被阻止和/或控制。
可以经由一系列的流体注射井将激活流体注射进入地层，在此种情况下，数学模型可以每个都计算通过地层注射至每个生产油井的流体的移动，并且优化算法可以包括生产控制组件，以控制注射的流体的移动，从而使选择的优化数学储存层模型或选择的这种模型的优化组合指示在储存层的整个生产期内碳氢化合物的回收率和经济价值最大化。
如果经由一系列的流体注射井将激活流体注射进入地层，随后数学储存层模型可以每个都计算通过地层注射至每个生产油井的流体的移动，并且优化算法可以引入生产控制组件，以控制注射流体的移动，从而使由选择的优化数学储存层模型或选择的这种模型的优化组合提供的数据指示，每个注射的流体将同时到达每个生产油井。
任选地，注射的流体包括交替的水和气体的废料浆，并且流体的注射由优化算法控制，从而使由选择的优化数学储存层模型或选择的这种模型的优化组合提供的数据指示每个注射的流体将基本上同时到达每个生产油井。
按照本发明的方法的各种特点、优点以及实施例将借助实例和参照附图更详细地单独说明。
附图说明
图1是一个储存层管理过程的一个示意图，表示为基于模型的闭环控制过程；以及
图2是一个储存层管理过程的一个示意图，其中使用按照本发明的方法。
具体实施方式
图1简要地示出一种作为基于模型的控制过程的油和/或气体储存层管理方法。
在图1顶部的系统1可以包括一个或多个储存层、油井和设备。从地面上的或下孔的各种传感器4的测量的输出和从间接的测量，比如时间推移地震勘测，仅在一个非常有限范围内可知系统1的状态(即储存层内的压力和饱和度，油井内的压力和相位速率等)。上述测量方法不仅是测量上罕见的，而且含有噪声。还有到系统的输入2仅在一个有限范围内是已知的(例如，水注射速率或气体升起速率是可以粗略地知道的，但含水层支承可能是一个主要的未知因素)。未知的输入还可以解释为噪声3。在生产开始之前，没有测量手段可用，建议的系统控制，即现场开发计划因此必须基于建立在来自地层露头研究、地震勘测、油井测试等的数据上的静态和动态储存层模型5。在储存层的较早生产期，生产数据变得可以获得，它们随后使用于逐日操作的管理。例如，生产测试数据和井头压力读数使用于控制油和气体生产，以满足日常的目标，尽管经常没有任何形式的正规的系统模型。然而，长期的储存层管理通常仍旧基于初始的储存层模型5，没有考虑生产数据，即，进行长期的过程控制而没有反馈6，或者换句话说，在开环中。为了使用测量的生产数据以将储存层管理变为一个闭环控制过程，有效的是首先提出使测量的数据使用于传统的测量和控制理论的不同方式。在许多工业中，过程控制起作用，系统的特性是较熟知的，但状态变量即内部过程变量，不能够直接测量。在此种情况下，带有已知参数的系统模型用作状态的观察者，这些状态是不能够直接测量的，以允许系统的闭环控制。如果系统参数不是已知的，会产生不同的情况。这样促进测量的输入和输出的另一种使用，这就是识别未知的系统参数的值，或者逐时更新它们的值。在其极端的情况下，系统模型无非是输入和输出之间的数学关系。这种识别的系统模型经常称为数据驱动模型或黑匣子模型，与白匣子模型相反，这些白匣子模型主要是基于已知的关系，比如守衡定律。然而，白匣子模型也经常含有大量参数需要使用测量的输入和输出数据“调谐”。
使用黑匣子模型的闭环储存层管理的一个实例是使用倾斜曲线以预测未来油井和储存层的性能。还有材质平衡模型能够分类为黑匣子模型，尽管存在质量平衡形式的某些物理现象，能够可论证地将它们列为灰色的。基于物理学的，比如质量守恒、达西定律(Darcy’s law)和蒸汽-液体平衡的有限差或有限元储存层模型的确可分类为白匣子模型。因为地质不确定性，它们通常仅是真实情况的极粗略的近似，并且模型参数，比如可渗透性和孔隙度，仅以极大程度的不确定性已知。因此，这种储存层模型的预测值是有限的并倾向于随时间变坏。这样有时导致企图借助采用模型参数达到“随时间匹配”模型，从而使预测的结果接近测量的生产数据。当然，这是一种形式的更新手段，以改进模型的预测能力，并且基于随时间匹配模型的一个储存层管理因此能够考虑闭环储存层管理。
不幸的是，传统的随时间匹配具有一系列的缺点：
1)它通常仅在典型的数年周期后的作业期基础上进行；
2)匹配技术通常是特定的，并且包含模型参数的人工调节，而不是有规律的参数更新；
3)状态变量的不确定性、模型参数和测量数据通常不能确切地被考虑到；
4)最终的随时间匹配模型经常违反基本的地质限制；
5)更新的模型可以完美地重现生产数据，但是不具有预测能力，因为它是通过使用极少量的测量来调节大量的未知的参数的过度配合。真实的闭环储存层管理应需要一种基于来自不同来源的数据的转移，该转移从基于作业期的特定的随时间匹配至系统模型的频繁得多的有规律的更新，而仍遵守地质的限制和不确定性的各种来源。
本发明涉及基于模型的优化、模型更新技术和模型简化技术的综合使用，而且着重模型化的努力在能够观察和控制的那些方面上。
图2是按照本发明的方法的一个示意图，示出闭环储存层管理的各个单元。这些过程单元详细说明如下。
图2的底部反映基于来自不同的来源(例如，生产传感器4、时间推移和/或无源地震勘测9及远程传感)的数据的一个低次系统模型7的更新和优化8。可以使用两级更新(或“数据同化”)方法用于低次储存层模型7的更新，这种方法称为变分法(Variational methods)和卡尔曼滤波(Kalman filtering)。
变分法使用于能源和石油以及其它工业，其目的是通过有规则地采用系统参数使根据测量值和经过一定的时间周期的模型预测值之间的差别限定的目标函数最小化。这样更新问题转变成为优化问题，对于它许多数学技术是可用的。对于带有大量状态变量的系统，最高效的优化方法是使用伴随组等式的方法。
卡尔曼滤波是在1960年代起初发展的，用于使用雷达跟踪飞行体。普通的卡尔曼滤波仅适用于线性系统。一种最近的发展称为总集卡尔曼滤波(ensemble Kalman filtering)，允许使用于大规模非线性系统。每次新测量值变成可用，该技术更新状态矢量中的不确定性在一定的程度内，还可以更新不确定的参数。将卡尔曼滤波使用于储存层工程已在下列SPE论文内说明：“通过总集卡尔曼滤波的近井储蓄层监控：使用总集卡尔曼滤波的储蓄层监控和连续模型更新(Near-well reservoir monitoring through ensemble kalman filter：Reservoir monitoring and continuous model updating using ensemblekalman filter)”，SPE 75235，由G.Naevdal等人发表于2002年4月13-17日在美国俄克拉何马州的塔尔萨召开的SPE/DOE关于油料回收的第十三届讨论会(the SPE/DOE Thirteenth Symposium onImproved Oil Recovery)；以及
“使用总集卡尔曼滤波的储蓄层监控和连续模型更新(Reservoirmonitoring and continuous model updating using ensemble Kalmanfilter)”SPE 84372，由G.Naevdal等人发表于2003年10月5-8日在美国科罗拉多州的丹佛召开的2003 SPE年度技术会议及展览会(the2003 SPE Annual Technical conference and Exhibition)。
闭环储存层管理的第二单元是储存层勘探策略的有规律的优化。这包括两个方面，即在给定的布局内的优化，例如在智能油井段内的注射和生产速率的优化，以及在自由布局内的优化，例如确定侧线或加密插入油井的最佳位置。在能源和石油工业内的许多生产优化努力着重在短期时间范围。与此相反，按照本发明的方法可以着重在经过储存层整个生产寿命的优化，并带有优化最终回收率或现有值的目的。尤其是，可以使用一种基于梯度的优化路线，其中导出的信息是通过使用一个伴随等式获得的，该伴随等式在下列文献中说明：SPE论文78278“使用优化控制理论的智能油井注水法的动态优化(DynamicOptimisation of water Flooding with Smart Wells Using OptimalControl Theory)”由D.R.Brouwer和J.D.Jansen发表于2002年10月29-31日在英国苏格兰的阿伯丁召开的SPE第13届欧洲石油会议(the SPE 13th European Petroleum Conference)。
优化和更新的普通组合具有一些理论上和实践上的缺点，如以下所述。一种较好的方法包括第三单元，该第三单元包括将高次储存层模型5简化至低次模型6内的细节的适当的水平。这种改进的理由如下：
随着计算机能力的增加，储存层模型变得更复杂，并且包括增加数目的变量(典型地阶次为104-106)。注射和生产速率的优化要求储存层模型的前向仿真的数个工道，以及等式伴随系统的后向仿真。计算优化控制需要的时间随着储存层模型的栅格块数目和复杂程度的增加而增加。对于大型的储存层模型，这可能是时间消耗上禁止的，尤其是如果几个潜在的油井布局需要研究。
与基于测量的数据的储存层模型5的更新有关的一个问题是，通常有比观察数更多的参数，因此参数改变的许多组合可以导致相同的结果。通常，通过增加至目标函数的规则化条件借助限制模型参数的求解空间以尝试克服此问题。降低阶次的模型提供此过程的一个代替方案。如果降低阶次模型具有的参数正好等于或小于观察数，更新问题具有一个良好限定的解决方案。
在许多情况下，整个系统状态空间的可控制的和可观察的子空间是相当小的。模型化至既不能被观察，也不能被控制的细节水平，最好也是无效的努力，但是最坏可以导致错误的结果。
本发明能够用各种系统理论模型简化技术实现，导致物理的或非物理的降低阶次模型7。
特别是使用下列方法是适当的简化技术：“正常正交分解(ProperOrthogonal Decomposition)”或“POD”(也已知为“Karhunen-Loèvedecomposition”、“主成分分析(Principal Component Analysis)”、“霍特林变换(Hotelling transformation)”或“经验正交函数方法(methodof Empirical Orthogonal Functions)”。POD(正常正交分解)的较详细的说明如下。
按照本发明的闭环储存层管理的概念如图2内所示，能够应用于不同的储存层排放概念。它对于下列应用特别具有吸引力，即，带有可混合或不可混合的移动的流体的溢流或通过注射蒸汽和/或表面活化剂增强的油回收。更特别的是人们能够识别下列现象：
水溢流；
气体溢流(可混合的或不可混合的)；
气-油重力排放(GOGD)；
水-交替-气溢流(可混合的或不可混合的)；
同时的水和气体溢流(SWAG)；
蒸汽溢流；
蒸汽辅助重力排放(SAGD)，包括VAPEX过程；
表面活化剂溢流；
聚合的溢流。
以上所述的闭环储存层管理的概念能够使用以达到一种专门的目的。尤其是该目的可以规定为：
经过一定的时间间隔或对于一定量的注射流体使储存层开发的净现有值最大化；
经过一定的时间间隔或对于一定量的注射流体使储存层的最终回收率最大化；
在一个移动情况下，在生产油井处移动的流体的到达时间差最小化。
通过正常正交分解(POD)将高次储存层模型5转换为低次储存层模型7优选地按下列方式进行。
正常正交分解(POD)是在流体力学界内发展的一种技术，用以描述“相干结构”，它表示紊流的低次动力学。找出基于非线性高次储存层模型的协变量数据的转换矩阵Φ，并用于降低模型阶次。在离散时间内的高次非线性储存层模型象征性地用下式表示：
x(k+1)＝f(x(k+1)，x(k)，u(k))    (1)
式中k是离散时间，x是长度n的状态矢量，它典型地包含高次储存层模型的栅格块中的压力和饱和度，f是矢量函数，以及u是输入矢量，它表示施加的油井流动速率，或较通常地表示控制器，比如在油井内或地面上的活门装置。现在我们进行POD转换，它可以限定为三个步骤。首先，高次模型的状态顺序x(i)称为抽点打印，其是借助在一个数据矩阵X内对于k时间步的高次模型的模拟收集的：
X＝[x(1)x(2)...x(k)]    (2)
典型地，k＜＜n并且x是一个高n×k矩阵。如果该状态顺序是由充分激励的输入信号产生的，它们在一定程度上结合高次模型的非线性行为。矢量x(i)能够通过减去平均值 x ‾ = ( 1 / k ) Σ i = 1 k x ( i ) 而标准化：
X ′ = [ x ( 1 ) - x ‾ x ( 2 ) - x ‾ · · · x ( k ) - x ‾ ] - - - ( 3 )
在此种情况下，n×n矩阵R′＝X′X′T/(k-1)是被抽点打印捕获的状态变量的协变的矩阵。可以显示，下列的本征值问题的本征矢量：
Rnp＝lp    (4)
确定投射的状态空间内的主要方向，它最好地配合按照相关“能量”，即与状态空间内特定方向有关的均方波动，测量的收集状态抽点打印。因为通常k＜＜n，秩Rn能够最多为k(如果使用X′，为k-1)，因此足以解决小得多的本征问题：
qTRk＝lqT    (5)
式中R＝XTX是k×k矩阵。
我们现在限定
Λn＝PTXXTP以及Λk＝QXTXQT    (6，7)
式中Λn和Λk是n×n和k×k数字矩阵，并带有阶次本征值λi在数字上方，P和Q是n×n和k×k正交矩阵，含有本征矢量p和q分别作为列和行，其中我们使用转置代替求逆，因为Rn和Rk是对称的，因此本征矢量是正交的。要求的(右)本征矢量p可以借助下列关系式从(左)本征矢量q获得：
P＝XQΛk -1/2    (8)
这等同于通过以下数据矩阵的奇异值分解(SVD)的使用计算本征矢量p：
X＝P∑QT    (9)
式中n×k矩阵∑如下给出：
式中σ1≥...≥σ1＞＞σ1+1≥...≥σk≥0称为X的奇异值，并且是本征值λi的平方根，i＝1，2，...，k。可以简单地证明，通过求出矩阵乘积XXT和XTX，等式(6)和(7)能够从等式(9)获得。所要求的转换Φ现在被限定为P的第一l列，其中切割点l取决于奇异值的大小。普通的跟随方法是选择一个切割点1，对于它
Σ i = l 1 λ i / Σ i = 1 k λ 2 ≥ α - - - ( 11 )
式中α接近1；典型地α＝0.95。设定x≈Φz，非线性低次模型由下式给出：
z(k+1)＝ΦTf(Φz(k)，u(k))，y(k+1)＝CdΦz(k)    (12)
图2内的项目7代表的简化的低次模型(12)是“最优的”在于下列方面，使用通过正常正交分解(POD)获得的基本函数，动力系统的这种表示法具有比以相同尺寸的任何其它基础的表示法更小的均方误差。

Claims (14)

1.一种方法，该方法借助闭环生产控制系统控制从含碳氢化合物的地下地层生产碳氢化合物，其中：
-监控传感器组件监控在所述地层内的碳氢化合物和/或其它流体的流量和/或其它物理特性；
-一系列数学储存层模型每个都计算所述地层内的碳氢化合物和其它流体的流量和/或其它物理特性的估算值；
-该数学储存层模型是每个都响应由所述传感器组件提供的数据而被反复更新，从而使在由所述传感器组件监控的特性和由每个所述储存层模型计算的特性之间的任何差别减至最小；
-优化数学储存层模型或数学储存层模型的优化组合是在至少一个更新步骤中选择的，对于该更新步骤而言，在所述计算的特性和由所述传感器组件监控的特性之间平均差别是最小的；以及
-优化算法根据由所述选择的优化数学储存层模型或数学储存层模型的优化组合提供的数据控制跨过含碳氢化合物的所述地层的一系列油井的生产控制组件。
2.按照权利要求1的方法，其特征在于，一系列的高次数学储存层模型每个都计算所述地层内的碳氢化合物和其它流体的流量和/或其它物理流体特性的估算值，比如压力、温度、速度、密度、饱和度和/或成分，并且将估算的流量和/或其它流体特性与监控的流量和/或其它物理流体特性比较，以便选择一个优化的高次储存层模型或高次储存层模型的优化组合，以便为优化算法提供数据。
3.按照权利要求1的方法，其特征在于，通过不同的数学简化技术从一个或多个高次数学储存层模型导出的一系列的低次数学储存层模型每个都计算所述地层内的碳氢化合物和/或其它流体的流量和/或其它物理特性的估算值；
-所述低次数学储存层模型每个都响应由所述传感器组件提供的数据而被反复地更新，以便使在由所述传感器组件监控的特性和由每个所述低次储存层模型计算的特性之间的任何差别减至最小；
-优化低次数学储存层模型或低次数学储存层模型的优化组合是在至少一个更新步骤中选择的，对该更新步骤而言，在所述计算的特性和由所述传感器组件监控的特性之间的平均差别是最小的；以及
-优化算法基于由所述选择的优化低次数学储存层模型或低次数学储存层模型的优化组合提供的数据优化跨过所述地层的一系列油井的生产控制组件。
4.按照权利要求3的方法，其特征在于，所述低次数学储存层模型之一是通过称为正常正交分解或POD的数学简化技术从较高次物理储存层模型导出的非线性低次模型。
5.按照权利要求4的方法，其特征在于，在至少一个高次储存层模型内，所述含碳氢化合物的地下地层可用一层m×n栅格来表示，其每个栅格具有估算的孔隙度、渗透性、初始压力和初始饱和度，并且其中所述非线性低次模型以下式表示：
z(k+1)＝ΦTf(Φz(k)，u(k))，y(k+1)＝CdΦz(k)
式中：k是离散时间，z是降低阶次状态矢量，Φ是转换所述高次模型至所述低次模型的转换矩阵，f是所述高次模型，u是控制器，y是模型化输出，Cd是矩阵，该矩阵确定何种状态变量是可测量的。
6.按照权利要求4的方法，其特征在于，至少另一个低位数学储存层模型是通过数学简化技术从所述较高次的物理储存层模型导出的线性低次模型，所述简化技术例如是子空间识别法、模型分解法、平衡实现法或模型分解法和平衡实现法的组合。
7.按照权利要求1的方法，其特征在于，碳氢化合物和其它流体的所述监控的物理特性是上述碳氢化合物和/或其它流体的压力和/或温度和/或流量和/或组成和/或饱和度，并且周围的岩石的另一些物理特性也被监控，这些特性包括所述周围的岩石的密度和/或渗透性和/或孔隙度和/或应力和/或应变和/或声速度。
8.按照权利要求1的方法，其特征在于，高次和/或低次数学储存层模型的优化组合可通过目标函数J评定，其中监控的物理特性以Ym1，Ym2，Ym3…Ymn表示，由不同的高次储存层模型计算的所述物理流体特性以Yc1，Yc2，Yc3…Ycn表示，并且不同的高次和/或低次储存层模型的所述优化组合产生物理流体特性的优化组合，并且：
J = { ( Y m 1 - Y c 1 ) 2 + ( Y m 2 - Y c 2 ) 2 + ( Y m 3 - Y c 3 ) 2 + ( Y m n - Y c n ) 2 } 。
9.按照权利要求1-8任何一项的方法，其特征在于，所述优化算法优化至少一个参数，该参数表示基于伴随组等式通过所述含碳氢化合物的地层至油井的流体的流量。
10.按照权利要求1的方法，其特征在于，所述地下地层包括水和碳氢化合物，并且所述优化算法包括所述生产控制组件，以控制碳氢化合物的生产，并带有的目的是在所述储存层的生产期内使碳氢化合物的回收率或经济价值最大化。
11.按照权利要求1的方法，其特征在于，所述优化算法引入所述生产控制组件，以动态改变从所述含碳氢化合物流体的地层进入不同的油井的流体的流量，从而使由选择的优化数学储存层模型或选择的这种模型的优化组合提供的数据指示从相邻的含气体和水的地层进入所述含碳氢化合物液体的地层的水和气体的流入导致的水和气体锥入作用被阻止和/或控制。
12.按照权利要求1的方法，其特征在于，一种经由一系列的流体注射井将流体注射进入所述地层，所述数学模型每个都计算通过所述地层至每个生产油井的注射流体的移动，并且优化算法引入所述生产控制组件，以控制所述注射的流体的移动，从而使所述选择的优化数学储存层模型或选择的这种模型的优化组合指示在所述储存层的生产期内碳氢化合物的回收率和经济价值最大化。
13.按照权利要求1的方法，其特征在于，经由一系列的流体注射井将流体注射进入所述地层，所述数学储存层模型每个都计算通过所述地层注射至每个生产油井的所述流体的移动，并且所述优化算法引入所述生产控制组件，以控制所述注射流体的移动，从而使由所述选择的优化数学储存层模型或选择的这种模型的优化组合提供的数据指示每个所述注射的流体将同时到达每个所述生产油井。
14.按照权利要求10的方法，其特征在于，所述注射的流体包括交替的水和气体的废料浆，并且所述流体的注射由所述优化算法控制，从而使由所述选择的优化数学储存层模型或选择的这种模型的优化组合提供的数据指示，每个所述注射的流体将基本上同时到达每个所述生产油井。
CNA2005800212057A 2004-06-25 2005-06-23 从地下地层控制生产碳氢化合物流体用的闭环控制系统 Pending CN1973110A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP04102967.9 2004-06-25
EP04102967 2004-06-25

Publications (1)

Publication Number Publication Date
CN1973110A true CN1973110A (zh) 2007-05-30

Family

ID=34929249

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2005800212057A Pending CN1973110A (zh) 2004-06-25 2005-06-23 从地下地层控制生产碳氢化合物流体用的闭环控制系统

Country Status (8)

Country Link
US (1) US7672825B2 (zh)
CN (1) CN1973110A (zh)
AU (1) AU2005259253B2 (zh)
BR (1) BRPI0512548A (zh)
CA (1) CA2570058C (zh)
GB (1) GB2429796B (zh)
NO (1) NO20070469L (zh)
WO (1) WO2006003118A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102575510A (zh) * 2009-09-17 2012-07-11 雪佛龙美国公司 控制地质力学油藏系统中的出砂的计算机实施的系统和方法
CN103370494A (zh) * 2010-12-30 2013-10-23 普拉德研究及开发股份有限公司 用于执行井下增产作业的系统和方法
CN103958825A (zh) * 2011-10-06 2014-07-30 界标制图有限公司 地下油回收优化的系统和方法

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7809538B2 (en) * 2006-01-13 2010-10-05 Halliburton Energy Services, Inc. Real time monitoring and control of thermal recovery operations for heavy oil reservoirs
NO327866B1 (no) 2006-03-09 2009-10-12 Abb Research Ltd En fremgangsmåte for styring og/eller overvåking
US9043188B2 (en) * 2006-09-01 2015-05-26 Chevron U.S.A. Inc. System and method for forecasting production from a hydrocarbon reservoir
US7832482B2 (en) 2006-10-10 2010-11-16 Halliburton Energy Services, Inc. Producing resources using steam injection
US8412500B2 (en) 2007-01-29 2013-04-02 Schlumberger Technology Corporation Simulations for hydraulic fracturing treatments and methods of fracturing naturally fractured formation
US9135475B2 (en) 2007-01-29 2015-09-15 Sclumberger Technology Corporation System and method for performing downhole stimulation operations
US8898018B2 (en) 2007-03-06 2014-11-25 Schlumberger Technology Corporation Methods and systems for hydrocarbon production
US20080319726A1 (en) * 2007-06-19 2008-12-25 Schlumberger Technology Corporation System and method for performing oilfield simulation operations
FR2919932B1 (fr) * 2007-08-06 2009-12-04 Inst Francais Du Petrole Methode pour evaluer un schema de production d'un gissement souterrain en tenant compte des incertitudes
NO327688B1 (no) * 2007-09-07 2009-09-14 Abb As Fremgangsmåte og system for forutsigelse i et olje-/gassproduksjonssystem
US8140310B2 (en) 2007-11-01 2012-03-20 Schlumberger Technology Corporation Reservoir fracture simulation
CA2702965C (en) 2007-12-13 2014-04-01 Exxonmobil Upstream Research Company Parallel adaptive data partitioning on a reservoir simulation using an unstructured grid
US9529110B2 (en) * 2008-03-31 2016-12-27 Westerngeco L. L. C. Constructing a reduced order model of an electromagnetic response in a subterranean structure
US8670966B2 (en) * 2008-08-04 2014-03-11 Schlumberger Technology Corporation Methods and systems for performing oilfield production operations
WO2010071701A1 (en) * 2008-12-16 2010-06-24 Exxonmobil Upstream Research Company Systems and methods for hydrocarbon reservoir development and management optimization
RU2011130431A (ru) * 2009-01-19 2013-02-27 Бп Корпорейшн Норт Америка Инк. Методика и система расчета скорости коррозии с использованием механических моделей
FR2942265B1 (fr) * 2009-02-13 2011-04-22 Total Sa Procede de conduite d'installation de production d'hydrocarbures
EP2534605B1 (en) 2010-02-12 2020-06-17 Exxonmobil Upstream Research Company Method and system for partitioning parallel simulation models
US9367564B2 (en) 2010-03-12 2016-06-14 Exxonmobil Upstream Research Company Dynamic grouping of domain objects via smart groups
BR112012025995A2 (pt) 2010-04-30 2016-06-28 Exxonmobil Upstream Res Co método e sistema para simulação de fluxo de volume finito
WO2012015521A1 (en) 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Method and system for reservoir modeling
EP2599029A4 (en) 2010-07-29 2014-01-08 Exxonmobil Upstream Res Co METHODS AND SYSTEMS FOR AUTOMATIC LEARNING FLOW SIMULATION
EP2599031A4 (en) 2010-07-29 2014-01-08 Exxonmobil Upstream Res Co METHOD AND SYSTEMS FOR A FLOW SIMULATION BASED ON MACHINERY LEARNING
AU2011283193B2 (en) 2010-07-29 2014-07-17 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
FR2963837B1 (fr) * 2010-08-10 2012-08-31 Air Liquide Traitement a niveaux multiples pour optimiser une ou plusieurs unites de separation de fluides
US9268326B2 (en) 2010-08-18 2016-02-23 Manufacturing Technology Network Inc. Computer apparatus and method for real-time multi-unit optimization
US9058446B2 (en) 2010-09-20 2015-06-16 Exxonmobil Upstream Research Company Flexible and adaptive formulations for complex reservoir simulations
US9031674B2 (en) 2010-10-13 2015-05-12 Schlumberger Technology Corporation Lift-gas optimization with choke control
WO2012089815A1 (en) 2010-12-30 2012-07-05 Shell Internationale Research Maatschappij B.V. Method and system for controlling water flux through an underground formation
US8781807B2 (en) * 2011-01-28 2014-07-15 Raymond E. Floyd Downhole sensor MODBUS data emulator
US9488047B2 (en) 2011-04-04 2016-11-08 Conocophillips Company Reservoir calibration parameterization method
EP2756382A4 (en) 2011-09-15 2015-07-29 Exxonmobil Upstream Res Co MATRIX AND VECTOR OPERATIONS OPTIMIZED IN LIMITED INSTRUCTION ALGORITHMS THAT COMPLETE EOS CALCULATIONS
US9429678B2 (en) 2011-12-31 2016-08-30 Saudi Arabian Oil Company Apparatus, computer readable media, and computer programs for estimating missing real-time data for intelligent fields
US9423526B2 (en) 2011-12-31 2016-08-23 Saudi Arabian Oil Company Methods for estimating missing real-time data for intelligent fields
CA2858100C (en) 2011-12-31 2018-10-23 Abdel Nasser Abitrabi Real-time dynamic data validation apparatus, system, program code, computer readable medium, and methods for intelligent fields
US10133831B2 (en) * 2012-05-14 2018-11-20 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
US10036829B2 (en) 2012-09-28 2018-07-31 Exxonmobil Upstream Research Company Fault removal in geological models
US9816353B2 (en) * 2013-03-14 2017-11-14 Schlumberger Technology Corporation Method of optimization of flow control valves and inflow control devices in a single well or a group of wells
US10689965B2 (en) * 2013-08-26 2020-06-23 Repsol, S.A. Field development plan selection system, method and program product
US10417354B2 (en) 2013-12-17 2019-09-17 Schlumberger Technology Corporation Model order reduction technique for discrete fractured network simulation
US10670753B2 (en) 2014-03-03 2020-06-02 Saudi Arabian Oil Company History matching of time-lapse crosswell data using ensemble kalman filtering
US10519759B2 (en) * 2014-04-24 2019-12-31 Conocophillips Company Growth functions for modeling oil production
GB2538918B (en) * 2014-04-30 2018-10-24 Landmark Graphics Corp Forecasting production data for existing wells and new wells
WO2015177653A2 (en) * 2014-05-07 2015-11-26 King Abdullah University Of Science And Technology Multi data reservior history matching and uncertainty quantification framework
RU2570686C1 (ru) * 2014-07-21 2015-12-10 Руслан Радмирович Ишкильдин Способ моделирования технологических процессов на газовом промысле
AU2015298233B2 (en) 2014-07-30 2018-02-22 Exxonmobil Upstream Research Company Method for volumetric grid generation in a domain with heterogeneous material properties
US10443358B2 (en) 2014-08-22 2019-10-15 Schlumberger Technology Corporation Oilfield-wide production optimization
US9951601B2 (en) 2014-08-22 2018-04-24 Schlumberger Technology Corporation Distributed real-time processing for gas lift optimization
EP3213126A1 (en) 2014-10-31 2017-09-06 Exxonmobil Upstream Research Company Handling domain discontinuity in a subsurface grid model with the help of grid optimization techniques
AU2015339883B2 (en) 2014-10-31 2018-03-29 Exxonmobil Upstream Research Company Methods to handle discontinuity in constructing design space for faulted subsurface model using moving least squares
CA3016208C (en) 2016-02-29 2024-03-26 XDI Holdings, LLC Continuous chamber capillary control system, method, and apparatus
US11126694B2 (en) 2016-06-13 2021-09-21 Schlumberger Technology Corporation Automatic calibration for modeling a field
US10378324B2 (en) 2016-09-26 2019-08-13 International Business Machines Corporation Controlling operation of a steam-assisted gravity drainage oil well system by adjusting controls based on forecast emulsion production
US10570717B2 (en) 2016-09-26 2020-02-25 International Business Machines Corporation Controlling operation of a steam-assisted gravity drainage oil well system utilizing continuous and discrete control parameters
US10352142B2 (en) 2016-09-26 2019-07-16 International Business Machines Corporation Controlling operation of a stem-assisted gravity drainage oil well system by adjusting multiple time step controls
US10577907B2 (en) * 2016-09-26 2020-03-03 International Business Machines Corporation Multi-level modeling of steam assisted gravity drainage wells
US10614378B2 (en) * 2016-09-26 2020-04-07 International Business Machines Corporation Cross-well allocation optimization in steam assisted gravity drainage wells
CA3043231C (en) 2016-12-23 2022-06-14 Exxonmobil Upstream Research Company Method and system for stable and efficient reservoir simulation using stability proxies
CN108729911A (zh) * 2017-04-24 2018-11-02 通用电气公司 用于资源生产系统的优化装置、系统和方法
US10519768B2 (en) 2018-02-21 2019-12-31 Saudi Arabian Oil Company Systems and methods for operating hydrocarbon wells to inhibit breakthrough based on reservoir saturation
US11572777B2 (en) * 2019-01-28 2023-02-07 Landmark Graphics Corporation Constructing digital twins for oil and gas recovery using Ensemble Kalman Filter
US20210404328A1 (en) * 2019-05-15 2021-12-30 Landmark Graphics Corporation Self-adapting digital twins
CN112364576B (zh) * 2020-11-09 2024-02-27 中冶赛迪技术研究中心有限公司 一种喷淋塔气液接触效果评价及优化设计方法
CN113504307B (zh) * 2021-09-10 2021-12-21 西南石油大学 一种多频率岩心声速测量装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6434435B1 (en) * 1997-02-21 2002-08-13 Baker Hughes Incorporated Application of adaptive object-oriented optimization software to an automatic optimization oilfield hydrocarbon production management system
US5992519A (en) * 1997-09-29 1999-11-30 Schlumberger Technology Corporation Real time monitoring and control of downhole reservoirs
US6266619B1 (en) * 1999-07-20 2001-07-24 Halliburton Energy Services, Inc. System and method for real time reservoir management
US6980940B1 (en) 2000-02-22 2005-12-27 Schlumberger Technology Corp. Intergrated reservoir optimization
US6775578B2 (en) * 2000-09-01 2004-08-10 Schlumberger Technology Corporation Optimization of oil well production with deference to reservoir and financial uncertainty
WO2002086277A2 (en) 2001-04-24 2002-10-31 Exxonmobil Upstream Research Company Method for enhancing production allocation in an integrated reservoir and surface flow system

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9228425B2 (en) 2007-01-29 2016-01-05 Schlumberger Technology Corporation System and method for performing downhole stimulation operations
US9556720B2 (en) 2007-01-29 2017-01-31 Schlumberger Technology Corporation System and method for performing downhole stimulation operations
CN102575510A (zh) * 2009-09-17 2012-07-11 雪佛龙美国公司 控制地质力学油藏系统中的出砂的计算机实施的系统和方法
CN102575510B (zh) * 2009-09-17 2015-01-28 雪佛龙美国公司 控制地质力学油藏系统中的出砂的计算机实施的系统和方法
US9026419B2 (en) 2009-09-17 2015-05-05 Chevron U.S.A. Inc. Computer-implemented systems and methods for controlling sand production in a geomechanical reservoir system
CN103370494A (zh) * 2010-12-30 2013-10-23 普拉德研究及开发股份有限公司 用于执行井下增产作业的系统和方法
CN103370494B (zh) * 2010-12-30 2017-02-22 普拉德研究及开发股份有限公司 用于执行井下增产作业的系统和方法
CN103958825A (zh) * 2011-10-06 2014-07-30 界标制图有限公司 地下油回收优化的系统和方法
US10100619B2 (en) 2011-10-06 2018-10-16 Landmark Graphics Corporation Systems and methods for subsurface oil recovery optimization
US10370940B2 (en) 2011-10-06 2019-08-06 Landmark Graphics Corporation Systems and methods for subsurface oil recovery optimization
US10415349B2 (en) 2011-10-06 2019-09-17 Landmark Graphics Corporation Systems and methods for subsurface oil recovery optimization

Also Published As

Publication number Publication date
GB2429796B (en) 2008-08-06
GB2429796A (en) 2007-03-07
US20090166033A1 (en) 2009-07-02
AU2005259253A1 (en) 2006-01-12
CA2570058C (en) 2013-07-30
US7672825B2 (en) 2010-03-02
BRPI0512548A (pt) 2008-03-25
AU2005259253B2 (en) 2008-09-18
CA2570058A1 (en) 2006-01-12
NO20070469L (no) 2007-03-23
GB0625201D0 (en) 2007-01-24
WO2006003118A1 (en) 2006-01-12

Similar Documents

Publication Publication Date Title
CN1973110A (zh) 从地下地层控制生产碳氢化合物流体用的闭环控制系统
Jansen et al. Model-based control of multiphase flow in subsurface oil reservoirs
US8352227B2 (en) System and method for performing oilfield simulation operations
Tavallali et al. Optimal producer well placement and production planning in an oil reservoir
RU2496972C2 (ru) Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях
US20120130696A1 (en) Optimizing Well Management Policy
US20150226878A1 (en) Space-time surrogate models of subterranean regions
US20090012765A1 (en) System and method for performing oilfield simulation operations
CA2691241C (en) System and method for performing oilfield simulation operations
Mirzaei-Paiaman et al. A review on closed-loop field development and management
Sankaran et al. Data Analytics in Reservoir Engineering
Mogollón et al. New trends in waterflooding project optimization
Muradov et al. Fast optimization of packer locations in wells with flow control completions
Asadollahi et al. Efficient workflow for optimizing well controls
Angga et al. Automated decision support methodology for early planning phase of a multi-reservoir field
Mogollon et al. Comparative analysis of data-driven, physics-based and hybrid reservoir modeling approaches in waterflooding
Veeken Data Driven Gas Well Performance Model Hands Back Control to Engineers
Aljubran et al. Surrogate-Based Prediction and Optimization of Multilateral Inflow Control Valve Flow Performance with Production Data
Markov et al. Methodology for Constructing Simplified Reservoir Models for Integrated Asset Models
Rezaei et al. Utilizing a Global Sensitivity Analysis and Data Science to Identify Dominant Parameters Affecting the Production of Wells and Development of a Reduced Order Model for the Eagle Ford Shale
Paul et al. Improving Production Forecasting in a Mature Onshore Oilfield Brownfield in Southern Trinidad by Making Use of Software Modeling
Qubian et al. Efficient AI-Physics hybrid model with productive capabilities to reduce the time of history matching and scenario assessment; a case study: Minagish oil field
Vazquez Life Cycle of a Field Squeeze Treatment
Ghamdi et al. Optimization of Waterflooding Utilizing Data Driven Models: An Application of the Two-Phase Capacitance Resistance Model
Usama APPLICATION OF REINFORCEMENT LEARNING IN MANAGED PRESSURE DRILLING

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20070530