NO20130994A1 - Kvalitetskontroll av posisjonsdata for sub-overflate og borehull. - Google Patents

Abstract

Det er tilveiebrakt en fremgangsmåte for å vurdere kvaliteten av suboverflateposisjonsdata og borehullposisjonsdata, omfattende: tilveiebringelse av en sub-overflateposisjonsmodell av et område av grunnen inkludert sub-overflateposisjonsdata, hvori hvert punkt i suboverflateposisjonsmodellen har en kvantitativ posisjonsusikkerhet representert gjennom en sannsynlighetsfordeling; tilveiebringelse av en borehullsposisjonsmodell inkludert borehullsposisjonsdataene oppnådd fra brønnvalg fra brønner i området, hvert brønnvalg korresponderer med et geologisk kjennetegn bestemt av en måling som er gjort i en brønn, hvori hvert punkt i borehullsposisjonsmodellen har en kvantitativ posisjonsusikkerhet representert gjennom en sannsynlighetsfordeling; identifisering av fellespunkter, der hvert omfatter et punkt i suboverflateposisjonsmodellen som korresponderer med et brønnvalg i borehullsposisjonsdataene; utledning for hvert fellespunkt en lokal testverdi som representerer posisjonsusikkerhet: valg av noen, men ikke alle fellespunktene og utledning av en testverdi fra de valgte fellespunktenes lokale testverdier; tilveiebringelse av posisjonsfeiltestgrense for de valgte fellespunktene; og sammenligning av testverdien med testgrensen for å tilveiebringe en vurdering av datakvalitet.

Description

Oppfinnelsens område

Oppfinnelsen vedrører fremgangsmåter for å vurdere kvaliteten på sub-overflateposisjonsdata og borehullsposisjonsdata.

Bakgrunn for oppfinnelsen

Dette dokumentet tar sikte på å belyse hovedforskjellene mellom metodologien for datakvalitetssikring som presenteres i patentsøknaden, og eksisterende teknologi som er implementert som en del av kommersiell programvare, eller publisert.

Ved ethvert problem der en ukjent kvantitet skal predikeres ved hjelp av kjente eller målte andre (forklarende) kvantiteter, er det av avgjørende betydning at det rettes spesiell oppmerksomhet på kalibreringen mellom de to settene med variabler. I mange tilfeller oppnås denne kalibreringen gjennom statistiske metoder (f.eks. minste kvadraters regresjon) ved hjelp av en pool av eksperimentelle data (treningssett) hvor både predikerte og forklarende variabler er til stede. Ideelt sett bør dataverdier fra treningssettet spres tilstrekkelig og være forbundet på en tydelig måte i en funksjonell relasjon, slik at den predikerte variabelen kan modelleres som summen av denne funksjonelle kombinasjonen av de forklarende variablene og av en liten residual. Klassiske fallgruver ved statistisk kalibrering inkluderer utilstrekkelig dataspredning, for viktig residual og tilstedeværelsen av uteliggerdata i treningssettet, enten det er et resultat av en feilmåling eller av målinger som er representative fra et annet system. I det følgende henvises det til disse viktige residualene som betydelige feil. For å håndtere betydelige feil er det utviklet spesifikke metodologier kjent som "robust statistikk" (Huber 1981) for å forsøke å minimere deres påvirkning på den kalibrerte modellen. En annen tilnærming anvendt i det klassiske statistiske rammeverket, består av å analysere fordelingen av de estimerte residualene. En første måte å analysere denne fordelingen på er å belyse verdiene som korresponderer med fordelingens laveste og høyeste prosentiler. Denne første enkle tilnærmingen er imidlertid ikke tilstrekkelig til å avgjøre om disse ekstreme residualverdiene er akseptable eller ikke. For å si det på en annen måte er det ikke sikkert at de største residualene automatisk betegner en betydelig feil.

En mer systematisk tilnærming består i å normalisere hver estimerte residual med en estimering av estimeringsfeilen frembrakt av den statistiske modellen. Denne normaliserte residualen, også kalt studentisert, sammenlignes med en kjent statistisk fordeling for å detektere om den er signifikant eller ei (Cook 1982). Denne teknikken anvendes i mange praktiske situasjoner, som inkluderer kommersiell programvare dedisert for å konvertere tolkede tidshorisonter til dybde, og for å justere modellen etter posisjonsinformasjon for brønnvalg (eng.: well-pick). Et eksempel på en slik anvendelse er programvaren Cohiba (Arne Skorstad m. fl., 2010, se referansen nedenfor), utviklet av Norsk Regnesentral (NR: http://www.nr.no) og presentert for eksempel i Abrahamsen (1993). I denne anvendelsen er innmatingsparametere horisontkartene som tolkes i det seismiske tidsdomenet (TWT); intervallhastighetskart som beskriver de laterale variasjonene av de seismiske bølgenes hastighet i hvert lag, og deres assosierte usikkerheter. Slike horisonter representerer grenser mellom geologiske lag. Horisontene konverteres til dybdedomenet ved hjelp av en enkel lD-modell (Dix, 1955) som kombinerer, ved hver posisjon, hastighetene og tolket horisonttid, som gir en opprinnelig utviklingsmodell for horisontene. Lineariseringen av denne modellen, kombinert med de opprinnelige innmatingsusikkerhetene, muliggjør beregning av en opprinnelig kovariansmodell som beskriver usikkerhetene ved alle horisontposisjoner, hastigheter og deres samhandlinger. Brønnvalg er 3D-punkter tolket langs en brønnbane som angir hvor brønnbanen krysser de forskjellige horisontene. Denne informasjonen kan så anvendes for å betinge den opprinnelige flerhorisont-utviklingsmodellen, hvilket resulterer i en justert utviklingsmodell og justert utviklingsusikkerhet. Denne informasjonen danner grunnlaget for prosedyren for kvalitetssikring/kvalitetskontroll (eng.: Quality Assurance / Quality Control, QAQC) implementert i Cohiba: For hvert brønnvalg trekkes en estimert residual og feilestimering ut fra den estimerte utviklingen, hvilket muliggjør beregningen av studentiserte residualer, som endelig analyseres for å detektere uteliggere.

Endelig, som en ytterligere mulighet til å detektere uteliggere, kan vi også nevne kryssvalideringsteknikker (Geisser 1993). Det generelle prinsippet ved disse teknikkene består i å dele inn treningsdatasettet i to deler: ett som regelrett anvendes for kalibreringen og et annet som anvendes for å teste modellens forutsigbarhet. Denne teknikken har to fordeler ved å tilveiebringe for hver av testdataene, en residualestimering som er helt uavhengig av disse dataene. Dessuten trenger ikke teknikken å benytte parametriske antagelser (gaussisk innmating). Som en praktisk implementering av en bestemt kryssvalideirngsteknikk i domenet til geostatistisk dybdekonvertering av en flerhorisontmodell, kan vi nevne den geostatistiske programvaren ISATIS/ISATOIL (http://www.geovariances.fr). Selv om grunnlaget for dybdekonvertering er lignende det som anvendes i Cohiba, oppnås valideringen av valg (og detektering av betydelige feil) ved å fjerne sekvensielt ett brønnvalg om gangen, estimere dybderesidualen ved denne posisjonen (ved sammenligning av estimert horisont og brønnvalgdybder) og sammenligne den med den estimerte feilen ved denne posisjonen. Brukeren kan så fjerne brønnvalgene der betydelige feil er detektert, fra kalibreringsdatabasen.

Arrangementet som allerede er beskrevet, kan anvendes til å generere nødvendig innmating til denne oppfinnelsen, men er definitivt ikke essensielt for å anvende QC-metodologien som omfattes av denne oppfinnelsen. Innmating kan genereres fra andre typer kommersiell programvare for sub-overflateposisjonering.

Bakgrunnsreferanser fra kjent teknikk er:

A. Skorstad mil., 2010, COHIBA User Manual - Version 2.1.1, http://www.nr.no/files/sand/Cohiba/cohiba_manual.pdf

P. Abrahamsen, 1993, Bayesian Kriging for Seismic Depth Conversion of a Multi- layer Reservoir, i A. Soares (ed.) Geostatistics Troia ' 92, Kluwer Academic Publ., Dordrecht, 385-398

R. D. Cook, 1982, Residuals og Influence in Regression, Chapman and Hall.

C. H. Dix, 1955, Seismic velocities from surface measurements, Geophysics, 20, nr. 1, 68-86

P. J. Huber, 1981, Robust Statistics, Wiley.

P. Hubral, 1977, Time migration: some ray- theoretical aspects, Geophysical Prospecting, 25 , nr. 4, 738-745

S. Geisser, 1993, Predictive inference: an introduction, Chapman and Hall.

Kort beskrivelse av oppfinnelsen

Oppfinnelsen tilveiebringer fremgangsmåter for å vurdere kvaliteten på sub-overflateposisjonsdata og borehullsposisjonsdata som vist i de medfølgende kravene.

Fremgangsmåten for kvalitetskontroll (QC) som beskrives i dette dokumentet, er nyttig for å verifisere kvaliteten på 3D-posisjonene til brønnvalg, seismiske data (ikke-tolkede og tolkede) og tolkede sub-seismiske data. En borehullslogg er en registrering av fysiske målinger som er tatt nede i brønnhullet under boring. Et brønnvalg er et kjennetegn i en borehullslogg som samsvarer med et tilsvarende kjennetegn i den kombinerte seismiske og sub-seismiske modellen. Disse kjennetegnene betegnes heretter som geologiske fellespunkter, dvs. et fellespunkt er en fellesreferanse mellom en posisjon i borehullsposisjonsmodellen og en posisjon i en sub-overflateposisjonsmodell. Den kombinerte seismiske og sub-seismiske modellen vil bli betegnet som sub-overflatemodellen. Kvalitetskontrollen utføres av beregnende testparametere for de geologiske fellespunktene. Dersom en testparameter ikke samsvarer med forhåndsdefinerte testkriterier, er konklusjonen at de korresponderende geologiske fellespunktene er påvirket av betydelige feil.

Oppfinnelsen søker å utføre QC på posisjonsdata for sub-overflate og borehull ved å anvende statistisk hypotesetesting. QC er i denne konteksten prosessen med å fjerne betydelige feil i brønner og sub-overflatemodellen, så som feilaktig kartlagte brønner eller feilaktig tolkning av forkastninger og horisonter. Det vil også bli henvist til sub-overflatemodellen og brønnposisjonsdataene som observasjonsdata. Begrepet betydelig feil henviser ikke nødvendigvis til enkeltobservasjoner, men introduseres også for å representere eventuelt signifikant manglende samsvar mellom posisjonene til geologiske kjennetegn ifølge borehullsloggdata, sammenlignet med sub-overflatemodellen. Et manglende samsvar kan for eksempel være en feil som påvirker 3D-koordinatene til flere brønnvalg i den samme brønnen like mye, så som en feil i borestrengens målte lengde. Andre eksempler er feilantakelser om nøyaktigheten av større og mindre deler av observasjonsdataene og ukorrekte antagelser om den seismiske hastighetsmodellens parametere.

Sub-overflateposisjonsmodellens posisjonsnøyaktighet forbedres ved å tilføye borehullsposisjonsinformasjon. Flere geostatistiske programvarepakker tilveiebringer slik funksjonalitet. Posisjonsdata for sub-overflate og borehull kan kombineres og justeres i henhold til visse justeringsprinsipper, så som minste kvadraters metode. Detektering av betydelige feil er avgjørende for å sørge for optimal nøyaktighet på utmatingen fra alle slag på sub-overflateposisjonsestimering. En betydelig feil i enten et brønnvalg eller sub-overflatemodellen vil føre til uventet manglende posisjonsoverensstemmelse. Dette kan for eksempel øke sannsynligheten for å bomme på boremål. QC av innmatingsdata er særlig viktig når estimeringsprinsippet er basert på minste kvadraters metode, ettersom denne metoden er spesielt følsom for betydelige feil i observasjonsdata. Storparten av programvare for sub-overflateposisjon anvender prinsippet om minste kvadrater for å kombinere og justere data fra brønner og sub-overflatemodellen. Statistisk testing er basert på objektive evalueringskriterier. Følgelig kan QC-fremgangsmåten som er utviklet, derfor anvendes med minimal menneskelig inngripen. Fremgangsmåten har derfor potensial til å utføres automatisk. Fremgangsmåtene og konseptene som presenteres her, kan kvantifisere omfanget av betydelige feil og korresponderende usikkerheter. Rammeverket og konseptet kan anvendes til diagnostiseringsformål for å finne den eksakte årsaken til feilen. For eksempel kan det bestemmes om et manglende samsvar skyldes en betydelig feil i f.eks. et enkeltbrønnvalg, en rekke brønnvalg fra samme eller forskjellige brønner, eller en systematisk feil i hele brønnen. Dersom programvaren for eksempel detekterer en feil i de vertikale komponentene til alle brønnvalg i den vertikale retningen, kan årsaken være en feil i dybdereferansenivået. Det vil også være mulig å bestemme om de betydelige feilene er knyttet til posisjonen av ett eller flere brønnvalg eller de korresponderende geologiske fellespunktene.

Kort beskrivelse av figurene

Figur 1 viser en rekke seismiske horisonter som fremstiller geologiske overflater, en borehullsbane (eng.: wellbore trajectory) og en rekke brønnvalg; og anvendes i diskusjonen i trinn 2 om en foretrukket utførelsesform; Figur 2 viser et diagram lignende det i figur 1 og anvendes i diskusjonen i trinn 3 om en foretrukket utførelsesform; og Figur 3 viser et diagram lignende det i figur 1 og 2 og anvendes i diskusjonen i trinn 4 om en foretrukket utførelsesform.

Beskrivelse av foretrukne utførelsesformer

Vårt utgangspunkt er at vi har en sub-overflatemodell og en borehullsposisjonsmodell som effektivt representerer to forskjellige realitetsmodeller, der den førstnevnte er basert på for eksempel seismiske data og den sistnevnte er basert på posisjonsdata utledet fra et borehull.

Fremgangsmåten for QC evaluerer samsvaret mellom forhåndsdefinerte testkriterier og parametere beregnet fra observasjonsdata, for å bestemme om geologiske fellespunkter påvirkes av betydelige feil. Formålet i denne delen er å forklare hvordan QC-parameterne beregnes uten å anvende matematiske utrykk. Fremgangsmåtene for detektering av betydelige feil som presenteres her, er basert på å benytte utmatinger fra en justering (f.eks. justering av minste kvadrater) av posisjonsdata for sub-overflate og borehull. Utmatingene som er av interesse, er de oppdaterte posisjonene til posisjonsdataene for sub-overflate og borehull og den korresponderende kovariansmatrisen (eller variansmatrisen) som representerer de oppdaterte posisjonenes kvantitative usikkerheter. Andre utmatinger som er av interesse, er residualene (f.eks. minste kvadraters residualer) og kovariansmatrisen (eller variansmatrisen) til residualene som representerer residualenes kvantitative usikkerheter. Residualene er forskjellene mellom de opprinnelige og oppdaterte posisjonene til posisjonsdataene for sub-overflate og borehull. Residualenes kovariansmatrise kan beregnes fra kovariansmatrisen til de oppdaterte posisjonene til posisjonsdataene for sub-overflate og borehull.

Hvert av punktenes kvantitative posisjonsusikkerhet i den justerte modellen, som er gitt ved en felles kovariansmatrise, er representativ for en viss forhåndsdefinert sannsynlighetsfordeling. Det antas at kovariansmatrisen er kvantitativ og at sannsynlighetsfordelingen er kjent før QC-testene utføres.

Testprosedyren deles inn i flere trinn som kan anvendes individuelt eller i en kombinert sekvens. I alle trinnene estimeres omfanget av de betydelige feilene sammen med korresponderende testverdier. De estimerte omfangene av de betydelige feilene er nyttige for diagnostiseringsformål. Vi har valgt å dele testmetodologien inn i fire trinn. Nedenfor gis en kort beskrivelse av hvert trinn.

Trinn 1: Test av observasjonsdataenes generelle kvalitet.

Dette trinnet er den mest generelle delen av kvalitetskontrollen. Det er spesielt fordelaktig å anvende dette trinnet første gangen en sub-overflateestimeirngsprogramvare anvendes på et ukjent datasett som er angitt med ukjent kvalitet. I slike tilfeller introduseres og justeres mange brønner samlet for første gang, og sannsynligheten for betydelige feil er derfor stor ettersom dataene ikke har blitt eksponert for en slik type kvalitetskontroll.

Det anvendes en statistisk test for å teste om estimatet av å2 variansfaktoren<72 er signifikant forskjellig fra dens a priori antatte verdi, angitt som(70<2>. Den estimerte variansfaktoren er gitt ved:

der é er en vektor for såkalte residualer som reflekterer samsvaret mellom den opprinnelige og justerte brønnvalgsposisjonen, Q"1 er observasjonenes kovariansmatrise, og n- uer gradene av frihet.

Hypotesen for denne testen er:

Ho avvises ved det gitte sannsynlighetsnivået a dersom:

Der K a betegner en øvre ( l- a/ 2) prosentenhet til en egnet statistisk fordeling.

1 ~ 2

Testverdien finnes i statistiske oppslagstabeller. Fordelingen av testverdien må være lik fordelingen av testgrensen. Sannsynlighetsparameteren a kalles ofte testens signifikansnivå, som er sannsynligheten for at det konkluderes med at observasjonsdataene inneholder betydelige feil når dette i realiteten ikke er tilfelle. Sannsynlighetsnivået er derfor sannsynligheten for å konkludere feil, dvs. konkludere med at betydelige feil er til stede når de ikke er det.

En avvisning av nullhypotesen Ho er en tydelig indikasjon på uakseptabel datakvalitet, enten at én eller flere observasjoner er korrumpert av betydelige feil eller at en mengde observasjoner er tildelt urealistiske usikkerheter. Dersom denne testen imidlertid aksepteres, kan det likevel hende at betydelige feil er til stede i dataene, så det er nødvendig med ytterligere testing av individuelle observasjoner. Normalt skal signifikansnivået til denne testen harmoniseres med signifikansnivået som anvendes for de individuelle betydelige feil-testene (forklares senere), slik at alle tester har lignende følsomhet. Signifikansnivået som anvendes på dette kvalitetskontrolltrinnet, må derfor angis med nøye overveielse.

La oss tenke oss at det planlegges boring i en ny brønn i et eksisterende oljefelt. Hensikten er å oppdatere den geologiske modellen av feltet før boringen av den nye brønnen starter, for å øke sannsynligheten for å nå det geologiske målet. For å sikre pålitelige resultater må all posisjonsinformasjon om eksisterende brønner og sub-overflatemodellen kvalitetskontrolleres for å verifisere tilstedeværelsen av betydelige feil og mulige feilaktige modellantagelser.

Etter første kjøring av oppfinnelsens programvare evalueres en relevant testverdi. Testverdiens størrelse reflekterer direkte hvor alvorlig problemet er med hensyn til datakvalitet. Dersom for eksempel testverdien kun er marginalt større enn testgrensen, er det mest sannsynlig kun én eller kanskje kun få betydelige feil til stede. Disse betydelige feilene vil bli detektert i trinn 2 av kvalitetskontrollen, og deres størrelser vil også bli estimert der. Dersom testverdien er mindre enn testgrensen, kan dette indikere at en gruppe observasjoner er tildelt altfor pessimistiske usikkerheter (varianser). En testverdi langt utover testgrensen er en tydelig indikasjon på et alvorlig datakvalitetsproblem. Årsaken kan være at flere korrumperte observasjoner er til stede, eller at en rekke observasjoner er tildelt altfor optimistiske usikkerheter. En annen mulig årsak er anvendelsen av en feilaktig eller altfor enkel hastighetsmodell (dvs. antagelser om hastighet i materialer).

Trinn 2: Testing for betydelige feil i hver observasjon.

I dette trinnet testes hvert brønnvalg og geologiske fellespunkt mot betydelige feil.

Testen for en betydelig feil V. i den f<nde>observasjoneny, kan formuleres med følgende hypotese:

A.

Betydelig feil-estimatet V;, for eksempel i den vertikale retningen, kan utledes ved:

der p er en vektor for estimerte parametere som koordinater, hastighetsparametere osv., og vektoren cr = [0 • • • 010 • • • 0] består av nullverdier, bortsett fra elementet som

korresponderer med den faktiske observasjonen som skal testes. Dette elementet består av tallet ett. Matrisen X definerer det matematiske forholdet mellom ukjente parametere ifi og observasjonene iy. Vektoren c er en tilleggsvektor som introduseres for å modellere effektene av en betydelig feil. Dimensjonen av c er lik antall observasjoner i

y. Fremgangsmåter for estimering av en betydelig feil og den betydelige feilens usikkerhet som funksjon av residualene og residualkovariansmatrisen, er beskrevet i litteraturen.

Testverdien for testing av ovennevnte hypotese er gitt ved:

der<7^ er standardavviket til V; den betydelige feilens V. estimator. Nullhypotesen H0avvises når testverdien t er større enn en spesifisert testgrense, angitt som . Testgrensen er grensen ved hvilken et gitt brønnvalg klassifiseres som en betydelig feil eller ikke, og er den øvre a/2-kvantilen av en egnet statistisk fordeling. En avvisning av Ho tyder på at feilen V. i denie<nde>observasjonen y, er signifikant forskjellig fra null, og konklusjonen er at denne observasjonen er korrumpert av en betydelig feil. Testgrenser som en funksjon av ulike sannsynlighetsnivåer kan utledes i statistiske oppslagstabeller. Et utbredt sannsynlighetsnivå som anvendes, er 5 %. Fordelingen av testverdien må være lik fordelingen av testgrensen.

Dersom a<1>er kjent, dvs. ikke estimert, vil fordelingen av teststatistikken t være forskjellig fra tilfellene hvor variansfaktoren a<1>er ukjent.

La oss anta at testen i trinn 1 er anvendt, og at denne testen har indikert at betydelige feil er til stede i observasjonsdataene. Neste trinn blir da å sjekke om noen av brønnvalgene i datasettet påvirkes av betydelige feil. Se figur 1 for ytterligere forklaring.

Figur 1 viser en rekke seismiske horisonter 2 som fremstiller geologiske overflater, en borehullsbane 4, og en rekke brønnvalg 6.1 figur 1 er et av brønnvalgene i tredje overflate fra toppen korrumpert av en betydelig feil. Brønnvalg angis med helsvarte sirkelformede prikker 6. Alle overflater er oppdatert i henhold til tilgrensende brønnvalg. De korrumperte brønnvalgene passer ikke i den justerte overflaten på grunn av den betydelige feilen som fungerer som en ukorrigert bias. Den betydelige feilen er angitt med en tykk linje 8.

Trinn 3: Test for systematiske feil.

Kvaliteten av spesifiserte grupper brønnvalg testes individuelt. Eksempler på slike grupper kan være brønnvalg i visse brønner, undervannmaler (eng.: subsea templates), horisonter og forkastninger. Testen kan for eksempel utføres ved å teste brønnvalgenes 3D-koordinater i hver brønn suksessivt. Dersom en brønn korrumperes av en vertikal feil eller en lateral feil og en stor del eller hele brønnen påvirkes systematisk, vil det detekteres i dette trinnet. Testen er særlig relevant når flere brønnvalg korrumperes av betydelige feil. Dette kan være tilfelle når en hel brønn er forskjøvet på en systematisk måte i forhold til dens forventede posisjon. Et eksempel vises i figur 2.

Denne testen ligner testen som presenteres i trinn 2, bortsett fra at i stedet for estimering av de betydelige feilene for hver observasjon individuelt, estimeres de betydelige feilene og testes for mer enn ett brønnvalg samtidig. For trinn 3 består følgelig mer enn ett element i vektoren c av sifferet ett (ved testing for vertikal feil) for å modellere effektene av en betydelig feil, i form av en bias V , som påvirker mer enn ett brønnvalg samtidig.

Hypotesen for denne testen kan formuleres ved:

Bemerk at biasen V i dette tilfellet kan representere en felles bias i flere brønnvalg i den samme brønnen, eller en bias i flere brønnvalg i den samme seismiske horisonten eller forkastningen. Den betydelige feilen V kan estimeres ved uttrykket

der i dette tilfellet mer enn ett element i vektoren c består av ett-tall. Dette er elementene som korresponderer med brønnvalgene involvert i den systematiske feilen.

Det er ikke nødvendigvis slik at dybdefeil har oppstått i borehullets øvre del. I tilfeller der dybdefeil har oppstått ved andre brønnvalg lenger nede i brønnen, kan imidlertid testen for systematiske feil utføres i henhold til en "prøve og feile"-tilnærming. Ved å utføre testen i trinn 3 systematisk for alle mulige sekvenser av brønnvalg i alle brønnene eller andre kjennetegn, kan den mest alvorlige systematiske feilen detekteres ved å sammenligne testverdier. Testen med den høyeste testverdien over testgrensen er den mest sannsynlige systematiske feilen.

Den ovennevnte prosedyren kan også anvendes for å detektere systematiske feil i laterale koordinater. I tillegg kan denne prosedyren anvendes for å detektere systematiske feil i den nordlige, østlige og vertikale retningen samtidig for en hel brønn. I dette trinnet skal kvaliteten på alle brønnvalg i en bestemt brønn eller en horisont osv., testes. Videre skal det foretas vellykket testing av alle brønner i datasettet. Bemerk at denne prosedyren har likheter med prosedyren i trinn 2, bortsett fra at testen involverer flere brønnvalg i stedet for ett enkelt brønnvalg.

Figur 2 viser en situasjon som ligner på eksempelet gitt i figur 1.1 dette tilfellet har imidlertid den betydelige feilen påvirket flere brønnvalg likt i stedet for ett enkelt brønnvalg. Denne situasjonen er typisk når borestrengens målte dybde er påvirket av en betydelig feil. Brønnvalg er angitt med helsvarte sirkelformede prikker 6, mens de betydelige feilene er angitt med tykke linjer 8.

Trinn 4: Test for systematiske feil og betydelige feil samtidig

I dette trinnet testes kvaliteten på grupper av brønnvalg og individuelle brønnvalg samtidig i én enkelt statistisk test. Følgelig er denne delen av kvalitetskontrollen spesielt nyttig for å detektere flere betydelige feil samtidig og dermed hindre maskeringseffekter, dvs. at en test i et brønnvalg kan påvirkes av feil i andre korrumperte brønnvalg, slik tilfellet vil være i enkeltbrønnvalgstestene i trinn 2. Brukeren velger enkeltbrønnvalg og/eller en mengde brønnvalg basert på tolkningene av resultatene fra trinn 1, 2 og 3. De valgte brønnvalgene kan være brønnvalg uten dokumenterte betydelige feil ved trinn 2 og 3, men som brukeren mistenker er påvirket av betydelige feil. Testen konkluderer hvorvidt de valgte brønnvalgene vil forårsake signifikante forbedringer av observasjonsdataenes generelle kvalitet dersom de ekskluderes fra datasettet. Brønnvalgene testes for ekskludering individuelt eller som grupper bestående av flere brønnvalg som potensielt er korrumpert av systematiske feil.

Denne testen er spesielt nyttig i tilfeller der brukeren mistenker at systematiske feil og betydelige feil i brønnvalg er til stede på en slik måte at de ikke kan detekteres og identifiseres av testene i trinn 2 og trinn 3. Dette kan skyldes maskeringseffekter, det vil si dersom en betydelig feil som ikke er estimert, maskerer effektene av en betydelig feil som er estimert. Dette kan være tilfelle dersom flere brønnvalg er korrumperte, enten det gjelder flere betydelige feil i flere brønnvalg og/eller dersom systematiske feil er til stede i flere brønner. Ved å anvende denne testprosedyren kan brukeren estimere størrelsen på alle disse feilene samtidig og utføre en statistisk test for å bestemme om alle disse brønnvalgene samtidig kan anses som betydelige feil. Det er viktig å bemerke at én enkelt felles testverdi beregnes for alle disse brønnvalgene, selv om feilene i alle valgte brønnvalg estimeres.

Bemerk at i denne testtilnærmingen utføres ikke testen på en suksessiv måte som testene i trinn 2 og trinn 3.1 denne testen beregner vi én felles testverdi for alle estimerte feil - systematisk for flere brønnvalg eller individuell for enkeltbrønnvalg.

Testen kan sammenfattes i de følgende trinnene:

a) Velg hvilke brønnvalg som skal testes for ekskludering.

b) Finn ut hvilke brønnvalg som antas å representere betydelige feil i individuelle

brønnvalg, og grupper av brønnvalg som anses å representere systematiske feil.

c) Estimer feilene i de valgte brønnvalgene

d) Beregn den felles testverdien for de valgte brønnvalgene. Denne testverdien er en

følge av feilene estimert i tidligere trinn (trinn c).

e) Sjekk om den felles testverdien for de valgte brønnvalgene er større enn testgrensen. I så fall utgjør de valgte brønnvalgene en betydelig modellfeil og må ekskluderes fra

datasettet, ellers ikke.

I trinn c ovenfor er feilene (angitt somV) estimert med følgende ligning:

der vektoren fl består av estimatene til parametere som koordinater, hastighetsparametere osv., og V A. er en vektor for de betydelige feilenes estimater i visse retninger; enten nord, øst eller vertikalt. Vektoren.y inneholder de observerte verdiene av koordinater og hastighetsparametere som utgjør modellens datasett. Koeffisientmatrisen X definerer det matematiske forholdet mellom de ukjente parameterne i fi og observasjonene iy. Koeffisientmatrisen Z definerer forholdet mellom de betydelige feilene V og observasjonene i y, og er spesifisert i trinn a. og b. ovenfor. Matrisen kan anvendes til å modellere enhver type modellfeil avhengig av valget av koeffisienter.

Testverdien T, kan beregnes ved:

Der er de estimerte betydelige feilenes kovariansmatrise, r er antall elementer i vektoren V, é er en vektor for residualer som reflekterer samsvaret mellom den opprinnelige og justerte brønnvalgposisjonen, og n — u er gradene av frihet.

Betydelig feil-testen kan formuleres med følgende hypotese:

Hypotesen Ho slår fast at det ikke er noen betydelige feil til stede i dataene, dvs. at modellfeilene V er null. Den alternative hypotesen Ha slår fast at modellfeilene er forskjellige fra null. Dersom testverdien er større enn testgrensen, er konklusjonen at modellfeilen er en betydelig feil. Testgrensen avhenger av sannsynlighetsnivået a, som definerer den aksepterte sannsynligheten for at det konkluderes med at et brønnvalg er en betydelig feil, når faktum er at det ikke er det. Testgrenser som en følge av ulike sannsynlighetsnivåer kan utledes i statistiske oppslagstabeller. Et utbredt sannsynlighetsnivå som anvendes, er 5 %. Fordelingen av testverdien må være lik fordelingen av testgrensen.

Vurder situasjonen vist i figur 3. De tykke linjene 8 viser hvilke brønnvalg som er korrumpert av betydelige feil. Den første brønnen fra venstre er korrumpert av én enkelt betydelig feil, som er det tredje brønnvalget ovenfra. Brukeren kan ha mistanke om dette basert på resultatene fra trinn 2 og 3. Feilens størrelse er allerede estimert i disse trinnene. Feilestimatet er mistenkelig høyt, men ikke høyt nok til å ekskluderes basert på trinn 2 og 3. Brukeren velger derfor dette som en kandidat for testing i trinn 4. Situasjonen er den samme for det laveste brønnvalget i den andre brønnen fra venstre, og derfor velger også brukeren dette brønnvalget. I den tredje brønnen fra venstre har resultatene fra tidligere tester indikert en systematisk endring i tre av brønnvalgene. Denne endringen er ikke detektert av de tidligere testene. Brukeren velger disse brønnvalgene som kandidater for testing, men velger å betrakte dem som en felles feil for alle tre brønnvalgene, fordi denne feilen synes å være en systematisk feil. Den samme situasjonen gjelder for de to øverste brønnvalgene i brønnen på høyre side i figur 3.1 dette eksempelet estimerer programvaren fire feil totalt, der to av dem er systematiske. Programvaren beregner også én enkelt testverdi som er felles for denne utvelgelsen av brønnvalg, for å bestemme om alle disse brønnvalgene skal ekskluderes fra dataene angitt som en gruppe.

I figur 3 påvirkes flere brønnvalg av betydelige feil, i form av feil i individuelle brønnvalg og systematiske feil. Når den målte dybden påvirkes av en betydelig feil som påvirker flere brønnvalg nede i brønnen, kan dette forårsake en lignende endring i de respektive brønnvalgene. Brønnvalg 6 er angitt med helsvarte sirkelformede prikker, mens de betydelige feilene er angitt med tykke linjer 8 i borehullsbanene 4.

Praktisk eksempel på anvendelse

Følgende scenario vil forhåpentligvis vise egnetheten av fremgangsmåtene beskrevet heri. Scenarioet oppstår i et oljefelt i Norskehavet. Oljefeltet er perforert av 30 produksjonsbrønner og 5 letebrønner. Feltets stratigrafi er typisk for arealet, og reservoaret finnes i Garn- og He-formasjonene. Seismiske horisonter er tolket fra tidsmigrert toveis tidsdata. Feltet er relativt forkastet. Noen forkastninger er tolket i toveistid. Brønnobservasjoner er gjort for alle de seismiske horisontene og noen av de tolkede forkastningene.

Kartleggingsteamet (eng.: asset team) har dybdekonvertert de seismiske horisontene og forkastningene ved å anvende seismiske intervallhastigheter. Videre er posisjonsusikkerheter i horisonter, forkastninger og brønnvalg, inkludert avhengighetene dem imellom, fremstilt i en kovariansmatrise. En strukturmodell i dybde ble utarbeidet ved å justere de dybdekonverterte horisontene og forkastningene med brønnobservasjoner av horisonter og forkastninger. Usikkerhetene ved seismiske kjennetegn og posisjonsbrønndata i 3D ble oppnådd ved å inkludere kovariansmatrisen i tilnærmingen med justering av minste kvadrater. Et programvareverktøy er anvendt for å utføre justeringen.

Kvalitetssjekk

For å kvalitetssjekke innmatingsparameterne til den dybdekonverterte modellen, ble fremgangsmåtene som beskrives heri, utført. En sjekk av generell kvalitet ble utført (trinn 1), og en testverdi ble beregnet. Hypotesen i denne testen er om observasjonsdataenes opprinnelige usikkerheter er innenfor spesifikasjonen eller ikke. Testverdien i denne testen ble 10,3, som er høyere enn den øvre testgrensen på 1,6. Dette tyder på at det er en manglende overensstemmelse mellom de dybdekonverterte posisjonene og brønnvalgposisjonene med hensyn til usikkerheter og avhengigheter (korrelasjoner). Mer spesifikt indikerer en testverdi som er høyere enn testgrensen, at avvikene mellom ett eller flere brønnvalg og de korresponderende horisont- eller forkastningsposisjonene er høyere enn, eller ikke harmonerer med usikkerhetsområdet til slike posisjoner. Dette er bevis på manglende overensstemmelse til stede i dataene, men årsaken til manglende overensstemmelse er ikke klar.

Som et forsøk på å identifisere årsaken til svikt i den generelle QC-testen, utføres betydelig feil-testen av hvert individuelle brønnvalg for alle horisonter og forkastninger (trinn 2). Testgrensen for betydelig feil-testen for dette bestemte datasettet er 2,9. Testverdiene for flere brønnvalg er høyere enn grensen, og brønnvalgene i Brønn A fremviser de høyeste testverdiene. Biasen i den vertikale retningen beregnet for alle brønnvalgene i Brønn A, er positive og cirka 10 meter. På dette tidspunktet vil prosedyren være å undersøke innmatingsdataene assosiert med brønnvalgene med høyeste testverdi. Etter å ha identifisert en systematisk bias i den vertikale retningen i Brønn A er det imidlertid naturlig å utføre en systematisk betydelig feil-test på alle brønnvalgene i den brønnen (trinn 3), og å bestemme om den felles biasen i disse brønnvalgene er en betydelig feil (dvs. signifikant forskjellig fra null) eller ikke. Etter å ha kjørt testen i trinn 3 for alle brønner i feltet, er A-testverdien til Brønn A 4,4. Med en testgrense på 2,1 er det den eneste brønnen med en testverdi over testgrensen. Den korresponderende biasen er estimert til 10,1 meter. Brønnkartleggingsingeniøren konsulteres, og årsaken til biasen fastsettes til å være en feil i datumhøyden (eng.: datum elevation) på 10 meter. Dette forklarer den systematiske feilen i den vertikale retningen for brønnvalgene i Brønn A.

Kartleggingene og brønnvalgposisjonene i Brønn A ble korrigert. Deretter ble testen av den generelle kvaliteten (trinn 1) kjørt med en testverdi på 1,8, som stadig er høyere enn den øvre testgrensen på 1,6. Brukeren er derfor klar over at noen andre brønnvalg i

datasettet kan være korrumperte. Brukeren vil også mistenke dette basert på resultatene fra testene i trinn 2, fordi feilestimatene for noen brønnvalg viste seg å være mistenkelig høye (Brønn B og C), men ikke høye nok til å ha signifikant effekt på de respektive testverdiene fra trinn 2. Dette var også tilfellet for de systematiske feiltestene i trinn 3 for to andre brønner, Brønn D og E. Det mistenkes at et brønnvalg i Brønn B er korrumpert av en betydelig feil, som er det andre brønnvalget i horisont nr. 2 ovenfra. Brukeren kan allerede ha mistanke om dette fra trinn 2, hvor feilens størrelse ble estimert til 12,3 meter. Dette feilestimatet er mistenkelig høyt, men ikke høyt nok til å ekskluderes basert på resultatene fra trinn 2. Imidlertid velger brukeren derfor dette som

en kandidat for testing i trinn 4. Situasjonen er den samme for det laveste brønnvalget i Brønn C, og derfor velger også brukeren dette brønnvalget som kandidat for testing. I brønn D har resultatene fra trinn 3 indikert en systematisk endring i fire av brønnvalgene. Denne endringen er i nedadgående retning for alle fire brønnvalg og estimert til 7 meter i størrelse. Denne biasen (betydelige feilen) er imidlertid ikke detektert av testene i trinn 3.1 Brønn E er det også en systematisk endring i den oppadgående retningen for tre brønnvalg i sekvens.

Når brukeren skal utføre kvalitetskontrolltestene i trinn 4, må alle de nevnte brønnvalgene velges fra Brønn B, C, D og E. Programmet estimerer en felles endring i form av en bias, for de faktiske brønnvalgene i Brønn D, og en felles endring for de faktiske brønnvalgene i Brønn E. Programmet estimerer også en bias for hvert av brønnvalgene i Brønn B og C. Totalt estimerer programvaren fire feil, hvorav to av dem er systematiske. Endelig beregner programmet en felles testverdi for alle disse brønnvalgene. Dersom denne testverdien er større enn testgrensen, må alle relevante brønnvalg ekskluderes fra datasettet for å oppnå en akseptabel datakvalitet. Konklusjonen vil være at alle disse brønnvalgene til sammen utgjør en modellfeil som består av både systematiske feil og betydelige feil i individuelle brønnvalg.

Kartleggingene og brønnvalgposisjonene ble korrigert. Deretter ble testen av den generelle kvaliteten (trinn 1) kjørt med en testverdi på 1,1, med en nedre akseptgrense på 0,6 og en øvre akseptgrense på 1,6. Videre ble testen for betydelig feil i enkeltbrønnvalg (trinn 2) kjørt uten testverdier over testgrensen på 2,9. Den systematiske brønnfeiltesten (trinn 3) ble kjørt uten noen testverdier over testgrensen. Dette tyder på at innmatingsposisjoner, hastigheter, usikkerheter og korrelasjoner er overensstemmende, og den dybdekonvertere strukturmodellen anses å ha tilstrekkelig kvalitet.

Konsekvenser

De betydelige feilene som ble detektert i dette tilfellet, fører til signifikante feil i strukturmodellen. Posisjonene til horisonter og forkastninger som ble penetrert av Brønn A, ble signifikant påvirket av biasen i brønnens datumhøyde. Strukturmodellen anvendes til brønnplanleggings- og boreoperasjonsformål så vel som a priori usikkerhetsmodellen til historikktilpasning av reservoarmodellen, og til bulkvolumberegninger. Brønn A penetrerte kun den øvre delen av reservoaret, og biasen ble derfor kun introdusert i den delen av reservoaret. Følgelig skapte de betydelige feilene en bias i bulkreservoarvolumberegningene, hvilket resulterte i signifikante feil i de øvrige reservenes estimerte nettonåverdi. Den opprinnelige reservoar-usikkerhetsmodellen er basert på strukturmodellen. Følgelig vil en historikktilpasning av reservoarmodellen til oljefeltets produksjonshistorikk påvirkes av den betydelige feilen i brønnobservasjonene. Den historikktilpassede reservoarmodellen anvendes for prediksjoner om fremtidig produksjon av feltet. En feilaktig historikktilpasset reservoarmodell med bias vil gi feil i feltets estimerte fremtidige produksjonstall og totale verdi.

Teknologien som presenteres i den foreliggende søknaden, muliggjør også detektering av betydelige feil i brønnvalg basert på en flerlags dybdekonverteringsteknikk. Det er imidlertid betydelige forskjeller i forhold til de tidligere teknikkene som er presentert: Selve dybdekonverteringsteknikken er basert på en 2,5 D-modell (kalt bildestrålesporing eller kartleggingsmigrasjon; Hubral, 1977). Dette tyder på at modellen estimerer de tre koordinatene fra hvert tolkede horisontvalg samt en overensstemmende kovariansmodell. Når det gjelder hellende horisonter (eng.: dipping horizons) tilveiebringer denne teknikken en mer nøyaktig estimering av horisontenes posisjon. Denne fordelen oppveies imidlertid av kostnaden.

Denne oppfinnelsen kan betraktes som et QC-konsept som omfatter flere typer fremgangsmåter for å tilveiebringe en indikasjon på datakvalitet. QC er ikke begrenset til individuelle brønnvalg slik tilfellet er for de to tidligere anvendelsesområdene, ettersom også en gruppe observasjoner kan testes samtidig (systematiske feil, for eksempel alle brønnvalgene fra én enkelt brønn eller alle brønnvalgene fra samme horisont). Denne funksjonaliteten muliggjør identifisering av årsaken til problemer som kan oppstå under kalibreringen av modellen.

Fremgangsmåtene og testene ifølge oppfinnelsen er ikke begrenset til kun testing av hvorvidt observasjonen er en betydelig feil eller ei, men de er også i stand til å estimere de betydelige feilenes omfang både for én enkelt og en mengde observasjoner og deres assosierte usikkerheter. Dette er en signifikant forskjell fra eksisterende teknologi. Eksempler på testtilnærminger er:

Testing av betydelige feil i individuelle brønnvalg

Samtidig testing av en mengde brønnvalg:

Flere brønnvalg i samme horisont/forkastning

Flere brønnvalg i samme brønn

Flere brønnvalg i samme brønn/horisont/forkastninger og enkeltbrønnvalg

Testing av betydelige feil i andre innmatingsparametere (f.eks.

hastighetsmodellparametere)

Testing av ukorrekt a priori antagelse om observasjonenes innmatingsvarianser/- kovarianser. Dette kan betraktes som en test av generell kvalitet.

QC utføres enten i 3D, 2D eller ID i henhold til brukerens anmodninger.

Innmatinger som kreves for å anvende QC-fremgangsmåten, er:

1. A priori usikkerheter i sub-overflatemodellen (dvs. kovariansmatrise over posisjoner til horisont og forkastninger som er av interesse før justering etter brønnene). 2. A priori usikkerheter i brønner, dvs. usikkerheter i brønner før de anvendes til å justere sub-overflatemodellen. 3. Residualer, f.eks. minste kvadraters residualer. Disse er simpelthen forskjellene mellom de opprinnelige og oppdaterte posisjonene til brønner, og posisjonsforskjeller mellom den opprinnelige og oppdaterte sub-overflatemodellen. Oppdatert henviser til tilfeller der brønnene og sub-overflatemodellen er kombinert og justert ved hjelp av et bestemt justeringsprinsipp, så som minste kvadraters metode. Residualenes usikkerheter (kovariansmatrise) kreves også. 4. En matrise som spesifiserer hvilke observasjoner som skal testes for tilstedeværelsen av betydelige feil. Denne matrisen er en modell som definerer om testene skal utføres for enkeltobservasjoner eller for flere observasjoner samtidig. Denne matrisen kalles spesifikasjonsmatrisen.

Innmatingen kan oppnås fra kommersielle programvarepakker.

Utmatingene fra fremgangsmåtene ifølge oppfinnelsen kan være:

1. Estimater av feilene i de opprinnelige posisjonene til brønner og sub-overflatemodell. Estimerte usikkerheter i de estimerte feilene mates også ut.

2. Testverdier for evaluering av om estimerte feil er betydelige feil eller ei.

Alle tester kan utføres i 3D. Dette avhenger av tilgjengelige data. Tester kan imidlertid anvendes i en hvilken som helst av nordlig,østlig og vertikal retning omønskelig.

Oppfinnelsen vil bidra til å øke effektiviteten innen en rekke anvendelsesområder. Noen eksempler på mulig bruk av oppfinnelsen er:

QC av brønnplanlegging

QC av volumberegninger

QC av historikktilpasning av strukturmodell/reservoarmodell

QC av brønnoperasjoner QC av seismisk tolkning QC av borehullsloggtolkning

Claims (12)

1. Fremgangsmåte for å vurdere kvaliteten på sub-overflateposisjonsdata og borehullsposisjonsdata omfattende: tilveiebringelse av en sub-overflateposisjonsmodell av et område av grunnen inkludert sub-overflateposisjonsdata, hvori hvert punkt i sub-overflateposisjonsmodellen har en kvantitativ posisjonsusikkerhet representert gjennom en sannsynlighetsfordeling; tilveiebringelse av en borehullsposisjonsmodell inkludert borehullsposisjonsdataene oppnådd fra brønnvalg fra brønner i området, hvert brønnvalg korresponderer med et geologisk kjennetegn bestemt av en måling som er gjort i en brønn, hvori hvert punkt i borehullsposisjonsmodellen har en kvantitativ posisjonsusikkerhet representert gjennom en sannsynlighetsfordeling; identifisering av fellespunkter, som hver for seg omfatter et punkt i sub-overflateposisjonsmodellen som korresponderer med et brønnvalg i borehullsposisjonsdataene; utledning for hvert fellespunkt en lokal testverdi som representerer posisjonsusikkerhet: valg av noen, men ikke alle fellespunktene og utledning av en testverdi fra de valgte fellespunktenes lokale testverdier; tilveiebringelse av posisjonsfeiltestgrense for de valgte fellespunktene; og sammenligning av testverdien med testgrensen for å tilveiebringe en vurdering av datakvalitet.

2. Fremgangsmåte ifølge krav 1, i hvilket de valgte fellespunktene vedrører et felles fysisk kjennetegn.

3. Fremgangsmåte ifølge krav 2, i hvilket det felles fysiske kjennetegnet omfatter én av en brønn, en undervannsmal, en horisont og en forkastning.

4. Fremgangsmåte ifølge hvilket som helst av foregående krav, i hvilket de valgte fellespunktene vedrører en gruppe som mistenkes å dele en systematisk feil.

5. Fremgangsmåte ifølge hvilket som helst av foregående krav, i hvilke de valgte fellespunktene omfatter de som er vurdert til å ha en utilfredsstillende datakvalitet.

6. Fremgangsmåte ifølge hvilket som helst av foregående krav, hvori trinnet med å velge fellespunkter inkluderer å velge brønnvalg som skal testes for ekskludering fra borehullsposisjonsmodellen; og fremgangsmåten ytterligere omfatter, dersom testverdien er større enn testgrensen, ekskludering av de valgte brønnvalgene fra borehullsposisjonsmodellen.

7. Fremgangsmåte ifølge krav 6, hvori trinnet med å beregne en testverdi omfatter beregning av kun en enkelttestverdi for alle valgte brønnvalg.

8. Fremgangsmåte ifølge krav 6 eller 7, hvori trinnet med å velge brønnvalg som skal testes for ekskludering, inkluderer å velge både: a) individuelle brønnvalg som antas å representere feil; og b) grupper av brønnvalg der hver slik gruppe antas å være påvirket av minst én feil som påvirker alle brønnvalg i gruppen.

9. Fremgangsmåte ifølge krav 6, 7 eller 8, hvori trinnet med å velge brønnvalg som skal testes for ekskludering, inkluderer å velge brønnvalg fra mer enn én brønn.

10. Fremgangsmåte ifølge hvilket som helst av foregående krav, som ytterligere omfatter å utlede en oppdatert modell av området ved å justere minst én av sub-overflateposisjonsmodellen og borehullsposisjonsmodellen, slik at hvert fellespunkt har den mest sannsynlige posisjonen i sub-overflateposisjonsmodellen og borehullsposisjonsmodellen.

11. Fremgangsmåte ifølge hvilket som helst av foregående krav, hvori sub-overflateposisjonsdata oppnås fra seismiske data.

12. Fremgangsmåte ifølge hvilket som helst av foregående krav, som ytterligere omfatter å repetere trinnene i fremgangsmåten på en gjentagende måte.