RU2496972C2 - Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях - Google Patents
Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях Download PDFInfo
- Publication number
- RU2496972C2 RU2496972C2 RU2010106127/03A RU2010106127A RU2496972C2 RU 2496972 C2 RU2496972 C2 RU 2496972C2 RU 2010106127/03 A RU2010106127/03 A RU 2010106127/03A RU 2010106127 A RU2010106127 A RU 2010106127A RU 2496972 C2 RU2496972 C2 RU 2496972C2
- Authority
- RU
- Russia
- Prior art keywords
- data
- oilfield
- oil field
- oil
- objects
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000015572 biosynthetic process Effects 0.000 title claims description 82
- 238000011835 investigation Methods 0.000 title 1
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000003491 array Methods 0.000 claims description 75
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 238000009434 installation Methods 0.000 claims description 31
- 238000005553 drilling Methods 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 238000004088 simulation Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 238000011084 recovery Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 208000018910 keratinopathic ichthyosis Diseases 0.000 claims 5
- 230000000694 effects Effects 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 194
- 238000005755 formation reaction Methods 0.000 description 80
- 239000012530 fluid Substances 0.000 description 44
- 230000008569 process Effects 0.000 description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 28
- 238000005259 measurement Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 16
- 230000003068 static effect Effects 0.000 description 16
- 238000002347 injection Methods 0.000 description 15
- 239000007924 injection Substances 0.000 description 15
- 238000011161 development Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000013480 data collection Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 229930195733 hydrocarbon Natural products 0.000 description 7
- 150000002430 hydrocarbons Chemical class 0.000 description 7
- 239000011435 rock Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013439 planning Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 5
- 239000010779 crude oil Substances 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001256 steam distillation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
Landscapes
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Earth Drilling (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Группа изобретений относится к способам выполнения нефтепромысловых операций. Этапы способа содержат получение массивов данных о нефтяном месторождении, связанных с нефтепромысловыми объектами. Формируют самоорганизующуюся карту (SOM) посредством назначения каждого из множества полей данных одному из множества карт SOM. Назначают каждый из множества нефтепромысловых объектов одному из множества положений SOM, основанных на заранее определенном алгоритме SOM для представления статистических шаблонов во множестве массивов данных о нефтяном месторождении. Формируют стохастическую базу данных из массивов данных о нефтяном месторождении на основе искусственной нейронной сети для массивов данных о нефтяном месторождении. Осуществляют скрининг массивов данных о нефтяном месторождении для того, чтобы идентифицировать кандидатов из нефтепромысловых объектов. Причем скрининг основан на стохастической базе данных. Осуществляют подробную оценку каждого из кандидатов, выбор нефтепромыслового объекта из кандидатов на основании подробной оценки. Осуществляют нефтепромысловые операции для выбранного нефтепромыслового объекта. Техническим результатом является повышение точности оценки нефтепромысловых объектов. 6 н. и 16 з.п. ф-лы, 23 ил.
Description
Область техники, к которой относится изобретение
Настоящее изобретение относится к технологиям осуществления нефтепромысловых операций, относящимся к подземным формациям, имеющим в себе пласты-коллекторы. Более конкретно, изобретение относится к технологии осуществления нефтепромысловых операций, включающей анализ операций на пласте-коллекторе, и ее воздействия на такие нефтепромысловые операции.
Уровень техники
Нефтепромысловые операции, такие как геофизические исследования, бурение, исследования на кабеле, заканчивание скважин, моделирование, планирование и нефтепромысловый анализ, как правило, выполняются для определения местоположения и добычи промышленно значимых скважинных текучих сред. Различные аспекты нефтепромысловых операций и связанных с ними операций показаны на фиг.1А-1D. Как показано на фиг.1А, геофизические исследования часто проводят с использованием методик сбора данных, таких как сейсмические сканеры, для формирования карт подземных структур. Эти структуры часто анализируются для определения наличия подземных активов, таких как промышленно значимые текучие среды или минералы. Эта информация используется для оценок подземных структур и определения расположения формаций, содержащих желаемые подземные активы. Данные, собранные с помощью методик сбора данных, могут оцениваться и анализироваться для определения того, присутствуют ли такие промышленно значимые вещества, и того, являются ли они обоснованно доступными.
Как показано на фиг-1B-1D, одна или более скважин могут располагаться вдоль подземных структур для добычи промышленно значимых текучих сред из подземных пластов-коллекторов. Скважины снабжаются инструментами, обеспечивающими возможность локализации и извлечения углеводородов из подземных пластов-коллекторов. Как показано на фиг.1В, буровые инструменты, как правило, спускают из буровых вышек в толщу пород по заданному пути для локализации местоположения промышленно значимых скважинных текучих сред. Во время операции бурения буровой инструмент может выполнять скважинные измерения для исследования условий в стволе скважины. В некоторых случаях, как показано на. фиг.1C, буровой инструмент удаляется и инструмент на кабеле помещается в ствол скважины для осуществления дополнительного скважинного измерения.
После завершения операции бурения скважина может затем подготавливаться для имитационного моделирования. Как показано на фиг.1D, оборудование заканчивания скважин помещается в ствол скважины для заканчивания скважины при подготовке к имитационному моделированию текучей среды, проходящей через него. Затем текучая среда выводится из подземных пластов-коллекторов в ствол скважины и выходит на поверхность. Устройства для моделирования располагаются на поверхности скважины для сбора углеводородов из скважины (скважин). Текучая среда из подземного пласта-коллектора (пластов-коллекторов) нефти направляется к устройству для моделирования посредством транспортных механизмов, таких как трубопроводы. Различное оборудование может располагаться возле месторождения нефти для мониторинга параметров месторождения нефти и/или управления нефтепромысловыми операциями.
Во время нефтепромысловых операций, как правило, собираются данные для анализа и/или управления нефтепромысловыми операциями. Такие данные могут включать в себя, например, данные о подземной формации, оборудовании, исторические и/или другие данные. Данные, относящиеся к подземной формации, собирают с использованием различных источников. Такие данные о формации могут представлять собой статические или динамические данные. Статические данные относятся, например, к структуре формации и к геологической стратиграфии, которая определяет геологическое строение подземной формации. Динамические данные относятся, например, к текучим средам, протекающим через геологические структуры подземной формации, в динамике по времени. Такие статические и/или динамические данные могут собираться для того, чтобы узнать больше о формациях и о промышленно значимых запасах, содержащихся в них.
Источники, используемые для сбора статических данных, могут представлять собой сейсмические инструменты, такие как передвижная сейсмическая станция, которая посылает волны сжатия в толщу пород, как показано на фиг.1А. Эти волны измеряются для того, чтобы характеризовать изменения плотности геологической структуры на разных глубинах. Эта информация может использоваться для формирования начальных структурных карт подземной формации. Другие статические измерения могут быть собраны с использованием технологии отбора керновых проб и каротажа скважины. Керновые пробы могут использоваться для получения физических образцов формации с различных глубин, как показано на фиг.1В. Каротаж скважины, как правило, включает в себя размещение скважинного инструмента в стволе скважины для сбора различных скважинных измерений, таких как плотность, удельное сопротивление и тому подобное, на различных глубинах. Подобный каротаж скважины может выполняться с использованием, например, бурового инструмента на фиг.1В и/или инструмента на кабеле на фиг.1C. После того, как скважина построена и закончена, текучая среда течет на поверхность с использованием трубопровода для имитационного моделирования, как показано на фиг.1D. Когда текучая среда выходит на поверхность, могут осуществляться различные динамические измерения, например, скорости потока, давления и композиции текучей среды. Эти параметры могут использоваться для определения различных характеристик подземной формации.
Сенсоры могут располагаться вокруг месторождения нефти для сбора данных относительно различных нефтепромысловых операций. Например, сенсоры в бурильном оборудовании могут осуществлять мониторинг условий бурения, сенсоры в стволе скважины могут осуществлять мониторинг композиции текучей среды, сенсоры, расположенные вдоль пути потока, могут осуществлять мониторинг скорости потока, и сенсоры в технологическом оборудовании могут осуществлять мониторинг собранных текучих сред. Другие сенсоры могут предусматриваться для мониторинга скважины, поверхности, оборудования или других условий. Данные мониторинга часто используются для принятия решений в разных местоположениях месторождения нефти в различное время. Данные, собранные этими сенсорами, могут также анализироваться и обрабатываться. Данные могут собираться и использоваться для настоящих или будущих операций. При использовании для будущих операций в тех же или других положениях, такие данные иногда могут упоминаться как исторические данные.
Обработанные данные могут использоваться для прогнозирования условий в стволе скважины и принятия решений относительно нефтепромысловых операций. Такие решения могут включать в себя планирование скважины, проводку скважины, заканчивание скважин, рабочие уровни, показатели моделирования процесса разработки и другие операции и/или условия. Часто эта информация используется, чтобы определить, когда бурить новые скважины, повторно заканчивать скважины или изменить имитационное моделирование процесса разработки скважины.
Данные из одного или более стволов скважин могут анализироваться для планирования или предсказания различных результатов в данном стволе скважины. В ряде случаев данные из соседних стволов скважины или стволов скважины с аналогичными условиями или оборудованием могут использоваться для прогнозирования того, как будет эксплуатироваться скважина. Обычно при анализе нефтепромысловых операций имеется большое количество переменных и большое количество данных. Поэтому зачастую полезно моделировать режим нефтепромысловой операции для определения необходимого направления деятельности. Во время продолжения работ режимы работы могут нуждаться в коррекции, поскольку изменяются условия и получают новую информацию.
Разработаны технологии для моделирования поведения различных аспектов нефтепромысловых операций, таких как геологические структуры, подземные пласты-коллекторы, стволы скважин, наземные сооружения, а также другие части нефтепромысловых операций. Примеры таких технологий моделирования показаны в патентах/публикациях/заявках №№ US 5992519, WO 2004/049216, WO 1999/064896, WO 2005/122001, US 6313837, US 2003/0216897, US 2003/0132934, US 2005/0149307, US 2006/0197759, US 6980940, US 2004/0220846 и US 10/586283. Разработаны технологии для осуществления операций имитационного моделирования пластов-коллекторов. Смотрите, например, патенты/публикации/заявки №№ US 6230101, US 6018497, US 6078869, GB 2336008, US 6106561, US 2006/0184329, US 7164990.
Примеры нефтепромысловых операций включают способы осуществления методов повышения нефтеотдачи (EOR) для увеличения продолжительности эксплуатации на месторождениях и увеличения суммарной нефтеотдачи из естественно исчерпывающихся пластов-коллекторов. Повышение нефтеотдачи может начинаться в любое время в течение срока рентабельной работы пласта-коллектора. Его целью является не - только восстановление пластового давления, но и увеличение вытеснения нефти или течения текучей среды в пласте-коллекторе. Три главных типа методов операций повышения нефтеотдачи представляют собой нагнетание в пласт химических реагентов (щелочное заводнение или мицеллярно-полимерное заводнение), смешивающееся нагнетание (нагнетание углекислоты или нагнетание углеводородов) и термическая разработка (закачивание водяного пара в скважину, закачивание воды в скважину или осуществление горения в пласте путем частичного сжигания нефти). Оптимальное применение каждого типа зависит от температуры пласта, давления, глубины, эффективной толщины пласта, проницаемости, остаточной нефтенасыщенности и водонасыщенности, пористости и от характеристик текучей среды, таких как плотность нефти в градусах АНИ и вязкость.
Закачивание водяного пара представляет собой способ термического восстановления, при котором водяной пар, полученный на поверхности, нагнетается в пласт-коллектор через распределенные специальным образом нагнетательные скважины.
Когда водяной пар поступает в пласт-коллектор, он подогревает сырую нефть и снижает ее вязкость. Тепло также "дистиллирует" легкие компоненты сырой нефти, которые конденсируются на нефтяном валу впереди фронта паронасыщения, также понижая вязкость нефти. Горячая вода, которая конденсируется из пара, и водяной пар сам по себе создают искусственное вытеснение нефти, которое перемещает нефть в направлении добывающих скважин. Другой способствующий фактор, который повышает нефтеотдачу во время закачивания водяного пара, относится к приствольной очистке скважины. В этом случае водяной пар понижает поверхностное натяжение, которое связывает парафины и асфальтены с поверхностью породы, при этом паровая дистилляция легких фракций сырой нефти создает небольшую оторочку растворителя, которая, смешиваясь, может удалять захваченную в нем нефть.
Заводнение принадлежит к числу старейших, и быть может, наиболее экономичных из способов EOR. Горячее заводнение представляет собой способ термической разработки, при котором горячая вода закачивается в пласт-коллектор через распределенные специальным образом нагнетательные скважины. Горячее заводнение понижает вязкость сырой нефти, позволяя ей легче перемещаться по направлению к добывающим скважинам. Горячее заводнение, также известное как закачивание горячей воды, является, как правило, менее эффективным, чем способ закачивания водяного пара, из-за того, что вода имеет более низкую теплоемкость, чем водяной пар. Однако при определенных условиях, таких как чувствительность формации, пресная вода является предпочтительной.
Действующие на данный момент высокие цены на нефть предоставляют дополнительные возможности компаниям для более глубокого рассмотрения принадлежащих им портфелей пластов-коллекторов с целью использования дополнительных возможностей EOR (например, заводнения). Временные и информационные ограничения могут ограничивать глубину и строгость подобной оценки скрининга. Время влияет на результат скрининга огромного количества пластов-коллекторов для обеспечения возможности осуществления EOR (например, заводнения), в то же время информация влияет на доступность данных (согласованности измеренных и моделируемых данных), с помощью которых необходимо получить значимую информацию для принятия обоснованных решений относительно разработки.
Примеры нефтепромысловых операций также включают установку интеллектуальных систем заканчивания скважин для повышения экономической целесообразности нефтепромысловых операций. Эти скважины не только дают доступ к малорентабельным пластам, для которых специализированная добыча может быть нерентабельной, но также ускоряют добычу. Мониторинг устройств управления потоком и других устройств может использоваться для управления добычей из пластов-коллекторов, дающих смесь продуктов из нескольких горизонтов, и оптимизировать добычу.
Контролирующие органы обычно требуют, чтобы оператор мог распределить добычу в конкретных пластах-коллекторах для целей учета отчислений на истощение недр. В этом случае, если для каждой законченной скважины не устанавливают измерители расхода, обратное перераспределение от устья скважины к законченной скважине труднодостижимо. Традиционные способы, которые могли бы обеспечить разделение продукции в реальном времени, не могут предоставить точные результаты, когда характеристика притока одной из законченных скважин изменяется. Численное моделирование, которое принимает во внимание изменение мобильности и итоговое перераспределение давления в открытой системе законченной скважины, является продолжительным и не может использоваться для обратного распределения в реальном времени.
Несмотря на разработку и развитие технологий пластового моделирования для нефтепромысловых операций, остается необходимость в рассмотрении эффектов большого количества пластов-коллекторов и неопределенности относительно точности численных моделей скважин при нефтепромысловых операциях. Было бы желательным создание технологии скрининга большого количества кандидатов для выбора, планирования и/или осуществления различных нефтепромысловых операций, на основе статических и динамических аспектов месторождения нефти. Также было бы желательно обеспечить обратное распределение скважин на смешанных пластах-коллекторах в реальном времени. Является также желательным, чтобы подобные технологии селективно рассматривали необходимые параметры, такие как измеренные данные или смоделированные данные с неопределенностью относительно точности или совместимости. Такие желаемые технологии могут обеспечить одно или более действий, выбранных среди прочего из следующего: осуществление возможности скрининга для снижения количества кандидатов из пластов-коллекторов (то есть кандидатов из пластов-коллекторов, которые оценивают в подробном режиме с целью выбора, для осуществления различных нефтепромысловых операций) на один или более порядков величин, обеспечения возможности моделирования для оценки чувствительностей и неопределенностей влияющих параметров и обеспечение возможности моделирования для ускорения процесса скрининга без ущерба для качества результатов.
Сущность изобретения
В целом, в одном аспекте настоящее изобретение относится к способу осуществления нефтепромысловых операций. Этапы способа включают в себя получение массивов данных о нефтяном месторождении, связанных с нефтепромысловыми объектами, формирование стохастической базы данных из массивов данных о нефтяном месторождении на основе искусственной нейронной сети для массивов данных о нефтяном месторождении, скрининг массивов данных о нефтяном месторождении для определения кандидатов из нефтепромысловых объектов, где скрининг основан на стохастической базе данных, выполнение подробной оценки каждого кандидата, выбор нефтепромыслового объекта из кандидатов, на основе подробных оценок, и выполнение нефтепромысловой операции для выбранного нефтепромыслового объекта.
В целом, в одном из аспектов настоящее изобретение относится к способу выполнения нефтепромысловых операций. Этапы способа включают в себя получение множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных, по меньшей мере, одно поле данных из множества полей данных, по меньшей мере, одного массива данных о нефтяном месторождении из множества массивов данных о нефтяном месторождении представляет собой незаполненное поле данных, формирование первой искусственной нейронной сети из множества массивов данных о нефтяном месторождении, первая искусственная нейронная сеть содержит одно или более соотношений между множеством полей данных, заполнение незаполненного поля данных, по меньшей мере, из одного массива данных о нефтяном месторождении оценочными данными, на основе одного или более соотношений для формирования заполненного дополнительными данными массива данных о нефтяном месторождении, и выполнение нефтепромысловой операции на основе, по меньшей мере, заполненного дополнительными данными массива данных о нефтяном месторождении.
В целом, в одном аспекте изобретение относится к способу выполнения нефтепромысловой операции, содержащему получение множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных, формирование искусственной нейронной сети для множества массивов данных о нефтяном месторождении, искусственная нейронная сеть связана с одним или более главными эксплуатационными показателями (KPI) нефтепромысловой операции, идентифицируемой из множества полей данных, идентификацию множества кластеров из множества нефтепромысловых объектов на основе искусственной нейронной сети, каждый из множества кластеров содержит один или более нефтепромысловых объектов, формирование множества прокси-моделей, соответствующих множеству кластеров, каждая из множества прокси-моделей моделирует нефтепромысловые операции одного или более нефтепромысловых объектов соответствующего кластера, и выполнение нефтепромысловой операции на основе множества прокси-моделей.
В целом, в одном из аспектов изобретение относится к наземной установке, содержащей память и процессор, выполняющий инструкции, хранимые в памяти и исполняемые процессором для осуществления этапов способа выполнения нефтепромысловых операций, инструкции содержат функции для получения множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, формирования стохастической базы данных из множества массивов данных о нефтяном месторождении на основе искусственной нейронной сети для множества массивов данных о нефтяном месторождении, скрининга множества массивов данных о нефтяном месторождении для определения множества кандидатов из множества нефтепромысловых объектов, где скрининг основан на стохастической базе данных, выполнение подробной оценки каждого из множества кандидатов, выбора нефтепромыслового объекта из множества кандидатов, на основе подробной оценки, и осуществления нефтепромысловой операции на нефтепромысловом объекте.
В целом, в одном из аспектов изобретение относится к наземной установке, содержащей память и процессор, выполняющий инструкции, хранимые в памяти и исполняемые процессором для осуществления этапов способа осуществления нефтепромысловых операций, инструкции обеспечивают возможность получения множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных, по меньшей мере, одно поле данных из множества полей данных, по меньшей мере, одного массива данных о нефтяном месторождении из множества массивов данных о нефтяном месторождении представляет собой незаполненное поле данных, формирования первой искусственной нейронной сети для множества массивов данных о нефтяном месторождении, первая искусственная нейронная сеть содержит одно или более соотношений между множеством полей данных, заполнения незаполненного поля данных, по меньшей мере, одного массива данных о нефтяном месторождении с помощью оценочных данных на основе одного или более соотношений для формирования заполненного дополнительными данными массива данных о нефтяном месторождении и осуществления нефтепромысловой операции на основе, по меньшей мере, заполненного дополнительными данными массива данных о нефтяном месторождении.
В целом, в одном из аспектов изобретение относится к наземной установке, содержащей память и процессор, выполняющий инструкции, хранимые в памяти и исполняемые процессором для осуществления этапов способа для. осуществления нефтепромысловых операций, инструкции, обеспечивают возможность получения множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных, формирования искусственной нейронной сети для множества массивов данных о нефтяном месторождении, искусственная нейронная, сеть связана с одним или более, главными эксплуатационными показателями (KPI) нефтепромысловых операций, определенными из множества полей данных, определения множества кластеров из множества нефтепромысловых объектов на основе искусственной нейронной сети, каждый из множества кластеров содержит один или более нефтепромысловых объектов из множества нефтепромысловых объектов, формирования множества прокси-моделей,. соответствующих множеству кластеров, каждая из множества прокси-моделей моделирует нефтепромысловые операции одного или более нефтепромысловых объектов соответствующего кластера, и осуществления нефтепромысловой операции на основе множества прокси-моделей.
Другие аспекты и преимущества настоящего изобретения будут ясны с помощью последующего описания и прилагаемой формулы изобретения.
Краткое описание чертежей
Чтобы перечисленные выше свойства и преимущества настоящего изобретения могли быть поняты в деталях, более подробное описание изобретения, кратко обобщенное выше, представлено ниже со ссылками на варианты осуществления, которые иллюстрируются на прилагаемых чертежах. Нужно отметить, однако, что прилагаемые чертежи иллюстрируют только типичные варианты осуществления этого изобретения и поэтому не должны рассматриваться как ограничивающие его объем, изобретение может включать и другие настолько же эффективные варианты осуществления.
На чертежах:
фиг.1А-1D изображают примерные виды в разрезе месторождений нефти, имеющих подземные структуры, содержащие в себе пласты-коллекторы, и различные нефтепромысловые операции, выполняемые на нефтяном месторождении. Фиг.1А показывает примерные геофизические исследования в скважинах, осуществляемые передвижной сейсмической станцией. Фиг.1В изображает примерную операцию бурения, осуществляемую буровым инструментом, подвешенным на буровой вышке и введенным в подземную формацию. Фиг.1C изображает примерную операцию в скважине, осуществляемую инструментом, спускаемым на кабеле, осуществляемую инструментом на кабеле, подвешенным на буровой вышке и находящимся в стволе скважины Фиг.1В. Фиг.3-D изображает примерную операцию осуществления имитационного моделирования, осуществляемую инструментом для имитационного моделирования, развернутым с буровой вышки и введенным в законченный ствол скважины для извлечения текучей среды из подземного пласта-коллектора в наземные сооружения;
фиг.2А-2В представляют собой примерные графические представления данных, собранных инструментами на фиг-1A-1D, соответственно. Фиг.2А изображает примерную дорожку сейсмограммы подземной формации фиг.1А. Фиг.2 В изображает примерную керновую пробу формации, показанной на Фиг.1В. Фиг.2С изображает примерную диаграмму геофизических исследований скважины подземной формации фиг.1C. Фиг.20 изображает примерную кривую истощения пласта для текучей среды, протекающей через подземную формацию, на фиг.1D, полученную посредством имитационного моделирования;
фиг.3 показывает примерный схематический вид в разрезе, частично, в поперечном сечении, месторождения нефти, имеющего множество инструментов для сбора данных, расположенных на различных положениях по всему месторождению нефти, для сбора данных из подземной формации;
фиг.4 показывает примерный схематический вид в разрезе месторождения нефти, имеющего множество скважин для добычи нефти из подземной формации;
фиг.5 показывает примерную блок-схему части месторождения нефти на фиг.4, изображающую подробно операции имитационного моделирования;
фиг.6А и. 6В показывают примерные данные месторождения нефти и статистическую диаграмму согласно одному или более вариантам осуществления настоящего изобретения;
фиг.7А и 7В показывают блок-схему и примерное изображение способа заполнения дополнительными данными стохастической базы данных согласно одному или более вариантам осуществления настоящего изобретения;
фиг.8А и 8В показывают блок-схемы способа скрининга для идентификации кандидатов нефтепромысловых объектов согласно одному или более вариантам осуществления настоящего изобретения;
фиг.9А и 9В показывают примерные самоорганизующиеся карты (SOM) согласно одному или более вариантам осуществления настоящего изобретения;
фиг.10 (изображенная как фиг.10А-10С для целей иллюстрации) показывает примерную Байесовскую сеть согласно одному или более вариантам осуществления настоящего изобретения.
Подробное описание предпочтительных вариантов воплощения изобретения
Предпочтительные на настоящий момент варианты осуществления настоящего изобретения показаны на обозначенных выше чертежах и подробно описываются ниже. Некоторые функции и некоторые виды на чертежах показаны в увеличенном масштабе или схематически в интересах ясности и краткости.
Фиг-1A-D показывают месторождение (100) нефти, имеющее в себе геологические структуры и/или подземные формации. Как показано на этих фигурах, различные измерения подземной формации осуществляются различными инструментами в одном и том же местоположении. Эти измерения могут использоваться для формирования информации о формации и/или геологических структурах, и/или о текучих средах, содержащихся в них.
Фиг.1А-1D изображают виды в разрезе месторождения (100) нефти, имеющего подземные формации (102), содержащие в себе пласт-коллектор (104), и изображают различные нефтепромысловые операции, выполняемые на нефтяном месторождении (100). Фиг.1А изображает геофизические исследования в скважинах с помощью передвижной сейсмической станции (106а) для измерения характеристик подземной формации. Геофизические исследования в скважинах представляют собой сейсмические геофизические исследования в скважинах для создания звуковых колебаний. На фиг.1А, такое звуковое колебание (112) создается источником (110) и отражается от множества горизонтов (114) подземной формации (116). Звуковое колебание (колебания) (112) принимается сенсорами (S), такими как сейсмоприемники (118), размещенные на земной поверхности, и сейсмоприемники (118) создают выходные электрические сигналы, упоминаемые как принятые данные (120) на фиг.1.
В ответ на принятые звуковые колебание (112) получают типичные образцы различных параметров (таких как амплитуда и/или частота) звуковых колебаний (112). Полученные данные (120) передаются в качестве исходных данных компьютеру (122а) самоходной сейсмической станции (106а), и, реагируя на исходные данные, компьютер самоходной станции (122а) создает выходную запись сейсмических данных (124). Сейсмические данные в дальнейшем могут обрабатываться по желанию, например, посредством редукции данных.
Фиг.1В изображает бурильную операцию, осуществляемую буровым инструментом (106b), подвешенным на буровой вышке (128) и введенным в подземную формацию (102) с формированием ствола буровой скважины (136). Емкость для бурового раствора (130) используется для подачи бурового раствора в буровой инструмент (106b) через нагнетательный трубопровод (132) для циркуляции бурового раствора через буровой инструмент (106b) и для возвращения назад на поверхность. Буровой инструмент (106b) вводится в формацию до достижения пласта-коллектора (104) нефти, буровой инструмент (106b) предпочтительно выполнен с возможностью измерения характеристик скважинных условий. Буровой инструмент (106b) также выполнен с возможностью сбора керновой пробы (133), как показано, или может быть удален, так что керновая проба (133) может извлекаться с использованием другого инструмента.
Наземная установка (134) используется, для взаимодействия с буровым инструментом (106b) и для внешних операций. Наземная установка (134) способна взаимодействовать с буровым инструментом (106b) для сообщения с буровым инструментом (106b) и получения данных от него. Наземная установка (134) предпочтительно снабжается компьютерным оборудованием для получения, хранения, обработки и анализа данных из месторождения (100) нефти. Наземная установка (134) собирает выходные данные (135), формируемые во время операции бурения. Компьютерное оборудование, такое как наземная установка (134), может располагаться в различных местоположениях около месторождения (100) нефти и/или в удаленных положениях.
Сенсоры (S), такие как датчики, могут располагаться по всему месторождению нефти, буровой вышке, по оборудованию месторождения (такому как скважинный инструмент) или в других частях месторождения нефти для сбора информации о различных параметрах, таких как параметры на поверхности, внутрискважинные параметры и/или режимы работы. Эти сенсоры (S) предпочтительно измеряют характеристики месторождения нефти, такие как осевая нагрузка на долото, крутящий момент на долоте, давления, температуры, скорости потоков, композиции и другие параметры нефтепромысловых операций.
Информация, собранная сенсорами (S), может быть собрана наземной установкой (134) и/или другими источниками сбора данных источниками для анализа или другой обработки. Данные, собранные сенсорами (S), могут использоваться отдельно или в сочетании с другими данными. Данные могут быть собраны в базе данных, и все данные- или выбранные части данных могут селективно использоваться для анализа и/или прогнозирования нефтепромысловых операций для данного и/или других стволов скважин.
Выходные данные от различных сенсоров (S), расположенных вокруг месторождения нефти, могут обрабатываться для дальнейшего использования. Данные могут представлять собой исторические данные, данные в реальном времени или их сочетания. Данные в реальном времени могут использоваться в реальном времени или сохраняться для последующего использования. Данные также могут объединяться с историческими данными или с другими входными данными для последующего анализа. Данные могут содержаться в отдельных базах данных или объединяться в одну базу данных.
Собранные данные могут использоваться для осуществления анализа, такого как операции моделирования. Например, выходные сейсмические данные могут использоваться для осуществления геологического, геофизического моделирования, моделирования технологии нефтеотдачи, и/или имитационного моделирования процессов разработки. Данные по пласту-коллектору, стволу скважины, поверхности и/или технологии могут использоваться для осуществления имитационного моделирования пласта-коллектора, ствола скважины или другого производственного имитационного моделирования. Выходные данные от нефтепромысловых операций могут формироваться сенсорами (S) напрямую или после некоторой обработки или моделирования. Эти выходные данные могут служить входными данными для дальнейшего анализа.
Данные собираются и хранятся в наземной установке (134). Одна или более наземных установок (134) располагаются на нефтяном месторождении (100) или подключаются к нему с удаленным доступом. Наземная установка (134) может представлять собой самостоятельное устройство или сложную сеть устройств, используемых для осуществления необходимых функций управления данными по всему месторождению (100) нефти. Наземная установка (134) может представлять собой управляемую вручную или автоматизированную систему. Наземная установка (134) может управляться и/или настраиваться пользователем.
Наземная установка (134) может быть снабжена приемопередающей установкой (137) для того, чтобы делать возможным сообщение между наземной установкой (134) и различными частями или другими местоположениями месторождения (100) нефти. Наземная установка (134) может также быть снабжена контроллером для приведения в действие механизмов на нефтяном месторождении или функционально связываться с ним. Наземная установка (134) может затем посылать сигналы управления на месторождение (100) нефти в ответ на получаемые данные. Наземная установка (134) может получать команды через приемо-передающее устройство или может самостоятельно выполнять команды для контроллера. Может предусматриваться процессор для анализа данных (локально или удаленно) и принятия решений о приведении в действие контролера. Таким образом, месторождение (100) нефти может селективно регулироваться на основе собранных данных для оптимизации скоростей извлечения текучей среды или для доведения до максимума продолжительности эксплуатации месторождения нефти и его суммарной выработки. Эти регулировки могут производиться автоматически на основе компьютерного протокола или оператором в ручном режиме. В ряде случаев планы бурения могут регулироваться для выбора оптимальных режимов работы или для того чтобы избежать проблем.
Фиг.1C изображает операцию в скважине, осуществляемую инструментом (106с) на кабеле, подвешенным на буровой вышке (128), введенным в ствол скважины (136), на Фиг.1В. Инструмент (106с) на кабеле предпочтительно выполнен с возможностью размещения в буровой скважине (136) с целью получения диаграмм геофизических исследований скважин с осуществлением скважинных испытаний и/или сбора образцов. Инструмент (106с) на кабеле может использоваться для обеспечения другого способа и устройства для осуществления сейсмических геофизических исследований в скважинах. Инструмент (106с) на кабеле на фиг.1C может иметь взрывной или акустический источник (143) энергии, который подает электрические сигналы на окружающие подземные формации (102).
Инструмент (106 с) на кабеле может оперативно связываться, например, с сейсмоприемниками (118), находящимися в компьютере (122а) самоходной сейсмической станции (106а) на фиг.1А. Инструмент (106 с) на кабеле может также обеспечивать данными наземную установку (134). Как показано, выходные данные (135) формируются инструментом (106 с) на кабеле и собираются на поверхности. Инструмент (106 с) на кабеле может располагаться на различных глубинах в стволе скважины (136) для обеспечения исследования подземной формации.
Фиг.1D изображает производственную операцию, осуществляемую промысловым прибором (106d), размещенным на буровой вышке (128) и введенным внутрь законченного ствола скважины (136) на фиг.1C, для выкачивания текучей среды из подземных пластов-коллекторов в наземные сооружения (142). Текучая среда вытекает из месторождения (104) нефти по стволу скважины (136) и в наземные сооружения (142) через накопительную сеть (144). Сенсоры (S), расположенные вокруг месторождения (100) нефти для сбора данных из него, оперативно соединяются с наземной установкой (142). Во время производственного процесса выходные данные (135) могут собираться различными сенсорами (S) и передаваться на наземную установку (134) и/или технологическое оборудование. Эти данные могут представлять собой, например, данные пласта-коллектора, данные ствола скважины, данные с поверхности и/или технологические данные.
Фиг.1D изображает производственную операцию, осуществляемую промысловым прибором (106d), развернутой с вышки, или фонтанного устьевого оборудования (129) в законченном стволе скважины (136) ФИГ.1C для выкачивания текучей среды из подземных пластов-коллекторов в наземные сооружения (142). Текучая среда протекает из месторождения (104) нефти через перфорации в обсадной колонне (не показано) и в промысловом приборе (106d) в ствол скважины (136) и в наземные сооружения (142) через накопительную сеть (146). Сенсоры (S), такие как датчики, могут располагаться вокруг месторождения нефти для сбора данных относительно различных нефтепромысловых операций, как описано выше. Как показано, сенсор (S) может располагаться в промысловом приборе (106d) или в сопутствующем оборудовании, таком как фонтанное устьевое оборудование (129), накопительная сеть (146), наземные сооружения (142), и/или в производственном оборудовании, для измерения параметров текучей среды, таких как композиция текучей среды, скорости потока, давления, температуры и/или другие параметры производственной операции.
Хотя показаны только упрощенные конфигурации расположения скважины, понятно, что месторождение нефти может занимать часть земли, моря и/или водных положений его расположения, и содержит одну или более скважин. Производство может также включать нагнетательные скважины (не показаны) для дополнительной добычи. Одна или более систем сбора нефти могут оперативно соединяться с одной или более скважинами для селективного сбора скважинных текучих сред из расположения скважины (скважин).
Хотя фиг-1B-1D изображают инструменты, используемые для измерения характеристик месторождения (100) нефти, будет понятно, что эти инструменты могут использоваться в связи с нефтепромысловыми операциями, такими как рудники, водоносные бассейны, накопители или другие подземные объекты. Также, хотя изображаются обычные инструменты для сбора данных, будет понятно, что могут использоваться различные измерительные инструменты, имеющие возможность определения параметров, таких как сейсмическое двустороннее время пробегания, плотность, удельное сопротивление, нефтеотдача и тому подобное, подземной формации (102) и/или ее геологических формаций. Различные сенсоры (S) могут располагаться в различных положениях вдоль ствола скважины и/или инструментов мониторинга для сбора и/или мониторинга желаемых данных. Другие источники данных также могут предусматриваться во внешних положениях.
Конфигурация месторождения нефти на фиг-1A-1D предназначена для обеспечения краткого описания примера месторождения нефти, пригодного для использования с помощью настоящего изобретения. Часть месторождения нефти или все оно (100) может находиться на суше и/или в море. Также, хотя изображается единое месторождение нефти, измеряемое на единой локации, настоящее изобретение может использоваться при любом сочетании одного или более месторождений (100) нефти, одного или более видов технологического оборудования и одной или более скважин.
Фиг.2А-2Б представляют собой графические представления данных, собранных инструментом на фиг-1A-D, соответственно. Фиг.2А изображает дорожку (202) сейсмограммы подземной формации на фиг.1А, полученную инструментом исследования (106а). Дорожка сейсмограммы измеряет двусторонний отклик в течение некоторого периода времени. Фиг.2 В изображает керновую пробу (133), отобранную буровым инструментом (106b). Изучение геологического строения по керну, как правило, обеспечивает диаграмму плотности, удельного сопротивления или другой физической характеристики керновой пробы (133) по длине керна. Измерение плотности и вязкости часто осуществляется на текучих средах в керне при различных давлениях и температурах. Фиг.2С изображает каротажную диаграмму (204) подземной формации на фиг.1C, полученную инструментом (106с) на кабеле. Каротажная диаграмма, как правило, обеспечивает измерение удельного сопротивления формации на различных глубинах. Фиг.20 изображает кривую истощения пласта (206) для текучей среды, протекающей через подземную формацию на фиг.1D, полученную промысловым прибором (106d). Кривая истощения пласта (206), как правило, показывает нефтеотдачу Q как функцию от времени t.
Соответствующие диаграммы на фиг.2А-2С содержат статические измерения, которые описывают физические характеристики формации. Эти измерения могут сравниваться для определения точности измерений и/или для проверки на наличие ошибок. Таким образом, графики каждого из соответствующих измерений могут строиться и масштабироваться для сравнения и подтверждения характеристик.
Фиг.20 предоставляет динамическое измерение свойств текучей среды по стволу скважины. Когда текучая среда протекает по стволу скважины, осуществляются измерения свойств текучей среды, таких как скорость потока, давление, композиция и тому подобное. Как описывается ниже, статические и динамические измерения могут использоваться для формирования моделей подземной формации для определения ее характеристик.
Фиг.3 представляет собой схематический вид с частичным поперечным сечением месторождения (300) нефти, имеющего инструменты (302а), (302b), (302с) и (302d) для сбора данных, расположенные в различных положениях по месторождению нефти для сбора данных о подземной формации (304). Инструменты (302a-302d) для сбора данных могут быть такими же, как и инструменты (106а-106d) для сбора данных на фиг.1, соответственно. Как показано, инструменты (302a-302d) сбора данных формируют графики (308а-308d) данных или измерений, соответственно.
Графики (308а-308с) данных представляют собой примеры статических графиков данных, которые могут формироваться инструментами (302a-302d) для сбора данных, соответственно. График (308а) статических данных представляет собой сейсмическое двустороннее время отклика и может быть таким же, как и дорожка (202) сейсмограммы на фиг.2А. Статический график (308b) представляет собой данные керновой пробы, измеренные для керновой пробы из формации (304), подобной керновой пробе (133) на фиг.2В. Статический график (308с) данных представляет собой каротажную кривую, подобную каротажной диаграмме (204) на фиг.2С. График (308d) данных представляет собой график динамических данных скорости потока текучей среды как функции времени, подобный диаграмме (206) на фиг.2В. Могут также собираться другие данные, такие как исторические данные, информация, вводимая пользователем, экономическая информация, другие данные измерения и другие параметры, представляющие интерес.
Подземная формация (304) имеет множество геологических структур (306a-306d). Как показано, формация имеет пласт (306а) песчаника, пласт (306b) известняка, пласт (306с) глины и пласт (306d) песка. Приразломная линия (307) проходит сквозь формацию. Инструменты для сбора статических данных предпочтительно выполнены с возможностью для измерения формации и детектирования характеристик геологических структур формации.
Хотя изображается конкретная подземная формация (304) с конкретными геологическим структурами, будет понятно, что формация может содержать разнообразные геологические структуры. Текучая среда также может присутствовать в различных частях формации. Каждый из измерительных приборов может использоваться для измерения характеристик формации и/или ее глубинных структур. Хотя каждый инструмент для сбора данных показан расположенным в конкретном местоположении вдоль формации, будет понятно, что один или более типов измерения могут осуществляться в одном или более местоположениях по одному или более месторождениям нефти или по другим положениям для сравнения и/или анализа.
Данные, собранные из различных источников, таких как инструменты для сбора данных, на фиг.3, затем могут оцениваться. Как правило, сейсмические данные, отображаемые на графике (308а) статических данных полученные инструменты (302а) сбора данных, используются инженером-геофизиком для определения характеристик подземной формации (304). Керновые данные, показанные на статическом графике (308b), и/или каротажные данные из каротажной диаграммы (308 с), как правило, используются геологом для определения различных характеристик геологических структур подземной формации (304). Промысловые данные из промыслового графика (308d), как правило, используются промысловым инженером для определения характеристик протекания текучей среды через пласт-коллектор.
Фиг.4 показывает месторождения нефти (400) для выполнения имитационного моделирования операций процесса разработки. Как показано, месторождение нефти имеет множество скважин (402), непосредственно соединенных с центральным технологическим оборудованием (454). Конфигурация месторождения нефти на фиг.4 не предназначена для ограничения объема изобретения. Часть месторождения нефти или все оно может располагаться на земле и/или в море. Также, хотя изображается отдельное месторождение нефти с отдельным технологическим оборудованием множества скважин, может присутствовать любое сочетание одного или более месторождений нефти, одного или более наборов технологического оборудования и одной или более скважин.
Каждая скважина (402) имеет оборудование, которое формирует в толще пород ствол буровой скважины (436). Стволы скважин проходят сквозь подземные формации (406), содержащие пласты-коллекторы (404). Эти пласты-коллекторы (404) содержат текучие среды, такие как углеводороды. Стволы скважины выкачивают текучую среду из месторождений нефти и направляют их на технологическое оборудование через накопительные сети (444) Накопительные сети (444) имеют трубопроводы и механизмы управления для управления потоками текучих сред из скважины к технологическому оборудованию (454).
Фиг.5 показывает схематический вид в разрезе части месторождения нефти (400) на фиг.4, изображающий подробно скважину (402) и накопительную сеть (444). Скважина (402) на фиг.5 имеет ствол скважины (436), проходящей в толще пород. Как показано, ствол скважины (436) уже пробурен, закончен, и подготовлен для имитационного моделирования из пласта-коллектора (504).
Оборудование для имитационного моделирования для ствола скважины (564) проходит из устья буровой скважины (566) скважины (402) и в пласт-коллектор (404) для выкачивания текучей среды на поверхность. Скважина (402) функционально связана с накопительной сетью (444) через транспортный трубопровод (561). Текучая среда течет из пласта-коллектора (404) через ствол скважины (436) и в накопительную сеть (444). Затем текучая среда течет из накопительной сети (444) к технологическому оборудованию (454).
Как дополнительно показано на фиг.5, сенсоры (S) располагаются вокруг месторождения нефти (400) для осуществления мониторинга различных параметров во время нефтепромысловых операций. Сенсоры (S) могут измерять, например, давление, температуру, расход, композицию и другие параметры месторождения, ствола скважины, накопительной сети, технологического оборудования и/или других частей нефтепромысловых операций. Эти сенсоры (S) оперативно соединяются с наземной установкой (534) для сбора данных из них. Наземная установка может, например, быть сходной с наземной установкой 134 на фиг-1A-D
Как показано на фиг.5, наземная установка (534) имеет компьютерное оборудование, такое как память (520), контроллер (522), процессор (524) и узел (526) для отображения, для управления данными. Данные собирают в памяти (520) и обрабатывают процессором (524) для анализа. Данные могут собираться с месторождения нефти сенсорами (S) и/или другими -источниками. Например, данные о нефтяном месторождении могут пополняться историческими данными, собранными для других операций, или данными, вводимыми пользователем.
Затем проанализированные данные могут использоваться для принятия. решений. Приемо-передающая установка (не показана) может быть предусмотрена для того, чтобы обеспечить возможность сообщение межу наземной установкой (534) и месторождением (400) нефти. Контроллер (522) может использоваться для приведения в действие механизмов на нефтяном месторождении (400) последствием приеме-передатчика и на основе этих решений. Таким образом, месторождение (400) нефти может селективно регулироваться на основе собранных данных. Эти уточнения могут производиться автоматически на основе компьютерного протокола и/или вручную оператором. В ряде случаев планы бурения уточняются для выбора оптимальных режимов работы или для того, чтобы избежать проблем.
Узел (526) для отображения может предусматриваться на скважине (402) и/или в удаленном местоположении для просмотра данных о месторождении нефти (не показан). Данные о месторождении нефти, отображаемые узлом (526) для отображения, могут представлять собой исходные данные, обработанные данные и/или выходные данные, формируемые из различных данных. Узел (526) для отображения предпочтительно выполнен с возможностью получения гибких изображений данных, чтобы изображенные экраны могли подстраиваться, как описано. Пользователь может определить желаемый ход действия во время имитационного моделирования на основе рассмотрения отображаемых данных о месторождении нефти. Операция - имитационного моделирования может селективно настраиваться под влиянием узла (526) для отображения. Узел (526) для отображения может содержать дисплей для отображения данных по месторождению нефти или для обозначения событий месторождения нефти. Например, дисплей может соответствовать выходным данным с принтера, графика, монитора или другого устройства.
Для облегчения обработки и анализа данных могут применяться имитаторы для обработки данных. Конкретные имитаторы часто используются в связи с конкретными нефтепромысловыми операциями, такими как имитационное моделирование пластов-коллекторов или ствола скважины. Данные, вводимые в имитатор (имитаторы), могут представлять собой исторические данные, данные в реальном времени или их сочетания. Имитационное моделирование одним или более имитаторами может повторяться или настраиваться на основе полученных данных.
Как показано, нефтепромысловые операции осуществляются скважинными и нескважинными имитаторами. Скважинные имитаторы могут содержать имитатор пласта-коллектора (340), имитатор ствола скважины (342) и имитатор сети на поверхности (344). Имитатор пласта-коллектора (340) определяет поток углеводородов, проходящий через коллекторную породу и в ствол скважины. Имитатор ствола скважины (342) и имитатор сети на поверхности (344) определяют поток углеводородов, проходящий через ствол скважины и накопительную сеть (444) трубопроводов на поверхности. Как показано, некоторые имитаторы могут быть отдельными или объединенными, в зависимости от доступных систем.
Различные имитаторы пластов-коллекторов могут предусматриваться для изображения различных уровней приближения в математической модели пласта-коллектора. Например, имитатор (340) пласта-коллектора может представлять собой полную модель пластового моделирования с повышенной точностью, но с пониженной скоростью. Имитатор (340) пласта-коллектора может представлять собой прокси-модель имитатора пласта-коллектора, которая, как правило, предоставляет собой упрощенное представление модели имитационного моделирования пласта-коллектора. Этот тип имитатора пласта-коллектора, как правило, является менее точным, но более быстрым при осуществлении. Имитатор (340) пласта-коллектора может также представлять собой поисковую прокси-таблицу имитатора пласта-коллектора, которая, как правило, является еще более упрощенной и более быстрой при осуществлении. Прокси-модель пласта-коллектора и прокси-таблица поиска представляют собой примеры прокси-моделей.
Не связанные со скважинами имитаторы могут включать технологические имитаторы и экономические имитаторы. Перерабатывающее устройство имеет технологический имитатор
(346). Технологический имитатор (346) моделирует перерабатывающую установку (например, систему подготовки продукции скважин к транспортировке (454)), где углеводород разделяется на его составляющие компоненты (например, метан, этан, пропан и тому подобное) и готовится к продаже. Месторождение (400) нефти обеспечивает экономическим имитатором (348), экономический имитатор (348) моделирует затраты на часть месторождения нефти или на все месторождение в течение полного срока работы с газом или его части. Могут предусматриваться различные сочетания этих и других имитаторов месторождения нефти.
В целом, настоящее изобретение относится к способу скрининга большого количества нефтепромысловых объектов (например, пластов-коллекторов, скважин, заканчивания скважин и тому подобное) для определения одного или более кандидатов для этапов более подробной оценки. Способ скрининга использует широкий спектр типов информации, включая эксплуатационные данные, экспертизу территории и численные модели, в то же время, по-прежнему удовлетворяя ряду физических, финансовых, геополитических и человеческих ограничений.
В качестве примера, сначала заполняется дополнительными данными (заполнение пустот) доступный массив данных уровня пластов-коллекторов, а впоследствии он анализируется с использованием самоорганизующихся карт (SOM), алгоритмов нейронных сетей, которые используются для многомерной корреляции. Затем строится определенное количество обобщенных численных моделей с использованием стохастических выходных данных из первого этапа. Эти модели используются для формирования характеристических поверхностей для оценки чувствительности и оценки неопределенностей включающих параметров. Далее, неопределенности пластов-коллекторов объединяются с экспертными знаниями и переменными окружающей среды с использованием Байесовских сетей, (то есть машин на основе вероятностных рассуждений). Эти данные используются в качестве прокси-моделей и действуют как целевые функции, где входные параметры назначаются стохастическим образом и выходные данные представляются согласно ранжированию потенциальных кандидатов из пластов-коллекторов.
Как только кандидаты из пластов-коллекторов идентифицированы, каждый из них может подвергаться более детальной оценке для определения того, для каких пластов-коллекторов может быть повышены добыча и извлечение путем осуществления нефтепромысловых операций на пласте-коллекторе (то есть операций метода повышения нефтеотдачи, операции закачивания водяного пара, заводнения и тому подобное).
Одной из наибольших проблем для скрининга большого количества пластов-коллекторов с целью планирования освоения месторождений нефти представляет собой доступность и полноту данных. В данной области хорошо известно то, что крайне тяжело получить в распоряжение законченный и согласованный массив совокупности данных о месторождении, таких как графики добычи, распределение или обратное вычисление из экспортного трубопровода к заканчиванию и тому подобное. Даже другие более упрощенные характеристики месторождения нефти могут быть неполными или иметь сомнительную точность для большой подборки пластов-коллекторов. В одном или более вариантах осуществления настоящего изобретения этот недостаток данных о месторождении и/или его параметров может являться результатом низкой частоты измерений, неизвестных потерь в системе, неточных или неверных измерений, субъективных оценок (то есть человеческой ошибки) и тому подобное.
В одном или более вариантах осуществления настоящего изобретения данные о месторождении и/или его параметры могут группироваться логически как основные параметры и производные (или вычисленные) параметры. Фиг.6А показывает примерные данные о месторождении и/или его параметры в соответствии с одним или более вариантами осуществления настоящего изобретения. Как показано на фиг.6А, основные параметры (601) представляют собой измеряемые напрямую характеристики, такие как характеристики пород пластов-коллекторов или характеристики давления текучей среды. Вычисленные параметры (602) могут извлекаться из основных параметров, например, формироваться с использованием весьма сложных процессов, таких как расчет коэффициента отдачи с использованием численных методов. В одном или более вариантах осуществления настоящего изобретения данные и/или параметры на этапе планирования освоения месторождения, на этапе производства или на других этапах нефтепромысловых операций могут сохраняться как массивы данных о нефтяном месторождении в базе данных или в других пригодных для использования форматах хранения данных. Каждый из массивов данных о нефтяном месторождении может содержать массив полей данных (например, содержать любой из основных параметров (601) и расчетные параметры (602) на фиг.6А), соответствующих данному пласту-коллектору в совокупности пластов-коллекторов.
Фиг.6В показывает статистическую диаграмму, отображающую полноту массивов данных о нефтяном месторождении в базе данных для примерной совокупности пластов-коллекторов. Эта примерная статистическая диаграмма содержит сведенную в таблицу характеризующую полноту (603) данных основных параметров и соответствующую гистограмму (604) для совокупности пластов-коллекторов. Например, показаны наиболее доступный параметр пласта-коллектора "исходное оценочное давление". и второй наиболее доступный параметр пласта-коллектора "глубина залегания нефти", доступные для 86,7% и 79,5% пластов-коллекторов в массиве, соответственно. В одном или более вариантах осуществления настоящего изобретения отсутствующие или незаполненные поля данных (например, исходное оценочное давление, глубина залегания нефти и тому подобное) в массиве полей данных (например, основные параметры на фиг.6В) присутствуют в части массива пластов-коллекторов (например, 13,3% и 20,5%, соответственно) из-за технических, природных, субъективных или других вносящих вклад факторов. Эти вносящие вклад факторы могут являться статическими или могут изменяться во времени в течение этапа разработки или на других этапах нефтепромысловых операций. Например, как только данные изменяются, настраиваются, или по-другому заменяются со временем на более новую информацию, измененные данные могут формировать несовместимости с другими параметрами в базе данных. В целом, показатель того, что данные в целом изменились в течение истории, как правило, теряется или не поддерживается в базе данных. Для определенных типов характеристик месторождения нефти (например, для глубины залегания пласта-коллектора) непоследовательность и неполнота легко детектируются; но некоторые другие параметры (например, производные данные, такие как объемы в соответствующем местоположении или суммарная добыча),.крайне трудно идентифицировать как несовместимые в базе данных...
Далее, как показано на фиг.6В, параметры пластов-коллекторов, важные для планирования разработки месторождения, такие как "вязкость нефти" и "проницаемость", практически полностью теряются (то есть доступно 18,5% и 4,5%, соответственно) в базе данных. В целом, формирование этих параметров требует тщательных измерений и подробной интерпретации, что невыполнимо для всего массива пластов-коллекторов в целом. Хотя примеры, приведенные на фиг.6 В, описывают полноту данных для основных параметров, специалисты в данной области заметят, что это описание в равной степени применимо к вычисляемым параметрам и/или к другим данным о месторождении/параметрам месторождения.
Неполные и несовместимые базы данных наносят ущерб портфелю или учету запасов для совокупностей пластов-коллекторов, так как решения не могут приниматься с определенностью. Например, если необходимо принять решение для идентификации пластов-коллекторов с наибольшей эффективностью (например, для возмещения инвестиций) операции закачки, воды (например, заводнения), большое количество пластов-коллекторов с отсутствующим параметром вязкости нефти в базе данных не могут рассматриваться. Кроме того, пласты-коллекторы с несогласованным параметром (например, параметр "объем в данном положении", показывающий несовпадение с другими измеренными параметрами давления) не могут использоваться в процессе скрининга. Поэтому итоговое ранжирование от процесса скрининга могло бы только выделить пласты-коллекторы с высокой заполненностью данными и согласованностью без включения других потенциально желательных кандидатов из пластов-коллекторов с отсутствием данных.
В одном или более вариантах осуществления настоящего изобретения база данных может заполняться искусственными данными, которые отражают наилучшую оценку, с тем, чтобы поднимать пласты-коллекторы с дефицитом данных, позволяя им проходить процесс скрининга. Чтобы оценивать точность данных, полученных при заполнении дополнительными данными, формируются стохастические базы данных, где каждый параметр связывается с вероятностной информацией (например, с сочетанием распределения вероятностей, стандартного отклонения и неопределенности или с другой пригодной для использования вероятностной информацией), позволяя количественное определение определенности данных и обеспечивая доверительный уровень для искусственных и/или исходных данных.
Хотя приведенные выше примеры и описания в отношении фиг.6А и 6 В относятся к массивам данных уровня пластов-коллекторов и к скринингу кандидатов из пластов-коллекторов, специалисты в данной области обнаружат, что способ в равной степени может применяться к другим нефтепромысловым объектам, таким как массивы данных уровня скважины/кандидаты из скважин, массивы данных заканчивания/кандидаты для заканчивания и тому подобное.
Фиг.7А и 7В показывают блок-схему и примерное изображение способа заполнения дополнительными данными стохастических баз данных в соответствии с одним или более вариантами осуществления настоящего изобретения. В одном или более вариантах осуществления настоящего изобретения один или более этапов, показанных на фиг.7А и 7В, могут пропускаться, повторяться и/или осуществляться в другом порядке. Соответственно, варианты осуществления настоящего изобретения не должны рассматриваться как ограниченные конкретной последовательностью этапов, показанной на фиг.7А и 7В.
Способ, как показано на фиг.7А и 7В, может осуществляться на нефтяном месторождении, описанном выше по отношению к фиг.1А-5. Первоначально могут быть получены массивы данных о нефтяном месторождении (например, организованные в виде примерной таблицы данных (714)), связанные с массивом нефтепромысловых объектов (например, с большим количеством пластов-коллекторов) (этап 701). Каждый из массивов данных о нефтяном месторождении (например, каждая строка таблицы данных (714)) соответствует нефтепромысловому объекту (например, определенному первой колонкой таблицы данных (714)) и содержит множество полей данных (например, определенные как множество полей первой строки таблицы данных (714)), таких как основные параметры и/или вычисленные параметры, описанные выше по отношению к фиг.6А и 6В. На основе примерной статистики, описанной по отношению к фиг.6В и далее, как показано в примерной таблице данных (714) на фиг.7А, эти поля данных не заполняются полностью для всех пластов-коллекторов. В этих примерах, по меньшей мере, одно поле данных, по меньшей мере, одного массива данных о нефтяном месторождении является незаполненным для соответствующего нефтепромыслового объекта (например, пласта-коллектора).
Затем может формироваться первая искусственная нейронная сеть для этих массивов данных о нефтяном месторождении (этап 702). Как известно в данной области, искусственная нейронная сеть представляет собой математическую модель, состоящую из взаимосвязанных групп нейронов (или узлов), которые совместно обрабатывают входные данные сети для формирования выходных данных, где взаимосвязанные нейроны имеют адаптивную структуру, которая изменяется на основе входной/выходной информации, предоставляемой сети, на этапе обучения. В одном или более вариантах осуществления настоящего изобретения первая искусственная нейронная сеть может использоваться как инструмент моделирования нелинейных статистических данных для моделирования одного или более соотношений между множеством полей данных.
В примере полей данных уровня пластов-коллекторов (например, фиг.6А и 6В) некоторые соотношения могут быть получены напрямую, поскольку данные полей данных уровня пластов-коллекторов связаны друг с другом. Например, глубина залегания пласта-коллектора является, как правило, линейно зависимой от температуры пласта, логарифмически зависимой от проницаемости и в ряде случаев зависит по степенному закону от размера пласта-коллектора (предполагая, что чем глубже залегание пласта-коллектора, тем больше его разделение на слои из-за кумулятивных тектонических событий). Плотность нефти, объемный коэффициент пласта, газонефтяной фактор (GOR) и вязкость также могут быть получены аналитически одно из другого и привязаны к глубине. Однако, в целом, подобные простые соотношения недостаточны для описания всех статистических примеров, показанных в массивах данных о нефтяном месторождении, для большой совокупности пластов-коллекторов..
В одном или более вариантах осуществления настоящего изобретения, части первой искусственной нейронной сети могут конструироваться с использованием различных частей полей данных (например, полей данных уровня пластов-коллекторов на фиг.6А и 6В) в качестве входных и выходных данных сети, где данные режима обучения основываются на массивах данных о нефтяном месторождении, имеющих эти различные части полей данных полностью заполненными, должны использоваться в качестве входных данных и выходных данных сети на этапе обучения. В одном или более вариантах осуществления настоящего изобретения, для большой совокупности нефтепромысловых объектов (например, пластов-коллекторов) многомерные связи высокого порядка между различными полями данных, соответствующие этим входным данным и выходным данным, могут устанавливаться на основе способности к нелинейной, многослойной, параллельной регрессии, присущей искусственной нейронной сети, такой как первая искусственная нейронная сеть. В одном или более вариантах осуществления настоящего изобретения эти многомерные связи высокого порядка для первой искусственной нейронной сети представляют собой статистические (или определяемые данными) соотношения между полями данных для дополнения более простых и прямых соотношений, описанных выше, для полного описания всех статистических структур, представленных в массивах данных о нефтяном месторождении, для совокупности нефтепромысловых объектов (например, для большого количества пластов-коллекторов).
Возвращаясь к фиг.7А на основе описания, приведенного выше, незаполненное поле данных, по меньшей мере, одного массива данных о нефтяном месторождении, описываемого относительно этапа 701, затем может заполняться оценочными данными, полученными из этих статистических соотношений, для формирования заполненного дополнительными данными массива данных о нефтяном месторождении (например, примерной таблицы данных (713)) (этап 703). В одном" или более вариантах осуществления настоящего изобретения незаполненное поле данных может представлять собой выходные данные для части первой искусственной нейронной сети, где входные данные соответствуют другим заполненным полям данных, по меньшей мере, одного массива данных для соответствующего нефтепромыслового объекта (например, пласта-коллектора). Соответственно, оценочные данные (то есть реконструированные данные или искусственные данные) могут быть получены для этого незаполненного поля данных на основе этих других заполненных полей данных с использованием соотношений для соответствующей части первой искусственной нейронной сети. В одном или более вариантах осуществления настоящего изобретения, по меньшей мере, один массив данных о нефтяном месторождении может представлять собой заполненный дополнительными данными массив данных с использованием оценочных данных в качестве заполненных дополнительными данными данных для заполнения незаполненного поля данных. В одном или более вариантах осуществления настоящего изобретения первоначально заполненные поля данных могут также сравниваться с оценочными данными, полученными из этих статистических соотношений, для формирования вероятностной информации, такой как распределения вероятностей или сочетания среднего значения, стандартного отклонения и неопределенности.
В одном или более вариантах осуществления настоящего изобретения сходство массивов данных о нефтяном месторождении между совокупностями нефтепромысловых объектов (например, для большого количества пластов-коллекторов) может отображаться с использованием самоорганизующейся карты (SOM) (например, SOM (711), как показано на фиг.7В). Как известно в данной области, самоорганизующаяся карта представляет собой тип искусственной нейронной сети, как правило, представляемой как дискретизированные карты (например, характерные карты SOM (711)) данных режима обучения, представленные в цвете согласно цветовой палитре градиентов, эти данные карт соответствуют различным цветам. Цвета опускаются в примерных SOM (711) для ясности. Эти дискретизированные карты могут состоять из конфигурации положений (например, положение 710) с обычным расположением в гексагональной или прямоугольной сетке. Положения в каждой из карт накладываются между разными картами для получения положения SOM. Каждое положение ассоциируется с положением на карте и с весовым вектором с такой же размерностью, как и векторы входных данных, для данных режима обучения. В одном или более вариантах осуществления настоящего изобретения первая искусственная нейронная сеть, описанная со ссылкой на этап 702, может представлять собой SOM, а векторы исходных данных представляют собой массивы данных о нефтяном месторождении (например, строки в таблице данных (714) и (713)) для нефтепромысловых объектов, включенных в обучающую сеть, где размерность вектора входных данных представляет собой количество полей данных (определяемое, например, на множестве полей, первой стоки таблицы данных (714)) массива данных о нефтяном месторождении. Каждое поле данных массивов данных о нефтяном месторождении может быть представлено как карта SOM, где вектор (то есть массив данных о нефтяном месторождении нефтепромыслового объекта) из пространства данных (то есть из массивов данных о нефтяном месторождении массива нефтепромысловых объектов) помещают на место карты с весовым вектором, ближайшим к вектору, отобранному из пространства данных. Как правило, для большой совокупности данных режима обучения, множество векторов, достаточно близких к весовым векторам, могут, все, размещаться в одном и том же положении. Например, достаточно сходные массивы данных уровня пластов-коллекторов для множества пластов-коллекторов могут располагаться в одном положении на SOM.
В одном или более вариантах осуществления настоящего изобретения массив данных о нефтяном месторождении с реконструированным и заполненным дополнительными данными полем данных может затем присоединяться к SOM в некотором положении SOM. В одном или более вариантах осуществления настоящего изобретения вероятностная информация может быть получена на основе SOM. Например, измерение вариабельности во всех массивах данных о нефтяном месторождении, размещенных в этом положении SOM, может определять диапазон неопределенности заполненного дополнительными данными поля данных, из которого может извлекаться вероятностная информация (например, распределения вероятностей или сочетание средних значений, стандартного отклонения и неопределенности) для каждого положения SOM. Кроме того, вероятностная информация из первоначально заполненных полей данных, формируемых из статистических соотношений первой искусственной нейронной сети, может, в свою очередь, отражаться на вариабельности заполненного дополнительными данными поля данных. В одном или более вариантах осуществления настоящего изобретения многомерные кросс-плот тесты и слепые испытания могут осуществляться для контроля качества заполненных дополнительными данными массивов данных о нефтяном месторождении. Кроме того, вероятностная информация из первоначально заполненных полей данных и заполненных дополнительными данными полей данных может также анализироваться для идентификации резко отличающихся значений, которые могут указывать на несовпадение элементов в массивах данных о нефтяном месторождении. Соответственно, диапазоны проверки для полей данных могут устанавливаться на фоне первоначально заполненных полей данных и/или могут проверяться заполненные дополнительными данными поля данных. В одном или более вариантах осуществления настоящего изобретения заполненные дополнительными данными массивы данных о нефтяном месторождении могут представлять собой стохастическую базу данных, содержащую разнообразную информацию о вероятности и проверке для соответствующих нефтепромысловых объектов.
Возвращаясь к фиг.7А, эксплуатация месторождения нефти затем может осуществляться, по меньшей мере, на основе заполненных «дополнительными данными массивов данных о нефтяном месторождении (этап 704). В одном или более вариантах осуществления настоящего изобретения нефтепромысловые операции могут включать в себя процессы метода повышения нефтеотдачи (EOR), такие как заводнение. В одном или более вариантах осуществления настоящего изобретения заполнение дополнительными данными неполных массивов данных и формирование стохастических баз данных захватывают уровни доверительной вероятности для данных о месторождении из большой совокупности нефтепромысловых объектов (например, пластов-коллекторов, скважин, заканчивания скважин и тому подобное). Эта доверительность или определенность может использоваться напрямую для анализа данных и интерпретации, которые, как правило, следуют после накопления данных и обзора процессов, для множества технологических операций месторождения нефти. Классический процесс "проверки данных", например, может затем смещаться и перемещаться на технологические операции интерпретации, где неопределенность данных понижается.
Заводнение представляет собой один из старейших и, возможно, самый экономичный из способов в методах повышения нефтеотдачи (EOR) для увеличения срока эксплуатации месторождения и увеличения суммарной нефтеотдачи естественно истощающихся пластов-коллекторов. Действующие на данные момент высокие цены на нефть предоставляют преимущества компаниям для более глубокого рассмотрения принадлежащих им портфелей пластов-коллекторов относительно дополнительных возможностей использования заводнения. Ограничения во времени и информации могут ограничивать глубину и строгость такой скрининговой оценки. Время, отражает усилия при скрининге огромного количества пластов-коллекторов, для возможности применения осуществления заводнения, при этом информация отражает доступность данных (совместимость- измеряемых: и моделируемых данных), с помощью которых должно извлекаться значительное количество информации, необходимой для. принятия оправданных технических решений.
Фиг.8А и 8В показывают блок-схемы способа скрининга для определения кандидатов, из. нефтепромысловых объектов в соответствии с одним или более вариантами осуществления настоящего изобретения. В одном или более вариантах осуществления настоящего изобретения один или более этапов, показанных на фиг.8А и 8В, могут пропускаться, повторяться и/или осуществляться в другом. порядке. Соответственно, варианты осуществления настоящего изобретения не должны рассматриваться как ограниченные конкретными конфигурациями этапов, показанных на фиг.8А и 8В.
Способ, как показано на фиг.8А и 8В, может применяться на нефтяном месторождении, описанном выше со ссылкой на фиг.1А-5. Первоначально, на фиг.8А, могут быть получены массивы данных о нефтяном месторождении,. связанные с совокупностью нефтепромысловых объектов (этап 801). В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут быть такими же, как и исходные массивы данных о нефтяном месторождении с незаполненными полями данных, как описано выше относительно этапа 701. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут быть такими же, как и заполненные дополнительными данными массивы данных о нефтяном месторождении, как описано выше относительно этапа 703. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут не иметь незаполненного поля данных или могут заполняться, дополнительными данными на основе других пригодных для использования карт.
Массивы данных о нефтяном месторождении для больших совокупностей нефтепромысловых объектов, как правило, показывают статистическую вариабельность и статистические распределения в различных полях, данных. Статистические способы могут применяться к формированию вероятностной информации, такой как распределения вероятностей или сочетание средних значений, стандартного отклонения и неопределенности, для получения стохастической базы данных с помощью массивов данных о нефтяном месторождении. В одном или более вариантах осуществления настоящего изобретения стохастическая база данных формируется из массивов данных о нефтяном месторождении на основе искусственной нейронной сети (этап 802). В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут представлять собой заполненные дополнительными данными массивы данных о нефтяном месторождении, и стохастическая база данных может формироваться на основе первой искусственной нейронной сети, как описывается выше относительно этапа 703. В одном или более вариантах осуществления настоящего изобретения стохастическая база данных может также содержать вероятностную информацию, формируемую на основе второй искусственной нейронной сети, как описывается ниже относительно фиг.8В.
Различные статистические и моделирующие технологии могут затем применяться для скрининга стохастических баз данных для определения кандидатов из нефтепромысловых объектов для дальнейшего анализа (этап 803). В одном или более вариантах осуществления настоящего изобретения прокси-модели (например, как описывается выше относительно фиг.5) могут использоваться для эффективного моделирования нефтепромысловых операций (например, операций EOR и тому подобное) для каждого из большого количества пластов-коллекторов для целей скрининга. Более подробно примерные статистические и моделирующие технологии описываются ниже относительно фиг.9 В. Соответственно, затем может осуществляться подробный анализ каждого из кандидатов, выбранных с помощью процесса скрининга (этап 804). Например, подробный анализ может осуществляться с использованием полной модели для имитационного моделирования пласта-коллектора с увеличенной точностью, но с уменьшенной скоростью, как описывается выше относительно фиг.5.
Возвращаясь к фиг.8А, один или более объектов могут выбираться затем из кандидатов на основе подробного анализа (этап 805). Таким образом, эти один или более объектов идентифицируются на основе двухэтапного способа. На первом этапе осуществляется быстрый скрининг большого массива нефтепромысловых объектов на основе стохастической базы данных, принимая во внимание уровень согласованности и определенности данных о месторождении. На втором этапе подробный анализ применяется дополнительно для получения более точных оценок для окончательного выбора одного или более кандидатов.
Нефтепромысловые операции могут осуществляться затем для этих одного или более нефтепромысловых объектов (этап 806).
Фиг.8 В показывает примерные статистические и моделирующие технологии для скрининга большого количества нефтепромысловых объектов. Первоначально могут быть получены массивы данных о нефтяном месторождении связанные с совокупностью нефтепромысловых объектов (этап 811). В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут быть такими же, как и исходные массивы данных о нефтяном месторождении с незаполненными полями данных, как описывается выше относительно этапа 701. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут быть такими же, как и заполненные дополнительными данными массивы данных о нефтяном месторождении, как описывается выше относительно этапа 703. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут не иметь незаполненного поля данных или могут заполняться дополнительными данными на основе других пригодных для использования карт. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут представлять собой стохастические базы данных, как описывается выше относительно этапа 802. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении могут изначально не связываться с вероятностной информацией.
Как известно в данной области, важная информация для каждого конкретного вида нефтепромысловых операций может показываться с помощью определенных полей данных в массиве данных о нефтяном месторождении. Эти критические поля данных являются главными эксплуатационными показателями (KPI) для соответствующей нефтепромысловой операции. Например, параметры KPI уровня пластов-коллекторов, такие как давление заполнения, коэффициент сжимаемости, объемный коэффициент пласта (FVF), исходное давление, газонефтяной фактор (GOR), проницаемость (К), отношение объема газовой шапки к показателю объема нефти (m-ratio), толщина слоя нефти, вязкость, плотность, пористость и водонасыщенность (Sw), рассматриваются при определении кандидатов для операции заводнения из большого количества пластов-коллекторов. В одном или более вариантах осуществления настоящего изобретения вторая искусственная нейронная сеть может формироваться для массивов данных о нефтяном месторождении, связанных с KPI (этап 812). В одном или более вариантах осуществления настоящего изобретения вторая искусственная нейронная сеть содержит все KPI, идентифицируемые как выходные данные, так что определяются статистические соотношения между этими KPI и другими полями данных в массивах данных о нефтяном месторождении.
В одном или более вариантах осуществления настоящего изобретения вторая искусственная нейронная сеть может представлять собой карты, содержащие SOM, каждая из них представляет один из KPI (например, KPI, описанный выше относительно заводнения), такой, как показан на фиг.9А. Цвета опускаются на фиг.9А для ясности. Как известно в данной области, SOM особенно подходит для определения статистических шаблонов, представленных в большой совокупности данных. В одном или более вариантах осуществления настоящего изобретения кластеры могут идентифицироваться на основе второй искусственной нейронной сети (например, SOM на фиг.9А) (этап 813). Как показано на фиг.9А, кластеры (например, кластеры (910)) могут, каждый, содержать множество положений SOM, сгруппированных и заключенных внутри границы, показанной затемнением. Примерные SOM содержат приблизительно 950 положений, показанных как шестиугольные ячейки, которые группируются в 19 кластеров, определенных посредством затемненных границ.
Более подробно карты примерных SOM показываются на фиг.9В. Эта карта представляет собой "log m-ratio", параметр KPI для заводнения. На фиг.9В, цветная таблица градиентов (920) показывается как четыре заштрихованные секции для схематического представления непрерывной цветной градации, нанесенной на карту в ряду от -3,0 до 0,8 для величины параметра "log m-ratio". Заштрихованная структура каждой шестиугольной ячейки представляет величину параметра для соответствующих пластов-коллекторов, располагаемых в своих положениях на основе алгоритма SOM. Как ожидается, коллекторы внутри кластера имеют сходные величины параметра, в то время как коллекторы с различающимися величинами параметра имеют тенденцию к нахождению в разных кластерах. В одном или более вариантах осуществления настоящего изобретения кластеры могут автоматически формироваться алгоритмом SOM. В одном или более вариантах осуществления настоящего изобретения автоматическая генерация кластера алгоритмом SOM может управляться информацией, вводимой пользователем. Например, общее количество кластеров может определяться или иначе ограничиваться информацией, вводимой пользователем. В одном или более вариантах осуществления настоящего изобретения кластеры могут формироваться с помощью визуального анализа SOM вручную.
На основе функционирования SOM нефтепромысловые объекты (например, коллекторы), соответствующие этим положениям SOM для каждого кластера, имеют тенденцию к тому, чтобы быть сходными по поведению относительно KPI и взаимодействия KPI с другими полями данных массивов данных о нефтяном месторождении. Поэтому могут формироваться прокси-модели, соответствующие кластерам, для моделирования - нефтепромысловых операций (этап 814). Каждая прокси-модель может использоваться для моделирования нефтепромысловых объектов, связанных с соответствующим кластером. В одном или более вариантах осуществления настоящего изобретения каждая из прокси-моделей содержит номинальную модель и характеристическую поверхность, где номинальная модель моделирует нефтепромысловые операции для представительного нефтепромыслового объекта из соответствующего кластера, и характеристическая поверхность представляет чувствительность нефтепромысловых, операций к отклонениям от представительного нефтепромыслового объекта среди нефтепромысловых объектов внутри соответствующего кластера.. Репрезентативный нефтепромысловый объект может представлять собой статистическое среднее из нефтепромысловых объектов, связанных с соответствующим кластером, вместо физического объекта.
В одном или более вариантах осуществления настоящего изобретения отклонения в каждом из параметров KPI для нефтепромысловых объектов, связанных с каждым кластером, могут анализироваться для определения статистического распределения, для разработки эксперимента, при моделировании нефтепромысловой операции с использованием прокси-моделей. Статистические распределения, полученные для кластеров, могут также инкорпорироваться в стохастические базы данных как часть вероятностной информации.
Возвращаясь к фиг.8 В, может формироваться Байесовская сеть для моделирования целевых функций нефтепромысловых операций с использованием этих прокси-моделей (этап 815). Целевые функции могут включать численный анализ релевантных эксплуатационных выходных данных, также как и других аспектов нефтепромысловых операций, таких как экономические, физические, природные аспекты, аспекты безопасности и другие важные аспекты. В одном или более вариантах осуществления настоящего изобретения моделирование осуществляется для большой совокупности нефтепромысловых объектов с использованием этих прокси-моделей в целях ускорения. В одном или более вариантах осуществления настоящего изобретения эти прокси-модели могут дополняться другими логическими или статистическими технологиями вычисления (например, с использованием экспертных знаний) на основе массивов данных о нефтяном месторождении. Более подробно Байесовская сеть и моделирование целевой функции описываются ниже относительно фиг.10. Затем целевые функции могут моделироваться для формирования ранжирования для совокупности нефтепромысловых объектов при рассмотрении нефтепромысловых операций. В свою очередь операция на нефтяном месторождении может осуществляться на основе ранжирования нефтепромысловых объектов, формируемого Байесовской сетью (этап 816).
Фиг.10 (изображенная как фиг, 10А-10С для целей иллюстрации) показывает примерную Байесовскую сеть в соответствии, с одним или более вариантами осуществления настоящего изобретения. Как известно в данной области. Байесовская сеть представляет собой вероятностную модель, которая представляет собой массив переменных показателей с вероятностной взаимозависимостью и, как правило, используется для управления процессом обоснования при принятии решений. Как показано на фиг.10, Байесовская сеть содержит переменные (1001)-(1015), где каждая из переменных содержит заранее определенное количество состояний, связанных с процентами вероятности. Стрелки, соединяющие эти переменные, представляют базовые соотношения взаимозависимости, из которой может быть получена вероятностная информация для каждого переменного показателя. Хотя структура взаимосвязанных переменных показателей применяется ко всем рассматриваемым нефтепромысловым объектам, проценты вероятности, связанные с каждой переменной, определяют индивидуально для каждого из нефтепромысловых объектов на основе массива данных о нефтяном месторождении, соответствующего нефтепромысловому объекту.
В примерной Байесовской сети, показанной на фиг.10, переменная (1015) представляет собой кандидат на заводнение, выбираемый или определяемый из большого количества рассматриваемых пластов-коллекторов. Проценты вероятностей двух положений "правда" и "ложь" показываются для определения трех других переменных (1012)-(1014), которые могут рассматриваться как целевые функции при определении кандидата. Переменные (1012) и (1013) представляют аспект рентабельности и аспект физической жизнеспособности, соответственно,. для конкретных: пластов-коллекторов, для осуществления заводнения. Проценты вероятностей двух положений "правда" и "ложь", связанные с переменными (1012) и (1013), показывают для дальнейшего определения в дополнительных переменных (1001)-(1011), которые представляют первоначальную нефть в пласте, близость заводнения, остаточную нефть в пласте, толщину слоя нефти, начальное давление, активность законтурной зоны, логистику, группы складирования, пригодность операции, потенциал пласта-коллектора, приводную мощность, соответственно. Эти различные переменные могут быть связаны с релевантными процентами вероятностей, полученными из полей данных массива данных о нефтяном месторождении для конкретного пласта-коллектора или полученными из процентов вероятностей, связанных с предыдущими переменными, показанными соединяющимися стрелками Байесовской сети.
Далее, как показано на примерной Байесовской сети на фиг.10, переменная (1014) представляет увеличение добычи конкретных пластов-коллекторов, как результат, если осуществляется заводнение. В одном или более вариантах осуществления настоящего изобретения массивы данных о нефтяном месторождении представляют собой стохастические базы данных, и проценты вероятностей, связанные с повышением добычи, определяются на основе имитационного моделирования методом Монте-Карло с использованием прокси-моделей, как описывается относительно этапа 814, на основе вероятностной информации в стохастической базе данных (этап 815).
Возвращаясь к фиг.10, проценты вероятностей переменной (1015) могут определяться затем для каждого рассматриваемого нефтепромыслового объекта как кандидата для осуществления нефтепромысловых операций на основе вероятностной информации стохастической базы данных, как описывается выше. Совокупность рассматриваемых нефтепромысловых объектов может затем ранжироваться на основе соответствующих процентов вероятностей переменной (1015). Соответственно, операция на нефтяном месторождении может затем осуществляться на основе ранжирования, как описывается выше относительно этапа 816 на фиг.8В. В одном или более вариантах осуществления настоящего изобретения, для осуществления нефтепромысловых операций могут выбираться кандидаты с наивысшими оценками при ранжировании. В одном или более вариантах осуществления настоящего изобретения кандидаты с наивысшими оценками ранжирования могут подвергаться дополнительному подробному анализу для выбора окончательных кандидатов для осуществления нефтепромысловых операций, как описано выше относительно этапа 804 на фиг.8А.
Используя способ скрининга, описанный выше, могут подвергаться скринингу более 1500 пластов-коллекторов, а их количество может уменьшаться до около 100 кандидатов из пластов-коллекторов (то есть уменьшаться примерно на порядок по величине), что является пригодным для более детальной оценки. Также, с использованием способа скрининга, описанного выше, 1700 пластов-коллекторов, каждый с более чем 200 параметрами, могут сокращаться до меньшего количества кандидатов из пластов-коллекторов, пригодных для использования при заводнении для увеличения продуктивности и добычи. Время обработки для ранжирования пластов-коллекторов может составлять 3 месяца, что значительно меньше, чем время для предыдущих способов.
Специалисты в данной области, имеющие преимущества этого подробного описания, оценят, что предыдущие процессы скрининга имели недостатки в том, что большинство баз данных являются неполными, и следовательно, много кандидатов не проходят процесс скрининга из-за неполноты данных. Кроме того, специалисты в данной области, имеющие преимущества этого подробного описания, оценят, что заполненные базы данных имеют систематическую ошибку и сконцентрированы.на более параметрах, которые могут воздействовать на условия скрининга. В противоположность этому, в одном или более вариантах осуществления настоящего изобретения, полный процесс скрининга совершается в стохастическом пространстве с использованием стохастических, заполненных дополнительными данными баз данных, связанных с прокси-моделями, которые могут описывать сложные технические процессы или субъективные решения, или мнения экспертных систем. Эти прокси загружаются в Байесовскую сеть, которая производит стохастическое ранжирование каждого кандидата. Преимущество данного подхода состоит во включении широкого спектра важных параметров, в то же время происходит увеличение скорости процесса скрининга без оказания отрицательного влияния на качество результатов.
Хотя примеры, обсуждаемые выше, относятся к определению кандидатов на заводнение на основе массивов данных уровня пласта-коллектора, способы по настоящему изобретению, описанные выше, могут применяться к другим нефтепромысловым объектам и к другим, операциям на нефтяных месторождениях. Например, вводится технологический процесс, который использует характеристическую поверхность от анализа неопределенности в точной численной модели скважины. В одном или более вариантах осуществления настоящего изобретения характеристическая поверхность от модели скважины передается на прокси-модель, которая соединяет весь диапазон входных данных для каждого параметра неопределенности с вероятностными выходными. данными для индивидуального технологического процесса заканчивания. В одном или более вариантах осуществления настоящего изобретения нейронная сеть обучается на стохастических входных и выходных данных и имеет возможность для пересчета доли производства в существующей скважине в реальном времени.
.Специалисты, в.данной области, имеющие преимущества этого подробного описания, поймут, что обратное перераспределение из устья скважины к законченной скважине является сложным при использовании- известных из литературы способов. Известные из литературы способы, которые должны обеспечивать разделение продукции в реальном времени, обычно терпят неудачу при предоставлении точных результатов, когда характеристика притока одной и законченной скважине изменяется. Численное моделирование, которое принимает во внимание изменение подвижности и приводит к перераспределению давления в открытой системе законченной скважины, является продолжительным и обычно не может использоваться для обратного распределения в реальном времени.
Из приведенного выше описания будет понятно, что различные модификации и изменения могут быть сделаны в предпочтительных и альтернативных вариантах осуществления настоящего изобретения без отступления от его объема защиты.
Настоящее описание предназначается только для целей иллюстрации и не должно рассматриваться в ограничивающем смысле. Рамки настоящего изобретения должны определяться только языком формулы изобретения, которая следует ниже. Термин "содержит" в формуле изобретения, как предполагается, означает "содержит, по меньшей мере", так как изложенный список элементов в формуле изобретения представляет собой открытую группу. Другие относящиеся к единственному числу термины предназначены для включения в них множественного числа, если только это не исключается конкретно.
Claims (22)
1. Способ осуществления нефтепромысловых операций, содержащий этапы, на которых: получают множество массивов данных о нефтяном месторождении, каждый из которых соответствует множеству нефтепромысловых объектов и содержит множество полей данных; формируют самоорганизующуюся карту (SOM) посредством: назначения каждого из множества полей данных одному из множества карт SOM; и назначение каждого из множества нефтепромысловых объектов одному из множества положений SOM, основанных на заранее определенном алгоритме SOM для представления статистических шаблонов во множестве массивов данных о нефтяном месторождении; формируют стохастическую базу данных из множества массивов данных о нефтяном месторождении на основе искусственной нейронной сети множества массивов данных о нефтяном месторождении, причем искусственная нейронная сеть содержит самоорганизующуюся карту (SOM), имеющую множество положений SOM и содержащую множество карт; при этом стохастическая база данных содержит вероятностную информацию, полученную на основе SOM и связанную, по меньшей мере, с одним из множества полей данных, и причем вероятностная информация представляет собой, по меньшей мере, одно выбранное из группы, состоящей из распределения вероятностей и сочетания среднего значения, стандартного отклонения и неопределенности; производят скрининг множества массивов данных о нефтяном месторождении для идентификации множества кандидатов из множества нефтепромысловых объектов, где скрининг основан на стохастической базе данных; выполняют подробную оценку каждого из множества кандидатов; выбирают нефтепромысловый объект из множества кандидатов на основе подробной оценки и выполняют нефтепромысловые операции для нефтепромыслового объекта.
2. Способ по п.1, в котором нефтепромысловая операция содержит, по меньшей мере, операцию, выбранную из группы, состоящей из операции метода повышения нефтеотдачи (EOR) и операции обратного распределения дебита нефти из множества скважин, дающих смесь продуктов из нескольких горизонтов.
3. Способ осуществления нефтепромысловых операций содержит этапы, на которых: получают множество массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, причем каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных, по меньшей мере, одно поле данных из множества полей данных, по меньшей мере, из одного массива данных о нефтяном месторождении из множества массивов данных о нефтяном месторождении представляет собой незаполненное поле данных; формируют первую искусственную нейронную сеть из множества массивов данных о нефтяном месторождении, причем первая искусственная нейронная сеть содержит одно или более соотношений между полями данных из этого множества; заполняют незаполненное поле данных, по меньшей мере, для одного массива данных о нефтяном месторождении оценочными данными на основе одного или более соотношений для формирования заполненного дополнительными данными массива данных о нефтяном месторождении; и выполняют нефтепромысловую операцию на основе, по меньшей мере, заполненного дополнительными данными массива данных о нефтяном месторождении.
4. Способ по п.3, в котором первая искусственная нейронная сеть содержит множество самоорганизующихся карт для множества массивов данных о нефтяном месторождении и в котором множество нефтепромысловых объектов содержит, по меньшей мере, один объект, выбранный из группы, состоящей из пласта-коллектора, скважины и заканчивания скважины.
5. Способ по п.3, который дополнительно содержит этапы, на которых: формируют вероятностную информацию оценочных данных на основе первой искусственной нейронной сети, причем вероятностная информация содержит, по меньшей мере, одно выбранное из группы, состоящей из распределения вероятностей и сочетания среднего значения, стандартного отклонения и неопределенности.
6. Способ по п.3, дополнительно содержащий этапы, на которых: формируют вторую искусственную нейронную сеть для множества массивов данных о нефтяном месторождении, вторая искусственная нейронная сеть представляет собой сеть, связанную с одним или более главными эксплуатационными показателями (KPI) нефтепромысловой операции, идентифицируемой из множества полей данных; идентифицируют множество кластеров из множества нефтепромысловых объектов на основе второй искусственной нейронной сети, каждый из множества кластеров содержит один или более нефтепромысловых объектов из множества нефтепромысловых объектов; формируют множество прокси-моделей, соответствующих множеству кластеров, каждая из множества прокси-моделей моделирует нефтепромысловую операцию для одного или более нефтепромысловых объектов из соответствующего кластера; и выполняют нефтепромысловую операцию на основе множества прокси-моделей.
7. Способ по п.6, в котором вторая искусственная нейронная сеть содержит одну или более самоорганизующихся карт одного или более KPI, и причем множество нефтепромысловых объектов содержит, по меньшей мере, один объект, выбранный из группы, состоящей из пласта-коллектора, буровой скважины и заканчивания скважины.
8. Способ по п.6, в котором каждая из множества прокси-моделей содержит номинальную модель и характеристическую поверхность, причем номинальная модель моделирует нефтепромысловую операцию для представительного нефтепромыслового объекта из одного или более нефтепромысловых объектов из соответствующего кластера, и, причем характеристическая поверхность отображает чувствительности нефтепромысловой операции к отклонениям одного или более нефтепромысловых объектов от представительного нефтепромыслового объекта.
9. Способ по п.6, в котором нефтепромысловая операция содержит, по меньшей мере, одну операцию, выбранную из группы, состоящей из операции метода повышения нефтеотдачи (EOR) и операции обратного распределения дебита нефти из множества скважин, дающих смесь продуктов из нескольких горизонтов.
10. Способ по п.6, в котором дополнительно: идентифицируют одну или более целевых функций нефтепромысловой операции; формируют Байесовскую сеть для моделирования одной или более целевых функций с использованием, по меньшей мере, множества прокси-моделей; формируют ранжирование множества нефтепромысловых объектов на основе Байесовской сети и выполняют нефтепромысловую операцию на основе ранжирования.
11. Способ по п.10, в котором дополнительно: формируют распределение вероятности, по меньшей мере, для одного из множества полей данных на основе первой искусственной нейронной сети, причем Байесовскую сеть формируют на основе имитационного моделирования методом Монте-Карло, с распределением вероятности, с использованием множества прокси-моделей.
12. Способ по п.10, в котором дополнительно: идентифицируют один или более кандидатов из множества нефтепромысловых объектов на основе ранжирования; выполняют подробный анализ одного или более кандидатов и выполняют нефтепромысловую операцию на основе подробного анализа.
13. Способ выполнения нефтепромысловой операции содержит этапы, на которых: получают множество массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных; формируют искусственную нейронную сеть из множества массивов данных о нефтяном месторождении, причем искусственная нейронная сеть связана с одними или более главными эксплуатационными показателями (KPI) нефтепромысловой операции, идентифицируемой из множества полей данных; идентифицируют множество кластеров из множества нефтепромысловых объектов на основе искусственной нейронной сети, причем каждый из множества кластеров содержит один или более нефтепромысловых объектов из множества нефтепромысловых объектов; формируют множество прокси-моделей, соответствующих множеству кластеров, каждая из множества прокси-моделей моделирует нефтепромысловые операции для одного или более нефтепромысловых объектов из соответствующего кластера; и осуществляют нефтепромысловую операцию на основе множества прокси-моделей.
14. Способ по п.13, в котором искусственная нейронная сеть содержит одну или более самоорганизующихся карт одного или более KPI, и в котором множество нефтепромысловых объектов содержит, по меньшей мере, один объект, выбранный из группы, состоящей из пласта-коллектора, скважины и заканчивания скважины.
15. Способ по п.13, в котором каждая из множества прокси-моделей содержит номинальную модель и характеристическую поверхность, причем номинальная модель моделирует нефтепромысловую операцию для представительного нефтепромыслового объекта из одного или более нефтепромысловых объектов из соответствующего кластера, и причем характеристическая поверхность представляет чувствительности нефтепромысловых операций к отклонениям одного или более нефтепромысловых объектов от представительного нефтепромыслового объекта.
16. Способ по п.13, в котором нефтепромысловая операция содержит, по меньшей мере, одну операцию, выбранную из группы, состоящей из операции метода повышения нефтеотдачи (EOR) и операции обратного распределения из множества скважин, дающих смесь продуктов из нескольких горизонтов.
17. Способ по п.13, в котором дополнительно: идентифицируют одну или более целевых функций нефтепромысловой операции; формируют Байесовскую сеть для моделирования одной или более целевых функций с использованием, по меньшей мере, множества прокси-моделей; формируют ранжирование множества нефтепромысловых объектов на основе Байесовской сети и выполняют нефтепромысловую операцию на основе ранжирования.
18. Способ по п.17, в котором каждое из множества полей данных связано с распределениями вероятности, и при этом Байесовскую сеть формируют на основе имитационного моделирования методом Монте-Карло, с распределением вероятности, с использованием множества прокси-моделей.
19. Способ по п.17, в котором дополнительно: идентифицируют один или более кандидатов из множества нефтепромысловых объектов на основе ранжирования; выполняют подробный анализ одного или более кандидатов и выполняют нефтепромысловую операцию на основе подробного анализа.
20. Наземная установка, содержащая память и процессор, выполняющий инструкции, сохраненные в памяти и исполняемые процессором для осуществления этапов способа для выполнения нефтепромысловой операции, причем инструкции обеспечивают возможность: получения множества массивов данных, каждый из которых соответствует одному из множества нефтяных месторождений, и содержащих множество полей данных; формирования самоорганизующейся карты (SOM) посредством: назначения каждого из множества полей данных одному из множества карт SOM; и назначение каждого из множества нефтепромысловых объектов одному из множества положений SOM, основанных на заранее определенном алгоритме SOM для представления статистических шаблонов во множестве массивов данных о нефтяном месторождении; формирования стохастической базы данных из множества массивов данных о нефтяном месторождении на основе искусственной нейронной сети из множества массивов данных о нефтяном месторождении, причем искусственная нейронная сеть содержит SOM, имеющую множество положений SOM и содержащую множество карт; при этом стохастическая база данных содержит вероятностную информацию, полученную на основе SOM и связанную, по меньшей мере, с одним из множества полей данных, и причем вероятностная информация представляет собой, по меньшей мере, одно выбранное из группы, состоящей из распределения вероятностей и сочетания среднего значения, стандартного отклонения и неопределенности; скрининга множества массивов данных о нефтяном месторождении для идентификации множества кандидатов из множества нефтепромысловых объектов, где скрининг основан на стохастической базе данных; выполнения подробной оценки каждого из множества кандидатов; выбора нефтепромыслового объекта из множества кандидатов на основе подробной оценки и выполнения нефтепромысловой операции для нефтепромыслового объекта.
21. Наземная установка, содержащая память и процессор, выполняющий инструкции, сохраненные в памяти и исполняемые процессором для выполнения этапов способа, для выполнения нефтепромысловых операций, причем инструкции обеспечивают возможность: получения множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, причем каждый из множества массивов данных о нефтяном месторождении содержит множество полей данных, по меньшей мере, одно поле данных из множества полей данных, по меньшей мере, из одного массива данных о нефтяном месторождении из множества массивов данных о нефтяном месторождении представляет собой незаполненное поле данных; формирования первой искусственной нейронной сети из множества массивов данных о нефтяном месторождении, первая искусственная нейронная сеть содержит одно или более соотношений между множеством полей данных; заполнения незаполненного поля данных, по меньшей мере, из одного массива данных о нефтяном месторождении оценочными данными на основе одного или более соотношений для формирования заполненного дополнительными данными массива данных о нефтяном месторождении; и выполнения нефтепромысловой операции на основе, по меньшей мере, заполненного дополнительными данными массива данных о нефтяном месторождении.
22. Наземная установка, содержащая память и процессор, выполняющий инструкции, сохраненные в памяти и исполняемые процессором для выполнения этапов способа, для выполнения нефтепромысловой операции, причем инструкции обеспечивают возможность: получения множества массивов данных о нефтяном месторождении, связанных с множеством нефтепромысловых объектов, каждый из множества массива данных о нефтяном месторождении содержит множество полей данных; формирования искусственной нейронной сети из множества массивов данных о нефтяном месторождении, искусственная нейронная сеть связана с одним или более главными эксплуатационными показателями (KPI) нефтепромысловой операции, идентифицируемой из множества полей данных; идентификации множества кластеров из множества нефтепромысловых объектов на основе искусственной нейронной сети, каждый из множества кластеров содержит один или более нефтепромысловых объектов из множества нефтепромысловых объектов; формирования множества прокси-моделей, соответствующих множеству кластеров.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US95118807P | 2007-07-20 | 2007-07-20 | |
| US60/951,188 | 2007-07-20 | ||
| US12/175,429 US8046314B2 (en) | 2007-07-20 | 2008-07-17 | Apparatus, method and system for stochastic workflow in oilfield operations |
| US12/175,429 | 2008-07-17 | ||
| PCT/US2008/070524 WO2009015031A1 (en) | 2007-07-20 | 2008-07-18 | Apparatus, method and system for stochastic workflow in oilfield operations |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2010106127A RU2010106127A (ru) | 2011-08-27 |
| RU2496972C2 true RU2496972C2 (ru) | 2013-10-27 |
Family
ID=40263897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2010106127/03A RU2496972C2 (ru) | 2007-07-20 | 2008-07-18 | Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US8046314B2 (ru) |
| AR (1) | AR067625A1 (ru) |
| RU (1) | RU2496972C2 (ru) |
| WO (1) | WO2009015031A1 (ru) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2598785C2 (ru) * | 2014-11-05 | 2016-09-27 | Общество с ограниченной ответственностью "ТатАСУ" | Система статистического и нейросетевого анализа данных телеметрии нефтепромысловых объектов |
| RU2598786C2 (ru) * | 2014-08-27 | 2016-09-27 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов |
| RU2602779C2 (ru) * | 2014-12-03 | 2016-11-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа |
| RU2738884C2 (ru) * | 2015-11-06 | 2020-12-17 | Солюшн Сиикер Ас | Оценка сетей потоков |
| RU2752074C2 (ru) * | 2017-06-20 | 2021-07-22 | Шлюмберже Текнолоджи Б.В. | Компьютерный способ и вычислительная система для прогнозирования расходных характеристик потока в стволе скважины, проникающей в подземный углеводородный пласт |
Families Citing this family (56)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2919932B1 (fr) * | 2007-08-06 | 2009-12-04 | Inst Francais Du Petrole | Methode pour evaluer un schema de production d'un gissement souterrain en tenant compte des incertitudes |
| US8499829B2 (en) * | 2008-08-22 | 2013-08-06 | Schlumberger Technology Corporation | Oilfield application framework |
| US8175751B2 (en) * | 2009-05-27 | 2012-05-08 | Chevron U.S.A. Inc. | Computer-implemented systems and methods for screening and predicting the performance of enhanced oil recovery and improved oil recovery methods |
| US8265874B2 (en) * | 2010-04-21 | 2012-09-11 | Saudi Arabian Oil Company | Expert system for selecting fit-for-purpose technologies and wells for reservoir saturation monitoring |
| WO2012015517A1 (en) * | 2010-07-29 | 2012-02-02 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
| US10087721B2 (en) * | 2010-07-29 | 2018-10-02 | Exxonmobil Upstream Research Company | Methods and systems for machine—learning based simulation of flow |
| US8805631B2 (en) * | 2010-10-25 | 2014-08-12 | Chevron U.S.A. Inc. | Computer-implemented systems and methods for forecasting performance of water flooding of an oil reservoir system using a hybrid analytical-empirical methodology |
| US8781879B2 (en) * | 2010-11-04 | 2014-07-15 | Schlumberger Technology Corporation | System and method of facilitating petroleum engineering analysis |
| BR112013019329A2 (pt) * | 2011-01-31 | 2018-07-10 | Landmark Graphics Corp | método e sistema para implementar um simulador de reservatório, e, meio legível por computador. |
| US20130110483A1 (en) * | 2011-10-31 | 2013-05-02 | Nikita V. Chugunov | Method for measurement screening under reservoir uncertainty |
| US20130246022A1 (en) * | 2012-03-14 | 2013-09-19 | Schlumberger Technology Corporation | Screening potential geomechanical risks during waterflooding |
| CA2867327C (en) * | 2012-04-25 | 2018-07-24 | Halliburton Energy Services, Inc. | Systems and methods for anonymizing and interpreting industrial activities as applied to drilling rigs |
| US8661004B2 (en) * | 2012-05-21 | 2014-02-25 | International Business Machines Corporation | Representing incomplete and uncertain information in graph data |
| SA113340567B1 (ar) * | 2012-10-26 | 2015-07-07 | بيكر هوغيس انكوربوريتد | نظام وطريقة لمعالجة بيانات بئر باستخدام تحليل بيانات توبولوجية. |
| US20140214476A1 (en) * | 2013-01-31 | 2014-07-31 | Halliburton Energy Services, Inc. | Data initialization for a subterranean operation |
| US10012748B2 (en) | 2013-07-31 | 2018-07-03 | Schlumberger Technology Corporation | Resource production forecasting |
| CA2959375A1 (en) | 2014-08-27 | 2016-03-03 | Digital H2O, Inc | Oilfield water management |
| US20160108706A1 (en) * | 2014-10-17 | 2016-04-21 | Schlumberger Technology Corporation | Reservoir simulation system and method |
| US11598185B2 (en) | 2014-11-24 | 2023-03-07 | Schlumberger Technology Corporation | Methods for adaptive optimization of enhanced oil recovery performance under uncertainty |
| WO2016094530A1 (en) | 2014-12-09 | 2016-06-16 | Schlumberger Canada Limited | Electric submersible pump event detection |
| US10036233B2 (en) * | 2015-01-21 | 2018-07-31 | Baker Hughes, A Ge Company, Llc | Method and system for automatically adjusting one or more operational parameters in a borehole |
| US20180030819A1 (en) * | 2015-02-03 | 2018-02-01 | Schlumberger Technology Corporation | Modeling of Fluid Introduction and/or Fluid Extraction Elements in Simulation of Coreflood Experiment |
| WO2017171576A1 (en) * | 2016-03-31 | 2017-10-05 | Schlumberger Technology Corporation | Method for predicting perfomance of a well penetrating |
| US11106692B1 (en) * | 2016-08-04 | 2021-08-31 | Palantir Technologies Inc. | Data record resolution and correlation system |
| US11263370B2 (en) * | 2016-08-25 | 2022-03-01 | Enverus, Inc. | Systems and methods for allocating hydrocarbon production values |
| US10303819B2 (en) | 2016-08-25 | 2019-05-28 | Drilling Info, Inc. | Systems and methods for allocating hydrocarbon production values |
| CN110062897B (zh) * | 2016-10-13 | 2022-06-28 | 地质探索系统公司 | 使用自组织映射来进行的岩石物理场评估 |
| EP3552047B1 (en) * | 2016-12-09 | 2024-07-10 | Services Pétroliers Schlumberger | Field operations neural network heuristics |
| US10648292B2 (en) | 2017-03-01 | 2020-05-12 | International Business Machines Corporation | Cognitive enhanced oil recovery advisor system based on digital rock simulator |
| US10943182B2 (en) * | 2017-03-27 | 2021-03-09 | International Business Machines Corporation | Cognitive screening of EOR additives |
| US10012056B1 (en) | 2017-04-28 | 2018-07-03 | Shale Specialists, LLC | Method for forecasting well production and determining ultimate recoveries using bubble point decline curve analysis |
| CA3064877A1 (en) * | 2017-05-23 | 2018-11-29 | Schlumberger Canada Limited | Systems and methods for optimizing oil production |
| US11619761B2 (en) * | 2017-09-12 | 2023-04-04 | Schlumberger Technology Corporation | Dynamic representation of exploration and/or production entity relationships |
| US11454738B2 (en) | 2017-10-11 | 2022-09-27 | Beyond Limits, Inc. | Recommendation engine for a cognitive reservoir system |
| WO2019216889A1 (en) * | 2018-05-08 | 2019-11-14 | Landmark Graphics Corporation | Method for generating predictive chance maps of petroleum system elements |
| US10719782B2 (en) | 2018-05-09 | 2020-07-21 | International Business Machines Corporation | Chemical EOR materials database architecture and method for screening EOR materials |
| CN109102182A (zh) * | 2018-08-01 | 2018-12-28 | 中国石油天然气股份有限公司 | 一种页岩气开发方案的筛选方法及装置 |
| CN110297873B (zh) * | 2018-12-03 | 2020-02-28 | 成都理工大学 | 一种矿床数字化信息分析展示系统及方法 |
| WO2020185840A1 (en) * | 2019-03-11 | 2020-09-17 | Schlumberger Technology Corporation | System and method for applying artificial intelligence techniques to reservoir fluid geodynamics |
| EP3973139A4 (en) * | 2019-05-20 | 2023-06-14 | Services Pétroliers Schlumberger | AUTOMATED SYSTEM AND METHOD FOR PROCESSING OILFIELD INFORMATION |
| US11907300B2 (en) * | 2019-07-17 | 2024-02-20 | Schlumberger Technology Corporation | Geologic formation operations relational framework |
| US10634815B1 (en) | 2019-08-16 | 2020-04-28 | Shale Specialist, LLC | Iterative determination of decline curve transition in unconventional reservoir modelling |
| WO2021040764A1 (en) * | 2019-08-23 | 2021-03-04 | Landmark Graphics Corporation | Ai/ml based drilling and production platform |
| US11668854B2 (en) | 2019-10-15 | 2023-06-06 | Chevron U.S.A. Inc. | Forecasting hydrocarbon production |
| US11561674B2 (en) | 2020-03-05 | 2023-01-24 | Saudi Arabian Oil Company | User interface for proxy modeling of reactive transport modeling |
| US11961002B2 (en) * | 2020-03-05 | 2024-04-16 | Saudi Arabian Oil Company | Random selection of observation cells for proxy modeling of reactive transport modeling |
| CN111595247B (zh) * | 2020-03-24 | 2021-11-02 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
| KR20210133471A (ko) * | 2020-04-29 | 2021-11-08 | 삼성전자주식회사 | 전자 장치 및 그의 제어 방법 |
| US11741359B2 (en) | 2020-05-29 | 2023-08-29 | Saudi Arabian Oil Company | Systems and procedures to forecast well production performance for horizontal wells utilizing artificial neural networks |
| CN112031752B (zh) * | 2020-09-11 | 2022-07-01 | 重庆科技学院 | 一种基于流压测试的多层合采气井分层地层压力计算方法 |
| WO2022196908A1 (ko) * | 2021-03-17 | 2022-09-22 | 에너지홀딩스그룹 주식회사 | 유가스전의 실시간 지능형 모니터링 서비스를 운영하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체 |
| WO2022251875A1 (en) * | 2021-05-27 | 2022-12-01 | Schlumberger Technology Corporation | Machine learning proxy model for parameter tuning in oilfield production operations |
| CN114623693B (zh) * | 2022-04-13 | 2024-01-30 | 深圳市佳运通电子有限公司 | 用于油田上下游站加热炉智能外输温度的控制方法 |
| WO2024064347A1 (en) * | 2022-09-22 | 2024-03-28 | Schlumberger Technology Corporation | Augmented intelligence (ai) driven missing reserves opportunity identification |
| US20240241868A1 (en) * | 2023-01-17 | 2024-07-18 | Schlumberger Technology Corporation | Well record quality enhancement and visualization |
| US20240328307A1 (en) * | 2023-03-29 | 2024-10-03 | Halliburton Energy Services, Inc. | Sealing detection during formation pressure testing |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2078201C1 (ru) * | 1994-11-22 | 1997-04-27 | Алексей Егорович Пережилов | Способ повышения нефтеотдачи пластов |
| US6549879B1 (en) * | 1999-09-21 | 2003-04-15 | Mobil Oil Corporation | Determining optimal well locations from a 3D reservoir model |
| RU2205434C1 (ru) * | 2002-05-31 | 2003-05-27 | Закрытое акционерное общество "Моделирование и мониторинг геологических объектов" им. В.А. Двуреченского | Способ геофизической разведки для определения нефтегазопродуктивных типов геологического разреза переменной толщины |
| RU2002122397A (ru) * | 2000-02-22 | 2004-01-20 | Шлумбергер Текнолоджи Корпорейшн (Us) | Всеобъемлющая оптимизация пластового резервуара |
| RU2244117C2 (ru) * | 2002-03-06 | 2005-01-10 | Шлюмбергер Текнолоджи Бв | Способ управления работой в скважине и система бурения скважины |
| EA005806B1 (ru) * | 1998-09-15 | 2005-06-30 | Сайентифик Предикшн, Инк. | Система и способ оконтуривания пространственно зависимых объектов, таких как месторождения углеводородов, по сейсмическим данным |
| RU2305184C2 (ru) * | 2001-10-17 | 2007-08-27 | Шлюмбергер Текнолоджи Бв | Способ (варианты) и система для отображения данных диаграммы геофизических исследований скважины и вспомогательных данных для их записи и интерпретации |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6018497A (en) | 1997-02-27 | 2000-01-25 | Geoquest | Method and apparatus for generating more accurate earth formation grid cell property information for use by a simulator to display more accurate simulation results of the formation near a wellbore |
| US6106561A (en) | 1997-06-23 | 2000-08-22 | Schlumberger Technology Corporation | Simulation gridding method and apparatus including a structured areal gridder adapted for use by a reservoir simulator |
| US5992519A (en) | 1997-09-29 | 1999-11-30 | Schlumberger Technology Corporation | Real time monitoring and control of downhole reservoirs |
| GB2336008B (en) | 1998-04-03 | 2000-11-08 | Schlumberger Holdings | Simulation system including a simulator and a case manager adapted for organizing data files |
| GB9904101D0 (en) | 1998-06-09 | 1999-04-14 | Geco As | Subsurface structure identification method |
| US6313837B1 (en) | 1998-09-29 | 2001-11-06 | Schlumberger Technology Corporation | Modeling at more than one level of resolution |
| US6230101B1 (en) | 1999-06-03 | 2001-05-08 | Schlumberger Technology Corporation | Simulation method and apparatus |
| US6266619B1 (en) * | 1999-07-20 | 2001-07-24 | Halliburton Energy Services, Inc. | System and method for real time reservoir management |
| GB0021284D0 (en) | 2000-08-30 | 2000-10-18 | Schlumberger Evaluation & Prod | Compositional simulation using a new streamline method |
| US6901391B2 (en) * | 2001-03-21 | 2005-05-31 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
| US7248259B2 (en) | 2001-12-12 | 2007-07-24 | Technoguide As | Three dimensional geological model construction |
| US7523024B2 (en) | 2002-05-17 | 2009-04-21 | Schlumberger Technology Corporation | Modeling geologic objects in faulted formations |
| WO2004049216A1 (en) | 2002-11-23 | 2004-06-10 | Schlumberger Technology Corporation | Method and system for integrated reservoir and surface facility networks simulations |
| NO20026021D0 (no) * | 2002-12-13 | 2002-12-13 | Statoil Asa I & K Ir Pat | Fremgangsmåte for ökt oljeutvinning |
| GB2397664B (en) * | 2003-01-24 | 2005-04-20 | Schlumberger Holdings | System and method for inferring geological classes |
| US7546228B2 (en) | 2003-04-30 | 2009-06-09 | Landmark Graphics Corporation | Stochastically generating facility and well schedules |
| FR2855633B1 (fr) * | 2003-06-02 | 2008-02-08 | Inst Francais Du Petrole | Methode d'aide a la prise de decision pour la gestion d'un gisement petrolier en presence de parametres techniques et economiques incertains |
| US7725302B2 (en) | 2003-12-02 | 2010-05-25 | Schlumberger Technology Corporation | Method and system and program storage device for generating an SWPM-MDT workflow in response to a user objective and executing the workflow to produce a reservoir response model |
| US7640149B2 (en) | 2004-12-15 | 2009-12-29 | Schlumberger Technology Corporation | Method system and program storage device for optimization of valve settings in instrumented wells using adjoint gradient technology and reservoir simulation |
| US7895241B2 (en) * | 2006-10-16 | 2011-02-22 | Schlumberger Technology Corp. | Method and apparatus for oilfield data repository |
-
2008
- 2008-07-17 US US12/175,429 patent/US8046314B2/en active Active
- 2008-07-18 RU RU2010106127/03A patent/RU2496972C2/ru not_active IP Right Cessation
- 2008-07-18 WO PCT/US2008/070524 patent/WO2009015031A1/en active Application Filing
- 2008-07-21 AR ARP080103147A patent/AR067625A1/es active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2078201C1 (ru) * | 1994-11-22 | 1997-04-27 | Алексей Егорович Пережилов | Способ повышения нефтеотдачи пластов |
| EA005806B1 (ru) * | 1998-09-15 | 2005-06-30 | Сайентифик Предикшн, Инк. | Система и способ оконтуривания пространственно зависимых объектов, таких как месторождения углеводородов, по сейсмическим данным |
| US6549879B1 (en) * | 1999-09-21 | 2003-04-15 | Mobil Oil Corporation | Determining optimal well locations from a 3D reservoir model |
| RU2002122397A (ru) * | 2000-02-22 | 2004-01-20 | Шлумбергер Текнолоджи Корпорейшн (Us) | Всеобъемлющая оптимизация пластового резервуара |
| RU2305184C2 (ru) * | 2001-10-17 | 2007-08-27 | Шлюмбергер Текнолоджи Бв | Способ (варианты) и система для отображения данных диаграммы геофизических исследований скважины и вспомогательных данных для их записи и интерпретации |
| RU2244117C2 (ru) * | 2002-03-06 | 2005-01-10 | Шлюмбергер Текнолоджи Бв | Способ управления работой в скважине и система бурения скважины |
| RU2205434C1 (ru) * | 2002-05-31 | 2003-05-27 | Закрытое акционерное общество "Моделирование и мониторинг геологических объектов" им. В.А. Двуреченского | Способ геофизической разведки для определения нефтегазопродуктивных типов геологического разреза переменной толщины |
Non-Patent Citations (1)
| Title |
|---|
| KLIE et al. Models, methods and middleware for grid-enabled multiphysics oil reservoir management engineering with Computers , December 2006, Vol.22/ Issue 3, pages 349-370, ISSN 0177-0667. ЗИНОВЬЕВ А.Ю. Визуализация многомерных данных. - Красноярск: Изд. Красноярского государственного технического университета, 2000, гл. 1, ч. 4. * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2598786C2 (ru) * | 2014-08-27 | 2016-09-27 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов |
| RU2598785C2 (ru) * | 2014-11-05 | 2016-09-27 | Общество с ограниченной ответственностью "ТатАСУ" | Система статистического и нейросетевого анализа данных телеметрии нефтепромысловых объектов |
| RU2602779C2 (ru) * | 2014-12-03 | 2016-11-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа |
| RU2738884C2 (ru) * | 2015-11-06 | 2020-12-17 | Солюшн Сиикер Ас | Оценка сетей потоков |
| US11286770B2 (en) | 2015-11-06 | 2022-03-29 | Solution Seeker As | Assessment of flow networks |
| RU2752074C2 (ru) * | 2017-06-20 | 2021-07-22 | Шлюмберже Текнолоджи Б.В. | Компьютерный способ и вычислительная система для прогнозирования расходных характеристик потока в стволе скважины, проникающей в подземный углеводородный пласт |
Also Published As
| Publication number | Publication date |
|---|---|
| AR067625A1 (es) | 2009-10-14 |
| US8046314B2 (en) | 2011-10-25 |
| WO2009015031A1 (en) | 2009-01-29 |
| RU2010106127A (ru) | 2011-08-27 |
| US20090020284A1 (en) | 2009-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2496972C2 (ru) | Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях | |
| US8140310B2 (en) | Reservoir fracture simulation | |
| CA2649439C (en) | Dynamic reservoir engineering | |
| CA2680719C (en) | Multidimensional data repository for modeling oilfield operations | |
| US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
| US10895131B2 (en) | Probabilistic area of interest identification for well placement planning under uncertainty | |
| US20070016389A1 (en) | Method and system for accelerating and improving the history matching of a reservoir simulation model | |
| US20090192712A9 (en) | System and method for waterflood performance monitoring | |
| CA2733841C (en) | System and method for simulating oilfield operations | |
| CA2920506C (en) | Integrated oilfield asset modeling using multiple resolutions of reservoir detail | |
| Sankaran et al. | Data Analytics in Reservoir Engineering | |
| EP2431767A2 (en) | Dynamic subsurface engineering | |
| Temizel et al. | Turning Data into Knowledge: Data-Driven Surveillance and Optimization in Mature Fields | |
| EP3526627B1 (en) | Petrophysical field evaluation using self-organized map | |
| He | Investigating Continuously Updated History Matching Using Smart Proxy (Surrogate Reservoir Model) | |
| US20230193736A1 (en) | Infill development prediction system | |
| CA3229457A1 (en) | Eor design and implementation system | |
| WO2023172897A1 (en) | Analyzing and enhancing performance of oilfield assets | |
| Al-Anazi et al. | Automatic fracture network model update using smart well data and artificial neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20140719 |