NO20131474A1 - Prognosesystem for oljefeltproduksjon - Google Patents

Abstract

Et system, en metode og et datamaskinlesbart medium med kapasitet til forbedring av effektiviteten og nøyaktigheten i oljefeltprognostiseringsoperasjoner beskrives i dette dokumentet. Målte oljefeltproduksjonsdata kan anvendes for generering av estimater for gjennomsnitt, kovarians og støy. Raffinerte estimater for gjennomsnitt og kovarians kan genereres ved anvendelse av en bayesisk probabilistisk oppdateringsalgoritme. De raffinerte estimatene kan anvendes for generering av en oljefeltproduksjonsprognose med en raffinert eksponentiell reduksjonskurve forbundet med de målte produksjonsdataene og en eller flere underliggende usikkerhetsfaktorer.

Description

PROGNOSESYSTEM FOR OLJEFELTPRODUKSJON

RELASJON TIL ANDRE SØKNADER

[0001] Denne søknaden krever fordel av den amerikanske midlertidige søknaden med serienummer 61/724,468, innlevert 9. november 2012, og den amerikanske patentsøknaden med serienummer 13/748938, innlevert 24. januar 2013, som begge i sin helhet inkorporeres i dette dokumentet ved henvisning.

BAKGRUNN

[0001] Oljefeltoperasjoner kan involvere flere brønner plassert på forskjellig steder i et reservoar. Ettersom hydrokarboner utvinnes fra et reservoar innhentes nye data, og det kan bli behov for endring av driftsplanen(e) for administrering av reservoaret for slik å maksimere hydrokarbonproduksjonen. Det kan tas beslutninger på hvert trinn av oljefeltoperasjonen for å oppnå skikkelig ressursallokering og sikre at reservoaret overholder produksj onspotensialet.

[0002] Prognostisering av oljefeltproduksjon innebærer analysen av oljefeltdata for estimering av fremtidig oljeproduksjon. Produksjonsprognoser kan nyttes for estimering av væskemengden(e) som kan gjenvinnes fra et reservoar på forskjellige tidspunkter. Produksjonsprognostisering for hvert trinn av oljefeltproduksjonen muliggjør forutsigelse av fremtidig kontantstrøm, design/tilpasning av produksjonsanlegg, planlegging av fremtidig brønn-/feltutvikling og/eller avstenging av uproduktive brønner.

[0003] Kjente oljefeltproduksjonsprognosemetoder er beregningsintensive og sensitive både til tilgjengelig datamengde og måten tilgjengelige data samles inn og analyseres på. Det finnes som sådant et vedvarende behov for et oljefeltprognosesystem med kapasitet til effektiv estimering av fremtidig produksjon og usikkerheten i fremtidig produksjon, ved anvendelse av forskjellige mengder tilgjengelige data.

SAMMENDRAG

[0004] Offentliggjøringen i dette dokumentet beskriver følgelig et system, en metode og et datamaskinlesbart medium med kapasitet til forbedring av effektiviteten av, nøyaktigheten og usikkerhetsbeskrivelsen i prognostisering av oljefeltproduksjon. Offentliggjøringen i dette dokumentet beskriver en mer direkte tilnærming til oljefeltproduksjonsprognostisering, som anvender målte oljefeltproduksjonsdata for generering av estimater og andre reduksjonskurver forbundet med hvert datapunkt i de målte oljefeltproduksjonsdataene.

[0005] Målte oljefeltproduksjonsdata relatert til en brønn/et reservoar i en oljefeltoperasjon kan mottas og lagres. I én utforming kan en eksponentiell reduksjonskurve forbundet med de målte produksjonsdataene identifiseres og uttrykkes som en todimensjonal vektor med en amplitudeparameter A og en rate for den eksponentielle reduksjonsparameteren r. Andre typer reduksjonskurver, slik som hyperbol eller harmonisk, hver representert med hensyn til flere parametere, kan på lignende måte tas i betraktning.

[0006] I én utforming, kan A- og r-parameterne i den eksponentielle reduksjonskurven forbundet med de målte produksjonsdataene estimeres og anvendes til generering av en grafisk representasjon av den eksponentielle reduksjonskurven forbundet med de målte oljefeltproduksjonsdataene i fortiden og fremtiden. Fordi den fremtidige produksjonen er ukjent, kan de to parameterne A og r anses å være usikre parametere. Disse to parameterne kan uttrykkes som en todimensjonal vektor, og gjennomsnitt og kovariansen av den todimensjonale vektoren kan estimeres ved anvendelse av de målte oljefeltproduksjonsdataene. I én utforming kan fluktueringer i de målte oljefeltproduksjonsdataene, vekk fra den tilknyttede eksponentielle reduksjonskurven, anses å være målinger av "støy" ved hvert trinn av de målte produksjonsdataene.

[0007] I én utforming, ettersom nye produksjonsdata måles/mottas, kan gjennomsnitt og kovarians for den todimensjonale vektoren oppdateres og/eller raffineres ved bruk av en bayesisk probabilistisk oppdateringsalgoritme. I én utforming kan den bayesiske probabilistiske oppdateringsalgoritmen anvende det estimerte gjennomsnittet, den estimerte kovariansen og de estimerte egenskapene for støymåling for å komme frem til et raffinert gjennomsnitt og en raffinert kovarians for den todimensjonale vektoren.

[0008] De raffinerte estimatene for gjennomsnitt og kovarians for den todimensjonale vektoren kan anvendes til generering av en raffinert eksponentiell reduksjonskurve forbundet med de målte produksjonsdataene. I én utforming kan usikkerheten forbundet med den raffinerte eksponentielle reduksjonskurven estimeres og vises sammen med den raffinerte eksponentielle reduksjonskurven, for å angi usikkerheten i produksjonsprognosen for det gjeldende oljefeltet eller reservoaret. Metodene som beskrives i dette dokumentet kan gjentas iterativt ettersom nye oljefeltdata blir tilgjengelige, noe som gir brukeren den mest oppdaterte prognoseinformasjonen basert på alle tilgjengelige målingsdata.

[0009] Dette sammendraget er ment å introdusere et utvalg av begreper som beskrives videre i dette dokumentet, på en forenklet måte. Dette sammendraget er ikke ment å identifisere nøkkel- eller grunnfunksjoner i emnet for kravene, ei heller er det ment brukt som et middel til å fastsette omfanget av emnet for kravene. Dette sammendraget illustreres med eksemplet på en eksponentiell reduksjonskurve, men andre reduksjonskurveparametere kan på lignende måte vurderes.

KORT BESKRIVELSE AV TEGNINGENE

[0010] En mer helhetlig forståelse av offentliggjøringen i dette dokumentet og de følgende fordelene ved denne, kan lett oppnås og bedre forstås med henvisning til den følgende detaljerte beskrivelsen sett i sammenheng med de vedlagte tegningene; det skal forstås at tegningene som følger med dette dokumentet ikke nødvendigvis er tegnet i skala og at de vedlagte tegningene presenterer illustrerende implementeringer og ikke er ment å begrense omfanget av de forskjellige teknikkene som beskrives i dette dokumentet; hvor;

[0011] Fig. 1 er en grafisk fremstilling av målte oljefeltproduksjonsdata ifølge ett utformingseksempel.

[0012] Fig. IA er et flytskjemadiagram som illustrerer en oljefeltprognoseprosess ifølge ett utformingseksempel.

[0013] Fig. 2 er en grafisk fremstilling av et semiloggplott over målte oljefeltproduksjonsdata ifølge ett utformingseksempel.

[0014] Fig. 3 er en grafisk fremstilling av målte oljefeltproduksjonsdata og en tilknyttet eksponentiell reduksjonskurve ifølge ett utformingseksempel.

[0015] Fig. 4 er en grafisk fremstilling av målte oljefeltproduksjonsdata og en raffinert eksponentiell reduksjonskurve ifølge ett utformingseksempel.

[0016] Fig. 5 er en grafisk fremstilling av målte oljefeltproduksjonsdata og en raffinert eksponentiell reduksjonskurve og usikkerhetsindikatorer ifølge ett utformingseksempel.

[0017] Fig. 6 er en skjematisk illustrasjon av et datamaskinsystem ifølge ett utformingseksempel.

DETALJERT BESKRIVELSE

[0018] I den følgende beskrivelsen presenteres en rekke detaljer for å gi en forståelse av forskjellige utforminger av oppfinnelsen. De med vanlige ferdigheter i faget vil imidlertid forstå at oppfinnelsen kan praktiseres uten disse detaljene og at en rekke variasjoner eller modifikasjoner av de beskrevne utformingene kan være mulig.

[0019] Offentliggjøringen i dette dokumentet beskriver utforminger av en metode for prognostisering av oljefeltproduksjon, et datamaskinlesbart medium for prognostisering av olj efeltproduksj onen og et datamaskinsystem for prognostisering av oljefeltproduksjon. Fig. 1 illustrerer et eksempel på et sett oljefeltproduksjonsdata for en oljefeltoperasjon uttrykt som månedlig oljeproduksjonsvolum kontra tid.

[0020] Oljefeltproduksjonsdata kan samles inn/måles ved anvendelse av sensorer plassert rundt omkring i et oljefelt. Sensorer i borehullet kan f.eks. overvåke/måle væskesammensetning, sensorer plassert langs overflatestrømningsbanen kan overvåke/måle produksj onsstrømningsrater og sensorer ved prosessanlegget kan overvåke/måle de innsamlede væskene. Oljefeltproduksjonsdata vist i fig. 1, illustrerer et situasjonseksempel hvor det månedlige oljebrønnproduksjonsvolumet for en brønn/et reservoar synker med over 7000 fat per måned i februar 1996 til rundt 500 fat per måned i mai 1999.

[0021] Målte oljefeltproduksjonsdata (10A) relatert til en brønn/et reservoar i en oljefeltoperasjon kan mottas og lagres, som illustrert av boksen (10) i fig. IA. Slike data kan mottas direkte fra oljefeltsensorutstyr eller via en lagringsenhet (11) som inneholder produksjonsdata. I én utforming kan det genereres en grafisk representasjon av målte produksjonsdata, som kan vises til brukeren (12) via et grafisk brukergrensesnitt (14). Den grafiske representasjonen kan eller kan ikke være lik grafikkeksemplet gjengitt i fig. 1.

[0022] I én utforming kan det identifiseres en eksponentiell reduksjonskurve forbundet med de målte produksjonsdataene, som illustrert av boksen (16) i fig. IA. I én utforming innebærer dette uttrykking av de målte produksjonsdataene, innhentet ved N målingstidspunkt, som en N-dimensjonal vektor som illustrert av ligning 1 (nedenfor).

[0023] Selv om en eksponentiell reduksjonskurve beskrives anvendt i relasjon til mange av eksemplene som presenteres i dette dokumentet, skal det forstås at andre reduksjonskurveparametere, slik som hyperbolisk, harmonisk og andre, kan anvendes i stedet for eller i kombinasjon med den eksponentielle reduksjonskurven. I én slik utforming kan parameterne for hver reduksjonskurvetype gis og antas å være tilfeldige variabler i henhold til prinsippene som beskrives i dette dokumentet.

[0024] Den eksponentielle reduksjonskurven kan uttrykkes i form av ligning 2 (nedenfor), slik at den eksponentielle reduksjonen kan beskrives av to frie parametere: (1) er en amplitudeparameter A og (2) en rate for den eksponentielle reduksjonsparameteren r. Disse to parameterne kan uttrykkes som en 2-dimensjonal vektor u i form av ligning 3 (nedenfor), som illustrert av boksen (17) i fig. IA.

[0025] Parameterne A og r for den eksponentielle reduksjonskurven forbundet med de målte produksjonsdataene, kan estimeres innledningsvis ved å ta logaritmen for begge sider av ligning 2 for generering av ligning 4 som følger:

[0026] I dette eksemplet er ligning 4 en lineær ligning med uavhengig tidsvariabel t, en helning på -( l/ r) og et avbrudd på ln A. Et semiloggingsplott for de målte produksjonsdataene kan genereres, som illustrert i fig. 2, og en rett linje (18) som best passer de målte produksjonsdataene i semiloggplottet kan fastsettes. I én utforming kan en minste kvadrats lineær regresjonstilnærming anvendes for fastsetting av den best passende rette linjen (18) for semiloggplottet for de målte oljefeltproduksjonsdataene (10A).

[0027] Helningen for og avbruddet av den best passende rette linjen (18) kan anvendes for å gi et innledende estimat for parameter A og r i den 2-dimensjonale vektoren u, gitt de følgende gjennomsnitts- eller middelverdier for A og ri dette eksemplet:

[0028] De estimerte verdiene for A og r i den todimensjonale vektoren u kan deretter anvendes til generering av den eksponentielle reduksjonskurven forbundet med eksemplet på målte produksjonsdata i fig. 1. I én utforming kan dette oppnås ved innsetting av estimerte A- og r -verdier i den eksponentielle ligningen 2 (ovenfor) over tidsintervallet for de målte produksjonsdataene.

[0029] En grafisk representasjon som illustrerer den tilknyttede eksponentielle reduksjonskurven og de målte produksjonsdataene, kan genereres og vises til brukeren (12) via et grafisk brukergrensesnitt (14). Fig. 3 illustrerer et eksempel på en grafisk representasjon av den eksponentielle reduksjonskurven (19) forbundet med de målte produksjonsdataene (10A) i dette eksemplet.

[0030] I én utforming kan den representeres som en tilfeldig reduksjonskurve, for å representere usikkerheten omkring den eksponentielle reduksjonskurven (19) forbundet med de målte produksjonsdataene. I én utforming kan A- og r-parameterne i den 2-dimensjonale vektoren u uttrykkes som tilfeldige eller ikke nøyaktig kjente mengder slik at u kan anses å være en 2-dimensjonal tilfeldig variabel med et første moment (gjennomsnitt) og et andre moment (kovarians). I dette eksemplet kan gjennomsnittet av den todimensjonale vektoren u uttrykkes av variabelen mu og kovariansen kan uttrykkes av variabelen Luu.

[0031] Gjennomsnittet mu for den todimensjonale vektoren u kan innledningsvis estimeres som parameterne A og r for den rette linjen som best passer semiloggproduksjonsdataene (som beskrevet ovenfor) og ved å uttrykke dem som vist i ligning 6a, som illustrert av boksen (20) i fig. IA.

[0032] Basert på den innledende beregningen av de målte oljefeltproduksjonsdataene, kan kovariansen Luufor den todimensjonale vektoren u uttrykkes som en 2 x 2 matrise, som vist i lign. 6b (nedenfor) og løses, som illustrert av boksen (22) i fig. 1 A.

[0033] I én utforming kan parameterne A og r antas ikke å være korrelerte, noe som betyr at diagonalavvikstermene for 2 x 2 matrisen i ligning 6b kan antas å være null. I én utforming kan denne antakelsen anvendes til å anta at kunnskapen om at verdien for A er mindre eller større enn gjennomsnittsverdien ikke gir noen informasjon, a priori, om avvikene for r vekk fra dens gjennomsnittsverdi og vise versa. Dersom denne antakelsen ikke gjøres, kan diagonalavvikstermene for 2 x 2 matrisen for ligning 6b spesifiseres med ikke-null- verdier.

[0034] Standardavviksverdiene, som befinner seg på diagonalen for matrisen i ligning 6b, kan estimeres på flere måter. For å forenkle tilnærmingen, kan det antas at standardavviksverdiene representerer en feilprosent med hensyn til gjennomsnittsverdien, som illustrert av boksen (24) i fig. IA. I eksemplet ovenfor antas det et ±50 % feilnivå, slik at ligning 6b blir:

[0035] I én utforming kan systemet gi et grafisk brukergrensesnitt som en bruker kan anvende til manuell innskriving eller import av feilnivåinformasjon som kan anvendes sammen med ligning 6c. Løsning av Luui ligning 6c genererer en estimert standardavviksverdi (kvadratroten av diagonaltermene for kovariansen) for den todimensjonale vektoren u for ±3035 fat/måneden for amplitudeparameter A og et estimert standardavvik på ± 234 døgn for den eksponentielle raten for reduksjonsparameteren r som vist i ligning 6d.

[0036] I én utforming kan fluktueringer av de målte produksjonsdataene (10A) vekk fra den tilknyttede eksponentielle reduksjonskurven (19), anses å være tilfeldig målings-"støy" og mengden målingsstøy kan beregnes for hvert tidstrinn i de målte produksjonsdataene, som illustrert av boksen (26) i fig. IA. De målte produksjonsdataene d( t) i ligning 1 kan spesifikt anses matematisk som støy eller usikre målinger i den tilknyttede eksponentielle reduksjonskurven q( t) i ligning 2.

[0037] De N-dimensjonale målte produksjonsdataene som sådanne, kan skrives som vist i ligning 7 (nedenfor), hvor v( t) anses å være tilfeldig målings-"støy" og uttrykkes som forskjellen mellom de målte produksjonsdataene d( t) og den eksponentielle reduksjonskurven q( t) forbundet med de målte produksjonsdataene.

[0038] I én utforming kan den tilfeldige målingsstøyen v( t) uttrykkes som en N-dimensjonal tilfeldig variabelkarakterisert veddens første moment (gjennomsnittsverdi) og andre moment (kovariansmatrise). I én utforming kan den tilfeldige målingsstøyen antas å ha en null-gjennomsnittsverdi, og et andre moment kan uttrykkes av en N x N kovariansmatrise Ln, gitt ved ligning 8 som følger:

[0039] I dette eksemplet kan v; i ligning 8 representere støyen (dvs. fluktueringen mellom den målte produksjonen og reduksjonskurven) ved et første tidstrinn, mens vjy kan representere støyen ved tidstrinn N. Som én med vanlige ferdigheter i faget vil forstå, avhenger antallet tidstrinn av antallet tilgjengelige datapunkter for de målte produksj onsdataene.

[0040] I én utforming kan det antas at det ikke er noen korrelasjon i målingsstøyen mellom individuelle datapunkttrinn for målte oljefeltproduksjonsdata. Kunnskap om at den målte produksjonen er over eller under reduksjonskurven ved et gitt tidstrinn antas med andre ord ikke å gi noen informasjon om hvorvidt den målte produksjonen er over eller under reduksjonskurven ved et annet tidstrinn. Denne antakelsen forenkler beregningen av støyen Lm ved at diagonalavvikstermene for matrisene i ligning 8 kan antas å være null.

[0041] Dette "ikke-korrelerte" alternativet kan tilbys brukeren via en avmerkingsboks eller annet egnet brukergrensesnitt, hvor brukeren kan indikere at han eller hun ønsker å anta at det ikke finnes korrelasjon mellom noen eller alle målte oljefeltproduksjonsdatapunkter. For datapunkter hvor brukeren f.eks. indikerer et ikke-korrelert forhold, kan systemet automatisk befolke de tilsvarende diagonalene med nuller.

[0042] I én utforming kan systemet tilby et grafisk brukergrensesnitt hvor brukeren manuelt kan skrive inn eller importere tallmessig korrelerende informasjon til én eller flere diagonaler i matrisene i ligning 8. I én utforming kan informasjon om tallmessig korrelasjon inkludere ikke-null positive tall og brukeren kan tilbys muligheten til å inkorporere slike tall i noen av eller alle diagonalene for matrisene.

[0043] I én utforming kan wi,... wn i ligning 8 indikere vektingsindikatorer som kan anvendes ved hvert tidstrinn av støyberegningen, som illustrert av boksen (28) i fig. IA. I én utforming kan vektingsindikatorer inkludere tallindikatorer angående tilliten man kan ha til ett eller flere datapunkter for de målte oljefeltproduksjonsdataene. Denne funksjonen gjør det mulig for brukeren å effektuere "tilpasningen" av den eksponentielle reduksjonskurven til de målte oljefeltproduksjonsdataene på en per-data-punkt-basis.

[0044] Anta f.eks. at brukeren har større tillitt til de målte oljefeltproduksjonsdataene for det endelige oljefeltproduksjonsdatapunktet på grunn av en oppgradering til et mer nøyaktig produksjonsmålingsverktøy ved oljefeltet. I én utforming tillater systemet at brukeren indikerer større tillitt til minst ett datapunkt ved innskriving av null eller et lavt positivt tall nær null for minst ett datapunkt. I dette eksemplet kan innskriving av null eller et lavt tall nært null indikere en mindre mengde målingsstøy og en tettere tilpasning av den eksponentielle reduksjonskurven til den målte oljefeltproduksjonen ved det punktet. For datapunkter hvor brukeren har lavere tillitt til datamålingene kan han eller hun tilsvarende skrive inn et høyere positivt tall for å indikere en høyere målingsstøy, noe som gir en løsere tilpasning av den eksponentielle reduksjonskurven til de målte produksjonsdataene ved disse punktene.

[0045] Denne funksjonen ved oppfinnelsene gjør det mulig for brukeren å skreddersy den eksponentielle reduksjonskurven etter personlige ønsker og/eller kunnskap om den angjeldende oljefeltoperasjonen. Brukeren kan f.eks. ønske å se en reduksjonskurve som gir en tettere tilpasning ved mer nylige datapunkter, dvs. på senere stadier i oljefeltoperasjonen. I én utforming kan brukeren gjøre dette ved å skrive inn null eller en lav positiv vektingsindikator for datapunkter nær slutten av kurven og høyere tall ved tidligere datapunkter.

[0046] I én utforming kan et grafisk brukergrensesnitt tilbys for å ta imot vektingsindikatorer som skrives inn av brukeren. Slike indikatorer kan skrives inn manuelt av brukeren, eller importeres fra tidligere lagrede vektingsindikatorarrangementer. I én utforming kan systemet gi tilgang til en database med lagrede vektingsindikatorer for forskjellige typer målingsutstyr, slik at brukeren kun behøver å velge målingsutstyr for bruk for ett eller flere datapunkter, og systemet vil automatisk hente frem standard vektingsindikator(er) og sette dem inn i den tilnærmede matrisediagonalen for datapunktene indikert av brukeren.

[0047] I én utforming kan det estimerte gjennomsnittet mu og den estimerte kovariansen Luufor den todimensjonale vektoren u, som karakteriserer usikkerhetsgraden i reduksjonskurveparameterne A og r i dette eksemplet, forstås å endres over tid ettersom ytterligere målinger av den synkende produksjonen blir tilgjengelige. Ettersom tiden går kan den nye produksjonsmålingsinformasjonen anvendes til raffinering av estimatene for parameterne A og r til forbedring av produksjonsprognoseresultater, som illustrert av boksen (30) i fig. IA. I én utforming kan et bayesisk probabilistisk oppdateringsarrangement anvendes til generering av et raffinert gjennomsnitt mu\ d og en raffinert kovarians Luu\ d for den todimensjonale vektoren u. Det bayesiske probabilistiske oppdateringsarrangementet kan implementeres ved bruk av en bayesisk probabilistisk oppdateringsalgoritme.

[0048] I én utforming kan den bayesiske probabilistiske oppdateringsalgoritmen anvende det siste estimerte gjennomsnittet mu, den siste estimerte kovariansen Luufor den todimensjonale vektoren u og det siste estimatet av N x N målingsstøykovariansen Lm for å kunne nå et raffinert gjennomsnitt mu\ d og en raffinert kovarians Luu\ d for den todimensjonale vektoren u, gitt de siste målingsdataene i den TV-dimensjonale vektoren d. Til å begynne med kan målingsdataene i vektoren d sammenlignes med den N-dimensjonale reduksjonskurven q ved prøvetakingstider beregnet ved bruk av parameterne i gjennomsnittet mu( t), og den N-dimensjonale vektoren for forskjeller v = d

- q (noen ganger henvist til som rester) ved anvendelse av ligning 7 kan beregnes. I én

utforming kan det raffinerte gjennomsnittet mu\ d og den raffinerte kovariansen Luu\ d for den todimensjonale vektoren u gitt dataene i målingsvektoren d uttrykkes ved bruk av en bayesisk probabilistisk oppdateringsalgoritme, som vist i hhv. ligning 9 og 10 (nedenfor) hvor v = d - q er den 7V-dimensjonale vektoren for rester:

[0049] I én utforming kan den bayesiske probabilistiske oppdateringsalgoritmen K i dette eksemplet anvendes til å betegne N x N kovariansoppdateringen eller "vinningsmatrisen" i dette eksemplet, som deretter kan uttrykkes som vist i ligning 11 (nedenfor) hvor Vq kan være en N x 2 matrise med derivert informasjon (illustrert nedenfor i ligning 12a ved bruk av betegnelsene gi og gi) om den eksponentielle funksjonen q( t) i ligning 2. I én utforming kan Vq spesifikt representere en N x 2 matrise hvor den første kolonnen representerer derivatet av q( t) med hensyn til A -parameteren (betegnet som gi i ligning 12b nedenfor) og den andre kolonnen representerer derivatet av q( t) med hensyn til r-parameteren (betegnet som g2i ligning 12c nedenfor); mens Vq' kan anvendes til å representere 2 x TVtransponeringen av N x 2 matrisen Vq.

[0050] Løsningen av det raffinerte gjennomsnittet for reduksjonskurveparameterne, mu\ di ligning 9 genererer et raffinert estimat for gjennomsnittet for den todimensjonale vektoren u på 6411 fat/måneden for amplitudeparameter A og et raffinert estimat for gjennomsnittet på 472 døgn for den eksponentielle raten for reduksjonsparameteren r, som illustrert i ligning 12d (nedenfor). Den senkede skriften "2" anvendes til å vise til det faktum at den bayesiske probabilistiske algoritmen har flyttet seg til en annen iterasjon, for generering av raffinerte estimater for A og ri dette eksemplet.

[0051] Løsning av den raffinerte kovariansen for de to reduksjonskurveparameterne Luu\ d i ligning 10 (ovenfor) genererer et raffinert estimat for kovariansen for den 2-dimensjonale vektoren u, med kvadratroten for diagonalelementene tilsvarende til et estimert standardavvik (kvadratroten av variansen) på ±1712 fat/måned for amplitudeparameteren A og et estimert standardavvik på ± 88 døgn for raten på den eksponentielle reduksjonsparameteren r i dette eksemplet. Sammenligningen av det raffinerte gjennomsnitts mu\ d- og kovarians Luu\ d -estimatet i ligning 12d med de innledende verdiene for gjennomsnitts mu- og kovarians Z,„„-estimater i ligning 6d, illustrerer en merkbar reduksjon i standardavviket for disse produksj onsprognoseparameterne.

[0052] De raffinerte estimatene for gjennomsnitt mu\ d og kovarians Luu\ d for den todimensjonale vektoren u kan anvendes til generering av en raffinert eksponentiell reduksjonskurve forbundet med de målte produksjonsdataene, som illustrert av boksen (32) i fig. IA. I én utforming kan dette oppnås ved innsetting av de raffinerte, estimerte tilfeldigev4- og r-parameterverdiene i reduksjonskurveparameterligningen 13 (nedenfor).

[0053] En grafisk representasjon som illustrerer den raffinerte eksponentielle reduksjonskurven og de målte produksjonsdataene, kan genereres og vises til brukeren (12) via et grafisk brukergrensesnitt (14). Fig. 4 illustrerer et eksempel på en grafisk representasjon av den raffinerte eksponentielle reduksjonskurven (34) og de målte produksjonsdataene (10A) i dette eksemplet.

[0054] Fig. 4 viser en enkelt reduksjonskurve tilsvarende gjennomsnittsverdiene for de raffinerte estimatene for A og r etter at den bayesiske oppdateringsalgoritmen har vært anvendt i dette eksemplet. Reduksjonskurveparameterne A og r anses imidlertid å være tilfeldige variabler i dette eksemplet,karakterisert vedsitt første moment (gjennomsnitt) og andre moment (kovarians), Den tilsvarende tilfeldige reduksjonskurven kan karakteriseres av sin gjennomsnittsverdi (vist i fig. 4) og sin kovarians, som kan være relatert til forventede variasjoner eller fluktueringer vekk fra gjennomsnittsverdien. I én utforming kan det være ønskelig å representere kovariansen for reduksjonskurven, og å relatere denne til usikkerheten i forventet fremtidig produksjon som estimert ved bruk av reduksjonskurveprognostikk. Sagt på en annen måte, kan det være ønskelig å relatere usikkerheten i de to reduksjonskurvenes tilfeldige parametere A og r til usikkerheten i den eksponentielle reduksjonskurven (34) generert av de raffinerte estimatene for den todimensjonale vektoren u, som illustrert av boksen (36) i fig. IA. I én utforming kan usikkerheten i A2- ogX2-parameterne for den 2-dimensjonale vektoren u relateres til verdien for månedlig produksjonsvolum.

[0055] I én utforming kan dette oppnås ved generering av et uttrykk for en oljevolumreduksjonskurvevektor #2 ( 0 som er relatert til A2- og^parameterne for den todimensjonale vektoren u som vist i ligning 14 (nedenfor).

[0056] Oljevolumreduksjonskurvevektoren q2( t) kan deretter uttrykkes som en Taylor-serieekspansjon omkring mq( t) som vist i ligning 15 (nedenfor).

[0057] Oljevolumreduksjonskurven q2( t) kan uttrykkes som dets gjennomsnittsverdi mq( t) pluss et avvik på q2( t) vekk fra mq( t) betegnet som 8q2. Det skal forstås at høyereordentermene for Taylor-ekspansjonsserien kan være små sammenlignet med førsteordentermen mq( t) og andreordentermen Vq5u, og for å lette forklaringen kan høyereordentermene derfor ignoreres i dette eksemplet. Ligning 16 kan inkludere noen eller alle høyereorden Taylor-ekspansjonsserietermene etter behov, for å gi tilstrekkelig nøyaktige usikkerhetsberegninger. I én utforming bevares kun de to lavesteordentermene i Taylor-serieekspansjonen, sammen med ligning 16, på grunn av den lave størrelsen på andre høyereordentermer, dvs. tredjeordentermer, fjerdeordentermer osv. og for å bidra til beregningseffektivitet.

[0058] Ligning 16 relaterer variasjoner i de 2-dimensjonale vektorparameterne A2ogX2til variasjoner i oljevolumreduksjonskurvevektoren q2( t). I én utforming kan q2( t) antas å omfatte en 7V-dimensjonal vektor for historisk (tidligere) målte produksjonsdata og en M-dimensjonal vektor for fremtidig målte produksjonsdata.

[0059] I én utforming kan kovariansen eller usikkerheten for den raffinerte eksponentielle reduksjonskurven (34) uttrykkes som den forventede verdien (betegnelsene over linjen uttrykker forventet verdi i dette eksemplet) vist i ligning 17 (nedenfor).

[0060] Ligning 17 gir en ( N + M) x ( N + M)-kovariansmatrise, hvor de diagonale oppføringene gir usikkerhetsmengden i den raffinerte eksponentielle reduksjonskurven (34) ved hvert prøvetakingstidspunkt, inkludert tidligere og fremtidige prøvetakingstider. En grafisk representasjon som illustrerer usikkerheten for den raffinerte eksponentielle reduksjonskurven (34) kan genereres og vises for brukeren (12) via et grafisk brukergrensesnitt (14), som illustrert av boksen (38) i fig. IA.

[0061] Et eksempel på en grafisk representasjon av den raffinerte eksponentielle reduksjonskurven (34) vist sammen med usikkerhetsgraden i reduksjonskurven utrykt i ligning 17, presenteres i fig. 5.1 én utforming kan stiplede kurver (40) på begge sider av den eksponentielle reduksjonskurven (34), som dekker både tidligere og fremtidige tidsintervaller, anvendes til grafisk illustrasjon av usikkerheten for den raffinerte eksponentielle reduksjonskurven (34), fremkommet ved kovariansberegningen i ligning 17.

[0062] Metoden, systemet og det datamaskinlesbare mediet som beskrives i dette dokumentet, har kapasitet til generering av en oljefeltproduksjonsprognose, inkludert en parametrisk reduksjonskurve og tilknyttede usikkerheter på et hvert tidspunkt. Ta f.eks. i betraktning de målte produksjonsdataene vist i fig. 1,3 - 5, som har et endelig datapunkt med et månedlig oljevolum på omtrent 531 fat datert 1. juli 1999. Anta at en produksjonsanalytiker har i oppgave å generere en produksjonsprognose for et oljefelt på et tidspunkt to år inn i fremtiden (som i dette eksemplet vil være 1. juli 2001).

[0063] Det månedlige produksjonsvolumet to år inn i fremtiden kan fastsettes, som beskrevet ovenfor, ved evaluering av det matematiske uttrykket for den raffinerte eksponentielle reduksjonskurven (34) to år inn i fremtiden, sammen med usikkerheten som beskrevet ovenfor i relasjon til ligning 17 og illustrert av de stiplede kurvene i fig. 5. Når man gjør dette, oppnår man et estimat for månedlig produksjonsvolum på omtrent 98,9 fat i måneden og en usikkerhet på omtrent 61,4 fat i måneden per 1. juli 2001.1 én utforming kan prosedyrene ovenfor gjentas og/eller oppdateres hver gang nye oljefeltproduksjonsdata hentes inn ved bruk av den bayesiske probabilistiske oppdateringsalgoritmen, illustrert i ligning 9 til og med 12, som tilfører brukeren oppdaterte prognoser basert på de siste dataene.

[0064] Metodene som beskrives i dette dokumentet kan implementeres i et hvilket som helst egnet datamaskinsystem med kapasitet til å behandle elektroniske data. Fig. 6 illustrerer én mulig konfigurasjon av et datamaskinsystem (42) som kan anvendes. Datamaskinsystemet(-er), slik som systemeksemplet i fig. 6, kan kjøre programmer som inneholder instruksjoner, som, når de kjøres, utfører metoder i henhold til prinsippene som beskrives i dette dokumentet. Metodene som beskrives i dette dokumentet kan videre helautomatiseres og har kapasitet til kontinuerlig drift, som ønsket.

[0065] Datamaskinsystemet kan anvende én eller flere sentrale prosessenheter (44), minne (46), kommunikasjons- eller I/O-moduler (48), grafikkenheter (50), en flytende punktakselerator (52) og masselagringsenheter slik som bånd og plater (54). Lagringsenheten (54) kan inkludere en floppydisk-stasjon, en harddiskstasjon, CD-ROM, en optisk stasjon eller en hvilken som helst annen form for lagringsutstyr. I tillegg kan lagringsenheten ha kapasitet til å ta imot en floppydisk, CD-ROM, DVD-ROM, disk, USB-nøkkel eller en hvilken som helst annen form for datamaskinlesbart medium som kan inneholde datamaskinkjørbare instruksjoner. Annet kommunikasjonsutstyr (48) kan være et modem, nettverkskort eller en hvilken som helst annen enhet som gjør mulig kommunikasjon for mottak og/eller sending av data. Det skal forstås at datamaskinsystemet (42) kan inkludere et mangfold av sammenkoblede (enten over intranett eller internett) datamaskinsystemer, inkludert uten begrensning personlige datamaskiner, vertsmaskiner, PDA-er, mobiltelefoner o.l.

[0066] Det skal forstås at de forskjellige teknikkene som beskrives i dette dokumentet kan implementeres sammen med maskinvare, programvare eller en kombinasjon av begge. Forskjellige teknikker eller visse aspekter eller deler av disse, kan derfor ta form av programkode (dvs. instruksjoner) utformet i håndfaste medier, slik som floppydisketter, CD-ROM, harddisker eller et hvilket som helst annet datamaskinlesbart lagringsmedium hvor maskinen, når programkoden lastes inn i og kjøres av en maskin, slik som en datamaskin, blir et apparat for praktisering av de forskjellige teknikkene.

[0067] I tilfelle kjøring av en programkode på programmerbare datamaskiner, kan datamaskinenheten inkludere en prosessor, et lagringsmedium som prosessoren kan lese (inkludert flyktig og ikke-flyktig minne og/eller lagringselementer), minst én innmatingsenhet og minst én utmatingsenhet. Ett eller flere programmer som kan implementere eller anvende de forskjellige teknikkene som beskrives i dette dokumentet, kan anvende et programtilleggsprogrammeringsgrensesnitt (API), gjenbrukskontroller o.l. Slike programmer kan implementeres i et høynivå prosedyre eller objektorientert programmeringsspråk for kommunikasjon med et datamaskinsystem. Programmet(-ene) kan imidlertid implementeres i assembler- eller maskinspråk, om ønsket. Uansett tilfelle, kan språket være et kompilert eller tolket språk og kombinert med maskinvareimplementeringer.

[0068] Datamaskinsystemet (42) kan inkludere maskinvare med kapasitet til kjøring av maskinlesbare instruksjoner, samt programvare for kjøring av handlinger som produserer et ønsket resultat. I tillegg kan datamaskinsystemet (42) inkludere hybrider av maskin- og programvare, samt datamaskinundersystemer.

[0069] Maskinvare kan inkludere minst plattformer med prosessoregenskaper, slik som klientmaskiner (også kjent som personlige datamaskiner eller servere) og håndholdte behandlingsenheter (slik som smarttelefoner, personlige digitale assistenter (PDA-er) eller personlige databehandlingsenheter (f.eks. PCD-er). Maskinvare kan videre inkludere et hvilket som helst fysisk utstyr med kapasitet for lagring av maskinlesbare instruksjoner, slik som minne eller annet datalagringsutstyr. Andre former for maskinvare inkluderer maskinvareundersystemer, inkludert overføringsenheter slik som f.eks. modemer, modemkort, porter og portkort.

[0070] Programvare inkluderer enhver maskinkode lagret i et hvilket som helst minnemedium, slik som RAM eller ROM og maskinkode lagret på annet utstyr (slik som f.eks. floppydisker, USB-minne eller en CD-ROM). Programvare kan f.eks. inkludere kilde- eller objektkode. Programvare innbefatter videre ethvert sett instruksjoner som kan kjøres i en klientmaskin eller på en server.

[0071] En database kan være enhver standard eller eierbeskyttet programvare, slik som Oracle, Microsoft Access, SyBase eller DBase II. Databasen kan ha felt, registre, data og andre databaseelementer som kan forbindes gjennom databasespesifikk programvare. Data kan i tillegg kartlegges. Kartlegging er prosessen med å forbinde én dataoppføring med en annen dataoppføring. Data som finnes i plasseringen for en tegnfil kan f.eks. kartlegges til et felt i en andre tabell. Den fysiske plasseringen av databasen er ikke begrensende og databasen kan være distribuert. Databasen kan f.eks. befinne seg vekke fra serveren og kjøre på en separat plattform.

[0072] Datamaskinsystemet kan videre drives i et nettverksmiljø, ved bruk av logiske forbindelser til én eller flere fjerndatamaskiner. De logiske forbindelsene kan være enhver forbindelse som er vanlig i kontorer, datamaskinnett som dekker hele bedriften, intranett og internett, slik som lokalområdenettverk (LAN) og bredområdenettverk (WAN). Fjerndatamaskinene kan hver inkludere ett eller flere tilleggsprogrammer.

[0073] Ved bruk av et LAN-nettverksmiljø, kan datamaskinsystemet kobles til det lokale nettverket ved bruk av et nettverksgrensesnitt eller en adapter. Ved bruk i et WAN-nettverksmiljø, kan datamaskinsystemet inkludere et modem, en trådløs ruter eller andre midler til oppretting av kommunikasjon over et bredt nettverk, slik som Internett. Modemet, som kan være internt eller eksternt, kan kobles til systembussen via serieportgrensesnittet. I et nettverksmiljø kan programmoduler som beskrives relativt til datamaskinsystemet eller deler derav, lagres i en fjerntliggende minnelagringsenhet.

[0074] Selv om oppfinnelsen har blitt beskrevet med henvisning til bestemte utforminger, er denne beskrivelsen ikke ment konstruert i en begrensende betydning. Forskjellige modifikasjoner av de offentliggjorte utformingene, samt alternative utforminger av oppfinnelsen, vil være åpenbare for én med ferdigheter i faget, med henvisning til beskrivelsen av oppfinnelsen. Det vurderes derfor slik at de vedlagte kravene skal dekke slike modifikasjoner som faller innenfor omfanget av oppfinnelsen.

Claims (20)

1. Datamaskinimplementert metode for prognostisering av oljefeltproduksjon omfattende: en datamaskinprosessor operativ for: mottak av målte oljefeltproduksjonsdata; identifisering av en eksponentiell reduksjonskurve forbundet med de målte olj efeltproduksj onsdataene; uttrykking av den tilknyttede eksponentielle reduksjonskurven som en todimensjonal vektor; fatstetting av et gjennomsnitt og en kovarians for den todimensjonale vektoren; fatstetting av et gjennomsnitt og en kovarians for den todimensjonale vektoren; og generering av en raffinert eksponentiell reduksjonskurve ved bruk av det raffinerte gjennomsnittet og den raffinerte kovariansen.

2. Den datamaskinimplementerbare metoden ifølge krav 1 videre omfattende: generering av en grafisk representasjon av den raffinerte eksponentielle reduksj onskurven.

3. Den datamaskinimplementerbare metoden ifølge krav 1 videre omfattende: fastsetting av en støy som kan tilskrives den tilknyttede eksponentielle reduksj onskurven.

4. Den datamaskinimplementerbare metoden ifølge krav 3 hvor det raffinerte gjennomsnittet og den raffinerte kovariansen anvender en bayesisk probabilistisk oppdateringsalgoritme som anvender gjennomsnittet, kovariansen og støyen.

5. Den datamaskinimplementerbare metoden ifølge krav 3 hvor støy videre omfatter en vektingsindikator som gjelder for minst en del av de målte produksjonsdataene.

6. Den datamaskinimplementerbare metoden ifølge krav 1 videre omfattende: fastsetting av en usikkerhet forbundet med den raffinerte eksponentielle reduksjonskurven; og generering av en grafisk representasjon av usikkerheten.

7. Den datamaskinimplementerbare metoden ifølge krav 1 hvor den todimensjonale vektoren har en amplitudeparameter og en rate for den eksponentielle reduksj onsparameteren.

8. Den datamaskinimplementerbare metoden ifølge krav 1 hvor amplitudeparameteren og raten for den eksponentielle reduksjonsparameteren er ikke-korrelerte.

9. Den datamaskinimplementerbare metoden ifølge krav 1 videre omfattende: fastsetting av amplitudeparameteren og raten for den eksponentielle reduksjonsparameteren for den todimensjonale vektoren.

10. Den datamaskinimplementerbare metoden ifølge krav 9 videre omfattende: fastsetting av en raffinert amplitudeparameter og en raffinert rate for den eksponentielle reduksjonen, ved anvendelse av det raffinerte gjennomsnittet og den raffinerte kovariansen.

11. Datamaskinsystem for prognostisering av oljefeltproduksjon omfattende: en datamaskinprosessor operativ for: mottak av målte oljefeltproduksjonsdata; identifisering av en eksponentiell reduksjonskurve forbundet med de målte oljefelt produksjonsdataene; uttrykking av den tilknyttede eksponentielle reduksjonskurven som en todimensjonal vektor med en amplitudeparameter og en rate for den eksponentielle reduksjonsparameteren, hvor amplitudeparameteren og raten for den eksponentielle reduksjonsparameteren er ikke-korrelerte; fatstetting av et gjennomsnitt og en kovarians for den todimensjonale vektoren; fatstetting av et raffinert gjennomsnitt og en raffinert kovarians for den todimensjonale vektoren; generering av en raffinert eksponentiell reduksjonskurve ved bruk av det raffinerte gjennomsnittet og den raffinerte kovariansen; fastsetting av en usikkerhet forbundet med den raffinerte eksponentielle reduksjonskurven; og generering av en grafisk representasjon som illustrerer den raffinerte eksponentielle reduksjonskurven og usikkerheten.

12. Datamaskinsystemet i krav 11 hvor prosessoren er operativ for: fastsetting av en støy som kan tilskrives den tilknyttede eksponentielle reduksj onskurven.

13. Datamaskinsystemet ifølge krav 12 hvor det raffinerte gjennomsnittet og den raffinerte kovariansen fastsettes ved anvendelse av en bayesisk probabilistisk oppdateringsalgoritme som anvender gjennomsnittet, kovariansen og støyen.

14. Et datamaskinlesbart medium for prognostisering av oljefeltproduksjon omfattende instruksjoner som, når utført, får en datamaskin til: å motta målte oljefeltproduksjonsdata; å identifisere en eksponentiell reduksj onskurve forbundet med de målte olj efeltproduksj onsdataene; å uttrykke den tilknyttede eksponentielle reduksjonskurven som en todimensjonal vektor; å fastsette et gjennomsnitt og en kovarians for den todimensjonale vektoren; å fastsette et raffinert gjennomsnitt og en raffinert kovarians for den todimensjonale vektoren hvor det raffinerte gjennomsnittet og den raffinerte kovariansen fastsettes ved bruk av en bayesisk probabilistisk oppdateringsalgoritme; og å generere en raffinert eksponentiell reduksjonskurve, ved bruk av det raffinerte gjennomsnittet og den raffinerte kovariansen.

15. Det datamaskinlesbare mediet ifølge krav 14 hvor instruksjonene, når utført, får datamaskinen til: å generere en grafisk representasjon av den raffinerte eksponentielle reduksj onskurven.

16. Det datamaskinlesbare mediet ifølge krav 14 hvor instruksjonene, når utført, får datamaskinen til: å fastsette en støy som kan tilskrives den tilknyttede eksponentielle reduksj onskurven.

17. Det datamaskinlesbare mediet ifølge krav 16 hvor den bayesiske probabilistiske oppdateringsalgoritmen anvender gjennomsnittet, kovariansen og støyen.

18. Det datamaskinlesbare mediet ifølge krav 16 hvor støyen videre omfatter en forskjell mellom de målte oljefeltproduksjonsdataene og den tilknyttede eksponentielle reduksj onskurven.

19. Det datamaskinlesbare mediet ifølge krav 16 hvor støyen videre omfatter én eller flere ikke-korrelerte støyverdier.

20. Det datamaskinlesbare mediet ifølge krav 16 hvor støyen videre omfatter en vektingsindikator som gjelder for minst en del av de målte produksjonsdataene.