NO319599B1 - Fremgangsmate for a styre utvikling av et olje- eller gassreservoar - Google Patents

Description

Oppfinnelsen vedrører hovedsakelig drift av olje- eller gassreservoarer og særlig en fremgangsmåte for å styre utviklingen av slike reservoarer. Nærmere bestemt vedrører oppfinnelsen en datamaskinimplementert fremgangsmåte for å styre utvikling av et olje-eller gassreservoar ved å muliggjøre at et individ ved operasjon av datamaskinen observerer en simulert produksjon av olje eller gass fra reservoaret før en virkelig brønn bores i reservoaret for å forsøke å frembringe fra dette virkelig produksjon tilsvarende dens simulerte produksjon.

Et olje- eller gassreservoar er en sone i jorden som inneholder, eller er antatt å inneholde, en eller flere kilder av olje eller gass. Når et slikt reservoar er funnet, bores vanligvis en eller flere brønner inn i jorden for å koble seg inn i kilden(e) med olje eller gass for å produsere disse til overflaten.

Kunsten og vitenskapen ved å drive olje- eller gassreservoarer har utviklet seg gjennom årene. Ulike fremgangsmåter er benyttet for å forsøke å bestemme hvorvidt tilstrekkelig olje eller gass er tilstede i et gitt reservoar til å gjøre boring lønnsomt, og dersom, hvorledes utvikling av et reservoar best skal foretas for å produsere olje eller gass som faktisk er funnet.

En fremgangsmåte har simpelten benyttet menneskelig erfaring. Individer har blitt utlært ved å studere data uthentet fra et gitt reservoar og deretter benytte deres erfaring for å estimere rundt et gitt reservoar og hvorledes, om i det hele tatt, dette skal utvikles.

Datamaskinmodelleirngsfremgangsmåter har i den senere tid blitt benyttet. Tidligere typer av reservoarmodeller har blitt basert på lineære matematiske analyser ved benyttelse av kun enkelte inngangsparametre (eksempelvis to eller tre parametre slik som reservoarkvalitet, plassering, behandlingshastighet etc). I den senere tid har neurale nettverksmodeller av reservoarer blitt benyttet. Neural nettverksmodellering er fordelaktig fordi dette kan utvikle sammenheng mellom et forholdsvis høyt antall inngangsparametre og en eller flere utgangsparametre som ville være vanskelig, om ikke umulig, å oppnå ved benyttelse av lineære matematiske teknikker.

Neurale nettverksteknikker har blitt benyttet for å forutsi produksjon fra gasslagringsreservoarer etter å ha lært opp nettverket på tidligere borede eller behandlede brønner. Denne tidligere utvikling av neurale nettverk er basert på en menneskelig ekspert som utformer den neurale topologi eller sammenhengen mellom inngang og utgang og velger de optimale innganger for topologien. Selv ved benyttelse av en ekspert, er det mye kvalifiserte prøv- og feilanstrengelse som benyttes for å finne en ønsket topologi og tilsvarende optimale innløp. Dette er tidskonsumerende og kostbart og må vanligvis utføres for hvert ulikt reservoar, og det kreves en høyt skolert menneskelig ekspert for å kunne frembringe benyttbare resultater.

Evnen til raskere og rimereligere å kunne analysere et reservoar med ulike organer blir mer og mer viktig. Firmaer som tilbyr utstyr og tjenester for benyttelse i utvikling av olje- eller gassreservoarer baserer store økonomiske bestemmelser på analyser av hele reservoar i stedet for kun individuelle brønner som de leies inn til for å gjøre en spesiell jobb. Fordi disse bestemmelser må gjøres raskt etterhvert som mulighetene gir seg, er det et behov for en forbedret fremgangsmåte for å analysere olje- eller gassreservoarer og særlig for å styre den etterfølgende utvikling av reservoarer som ser ut til å være egnede for olje- eller gassproduksjon.

US 5251286 og US 5444619 beskriver fremgangsmåter for å styre og forutsi produksjon fra hydrokarbonreservoarer ved bruk av neurale nettverk for å bestemme forholdene mellom flere parametre.

Oppfinnelsen overvinner de ovenfor nevnte og andre begrensninger ved tidligere kjent teknikk ved å frembringe en ny og forbedret fremgangsmåte for å styr utviklingen av et olje- eller gassreservoar. Oppfinnelsen benytter neural nettverksteknologi slik at flere inngangsparametre kan benyttes for å bestemme en meningsfylt sammenheng med et ønsket utløp, men den foreliggende oppfinnelse automatiserer denne prosessen ytterligere for å overvinne svakhetene i tidligere kjente ekspert, prøve-og-feileteknikker med neurale nettverk. Særlig benytter oppfinnelsen genetiske algoritmer for å definere topologien til det neurale nettverk og tilsvarende optimale innganger.

Fordeler ved oppfinnelsen innbefatter evnen til å danne en modell av et gitt reservoar raskere og rimeligere enn ved de tidligere nevnte teknikker. Oppfinnelsen kan benyttes for å optimalisere produksjon fra et olje- eller gassreservoar pr. dollar benyttet på stimulering i motsetning til simpelten å bestemme en maksimal mulig produksjon som kan eller ikke kan oppnås kosteffktivt. Ved å optimalisere produksjon pr. stimuleringsdollar kan kunden få den høyeste avkastning på investering. Foreliggende oppfinnelse kan også benyttes til å bestemme hvorvidt utvikling av et reservoar bør vurderes (og derved hvorvidt et tjenesteselskap, f.eks., skal by på en jobb i forbindelse med det reservori). Foreliggende oppfinnelse er også fordelaktig ved bestemmelse av hvor mange og hvor brønnene skal bores i reservoaret, ved utforming av optimale systemer for å komplettere eller behandle brønner (eksempelvis gruspakking, perforering, avsyring, frakturering etc.) og til å evaluere ytelsen.

Det er således frembrakt en datamaskinimplementert fremgangsmåte for å styre utvikling av et olje- eller gassreservoar ved å muliggjøre at et individ ved operasjon av datamaskinen observerer en simulert produksjon av olje eller gass fra reservoaret før en virkelig brønn bores i reservoaret for å forsøke å frembringe fra dette virkelig produksjon tilsvarende dens simulerte produksjon, hvilken fremgangsmåte er karaktrisert ved: (a) utvelgelse av et olje- eller gassreservoar med en kjent konfigurasjon av utstyr anbrakt i dette og definerer et flertall virkelige brønner som er boret i reservoaret og videre har et flertall kjente brønnimplementeringsparametre og brønnproduksjonsparametre for hver av de virkelige brønner; (b) simulering av virkelige brønner i datamaskinen, innbefattende oversetting av utvalgte av de kjente parametre i de virkelige brønner til kodede elektriske signaler for datamaskinen, og lagring av de kodede elektriske signaler i hukommelsen til datamaskinen slik at de kodede elektriske signaler som representerer de utvalgte brønnimplementeringsparametre for en respektiv virkelig brønn er assosiert med de kodede elektriske signaler som representerer de utvalte produksjonsparametre for den samme respektive brønn; (c) bestemmelse med datamaskinen av en korrelasjon for reservoaret mellom typer av utvalgte brønnimplementeringsparametre og typer av produksjonsparametre svarende til flertallet av simulerte brønner, innbefattende dannelse i datamaskinen av en neural nettverkstopologi som definerer korrelasjonen ved benyttelse av på forhånd bestemte genetiske algoritmer og de lagrede kodede elektriske signaler; (d) indikere for datamaskinen en foreslått brønnparameter for reservoaret, innbefattende oversetting av brønnimplementeringsparametre for den foreslåtte brønn til kodede elektriske signaler og lagring av de kodede elektriske signaler i datamaskinen; (e) simulering med datamaskinen av en produksjon fra den foreslåtte brønn,

innbefattende generering av en utmatming (output) som representerer produksjonen svarende til de kodede elektriske signaler i trinn (d) og korrelasjon i trinn (c) slik at det genererte utløp korreleres til de kodede elektriske signaler i

trinn (d) av korrelasjonen i trinn (c); og

(f) fremvisning av den simulerte produksjon for observasjon av et individ.

I en utførelsesform av fremgangsmåten ifølge oppfinnelsen, utføres boring av en virkelig brønn i reservoaret basert på brønnimplementeringsparametrene i trinn (d), innbefattende utvelgelse av plassering for boring av brønnen i reservoaret svarende til den fremviste representasjon av den simulerte produksjon.

En utførelsesform av fremgangsmåten ifølge oppfinnelsen innbefatter behandling av den borede brønn, innbefattende dannelse av et stimulerende fluid og pumping av det stimulerende fluid inn i brønnen svarende til brønnimplementeirngsparametrene i trinn (d).

En annen utførelsesform av fremgangsmåten ifølge oppfinnelsen inbefatter:

- gjentagelse av trinn (d), (e) og (f) for et flertall av simulerte foreslåtte brønner; - beregning av kostnad for implementering av de foreslåtte brønnimplementeirngsparametere (34) for hver av flertallet simulerte foreslåtte brønner, og beregning av gevinst av de simulerte produksjoner (36) for de foreslåtte brønner; og - boring av en virkelig brønn i reservoaret korresponderende til den simulerte foreslåtte brønn med høyest forhold mellom beregnet gevinst og korresponderende beregnet kostnad.

Det er altså en fremgangsmåte for å generere en modell av et olje- eller gassreservoar i en digital datamaskin for benyttelse i analyse av reservoaret. Dette innbefatter å frembringe til datamaskinen en database for et flertall brønner som virkelig er boret i reservoaret, innbefattende parametre med fysiske attributter ved brønnene; å bringe til datamaskinen et neuralt nettverk og genetisk algoritmeapplikasjonsprogram for å definere en neural nettverkstopologi inne i datamaskinen svarende til parametrene i databasen; og iverksette datamaskinen, slik at det neurale nettverk og genetiske algoritmer inne i applikasjonsprogrammet automatisk definerer den neurale nettverkstopologi og inngangsdata benyttet for optimalt å danne topologien svarende til databasen med parametre over fysiske attributter ved brønnene. Denne fremgangsmåte kan ytterligere innbefatte: bestemmelse av et hypotetisk sett med parametre for fysiske attributter korresponderende til i det minste enkelte av de fysiske attributtparametre i databasen; å gi til datamaskinen det bestemte hypotetiske sett med parametre; kalkulere i datamaskinen, ved benyttelse av det definerte neurale nettverks topologi et produksjonsparameter korresponderende til det hypotetiske sett med parametre; og å operere en fremvisningsanordning svarende til de beregnede produksjonsparametre slik at et individ som ser på fremvisningsanordningen følger mulig produksjon fra en brønn til hvilken det hypotetiske sett med parametre er tilført før det forekommer virkelig korresponderende produksjon. Fremgangsmåten kan ytterligere innbefatte boring av en virkelig brønn i reservoaret svarende til fremvisningen av mulig produksjon. Den kan ytterligere også innbefatte: bestemmelse av ytterligere data og anbringelse av ytterligere data til databasen i datamaskinen, innbefattende måling og lagring av virkelige parametre av fysiske attributter ved den virkelige brønn som er boret i reservoaret; og frembringe at datamaskinen setter i gang slik at det neurale nettverk og genetiske algoritmeapplikasjonsprogram automatisk opererer inne i datamaskinen for å redefinere den neurale nettverkstopologien svarende til databasen av parametre med fysiske attributter ved brønnene, hvilken database innbefatter de ytterligere data.

Det resulterende frembrakte nettverket kan deretter benyttes som en passende funksjon for ytterligere genetisk algoritmeprogram for å tillate optimalisering av innløpsparametrene som kan endres. Disse parametre som kan endres er ethvert unntatt reservoarparametrene da reservoarparametrene er fastlagt dersom brønnen er boret i en spesifikk plassering. Reservoarparametrene kan også optimaliseres ved benyttelse av neuralt nettverk og genetiske algoritmer for å velge det stedet som skal ha de reservoarparametre som skal optimalisere avsluttende produksjon.

Det er derfor fra det foregående en hovedhensikt ved foreliggende oppfinnelse å frembringe en ny og forbedret fremgangsmåte for å styre utvikling av et olje- eller gassreservoar. Andre og ytterligere hensikter, trekk og fordeler ved foreliggende oppfinnelse vil enkelt fremkomme for en fagmann på området når den etterfølgende beskrivelse med foretrukne utførelsesformer leses i sammenheng med de vedlagte tegninger. Fig. 1 er blokkdiagram og billedlig illustrasjon som representerer et olje- eller gassreservoar med et flertall brønner med hvilke foreliggende oppfinnelse er benyttet. Fig. 2 er en graf som viser en sammenligning mellom virkelig produksjon og antatt produksjon for et spesifikt reservoar på hvilket foreliggende oppfinnelse ble benyttet. Fig. 3 er en graf som viser en sensitivitetsanalyse når ulike parametre ble variert for brønner i reservoaret i fig. 2. Bunnparametrene som ble variert var fra brønner som behandlet. Fig. 4 er en graf som viser sensitivitetsanalyse av reservoaret i fig. 2 når alle brønner stimuleres med samme behandling. Disse behandlingsparametre varieres.

Formasjonsparametrene ble også variert for å vise hvilke formasjonsparametre som hadde størst påvirkning på produksjon i denne bestemte utførelse.

Med foreliggende oppfinnelse kan man analysere et olje- eller gassreservoar, bestemme hvorvidt det er verdt å utvinne, og dersom det er slik, hvorledes det skal ytterligere utvikles. Slik ytterligere drift innbefatter boring av ytterligere brønner, gjennomarbeide eksisterende brønner i reservoaret, eller utføre nye behandlings- eller stimuleringsprosedyrer. Spesiell boreinformasjon som kan avledes fra foreliggende oppfinnelse innbefatter hvor det skal bores og hvorledes eller hvilken type boring som skal utføres, og eksempler på bestemte behandlings- eller stimuleringsprosedyrer som kan resultere fra foreliggende oppfinnelse innbefatter spesielle typer perforering, syrebehandling, frakturering eller gruspakkeprosedyrer. Derved gir foreliggende oppfinnelse en fremgangsmåte for å styre utviklingen av et olje- eller gassreservoar. Særlig er det en datamaskinimplementert fremgangsmåte for å styre utvikling av et olje-eller gassreservoar ved å muliggjøre at et individ kan observere gjennom operasjonen til datamaskin en stimulert produksjon av olje eller gass fra reservoaret før en virkelig brønn bores i reservoaret for å forsøke å oppnå fra dette virkelig produksjon korresponderende til den stimulerte produksjon. Som en del av dette innbefatter foreliggende oppfinnelse en fremgangsmåte for å generere en modell av et olje- eller gassreservoar i en digital datamaskin for benyttelse ved analyse av reservoaret.

Foreliggende oppfinnelse er vanligvis benyttet på spesielt utvalgte reservoaret; imidlertid kan særlige resultater oppnådd med hensyn på et resevoir være anvendbare i det minste som et startpunkt for analyse av andre reservoar hvor utvikling ikke er begynt og derved fra hvilke særlige typer data ikke er tilgjengelig. Når slike data er tilgjengelige, kan fremgangsmåten i foreliggende oppfinnelse benyttes med hensyn på det spesielle reservoaret. Følgelig viser fig. 1 fremgangsmåten benyttet på et underjordisk reservoar 2 inneholdende en eller flere avsetninger av olje eller gass. Reservoaret 2 er plassert under jordens overflate 4 gjennom hvilken et flertall brønner 6a-6n er boret. Hver av brønnene 6 har et konvensjonelt brønnhodeutstyr 8 ved overflaten 4, og hver brønn 6 har nede-i-hulls-utstyr 10 som penetrerer jorden og kommuniserer med en eller flere oljebærende eller gassbærende formasjoner eller soner av reservoar 2. Brønnene 6 er eksisterende, virkelige brønner fra hvilke olje- eller gassproduksjon har blitt foretatt.

Fig. 1 viser at hver av brønnene 6 har blitt boret ved en egnet boreprosess 12. Eksempler innbefatter roterende borekroneboring med flytende borefluider og luftboring. Enkelte typer kompletteirngsprosess 13 (eksempelvis sementering, perforering etc.) har blitt utført på hver brønn. I tillegg er hver brønn vist etter at denne har hatt en type av stimuleringsprosess 14 påført til brønnen. Eksempler innbefatter stimulering med et proppeladet fluid med et basefluid av en lineær gele, tverrbundet gele, skum eller annet egnet fluid. Stimuleringsfluidet kan også være en syre eller annen eksisterende eller fremtidig stimuleirngsfluid eller prosess utformet for å forbedre produksjonen fra en brønn. Som et resultat av det foregående, ble produksjonen 16 frembrakt fra de respektive brønner. Henholdsvis assosiert med eller avledet fra hver boring 12, komplettering 13, stimulering 14 og produksjon 16 er henholdvis boreparametre 18, kompletteringsparametre 19, stimuleringsparametre 20 og produksjonsparametre 22.1 tillegg til parametre 18,19, 20,22 er det også formasjonsparametre 24 hvilke definerer karakteristikken i forhold til den underjordiske formasjon og struktur og reservoar 2. Særlig er det brønnimplementeringsparametre (hvilke innbefatter parametre 18,19,20 og 24 i den foretrukne utførelsesform) og brønnproduksjonsparametre (parametre 22 for det ovenfor angitte). De spesifikke verdier for produksjonsparametre for en gitt brønn er til en viss grad eller annen resultatet av spesifikke verdier eller implementeringer av brønnimplementeringsparametre, og det er bestemmelsen av dette forholdet som er et aspekt ved foreliggende oppfinnelse.

Eksempler på boreparametre 18 tilstede i foreliggende oppfinnelse innbefatter, men er ikke begrenset til det følgende: type boring, borefluid, antall boredager, borefirma, tiden på året da boringen startet og ble komplettert, og dag og år når boringen ble komplettert. Disse boreparametre er hentet ut fra boreloggbøker som holdes på hver brønn av boreoperatørens firma.

Eksempler på kompletteringsparametre 19 tilstede i foreliggende oppfinnelse innbefatter, men er ikke begrenset til det følgende: antall perforeringer, størrelse av perforeringene, orientering av perforeringene, perforeringer pr. fot, dybde ved topp og bunn av perforeringene, féringsrørstørrelse og rørstørrelse. Disse parametre kan oppnåes fra operatørens firmalogg vedrørende hvorledes brønnen ble komplettert. I enkelte tilfeller kan denne informasjon verifiseres av boreloggene.

Eksempler på stimuleringsparametre 20 tilstede i foreliggende oppfinnelse innbefatter, men er ikke begrenset til det følgende: basefiuidtype, putevolum (pad volume), putehastighet (pad rate), behandlingsvolum, behandlingshastighet, proppetype, proppestørrelse, proppevolum, proppekonsentrasjon, gassvolum for skumfluider, skumkvalitet, type av gass, syretype og konsentrasjon, syrevolum, gjennomsnittlige syreinjeksjonshastighet, dag og år for behandling, og hvilket tjenestefirma som utfører behandlingen. Av de ovenfor nevnte parametre oppnås følgende informasjon fra operatørens firma eller tjenestefirmaets behandlingsbeskrivelse: basefiuidtype, proppetype, proppestørrelse, type av gass, syretype og konsentrasjon, dag og år for behandling, og hvilket tjenestefirma som utfører behandlingen. De andre ovenfor nevnte stimuleringsparametre oppnås ved måleinstrumenter (strømningsmetre, densometre etc.) som er tilstede i strømningsliner og overfører informasjon tilbake til datamaskinen som lagrer informasjonen i virkelig tid gjennom hele jobben. Disse verdier frembringes deretter av tjenestefirmaet til operatørfirmaet i form av en arbeidsrapport eller beskrivelse. Disse verdier tas deretter fra arbeidsrapporten eller beskrivelsen og tastes manuelt inn i databasen over tilstedeværende informasjon for behandling av reservoaret.

Eksempler på formasjonsparametre 24 tilstede i foreliggende oppfinnelse innbefatter, men er ikke begrenset til følgende: porøsitet, permeabilitet, bunnhullstrykk i stengt brønn, dybde ved toppen av nyttesonen, dybden ved bunnen av nyttesonen, lengdegrad, breddegrad, overflatehøyde, sone og reservoarkvalitet. Porøsiteten, permeabiliteten, dybden av toppen og bunnen av nyttesonen og sonen er bestemt direkte ved brønnlogging. Bunnhullstrykket i stengt brønn er et målt parameter. Lengdegrad og breddegrad og overflatehøyde hentes fra besiktigelsesrapport som viser plasseringen av brønnen på jordens overflate. Reservoarkvaliteten er en beregnet verdi som er spesiell på ulike områder. Et eksempel vil være en reservoarkvalitet beregnet fra permeabilitet ganger total lengde av nyttesone i antall føtter ganger bunnhullstrykk i stengt brønn<2>.

Eksempler på produksjonsparametre 22 tilstede i foreliggende oppfinnelse innbefatter, men er ikke begrenset til det følgende: dag og år ved produksjonsstart, seks måneders kumulativ gass- og/eller oljeproduksjon, og tolv måneders kumulativ gass- og/eller oljeproduksjon. Denne informasjon hentes fra operatørfirmaets logg eller fra et firma slik som Dwights som inneholder databaser på olje- og gassproduksjon.

Av de parametre som er identifisert eller tilgjengelige med hensyn på enhver bestemt boring 12, komplettering 13, stimulering 14, produksjon 16 eller formasjon, er enkelte utvalgte manuelt eller av de genetiske algoritmer etter ønske for innføring i en datamaskin 26 i foreliggende oppfinnelse. Parametrene som er utvalgt gis i form av kodede elektriske signaler enten direkte fra føleanordninger benyttet i den tidligere nevnte operasjon eller ved å konvertere disse til egnede kotede elektriske signaler (eksempelvis overføring av et tall eller en bokstav til korresponderende kodet elektrisk signal slik som ved å slippe inn tallet eller bokstaven gjennom et tastatur på datamaskinen 26). Disse signaler lagres i hukommelsen til datamaskinen 26 slik at de kodede elektriske signaler som representerer parametrene fra en respektiv brønn assosieres for benyttelse i datamaskinen 26 som etterfølgende beskrevet. Dette gir en database til datamaskinen 26 over flertallet av parametre for flertallet brønner 6 som virkelig er boret i reservoaret 2.

Datamaskinen 26 er av enhver egnet type i stand til å utføre de neurale nettverksoperasjoner i foreliggende oppfinnelse. Dette er vanligvis en datamaskin av typen 386 - 25 MHz eller kraftigere. Særlige modeller med egnede datamaskiner innbefatter IBM ValuePoint modell 100dx4 og Dell 75 MHz Pentium.

Eksempler på egnede operativsystemer med hvilke utvalgte datamaskiner kan programmeres for å kjøre særlige kjente typer applikasjonsprogrammer som henvises til unden Windows 3.1, Windows 95 og Windows NT. Programvare er også tilgjengelig for å kjøre på UNIX, DOS, OS2/2.1 og Macintosh System 7.x operativsystemer.

Datamaskinen 26 er programmert med et neuralt og genetisk applikasjonsprogram 28. Den neurale seksjon tillater treningen av topologier utvalgt av den genetiske del av programmet. Det neurale og genetiske programmet er av enhver egnet type, men de etterfølgende er eksempler på spesielle programmer: NeuroGenetic Optimizer fra BioComp Systems, Inc., Neuralyst av Cheshire Engineering Corporation og BrainMaker Genetic Training Option fra California Scientific Software. De samme resultatene kan oppnås ved å benytte separate neurale nettverksprogrammer og genetiske algoritmeprogrammer og deretter forbinde disse i datamaskinen. Et eksempel på disse adskilte programpakker er NeuroShell 2 neural net software og GeneHunter genetic algorithm software fra Ward Systems Group, Inc. Den særlige implementeringen av programmene 28 opererer med den tidligere nevnte database i datamaskinen 26.

Når de utvalgte parametre er i databasen i datamaskinen 26, og det neurale og genetiske program 28 er tilstede i datamaskinen 26, igangsettes operasjon av datamaskinen 26 slik at applikasjonsprogrammet 28 automatisk velger ut gjennom de genetiske algoritmer, de innløp som har betydelig påvirkning på brønnproduksjonen og den korresponderende topologi som gir en forutsagt produksjon som nærmest mulig møter den virkelig målte produksjon. Denne neurale nettverkstopologi representerer forbindelsene eller forholdene mellom de utvalgte bore-, kompletterings-, brønnstimulerings- og formasjonsparametre og det i det minste ene utvalgte produksjonsparameter. Disse parametre manipuleres i deres kodede digitale signalform i datamaskinen ved benyttelse av de genetiske algoritmer for å definere den neurale nettverkstopologi.

Den etterfølgende prosess benyttes for å oppnå og trene nettverkene på en spesiell implementering. Først organiseres databasen i et komma adskilt format (<*>.csv) med utgangene i de fjerne høyre kolonner. Deretter startes programmet NeuroGenetic Optimizer (NGO). NGO settes til å operere i funksjonstilnærmingsmodus. Deretter velges antallet utløp i databasen som skal benyttes. Datafilen (<*>.csv) velges. Etter utvalg av datafilen, separerer NGO dataene i en trenings- og en testdatagruppe. Utgangspunktet for denne utvelgelsen plasserer 50% av dataene i treningsdatagruppen og 50% i testdatagruppen. Disse gruppene velges slik at gjennomsnittene i trenings- og testdatagruppene er innenfor et brukerspesifisert tall av standard deviasjoner for hele datasettet. Denne automatiserte oppdeling sparer mange timer med manuelt arbeid i å prøve å finne frem statistisk mulige oppdelinger for hånd.

Neurale parametre velges deretter ut. Et utvalg av en begrensning av antallet neuroner i et skjult lag plasserer begrensninger på søkeområdet i den genetiske algoritme. Skjulte lag kan begrenses til 1 eller 2. Det lave antallet begrenser søkeområdet til den genetiske algoritmen. Typene overføringsfunksjoner (hyperboliske tangenter, logistiske eller lineære) kan settes for de skjulte lag. De ovenfor tre overføringsfunksjoner vil automatisk benyttes for søkområdet for utgangslaget dersom systemet ikke er begrenset kun til lineære utganger. Den lineære utgangsbegrensning er valgt for å tillate bedre forutsigbarhet utenfor dataområdet til de originale treningsdata. "Optimaliserings"-neural treningsmodus velges for å aktivere genetiske algoritmer. Neurale treningsparametre settes slik at systemet vil se på alle data i det minste tyve ganger med et maksimalt antall på hundre og en begrensning til å stoppe trening dersom tretti ganger forekommer uten at det finnes en ny beste nøyaktighet. En variabel lærerate (.8 til .1) og et variabelt moment (.6 til .1) er egnet for dette systemet. Disse variable ratene opererer slik at, f.eks., læreraten ville være .8 på det første forsøk og .1 på det hundrede forsøk dersom maksimalt antall forsøk settes til et hundre. Deretter settes de genetiske parametre. Populasjonsstørrelsen settes til tretti og en utvelgelsesmodus settes slik at 50% av populasjonen gir en neural topologi og utvalgte innføringsparametre som har den største påvirkning med den topologien vil overleve slik at de kan benyttes til å videreføre neste generasjon. Den utvalgte pardannelsesteknikk er et halebytte med den gjenværende populasjon etterfylt ved kloning. En mutasjonshastighet på .25 benyttes. Deretter settes systemparametrene. For denne utførelsesform velges "gjennomsnittlig absolutt nøyaktighet" for å bestemme nøyaktigheten til hver topologi som undersøkes av NGO-algoritmene. Systemet settes for å stoppe optimalisering når enten femti generasjoner har passert i den genetiske algoritme eller når et "gjennomsnittlig absolutt feil" på "0,0" oppnås for en av topologiene.

Systemet settes nå til å kjøre. Mens det kjører, vil systemet trene på treningsdatasettet og teste feilen på testdatasettet. Dette vil bestemme gyldigheten til hver topologi som testes da systemet ikke vil se testdatasettet under trening, kun etter at topologien er trenet med treningsdataene. Ettersom systemet fortsetter å kjøre, lagres de ti topologier med den beste nøyaktighet for senere analyse. Når systemet har nådd den femtiende generasjon eller populasjonskonvergensfaktoren stopper å forbedre seg, undersøkes de ti beste topologier. De beste topologier kjøres igjen, men denne gangen endres det maksimale antall løp til tre hundre. Dette tillater hver topologi å bli trenet til sin maksimale evne ettersom enkelte av de originale ti beste vil fremdeles kunne forbedre sin nøyaktighet når hundre sykler er passert. Vanligvis velges den topologi med den enkleste form og høyeste nøyaktighet.

Når man er fornøyd med en bestemt topologi, så kan denne topologi benyttes som en pasningsfunksjon i andre genetiske algoritmeprogrammer (eksempelvis GeneHunter som selges av Ward Systems Group, Inc.). Dette arrangementet tillater den fulle optimalisering av stedsutvelgelse, boring, komplettering, reservoar og stimuleringsparametre for å gi optimale forhold for å maksimere produksjonen fra et reservoar.

Den ovenfor nevnte fremgangsmåte har fordeler i forhold til konvensjonelle fremgangsmåter fordi konvensjonelle fremgangsmåter ville benytte en menneskelig ekspert for enten manuelt eller med en annen programvare eller fremgangsmåte å forsøke å dele datasettet i representative trene- og testsett. Som ovenfor nevnt, kan denne prosessen ta flere timer dersom den utføres manuelt, mens den ved benyttelse av en neural genetisk prosess for å frembringe delingen kun tar sekunder. Konvensjonelle fremgangsmåter krever også at eksperten bestemmer hvilke av inngangsdataene som har størst påvirkning av antagelsens nøyaktighet sammen med benyttelse av kvalifisert prøving og feiling (prøving og gjetting) fremgangsmåte for å bestemme hvilken topologi som skal prøves etterfølgende. Dette er også tidskonsumerende, men i foreliggende oppfinnelse vil benyttelse av genetikk for å utføre utvelgelsen redusere løsningen til kun minutter eller timer avhengig av størrelsen og antallet innføringer og utføringer for datasettet og størrelsen av topologiene som undersøkes.

Som et resultat av det foregående, dannes og forblir den neurale nettverkstopologi, eller korrelasjon, i datamaskinen 26 som merket med boksen 32 vist i fig. 1.1 virkeligheten er korrelasjonen 32 ikke noe bestemt i forhold til programmene 28,30, men det er et internt resultat av vektfunksjoner eller matriser som er påført når nye parametre føres inn. F.eks. etter at den neurale topologi er definert, er et tillegg til NGO Penney som frembringer en Application Programming Interface (API) som kan benyttes for å utvikle Excel-baserte applikasjoner. NGO frembringer også vektfunksjonene i matriseformat slik at matrisene kan inkluderes i ethvert applikasjonsprogram skrevet for analyse av et bestemt reservoar.

Når korrelasjonen 32 er definert, kan særlige verdier eller implementeringer av ytterligere parametre 34 av samme type som boreparametre 18, kompletteringsparametre 19, stimuleringsparametre 20 og formasjonsparametre 24 føres inn i datamaskinen 26 for benyttelse av korrelasjonen 32 ved generering av et utløp 36 som definerer en resulterende produksjonsparameter eller parametre. Foreslåtte parametre 34 kan være en eller flere grupper med ytterkodede digitale signaler som representerer foreslått boring, komplettering, brønnstimulering og formasjonsparametre av samme type som de utvalgte bore-, kompletterings-, brønnstimulerings- og formasjonsparametre 18,19,20, 24. Disse relaterer seg vanligvis til en foreslått brønn som kan være boret og/eller behandlet i overensstemmelse med et henholdsvis ytterligere, hypotetisk sett med parametre 34. Utløpet 36 simulerer en produksjon fra en slik foreslått brønn. Representasjonen av det simulerte produksjonsutløp 36 vises for observasjon av et individ, slik som gjennom monitoren på datamaskinen 26. Denne fremvisningen kan være alfanumerisk eller grafisk som representerer en strømning fra en avbildet brønn. Gjennom operasjon av fremvisningsanordningen svarende til utløpet 36, kan individet som ser på fremvisningsanordningen følge mulig produksjon fra brønnen til hvilken en gruppe av det hypotetiske sett med parametre 34 tilføres før en virkelig korresponderende produksjon opptrer.

Fra utløpet 36 kan ytterligere utvikling av olje- eller gassreservoaret styres. Dette innbefatter enten nye boringer eller kompletteringer 38 eller ny stimulering (40) av nye eller gamle brønner). Dersom ny boring forekommer, kan utløpet 36 benyttes til å velge en plassering for boring av brønnen i reservoaret 2 som bestemt fra den korresponderende gruppe eller sett med innførte foreslåtte parametre 34. Utløpet 36 kan også benyttes til å danne et stimuleirngsfluid og pumpe stimuleringsfluidet inn i brønnen svarende til det genererte utløp 36 som også er bestemt fra den korresponderende gruppe eller sett med innførte foreslåtte parametre 34. Dvs. når det ønskede utløp er oppnådd fra den tidligere nevnte hypotetiske innføring og resulterende utløpsprosess ved benyttelse av korrelasjonen 32, benyttes parametrene til det korresponderende innføringssett til å lokalisere, bore, komplettere og/eller stimulere. F.eks. kan innføringssettet med parametre inneholde plasseringsinformasjon for å spesifisere hvor en ny brønn skal bores i et reservoar; eller innføringssettet kan inneholde stimuleringsfluidparametre og pumpeparametre som peker på sammensetningen av et virkelig fluid som skal dannes og hastigheten eller hastighetene med hvilket dette skal pumpes inn i brønnen, hvilken fluidfremstilling og pumping vil frembringes ved benyttelse av kjente teknikker.

En måte å oppnå det foregående på er å benytte korrelasjonen 32 til å velge et stykke arbeid som faller i det midlere området for alle brønner behandlet i reservoaret. Deretter varieres hver av parametrene og innføring til det neurale nettverk for å bestemme hvor følsomt reservoaret er for hver parameter. Dette er tilnærmingen i eksemplene 1 til 3 som er gitt nedenfor.

En ytterligere tilnærming er som følger. Etter at den beste neurale topologi er bestemt ved benyttelse av NGO (for den særlige implementering som er henvist til ovenfor), benyttes det neurale nettverk som en pasningsfunksjon til en genetisk algoritme som inneholder reservoarparametrene fast og optimaliserer behandlingen for hvert sett av reservoarparametre. Denne optimaliseringen kan være rettet mot maksimal produksjon, maksimal produksjon pr. dollar benyttet på stimulering, maksimal produksjon pr. dollar benyttet på brønnen fra boring gjennom produksjon etc. Ytterligere neurale nett er trenet med NGO som forutsier brønnparametrene fra lengdegrad og breddegrad. Deretter benyttes den genetiske algoritme til å finne den optimale lengdegrad, breddegrad og behandlingsparametre for å maksimere produksjon. Reservoarparametrene er fastsatt til de verdier som forutsagt av det andre neurale nettverk for hver innføring av lengdegrad og breddegrad. Resultatet av denne prosess er den optimale plassering for å bore en ny brønn sammen med hvorledes den skal bores, kompletteres og stimuleres. Dette er kun en fremgangsmåte med mange andre muligheter. Dersom brønnen allerede er boret og komplettert, utføres kun optimalisering av produksjon med behandlingsparametre.

Ytterligere utvikling av olje- eller gassreservoarer kan også styres på følgende vis. Dette innbefatter beregning av kostnad for å implementere den foreslåtte boring, komplettering, stimulering og formasjonsparametre til de foreslåtte parametre 34 som benyttet i utføring av den nye boring og komplettering 38 eller den nye stimulering 40. Dette innbefatter videre beregning av gevinst for den prosjekterte produksjon av hver av de genererte utløp 36. Forholdet mellom gevinst og kostnad bestemmes deretter og det genererte utløp 36 med det høyeste forholdstall velges som det utløp som skal benyttes i ytterligere utvikling av reservoaret når det er ønskelig å forsøke å maksimere produksjonen pr. dollar investert for å oppnå produksjon. Disse trinn benyttes når to eller flere grupper foreslåtte parametre 34 benyttes med korrelasjonen 32 for å generere respektive utløp 36.

Fremgangsmåten i foreliggende oppfinnelse kan ytterligere innbefatte igangsetting av datamaskinen 26 slik at det neuralgenetiske programmet 28 automatisk opererer inne i datamaskinen 26 for å redefinere den neurale nettverkstopologi (dvs. korrelasjonen 32). Dette utføres svarende til databasen med parametre med hvilken den originale korrelasjonen var definert og med ytterligere data som har blitt målt og lagret i forhold til virkelige brønner som er boret eller stimulert med den nye boring og komplettering 38 eller ny stimuleringsprosedyre 40. Derved, ettersom ytterligere data fremskaffes under den ytterligere utvikling av reservoaret 2, kan korrelasjonen 32 forbedres.

Det etterfølgende er eksempler på bestemt implementering av foreliggende oppfinnelse.

Eksempel 1

Foreliggende oppfinnelse ble benyttet med en gruppe på 40 brønner i Cleveland-formasjnen i Texas-teigen. Et kvantitativt delresultat representerer utløpet 38 i fig. 1 og ble fremskaffet på to dager etter identifikasjon og utvelgelse av følgende parametre: kompletteirngsdata, fraktureringsdata, stimuleringsfluidtype, total rensefluid, karbondioksydmengde, total proppemengde, maksimal proppekonsentrasjon, midlere injeksjonshastighet, permeabilitet, gjennomsnittlig porøsitet, bunnhullstrykk i stengt brønn, formasjonskvalitet, netto høyde av den brukbare sone, og snittet av det perforerte intervall. De siste seks av de foregående parametre er henvist til som formasjonsparametre og er ikke variable for en bestemt brønn fordi disse er fastsatt av formasjonen selv. De andre parametre, henvist til som overflateparametre som innbefatter boring, komplettering og stimuleringsparametre 12,13 14, kan endres for etterfølgende brønner; imidlertid ved definisjon av en bestemt neural nettverkstopologi, er disse parametre fastsatt av det som virkelig ble utført ved brønnen som ble benyttet til å danne topologien.

Grafen i fig. 2 viser nøyaktigheten til korrelasjonen 32 avledet for de førti brønner i Cleveland-formasjonen. Tyve prosent (dvs. åtte) av brønnene ble fjernet fra datasettet før en korrelasjon ble oppnådd. For en 100% korrelasjon ville alle data ligge på en diagonal linje 42 i fig. 2. De toogtredve faste sirklene avmerker det antatte i forhold til virkelig produksjon for de trettito brønner som ble benyttet for å trene det neurale nettverket for å danne korrelasjon. Etter at korrelasjonen var oppnådd, ble de korresponderende parametre for de åtte brønner som opprinnelig ble fjernet fra datasettet ført inn som de foreslåtte parametre 34 for å teste korrelasjonen for å forutse produksjonen på brønner som systemet aldri hadde sett. De virkelige i forhold til de antatte produksjonsparametre for disse åtte brønner er avmerket i fig. 2 med de hule sirkler.

Eksempel 2

Fremgangsmåten i foreliggende oppfinnelse ble også benyttet for å teste parameterfølsomheten. Med en modell av reservoaret er det mulig å endre ulike parametre for å bestemme reservoarets følsomhet til parameterendringer. Alle stolper med vertikale innvendige linjer vist i fig. 3 er overflateparametre som kan endres av operatøren, og stolpene med horisontale innvendige linjer er parametre som er fastsatt av formasjonen. Selv om formasjonsparametrene er fastsatt for en bestemt applikasjon, ble formasjonsparametrene merket i fig. 3 endret med 10%, for å teste virkningen av endringene i parametrene. Denne analyse etterlot alle brønner som orignalt behandlet og varierte en parameter ad gangen. Hver av stolpene til høyre i "den normale stolpe"

(hvilken representerer summen av den kumulative produksjon over seks måneder for alle førti brønner henvist til i eksempel 1) viser den potentielle endring i produksjon ved en 10% variasjon av parametre assosiert med den respektive stolpe i grafen i fig. 3. F.eks. for å produsere stolpen over "proppematerialet" i fig. 3, ble alle parametre som er lagret fra hvorledes brønnen ble behandlet og formasjonsparametrene etterlatt på deres som-behandlet verdier, mens mengden proppemateriale ble endret med 10%. Med alle andre parametre konstant og proppematerialmengdene endret med 10%, ble dette nye datasettet kjørt gjennom det neurale nettverk og den antatte produksjon fra alle brønnen ble summert for å frembringe den kumulative produksjon. Denne nye kumulative produksjon oppnådd ved kun å endre proppematerialet med 10%, ble merket som en stolpe over ordet "proppemateriale". Den samme prosedyre ble benyttet for å variere hver av de andre opplistede parametre en ad gangen. Grafen i fig. 3 viser den største endring resulterende fra variasjonen av bunnhullstrykket i stengt bunn.

Eksempel 3

For å være i stand til å bestemme parameterfølsomheten for ulike fluidbehandlingstyper, ble den samme type følsomhetsanalyse utført, men med hensyn på en standardisert jobb hvor kun fluidtypen var ulik. Parametrene for standardjobben var som følger:

Med henvisning til fig. 4, korresponderer den andre rad med søyler markert "som behandlet" i denne graf til følsomhetsanalysene vist i fig. 3. De andre staver viser følsomhetsanalysene for hver fluidtype ved benyttelse av den ovenfor nevnte standard behandling. Skumgelebehandlingene viser seg å være underlegne i forhold til de andre behandlingsmåter innbefattende "som behandlet gruppen". Geleformet syre og skumsyre viser seg å være bedre enn det som er behandlet. Skumformet tverrforbindelsesbehandlinger var de beste i analysene, men verdien av dette kan trekkes i tvil på grunn av at det ikke var en tilstrekkelig stor prøve på skumformede tverrforbindelsesjobber (det var kun fire brønner som var behandlet med en skumformet tverrforbindelsesbehandling i det originale datasettet benyttet for å danne modellen). Dersom firebrønnsprøven er tilstrekkelig korrekt, er det rom for dramatisk forbedring i produksjon ved benyttelse av et skumformet tverrforbindelsesfluid i dette reservoaret.

De følgende kart viser hvorvidt de individuelle parametre i eksemplene 2 og 3 ble øket (+) eller redusert (-) for å oppnå en økning i produksjon:

NB:

Topp oppsto ved 60 bpm. Over eller under viste en reduksjon.

Derfor er maksimal økning ved 9% økning av gjennomsnittlig injeksjonshastighet for dette fluid.

Claims (4)

1. Datamaskinimplementert fremgangsmåte for å styre utvikling av et olje- eller gassreservoar ved å muliggjøre at et individ ved operasjon av datamaskinen observerer en simulert produksjon av olje eller gass fra reservoaret før en virkelig brønn bores i reservoaret for å forsøke å frembringe fra dette virkelig produksjon tilsvarende dens simulerte produksjon, hvilken fremgangsmåte er karakterisert ved: (a) utvelgelse av et olje- eller gassreservoar (2) med en kjent konfigurasjon av utstyr (10) anbrakt i dette og definerer et flertall virkelige brønner som er boret i reservoaret og videre har et flertall kjente brønnimplementeringsparametre (18, 19,20,24) og brønnproduksjonsparametre (22) for hver av de virkelige brønner; (b) simulering av virkelige brønner i datamaskinen, innbefattende oversetting av utvalgte av de kjente parametre i de virkelige brønner til kodede elektriske signaler for datamaskinen (26), og lagring av de kodede elektriske signaler i hukommelsen til datamaskinen slik at de kodede elektriske signaler som representerer de utvalgte brønnimplementeringsparametre for en respektiv virkelig brønn er assosiert med de kodede elektriske signaler som representerer de utvalte produksjonsparametre for den samme respektive brønn; (c) bestemmelse med datamaskinen av en korrelasjon (32) for reservoaret mellom typer av utvalgte brønnimplementeringsparametre og typer av produksjonsparametre svarende til flertallet av simulerte brønner, innbefattende dannelse i datamaskinen av en neural nettverkstopologi som definerer korrelasjonen ved benyttelse av på forhånd bestemte genetiske algoritmer og de lagrede kodede elektriske signaler; (d) indikere for datamaskinen en foreslått brønnparameter (34) for reservoaret, innbefattende oversetting av brønnimplementeringsparametre for den foreslåtte brønn til kodede elektriske signaler og lagring av de kodede elektriske signaler i datamaskinen; (e) simulering med datamaskinen av en produksjon fra den foreslåtte brønn, innbefattende generering av en utmatming (output) (36) som representerer produksjonen svarende til de kodede elektriske signaler i trinn (d) og korrelasjon i trinn (c) slik at det genererte utløp korreleres til de kodede elektriske signaler i trinn (d) av korrelasjonen i trinn (c); og (f) fremvisning av den simulerte produksjon for observasjon av et individ.

2. Fremgangsmåte ifølge krav 1, karakterisert ved boring av en virkelig brønn i reservoaret basert på brønnimplementeringsparametrene i trinn (d), innbefattende utvelgelse av plassering for boring av brønnen i reservoaret svarende til den fremviste representasjon av den simulerte produksjon.

3. Fremgangsmåte ifølge krav 2, karakterisert ved behandling av den borede brønn, innbefattende dannelse av et stimulerende fluid og pumping av det stimulerende fluid inn i brønnen svarende til brønnimplementeirngsparametrene i trinn (d).

4. Fremgangsmåte ifølge krav 1, karakterisert ved: - gjentagelse av trinn (d), (e) og (f) for et flertall av simulerte foreslåtte brønner; - beregning av kostnad for implementering av de foreslåtte brønnimplementeirngsparametere (34) for hver av flertallet simulerte foreslåtte brønner, og beregning av gevinst av de simulerte produksjoner (36) for de foreslåtte brønner; og - boring av en virkelig brønn i reservoaret korresponderende til den simulerte foreslåtte brønn med høyest forhold mellom beregnet gevinst og korresponderende beregnet kostnad.