CN105122153A - 用于油藏性能的改进估算的油藏历史匹配的方法和*** - Google Patents

用于油藏性能的改进估算的油藏历史匹配的方法和*** Download PDF

Info

Publication number
CN105122153A
CN105122153A CN201380075726.5A CN201380075726A CN105122153A CN 105122153 A CN105122153 A CN 105122153A CN 201380075726 A CN201380075726 A CN 201380075726A CN 105122153 A CN105122153 A CN 105122153A
Authority
CN
China
Prior art keywords
parameter group
production data
error
day
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201380075726.5A
Other languages
English (en)
Inventor
A·P·辛格
M·尼克劳尔
L·萨普泰利
M·毛切克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Halliburton Energy Services Inc
Original Assignee
Halliburton Energy Services Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Halliburton Energy Services Inc filed Critical Halliburton Energy Services Inc
Publication of CN105122153A publication Critical patent/CN105122153A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本公开呈现用于预测地质构造生产数据的方法和装置。例如，一些示例方法包括识别参数组阵列；确定第一组历史生产数据与建模生产数据之间的拟合误差，其中所述建模生产数据通过基于所述阵列的每个参数组执行模拟模型而获得；针对所述阵列的每个参数组确定第二组历史生产数据与推断生产数据之间的验证误差；针对所述阵列的每个参数组基于所述拟合误差和所述验证误差确定组合误差；以及识别最佳参数组大小以建模目标地质区域，其中所述最佳参数组大小是参考针对所述阵列的每个参数组确定的所述组合误差的最小组合误差而确定。

Description

用于油藏性能的改进估算的油藏历史匹配的方法和***
技术领域
本文描述的实施方案通常涉及油藏建模。一些实施方案涉及预测建模。
背景技术
当前，工程师使用数学模型对来自地下烃类油藏的未来油气生产做出评估。这种模型通常涉及求解微分方程组，以达到期望的估算。通常，许多油藏相关的参数出现在这些方程式中，诸如岩石渗透率、孔隙率、相对渗透率及其它参数。这些模型通常由计算机执行，计算机通常将这些参数值作为输入以用于求解微分方程式。
为了估算这些输入参数的值，工程师通常依赖于历史生产数据(生产率、压力等)，在许多情况下，可在过去稍后时间(在一些情况下，现在)从一些观测点处获得所述历史生产数据。在从历史生产数据做出的参数估算期间，调整与目标地质区域(例如，地下烃类油藏和周围的地质材料)相关联的参数值，使得对应方程式的解从生产开始到最新时间点与历史生产数据匹配。该实践已知为“历史匹配”。历史匹配的基本原理是，如果以在历史生产数据与模型生成的生产数据之间产生最佳可能匹配的方式调整参数值，则所产生的模型未来将最有可能提供最佳生产估算。
然而，存在与这些历史匹配技术相关联的若干个限制。例如，一个主要限制是，优良的历史匹配普遍不会产生优良的未来生产数据预测。该情况在模型建立中非常普遍，并且具有许多方面。在最简单的实例中，技术人员可以想到，通过简单地考虑具有n个或更多个地质参数(例如，孔隙率、渗透率等)的函数F建立模型的形式y＝F(t)以匹配在n个时间点(t1至tn)的观测生产值y1至yn。然而，在不具有任何额外结构的情况下，这种函数F对于在未来时间t对y做出任何估算基本上无用。
当建立烃类油藏的模型时，典型的模型将需要数百万个参数值，每个参数值与其中油藏被离散成的数百万个小块中的一个的参数对应，以用于求得对应方程式的数值解。然而，数十年来，生产历史至多可包括常用值—即至多数十万个数据点。因此，当执行基于历史匹配的参数估算时，技术人员面临仅使用数千个数据点来估算数百万个参数的问题。这种问题本身无法解决。为了变得可解决，必须在某种程度上使用额外信息对该问题进行修改。存在做出此类修改的多种方法。例如，在贝叶斯方法中，将先验概率分布假定为待估算的参数。这种先验信息的典型来源包括油藏的地质模型。然后，将可用的历史生产数据用于更新所述先验概率分布，例如，以生成估算参数的后验概率分布。这种方法在计算上要求很高，并且可以多种方式实现。在一个实施方式中，数值地生成后验概率分布(被称为基于总体的历史匹配)。虽然也存在其它方法，但是它们各自需要不具吸引力的计算负载。因此，现代油藏历史匹配算法专注于加快油藏模型参数的估算所需的计算。
通常，这些算法依赖于已知为重新参数化、增加验收率的流线敏感性计算以及高性能计算的参数压缩技术，以便适应更高分辨率地质模型。常见的参数化技术涉及数学变换(诸如主成分分析、核主成分分析)、离散余弦变换、自适应空间分带(zonation)和油藏模型的粗化。然而，有关重新参数化，即有关模型复杂度的选择和参数空间大小(即，压缩程度)的基本原理是基于先验知识(即，最佳压缩化，其可再现具有不明显误差的原始参数估算)。结果，这些参数化技术对于估算油藏参数值使得未来生产预测可靠而言相对不足。因此，需要改进的历史匹配方法以用于提高油藏模型的预测能力。
发明内容
本公开呈现了用于油藏性能(例如，诸如对未来油气生产率以及压力的预测)的改进估算的方法和装置。如本文描述，这些方法和装置使用交叉验证来确定生产预测模型所基于的参数的最佳数量以及参数的数值。例如，本公开描述了用于确定地质模型的方法，其可包括识别参数组阵列的行为，其中每个参数组具有唯一大小，并包含从与目标地质区域相关联的历史生产数据估算的地质参数值。此外，这种示例方法可包括：确定第一组历史生产数据与建模生产数据之间的拟合误差，其中建模生产数据通过基于所述阵列的每个参数组执行模拟模型而获得；针对所述阵列的每个参数组确定第二组历史生产数据与推断生产数据之间的验证误差，其中推断生产数据是基于所述阵列的相应参数组的建模生产数据而获得；以及针对阵列的每个参数组基于拟合误差与验证误差确定组合误差。此外，示例方法可包括：识别最佳参数组大小以建模目标地质区域，其中最佳参数组大小是参考针对所述阵列的每个参数组确定的组合误差的最小组合误差而确定。
本公开的上述实例仅呈现将在结合下文所呈现的附图的具体实施方式中进行进一步描述并解释的实例。
附图说明
图1是随时间变化的建模生产数据矢量的图形表示；
图2是随时间变化的建模生产数据矢量的类似图形表示；
图3是显示关于拟合误差与验证误差的组合误差的图形表示；
图4是图示用于生产数据估算的计算机设备的框图；
图5是图示用于生产数据估算的模块的框图；
图6是图示在本公开的实例中的用于生产数据估算的示例方法的流程图；
图7是图示用于生产数据估算的电气模块的示例分组的框图；以及
图8是图示根据实例实施方案的以计算机***为示例形式的机器的框图，在该机器内具有用于使得机器执行本文讨论的任何一种方法的指令集或指令序列。
具体实施方式
本公开呈现了用于基于交叉验证技术估算目标地质区域(其可包含一个或多个地下油藏)的参数值，以便基于目标地质区域的估算参数值提高模拟模型的预测能力的方法、装置和***。例如，本公开提出一种用于通过交叉验证识别模拟模型中的参数的最佳数量和数值的方法。如在本文使用，术语“最佳”以相对意义关于参数组而用于从所识别的可能适用数据集识别出更可取的参数组以在文本一般公开的方法中使用，而不以没有其它可能的参数组可能会“更好”(即，可提供本文识别的类型的改进确定)的绝对意义使用。此外，除非本文中另有明确指出，否则对“最佳”参数组的选择可基于除了本文中指出的那些之外的数据或考虑。因此，本公开的这种示例方法提供有关历史配合的优化问题的新制定(formulation)，其考虑可包括但不限于下列项的若干变量的优化：模型参数的数量、拟合误差以及验证误差。这种方法可实现若干目标，包括(1)避免需要巨大处理能力的高分辨率模型以及(2)增加目标地质区域的油藏模型的生产预测能力。
以下描述涉及描绘被选择以示出本发明可如何被实践的实例的各种细节的附图。该讨论提出了至少部分关于这些附图的本发明主题的各种实例，并使用充分的细节描述了所描绘的实施方案，以使得本领域的技术人员能够实践本发明。可利用许多其它实施方案来实践本发明主题而不是本文讨论的说明性实例，以及在不脱离本发明主题的范围的情况下，可做出除了本文具体讨论的替代形式以外的许多结构和操作变化。
在该描述中，对“一个实施方案”或“实施方案”的引用或对“一个实例”或“实例”的引用意指被提及的特征被(或可被)包括在本发明的至少一个实施方案或实例中。在该描述中，对“一个实施方案”或“实施方案”的单独引用或对“一个实例”或“实例”的单独引用不一定是指相同的实施方案或实例；然而，这样的实施方案并非相互排斥，除非这样指出或本领域中受益于本公开的普通技术人员将容易想到。因此，本发明可包括本文描述的实施方案和实例的多种组合和/或整合、以及在所有权利要求的范围内基于本公开定义的进一步实施方案和实例、以及这样的权利要求的所有合法等同物。
为了针对参数组(其可包括诸如但不限于与目标地质区域的离散部分对应的孔隙率、相对渗透率等参数)的最佳大小的估算而制定模型，本文描述的方法、装置和***利用交叉验证方法。在应用到本文的描述中的交叉验证中，使用观测到的历史生产值数据集的一部分来估算某种模型结构的参数值，所述模型结构使模型计算生产数据与可用的历史生产数据的某些部分的历史生产值数据集拟合。然后，所得参数估算在所谓的验证测试中用于评估模型可多好地预测历史生产数据的的剩余部分。本文的方法、装置和***可计算并分析计算拟合误差和验证误差的组合误差作为模型质量的指标。在基于该组合误差确定最佳参数值集大小以及参数的对应值和/或可靠性之后，本文的示例方法、装置和***可通过使用最佳参数组建模目标地质区域而预测目标地质区域的未来生产数据。
转向附图，图1是使用拟合模型基于选择的具体参数组确定的生产数据矢量100的图形表示。如指示，图1表示随时间间隔(x轴)变化的示例油藏的不同建模生产数据(y轴)(例如，石油、水、天然气生产或产量)的实例。在实例中，拟合模型尝试估算参数组以确定生产数据矢量100，生产数据实例100作为在时间点t拟合之前的时段内的生产数据(例如，目标地质区域的先前测量或“历史”数据值)的历史生产数据值102的最佳拟合。如在本文中使用，术语“参数”或“地质参数”指的是地质区域或地层的一个或多个属性，诸如但不限于，地质区域或地层的孔隙率、渗透率、压力或任何化学、电磁或物理属性；其中的流体的一个或多个属性；以及如本领域技术人员已知的影响地质区域、地层或油藏性能的其它变量。此外，如本文中使用，术语“目标地质区域”包括所关注的地下区域，其可包括一个或多个油藏和/或地质构造。
在实例中，拟合模型的参数组估算可基于第一组历史生产数据值102与建模生产数据矢量100经由包括但不限于下列项的一种或多种数值或数学优化方法来计算：涉及数学变换(诸如主成分分析、核主成分分析)、离散余弦变换、自适应空间分带和油藏模型的粗化的参数化技术；或任何其它数值优化方法。在拟合模型的实例中，如上所述，可实施使用参数矢量p的离散余弦变换的基于最小二乘的优化以根据以下算法产生参数矢量p的估算
其中dt表示历史生产数据值102，以及表示在时间t的生产矢量数据(图1的项目100)值的确定值。
此外，可根据其它模拟或建模技术，诸如但不限于全物理模拟和/或流线模拟来计算生产数据矢量100。在实例中，全物理模拟可包括但不限于，地质区域(例如，油藏)几何结构的网格化和离散化、流体属性计算、位移建模以及随时间变化求解组装的矩阵方程式。
在利用网格化和/或离散化方法的实例中，可将油藏分成单元集合，其中有关多相流的控制方程式可被离散化。流体属性以及位移模块(例如，与计算设备相关联)可计算在时间步进期间组装矩阵方程式所需的不同数量及其衍生物，其可包括迭代计算。同样，在一些非限制实例中，流线模拟(“SLN”)可包括数值离散化的进程，其可利用过去的数据点的“惯性”或“趋势”来估算未来数据值。
如在图1中图示，当(例如)根据上述数值方法中的一种或多种构造拟合模型时，通常将在时间点t处的历史生产数据与在时间t处的建模生产数据矢量100的值之间存在拟合误差f拟合(图1的项目104)。在使用优化方法来构造拟合模型的建模生产数据的上述实例中，该误差可根据以下算法获得：
从图1继续，图2是用于确定与在间隔t拟合＜t≤T期间观测到的不同时间t处的第二组历史生产数据值206相关联的验证误差204的交叉验证技术的图形表示。图2包括预测从时段t拟合＜t≤T内的生产数据矢量100推断出的生产数据的计算，使得根据具有与根据图1的拟合模型确定的估算相等的参数值的模型来估算该时段内的生产数据。数学表示的验证误差f验证(图2的项目204)可根据以下算法来计算：
此外，出于本公开的目的，术语“推断数据”、“推断生产数据”等指的是基于先前测量的数据值估算的信息，诸如生产数据。在一个实例中，“推断生产数据”指的是基于先前测量的生产数据值，诸如在t拟合之前测量的那些数据值而针对时段t拟合＜t≤T预测的生产数据。类似地，动词“推断”指的是基于先前测量的生产数据，诸如在t拟合之前测量的那些生产数据而预测时段t拟合＜t≤T的生产数据的行为。另外，出于本公开的目的，术语“预测生产数据”指的是针对T之后的时段以及基于在时间T之前观测的生产数据而预测的生产数据。同样，动词“预测(forecast/forecasting)”指的是针对T之后的时段以及基于时间T之前观测的生产数据而预测生产数据的行为。
转向图3，该图的图形显示包括具有参数的唯一数的多个参数模型的拟合误差302(见图1)和验证误差304(见图2)的总和的组合误差306，基于所述参数的唯一数确定生产数据矢量。换言之，图3表示分别在图1和图2中描述的拟合模型执行以及验证模型执行的多个迭代的组合误差306的图示(landscape)，其中每个模型迭代使用参数的唯一数作为输入来计算。如可期望，在过去的观测时段内的拟合误差302可随着更大的输入参数数量而减小，因为使用许多已知的输入参数来执行的数值方法能够使建模生产数据矢量很好地拟合观测数据点。虽然该拟合能力有效地使矢量拟合到过去时段内的一组已知的观测(历史)数据点，但是不足以作为未来值的唯一指标。该现象在图3中非常明显，其中验证误差302随着参数数量的增加而增加。
为了最佳地利用拟合估算和验证估算二者的正例，技术人员可从从一系列模型的拟合误差302和验证误差304得出组合误差306，每一个模型使用不同的参数数量(例如，N最小到N)，以获得最佳参数组大小n最佳310。
在所述实例中，该最佳参数组大小n最佳310与用于拟合模型和验证模型中在点308处产生最小组合误差f组合的参数组大小(即，所述组中的参数数量)对应。在实例中，如上所述，可根据以下算法通过对与使用n个参数或数学表示的模型相关联的拟合误差302和验证误差304求和来计算关于给定参数数量n(范围为N最小≤n≤N)的组合误差：
f组合(n)＝f拟合(n)＋f验证(n)
因此，可根据以下算法计算关于不同参数数量n的范围的最小和最佳组合误差(点308)：
此外，一旦发现最佳组合误差308，则也可基于完整历史生产数据值集(例如，图1的第一组历史生产数据102以及图2的第二组历史生产数据206)获得对应的最佳参数组大小310并将其用于估算参数矢量p，以及随后进一步预测生产数据值。
图4表示可被配置来预测与目标地质区域相关联的一个或多个生产数据值的未来值的示例计算机设备400。在实例中，计算机设备400可包括能够处理数据的任何电子设备，其可包括但不限于处理器、集成电路、台式计算机、膝上型计算机、智能手机、移动设备、平板计算机或任何其它设备或电气模块。此外，计算机设备400可包括生产预测模块402，其可被配置来执行参数估算算法和计算，使用数值方法执行数据拟合，计算误差值，以及基于最佳参数组大小以及参数的对应值来预测生产值和/或执行任何方法或评估本文中呈现的任何算法。
图4是进一步图示图3的生产预测模块402的框图；以及图5更详细地描绘了生产预测模块402。生产预测模块402的功能在本文中使用本文的额外子模块来表达。图4和图5的所述模块表示表示功能待执行的功能的概念模块。在许多实例中，该功能将通过使用编码在机器可读存储设备中以供一个或多个处理器、计算机或其它控制器执行的指令来实现，以及在其它实例中，功能将至少部分地通过使用其它硬件设备来实现。使用“模块”对该功能的描述不旨在暗示模块间的任何不同，以及这种“模块”之间的存储指令或数据的任何单独硬件或任何分组或隔离。虽然在10中示出的模块被示出并描述为不同模块，但是应理解，所述功能可通过可被期望提供所述功能的硬件和软件的任何组合来实现。例如，在通过由一个或多个处理器执行存储指令而执行图5的每个模块的功能的实例中，所有这样的指令可被存储在一个或多个机器可读存储设备中，并被一个或多个处理器执行。
在一个实例中，生产预测模块402包括参数识别模块502，其可被配置来存储或以其它方式获得一个或多个参数组504。在实例中，参数组504可包括不同大小的参数组，且不同大小的参数组对应于与目标地质区域(诸如但不限于包括石化油藏的地质区域)中的一个或多个点相关联的多个观测、测量、估算、建模或其它方式获得的参数。例如，参数组504可包括与地质区域中的所述一个或多个点的孔隙率、渗透率、相对渗透率、密度、化学组成或任何其它物理、化学、磁或电气特性对应的参数值。
在实例中，参数识别模块502可使用观测参数值、估算参数值或二者获得特定大小的参数组504的值。在使用估算参数值的实例中，参数识别模块502可通过利用历史生产数据值来估算参数值，以使用本文描述的一种或多种方法估算参数的值。例如，参数识别模块502可利用或配合拟合误差确定模块506来估算与历史生产数据相关联的参数值。此外，参数组504可包括参数组阵列，其中所述阵列的每个参数组包含参数和/或参数值的唯一数。
另外，参数估算模块可包括拟合误差确定模块506，其可被配置来确定和/或最小化与一个或多个执行模块相关联的拟合误差。在实例中，拟合误差确定模块506可通过使用历史生产数据值，诸如但不限于图1的第一组历史生产数据102和图2的第二组历史生产数据206中的一个或二者以及图1的对应建模生产数据矢量100来计算拟合误差。可通过使用由一种或多种拟合算法508估算的拟合模块而计算该拟合误差，所述拟合算法508包括优化算法，以基于但不限于涉及数学变换的参数化技术来最小化图1的拟合误差104。这些可包括参数化技术，诸如主成分能分析、核主成分能分析、离散余弦变换、自适应空间分带和油藏模型的粗化、或任何其它数值优化方法。此外，可利用包括但不限于全物理模拟或流线模拟的一个或多个模拟模型。在拟合模型的实例中，如上所述，可将使用离散余弦变换的基于最小二乘的优化实现为拟合算法508，以根据以下算法产生参数矢量p的估算
其中dt表示历史生产数据值(例如，图1的第一组历史生产数据102以及图2的第二组历史生产数据206中的一个或二者)，以及表示在时间t处的生产矢量数据(图1的项目100)的确定值。
此外，拟合误差确定模块506可通过将先前时间t处的建模生产数据矢量与在所选择的拟合时间t拟合之前的间隔内的时间t处获得的每个历史生产数据进行比较而确定与生成的拟合模型相关联的拟合误差。换言之，拟合误差确定模块506可被配置来计算以下算法，如上文关于图1所描述：
此外，图5可包括验证误差确定模块510，其被配置来根据验证误差算法512确定验证误差，在一些实例中，验证误差算法512将包括执行交叉验证的算法。在一些实例中，验证误差确定模块510可将建模时帧分离成第一子时帧和第二子时帧。在一些实例中，建模时帧可包括开始于过去的某个第一测量点并结束于(例如)现在时间T的时间间隔。此外，第一子时帧可包括在时间点t拟合之前的时间间隔以及第二子时帧可包括紧跟在t拟合之后且结束于(在一些实例中)点T的时间间隔。换言之，针对从第一测量时间点(在本文中被称为“0”)跨越到时间T的建模时帧，验证误差确定模块510可将建模时帧分离成第一子时帧0＜t≤t拟合和第二子时帧t拟合＜t≤T。
另外，验证误差确定模块510可进一步被配置来基于在第一时帧期间估算的地质参数来确定第二时帧建模生产数据。换言之，验证误差确定模块510可被配置来基于经过时间t拟合并进入达到时间T的第二子时帧的拟合模型推断或以其它方式预示或预测建模生产数据矢量。另外，验证误差确定模块510可被配置来将第二子时帧建模生产数据与在第二时帧期间的历史生产数据(例如，图2的第二组历史生产数据206)进行比较，以基于第二时帧内的拟合模型来确定与推断建模生产数据矢量相关联的验证误差。在实例中，第二子时帧建模生产数据与在第二子时帧期间的观测数据的所述比较可包括计算第二子时帧建模生产数据与第二子时帧期间的观测数据之间的平方误差。因此，如关于图1所述，验证误差确定模块510可被配置来评估以下算法：
此外，生产预测模块402可包括组合误差确定模块514，其可被配置来基于拟合误差和验证误差确定给定参数模型的拟合误差。在实例中，组合误差确定模块514可通过对分别由拟合误差确定模块506和验证误差确定模块510确定的拟合误差和验证误差求和来确定组合误差。因此，在实例中，组合误差确定模块可被配置来评估有关由n个参数构成的参数组的以下算法，如上文关于图3所述：
其中λ表示比例因子，所述比例因子可被改变以对拟合误差或验证误差中的任何一个提供相对权重。
此外，生产预测模块402可包括最佳参数组大小识别模块516，其可被配置来产生与参数模型相关联的最佳参数组大小，所述参数模型最小化由组合误差确定模块514确定的参数组504的组合误差。例如，在多个模型各自使用估算参数值的唯一数作为每个模型的输入而运行的实例中，最佳参数组大小识别模块可确定产生最小组合误差的模块及其相关联的参数数量。换言之，如上文关于图3解释，最佳参数组大小识别模块516可被配置来通过评估以下算法确定最佳(即，最小)组合误差f最佳：
此外，在确定最小组合误差之后，最佳参数组大小识别模块516可通过选择呈现最小组合误差的n个参数来确定最佳参数组大小n最 佳以产生生产数据预测模块。
另外，生产预测模块402可包括目标区域建模模块518，其可被配置来使用所选择参数组作为输入而建模目标地质区域并预测或以其它方式预示一个或多个生产数据值520，其中该输入的选择参数组具有与最佳参数组大小n最佳对应的大小。
在实例中，目标地质区域建模模块518可通过使用在本领域中可用的一种或多种拟合算法来确定最佳参数组大小n最佳的选择参数组的参数值，以用于预测未来生产数据，所述拟合算法可包括本文引用和/或描述的一种或多种拟合算法(例如，关于拟合误差确定模块的拟合算法508和/或关于图1呈现的拟合算法)。此外，在一些实例中，目标地质区域建模模块518可通过使用一组完整的历史生产数据值(其可包括(图1)的第一组历史生产数据102以及(图2)的第二组历史生产数据206)来确定将被输入用于预测的参数值。换言之，目标地质区域建模模块518可被配置来通过估算所选择参数组的参数值(用作预测模型输入)来预测未来生产数据值520，并且可基于历史生产数据值的完整历史来执行这种估算。
在额外的实例中，由目标地质区域建模模型518利用的拟合模型的参数值估算可基于一组完整的的历史生产数据值和建模生产数据矢量100(见图1)之间的平方误差的总和的最小化而经由一种或多种数值或数学方法来计算，所述方法可基于但不限于，涉及数学变换(诸如主成分分析、核主成分分析)、离散余弦变换、自适应空间分带和油藏模块的粗化的参数化技术或任何其它数值优化方法。
再次参考图1和图2，该完整历史可使用直到点T的全部历史生产数据值作为用于估算最佳大小参数组的这些输入参数的基础。如在图1和图2中示出，该完整历史可包括在时间T之前(或之时)观测的全部历史生产数据值，其可包括在时间t拟合之前(或之时)观测的第一组历史生产数据102以及在时间间隔t拟合到T期间(包含或不包含)观测的第二组历史生产数据206。
另外，在一些实例中，目标地质区域建模模块518可被配置通过首先通过基于第一和第二组历史生产数据使用模拟模型(诸如拟合模型)而获得建模数据来确定所选择参数组的参数值以用于预测未来生产数据。此外，模拟模型可包括本文描述的任何建模方法。例如，基于第一和第二组历史生产数据，目标地质区域建模模块可通过估算被用作到模型的输入的一个或多个参数而获得建模数据。此外，在一些实例中，目标地质区域建模模块518可被进一步配置来通过确定所选择参数组的建模数据与第一和第二组历史生产数据之间的最小拟合误差而识别所选择参数组值。例如，目标地质区域建模模块518可被配置来选择来自最小化拟合误差的建模的一组估算参数值作为所选择参数组值。
此外，在一些非限制实例中，目标地质区域建模模块518可使用一种或多种数值模拟技术以基于但不限于全物理模拟或流线模拟来预测未来生产值，其中将所选择参数组的估算参数值用作模拟的输入。因此，生产预测模块402可被配置来执行用于估算目标油藏模型的***方法，以使用交叉验证来预测未来生产数据，所述交叉验证在避免高分辨率模型的高处理能力需求的同时确保目标地质区域的模型的增加预测能力。
转向图6，示例方法600被呈现用于基于交叉验证技术使用改进模型预测生产数据。在实例中，在方框602，方法600可包括识别参数组阵列。在实例中，参数组阵列可包括与目标地质区域(例如，地下油藏和/或周围区域)的物理特性对应的一个或多个估算参数值，其可包括(例如)目标地质区域的渗透率、孔隙率或任何其它物理、化学、电气、磁或其它特性。此外，参数组的参数值可通过基于烃类生产的历史生产数据以及从该历史生产数据得出的建模生产数据估算它们的值来识别。在方框602，识别参数阵列可包括从存储器(诸如计算机设备的存储器)读取参数组阵列，和/或参数组阵列可由用户输入。此外，阵列的每个参数组可包括参数的唯一数，其中所述参数通过基于历史生产数据建模目标地质区域而被估算。
另外，方法600可包括针对阵列的每个参数组确定拟合误差。在实例中，针对阵列的每个参数组确定拟合误差可包括基于从烃类生产的历史生产数据得出的参数来建模生产数据矢量，以及将建模生产数据矢量的值与烃类生产的历史生产数据进行比较。在实例中，方框604可包括执行关于图1和/或图5的拟合误差确定模块506描述的一种或多种方法。
此外，方法600可包括针对阵列的每个参数组确定验证误差。在实例中，针对阵列的每个参数组确定验证误差可包括将建模时帧分离成第一子时帧和第二子时帧。在一些实例中，建模时帧可包括开始于过去的某个第一测量点以及结束于(例如)现在时间T的时间间隔。此外，第一子时帧可包括在时间点t拟合之前的时间间隔，以及第二子时帧可包括紧接着t拟合之后且并结束于(在一些实例中)点T的时间间隔。换言之，针对从第一测量时间点(在本文中被称为“0”)跨越到时间T的建模时帧，方框606可包括将建模时帧分离成第一子时帧0＜t≤t拟合和第二子时帧t拟合＜t≤T。出于本公开的目的，在第一子时帧期间测量的历史生产数据可被称为烃类生产的第一组历史生产数据，以及在第二子时帧期间测量的历史生产数据可被称为目标地质区域的烃类生产的第二组历史生产数据。
另外，方框606可进一步包括基于具有与在方框604处根据拟合模型确定的估算相等的参数值的模型来确定与第二子时帧相关联的建模生产数据。换言之，在方框606处针对阵列的每个参数组确定验证误差可包括针对参数组阵列的每个参数组推断或预测经过时间t拟合并进入到达时间T的第二子时帧的拟合模型建模生产数据矢量。
此外，在方框606处针对阵列的每个参数组确定验证误差可包括将第二时帧建模生产数据(在本文中被称为“推断生产数据”)与在第二时帧期间测量的生产数据进行比较，以在第二子时帧内确定与推断或预测的拟合模型建模生产数据相关联的验证误差。在实例中，推断生产数据与在第二子时帧期间测量的生产数据的所述比较可包括计算推断生产数据与在第二子时帧期间测量的生产数据之间的平方误差。在进一步的实例中，方框606可包括执行关于图2和/或图5的验证误差确定模块510描述的一种或多种方法。
再者，方法600可包括在方框608处针对阵列的每个参数组确定组合误差。在实例中，方框608可包括对(方框604的)拟合误差与(方框608的)验证误差求和，以针对阵列的每个参数组确定组合误差。在一些实例中，在确定组合误差时可对拟合误差或验证误差加权。此外，方框608可包括执行关于图3和/或图5的组合误差确定模块514描述的一种或多种方法。
另外，方法600可包括在方框610处，识别最佳参数组大小以用于建模目标地质区域。在实例中，最佳参数组大小可对应于基于方框608的结果产生最小组合误差的参数大小。因此，在实例中，方框610可包括确定在方框608处确定的组合误差的最小组合误差。另外，方框610可包括执行关于图3和/或图5的最佳参数组大小识别模块516描述的一种或多种方法。
此外，在方框612，方法600可包括通过使用具有在方框610处确定的最佳参数组大小的所选择参数组建模目标地质区域而预测或以其它方式预示目标地质区域的一个或多个未来生产值。在实例中，所选择参数组可通过确定所选择参数组的建模数据与第一和第二组历史生产数据之间的最小拟合误差来选择。另外，方框612可包括执行关于图5的目标地质区域建模模块518描述的一种或多种方法。
参考图7，显示示例***700以使用交叉验证提高生产数据预测。例如，***700可至少部分驻留在计算机设备(例如，图7的计算机设备700)内。应明白，将***700表示为包括功能块，其可以是表示由处理器、软件或其组合(例如，固件)实施的功能块。***700包括可共同作用的电气模块的逻辑分组702。例如，逻辑分组702可包括用于识别参数组阵列的电气模块704。在实例中，电气模块704可包括参数识别模块502(图5)。此外，逻辑分组702可包括用于确定拟合误差的电气模块706。在实例中，电气模块706可包括拟合误差确定模块510(图5)。在额外的实例中，逻辑分组702可包括用于确定验证误差的电气模块708。在实例中，电气模块708可包括验证误差确定模块510(图5)。再者，逻辑分组702可包括用于确定组合误差的电气模块710。在实例中，电气模块710可包括组合误差确定模块514(图5)。再者，逻辑分组702可包括用于识别最佳参数组大小的电气模块712。在实例中，电气模块712可包括最佳参数组大小识别模块516(图5)。再者，逻辑分组702可包括用于建模目标地质区域和/或预测未来生产数据值的电气模块714。在实例中，电气模块714可包括目标地质区域建模模块518(图5)。
另外，***700可包括存储器716，存储器716保留用于执行与电气模块704、706、708、710、712和714相关联的功能的指令，存储由电气模块704、706、708、710、712和714等使用或获得的数据。虽然被示出为位于存储器716外部，但是应理解，电气模块704、706、708、710、712和714中的一个或多个可存在于存储器716内。在一个实例中，电气模块704、706、708、710、712和714可包括至少一个处理器，或每个电气模块704、706、708、710、712和714可以是至少一个处理器的对应模块。再者，在额外或替代实例中，电气模块704、706、708、710、712和714可以是包括计算机可读介质的计算机程序产品，其中每个电气模块704、706、708、710、712和714可以是对应的代码。
图8是图示呈计算机***800的示例形式的机器的框图，机器可包括图4的计算机设备400，在机器内，可根据示例实施方案执行用于使机器执行本文中讨论的任何一种方法的指令集或指令序列。在替代的实施方案中，机器操作为独立设备进行操作或可连接(例如，网络连接)到其它机器。在网络连接部署中，机器可作为服务器-客户端网络环境中的服务器或客户端机器进行操作，或其可充当在对等(或分布式)网络环境中的对等机。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、网络家电、网络路由器、开关或桥接器、或能够执行指定由所述机器采取的措施的指令(序列或其它)的任何机器。进一步地，虽然仅图示了单个机器，但是术语“机器”也应被视为包括单独或共同执行一组(或多组)指令以执行本文中讨论的任何一种或多种方法的机器的任何集合。
实例计算机***800包括至少一个处理器802(例如，中央处理单元(CPU)、图形处理单元(GPU)或二者、处理器核心、计算节点等)、主存储器804和静态存储器805，其经由链路808(例如，总线)彼此进行通信。计算机***800可进一步包括视频显示单元810、字母数字输入设备812(例如，键盘)以及用户界面(UI)导航设备814(例如，鼠标)。在一个实施方案中，将视频显示单元810、输入设备812和UI导航设备814并入触摸屏显示器中。计算机***800可额外地包括存储设备815(例如，驱动单元)、信号产生设备818(例如，扬声器)、网络接口设备820以及一个或多个传感器(未示出)，诸如全球定位***(GPS)传感器、罗盘、加速计或其它传感器。
存储设备815包括机器可读存储介质822，其上存储有通过本文所述的方法或功能中的任何一种或多种体现或利用的一组或多组数据结构和/或指令824(例如，软件)。指令824在被计算机***800执行期间还可全部或至少部分地驻留在主存储器804、静态存储器805内和/或在处理器802内，其中主存储器804、静态存储器805以及处理器802的高速缓存存储器还构成机器可读存储介质。
虽然在示例实施方案中，机器可读存储介质822被图示为单个介质，但是术语“机器可读存储介质”可包括存储一个或多个指令824的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“机器可读存储介质”还应被视为包括能够存储供机器执行的指令或数据的任何有形介质。术语“机器可读存储介质”因此还应被视为包括但不限于固态存储器以及光学和磁介质。机器可读存储介质的特定实例包括非易失性存储器，其包括(通过举例的方式)半导体存储设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)以及闪存存储设备；磁盘，诸如内部硬盘以及可换式磁盘；磁光盘；以及CD-ROM以及DVD-ROM盘。
可通过通信网络826使用传输介质经由网络接口设备820利用多个已知的传送协议(例如，HTTP)中的任何一个来进一步传输或接收指令824。通信网络的实例包括局域网络(LAN)、广域网(WAN)、互联网、移动电话网络、普通老式电话服务(POTS)网络以及无线数据网络(例如，Wi-Fi、3G和4GLTE/LTE-A或WiMAX网络)。术语“传输介质”应被视为包括能够存储、编码或携带供机器执行的指令，并包括数字或模拟通信信号的任何无形介质或其它无形介质，以促进这种软件的通信。
本文中描述的实例可包括逻辑或许多模块或机制或可在其上进行操作。模块是能够执行指定操作的有形实体，且可以某种方式配置或布置。在实例中，可以指定方式将电路(例如，内部地或相对于诸如其它电路的外部实体)布置为模块。在实例中，一个或多个计算机***(例如，独立、客户端或服务器计算机***)的全部或部分或一个或多个硬件处理器可由固件或软件(例如，指令、应用程序部分或应用程序)配置为进行操作以执行指定操作的模块。在实例中，软件可驻留(1)在非临时性机器可读介质上或(2)在传输信号中。在实例中，软件在被模块的基础硬件执行时使得硬件执行指定操作。
因此，术语“模块”被理解为涵盖有形实体，该有形实体是被物理构造、特别配置(例如，硬接线的)或临时性(例如，暂时地)配置(例如，编程)来以指定方式进行操作或执行本文中描述的任何操作的部分或全部的实体。鉴于模块被临时性地配置的实例，模块的一个实例化与相同或不同模块的另一实例化可能不同时存在。例如，在模块包括使用软件进行配置的通用硬件处理器的情况下，通用硬件处理器可在不同的时间被配置为相应的不同模块。因此，软件可配置硬件处理器，例如，以在一个时间实例处构成特定模块，并且在不同的时间实例处构成不同的模块。
目前描述的方法、***和设备实施方案的额外实例包括以下非限制性配置。以下非限制性实例中的每一个可以独立存在，或可与下文提供的或本公开通篇的其它实例中的任何一个或多个置换或结合。前述描述以及附图充分地图示特定实施方案，以使得本领域的技术人员实践它们。其它实施方案可合并结构、逻辑、电气、进程或其它变化。一些实施方案的部分或特征可被包括在其它实施方案的部分或特征中或由其它实施方案的部分或特征替换。

Claims (24)

1.一种用于确定地质模型的方法，其包括下列行为：
识别参数组阵列，其中每个参数组具有唯一大小并包含从与目标地质区域相关联的历史生产数据估算的地质参数值；
确定第一组所述历史生产数据与建模生产数据之间的拟合误差，其中所述建模生产数据通过基于所述阵列的每个参数组执行模拟模型而获得；
针对所述阵列的每个参数组确定第二组所述历史生产数据与推断生产数据之间的验证误差，其中所述推断生产数据是基于所述阵列的相应参数组的所述建模生产数据而获得；
针对所述阵列的每个参数组基于所述拟合误差和所述验证误差确定组合误差；以及
识别最佳参数组大小以建模所述目标地质区域，其中所述最佳参数组大小是参考针对所述阵列的每个参数组确定的所述组合误差的最小组合误差而确定。
2.根据权利要求1所述的方法，其进一步包括：
使用所述识别的最佳参数组大小的所选择参数组并使用基于所述第一和第二组历史生产数据估算的所选择参数组值来对所述目标地质区域建模；以及
使用利用所述选择的参数组的预测模拟模型来预测所述目标地质区域的未来生产数据。
3.根据权利要求2所述的方法，其中所述选择的参数组值由下列行为确定：
通过基于所述第一和第二组历史生产数据使用模拟模型而获得所述选择的参数组的建模数据；以及
通过确定所述选择的参数组的所述建模数据与所述第一和第二组历史生产数据之间的最小拟合误差而识别所述选择的参数组值。
4.根据权利要求1所述的方法，其中针对所述阵列的每个参数组确定所述验证误差包括：
将建模时帧分离成第一子时帧和第二子时帧；
基于所述模拟模型确定第二子时帧生产数据的预测，其中所述模拟模型具有与根据所述第一子时帧的所述拟合模型确定的所述估算相等的地质参数值；以及
将所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的生产数据进行比较。
5.根据权利要求4所述的方法，其中将所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的生产数据进行比较包括：计算所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的所述生产数据之间的平方误差。
6.根据权利要求1所述的方法，其中针对所述阵列的每个参数组确定所述验证误差包括执行交叉验证。
7.根据权利要求1所述的方法，其中识别所述最佳参数组大小进一步包括：针对所述阵列的每个参数组最小化所述拟合误差。
8.根据权利要求1所述的方法，其中识别所述最佳参数组大小进一步包括：针对所述阵列的每个参数组最小化所述组合误差。
9.一种用于确定地质模型的装置，其包括：
一个或多个处理器，和
机器可读存储设备，其包括当被所述一个或多个处理器执行时，执行包括下列项的操作的指令：
识别参数组阵列，其中每个参数组具有唯一大小，并包含从与目标地质区域相关联的历史生产数据估算的地质参数的值；
确定第一组所述历史生产数据与建模生产数据之间的拟合误差，其中所述建模生产数据通过基于所述阵列的每个参数组执行模拟模型而获得；
针对所述阵列的每个参数组确定第二组所述历史生产数据与推断生产数据之间的验证误差，其中所述推断生产数据是基于所述阵列的相应参数组的所述建模生产数据而获得；
针对所述阵列的每个参数组基于所述拟合误差和所述验证误差确定组合误差；以及
识别最佳参数组大小以建模所述目标地质区域，其中所述最佳参数组大小是参考针对所述阵列的每个参数组确定的所述组合误差的最小组合误差而确定。
10.根据权利要求9所述的装置，其中操作进一步包括：
使用所述识别的最佳参数组大小的所选择参数组并使用基于所述第一和第二组历史生产数据估算的所选择参数组值来对所述目标地质区域建模；以及
使用利用所述选择的参数组的预测模拟模型来预测所述目标地质区域的未来生产数据。
11.根据权利要求10所述的装置，其中所述操作进一步包括：
通过基于所述第一和第二组历史生产数据使用模拟模型来获得所述选择的参数组的建模数据；以及
通过确定所述选择的参数组的所述建模数据与所述第一和第二组历史生产数据之间的最小拟合误差来识别所述选择的参数组值。
12.根据权利要求11所述的装置，其中针对所述阵列的每个参数组确定所述验证误差的所述操作包括：
将建模时帧分离成第一子时帧和第二子时帧；
基于所述模拟模型确定第二子时帧生产数据的预测，其中所述模拟模型具有与根据所述第一子时帧的所述拟合模型确定的所述估算相等的地质参数值；以及
将所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的生产数据进行比较。
13.根据权利要求12所述的装置，其中将所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的生产数据进行比较包括：计算所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的所述生产数据之间的平方误差。
14.根据权利要求9所述的装置，其中针对所述阵列的每个参数组确定所述验证误差的所述操作包括执行交叉验证。
15.根据权利要求9所述的装置，其中识别所述最佳参数组大小的所述操作进一步包括：针对所述阵列的每个参数组最小化所述拟合误差。
16.根据权利要求9所述的装置，其中识别所述最佳参数组大小的所述操作进一步包括：针对所述阵列的每个参数组最小化所述组合误差。
17.一种非临时性计算机可读介质，其包括当被计算机执行时使得所述计算机执行包括下列项的操作的指令：
识别参数组阵列，其中每个参数组具有唯一大小，并包含从与目标地质区域相关联的历史生产数据估算的地质参数值；
确定第一组所述历史生产数据与建模生产数据之间的拟合误差，其中所述建模生产数据通过基于所述阵列的每个参数组执行模拟模型而获得；
针对所述阵列的每个参数组确定第二组所述历史生产数据与推断生产数据之间的验证误差，其中所述推断生产数据是基于所述阵列的相应参数组的所述建模生产数据而获得；
针对所述阵列的每个参数组基于所述拟合误差和所述验证误差确定组合误差；以及
识别最佳参数组大小以建模所述目标地质区域，其中所述最佳参数组大小是参考针对所述阵列的每个参数组确定的所述组合误差的最小组合误差而确定。
18.根据权利要求17所述的非临时性计算机可读介质，其中操作进一步包括：
使用所述识别的最佳参数组大小的所选择参数组并使用基于所述第一和第二组历史生产数据估算的所选择参数组值来对所述目标地质区域建模；以及
使用利用所述选择的参数组的预测模拟模型来预测所述目标地质区域的未来生产数据。
19.根据权利要求18所述的非临时性计算机可读介质，其中所述操作进一步包括：
通过基于所述第一和第二组历史生产数据使用模拟模型而获得所述选择的参数组的建模数据；以及
通过确定所述选择的参数组的所述建模数据与所述第一和第二组历史生产数据之间的最小拟合误差而识别所述选择的参数组值。
20.根据权利要求19所述的非临时性计算机可读介质，其中针对所述阵列的每个参数组确定所述验证误差的所述操作包括：
将建模时帧分离成第一子时帧和第二子时帧；
基于所述模拟模型确定第二子时帧生产数据的预测，其中所述模拟模型具有与根据所述第一子时帧的所述拟合模型确定的所述估算相等的地质参数值；以及
将所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的生产数据进行比较。
21.根据权利要求20所述的非临时性计算机可读介质，其中将所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的生产数据进行比较包括：计算所述第二子时帧预测的生产数据与在所述第二子时帧期间测量的所述生产数据之间的平方误差。
22.根据权利要求17所述的非临时性计算机可读介质，其中针对所述阵列的每个参数组确定所述验证误差的所述操作包括执行交叉验证。
23.根据权利要求17所述的非临时性计算机可读介质，其中识别所述最佳参数组大小的所述操作进一步包括：针对所述阵列的每个参数组最小化所述拟合误差。
24.根据权利要求17所述的非临时性计算机可读介质，其中识别所述最佳参数组大小的所述操作进一步包括：针对所述阵列的每个参数组最小化所述组合误差。
CN201380075726.5A 2013-05-24 2013-05-24 用于油藏性能的改进估算的油藏历史匹配的方法和*** Pending CN105122153A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2013/042711 WO2014189523A1 (en) 2013-05-24 2013-05-24 Methods and systems for reservoir history matching for improved estimation of reservoir performance

Publications (1)

Publication Number Publication Date
CN105122153A true CN105122153A (zh) 2015-12-02

Family

ID=51933914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380075726.5A Pending CN105122153A (zh) 2013-05-24 2013-05-24 用于油藏性能的改进估算的油藏历史匹配的方法和***

Country Status (10)

Country Link
US (1) US20160004800A1 (zh)
EP (1) EP2981866B1 (zh)
CN (1) CN105122153A (zh)
AU (2) AU2013389972A1 (zh)
BR (1) BR112015025860A2 (zh)
CA (1) CA2909292A1 (zh)
MX (1) MX2015014242A (zh)
RU (1) RU2015143556A (zh)
SG (1) SG11201508334QA (zh)
WO (1) WO2014189523A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239845A (zh) * 2016-03-29 2017-10-10 中国石油化工股份有限公司 油藏开发效果预测模型的构建方法
CN107818330A (zh) * 2016-09-12 2018-03-20 波音公司 使用具有广泛不同误差大小的数据进行空间滤波的***和方法
CN109643085A (zh) * 2016-08-23 2019-04-16 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
CN111638642A (zh) * 2019-03-01 2020-09-08 北京国双科技有限公司 三相分离器运行状态的确定方法及装置

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013106720A1 (en) * 2012-01-12 2013-07-18 Schlumberger Canada Limited Method for constrained history matching coupled with optimization
US10450841B2 (en) * 2014-05-16 2019-10-22 Apache Corporation Methods for statistical prediction of well production and reserves
WO2017165949A1 (en) * 2016-03-30 2017-10-05 Nexen Energy Ulc Methods, systems and devices for modelling reservoir properties
US20170286854A1 (en) * 2016-03-30 2017-10-05 General Electric Company Automatic revision of a predictive damage model
EP3523502A4 (en) * 2016-10-05 2020-06-17 Services Petroliers Schlumberger MACHINE-LEARNING DRILL MODELS FOR A NEW HOLE
US11087221B2 (en) * 2017-02-20 2021-08-10 Saudi Arabian Oil Company Well performance classification using artificial intelligence and pattern recognition
JP6760200B2 (ja) * 2017-05-16 2020-09-23 富士通株式会社 推定プログラム、推定方法および推定装置
US10983233B2 (en) 2019-03-12 2021-04-20 Saudi Arabian Oil Company Method for dynamic calibration and simultaneous closed-loop inversion of simulation models of fractured reservoirs
US11499397B2 (en) 2019-10-31 2022-11-15 Saudi Arabian Oil Company Dynamic calibration of reservoir simulation models using flux conditioning
US11501038B2 (en) 2019-10-31 2022-11-15 Saudi Arabian Oil Company Dynamic calibration of reservoir simulation models using pattern recognition
US11680465B2 (en) 2019-12-23 2023-06-20 Saudi Arabian Oil Company Systems and methods for multiscale sector hydrocarbon reservoir simulation
US20220307357A1 (en) * 2020-06-12 2022-09-29 Landmark Graphics Corporation Reservoir fluid property modeling using machine learning
CN114251075B (zh) * 2020-09-23 2022-09-30 中国石油大学(北京) 基于多目标参数的储层开采方案确定方法、装置及设备
CN112597703B (zh) * 2020-12-22 2022-08-23 浙江大学 基于双分支深度神经网络的变尺寸阵列结构性能预测方法
CN112749835B (zh) * 2020-12-22 2023-10-24 中国石油大学(北京) 一种储层产能预测方法、装置及设备
CN115234206B (zh) * 2022-05-18 2023-04-14 中国地质大学（武汉） 油藏点火时间的确定方法、装置、存储介质和计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6523015B1 (en) * 1999-10-14 2003-02-18 Kxen Robust modeling
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
CN102016746A (zh) * 2008-04-21 2011-04-13 埃克森美孚上游研究公司 储层开发计划的基于随机规划的决策支持工具
CN102272414A (zh) * 2008-09-19 2011-12-07 雪佛龙美国公司 优化具有流动障碍物的储层中的井产量的方法
CN103003718A (zh) * 2010-06-16 2013-03-27 Foroil公司 用于模拟成熟油气田的产量模拟器
US20130080066A1 (en) * 2011-09-28 2013-03-28 Saudi Arabian Oil Company Reservoir properties prediction with least square support vector machine

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5335291A (en) * 1991-09-20 1994-08-02 Massachusetts Institute Of Technology Method and apparatus for pattern mapping system with self-reliability check
US20070016389A1 (en) * 2005-06-24 2007-01-18 Cetin Ozgen Method and system for accelerating and improving the history matching of a reservoir simulation model
WO2008028122A2 (en) * 2006-09-01 2008-03-06 Chevron U.S.A. Inc. History matching and forecasting in the production of hydrocarbons
BR112012017278A2 (pt) * 2010-02-12 2016-04-26 Exxonmobil Upstream Res Co método e sistema para criar modelos de simulação de ajuste de histórico

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
US6523015B1 (en) * 1999-10-14 2003-02-18 Kxen Robust modeling
CN102016746A (zh) * 2008-04-21 2011-04-13 埃克森美孚上游研究公司 储层开发计划的基于随机规划的决策支持工具
CN102272414A (zh) * 2008-09-19 2011-12-07 雪佛龙美国公司 优化具有流动障碍物的储层中的井产量的方法
CN103003718A (zh) * 2010-06-16 2013-03-27 Foroil公司 用于模拟成熟油气田的产量模拟器
US20130080066A1 (en) * 2011-09-28 2013-03-28 Saudi Arabian Oil Company Reservoir properties prediction with least square support vector machine

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239845A (zh) * 2016-03-29 2017-10-10 中国石油化工股份有限公司 油藏开发效果预测模型的构建方法
CN107239845B (zh) * 2016-03-29 2021-06-15 中国石油化工股份有限公司 油藏开发效果预测模型的构建方法
CN109643085A (zh) * 2016-08-23 2019-04-16 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
US11264121B2 (en) 2016-08-23 2022-03-01 Accenture Global Solutions Limited Real-time industrial plant production prediction and operation optimization
CN109643085B (zh) * 2016-08-23 2022-05-10 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
CN107818330A (zh) * 2016-09-12 2018-03-20 波音公司 使用具有广泛不同误差大小的数据进行空间滤波的***和方法
CN107818330B (zh) * 2016-09-12 2023-06-16 波音公司 使用具有广泛不同误差大小的数据进行空间滤波的***和方法
CN111638642A (zh) * 2019-03-01 2020-09-08 北京国双科技有限公司 三相分离器运行状态的确定方法及装置

Also Published As

Publication number Publication date
WO2014189523A1 (en) 2014-11-27
CA2909292A1 (en) 2014-11-27
US20160004800A1 (en) 2016-01-07
AU2017202259A1 (en) 2017-04-27
SG11201508334QA (en) 2015-11-27
EP2981866B1 (en) 2020-03-11
RU2015143556A (ru) 2017-06-29
EP2981866A4 (en) 2017-01-04
BR112015025860A2 (pt) 2017-07-25
AU2017202259B2 (en) 2018-12-20
AU2013389972A1 (en) 2015-10-29
EP2981866A1 (en) 2016-02-10
MX2015014242A (es) 2016-01-14

Similar Documents

Publication Publication Date Title
CN105122153A (zh) 用于油藏性能的改进估算的油藏历史匹配的方法和***
CA2879773C (en) Multi-level reservoir history matching
RU2573746C2 (ru) Система и способы для прогнозирования поведения скважины
RU2590265C2 (ru) Системы и способы для оценки моментов прорыва флюида в местонахождениях добывающих скважин
CA2813826A1 (en) Iterative method and system to construct robust proxy models for reservoir simulation
Lataniotis et al. The Gaussian process modelling module in UQLab
CN105452598B (zh) 选择和优化用于产量平台的油田控制的方法
WO2022146421A1 (en) Estimating reservoir production rates using machine learning models for wellbore operation control
EP2956803B1 (en) Method of modelling a subsurface volume
Agbalaka et al. Joint updating of petrophysical properties and discrete facies variables from assimilating production data using the EnKF
Fillacier et al. Calculating Prediction Uncertainty using Posterior Ensembles Generated from Proxy Models
Wang et al. Point and interval predictions for Tanjiahe landslide displacement in the Three Gorges Reservoir Area, China
US20200124764A1 (en) Method of characterising a subsurface volume
Li et al. A surrogate-based adaptive sampling approach for history matching and uncertainty quantification
US20230230338A1 (en) Systems and methods for analyzing clusters of type curve regions as a function of position in a subsurface volume of interest
US20220404515A1 (en) Systems and methods for mapping seismic data to reservoir properties for reservoir modeling
GB2584447A (en) Apparatus method and computer-program product for processing geological data
GB2584449A (en) Apparatus method and computer-program product for calculating a measurable geological metric
US20210149077A1 (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter (enkf)
Gross et al. Offshore gas condensate field history-match and predictions: Ensuring probabilistic forecasts are built with diversity in mind
US20160024893A1 (en) Application programming interface to probe reservoir simulation response surface models
Gupta et al. History matching of field production using design of experiments
US20230140905A1 (en) Systems and methods for completion optimization for waterflood assets
Busby et al. Uncertainty evaluation in reservoir forecasting by Bayes linear methodology
Evseenkov et al. Short-term forecasting of well production based on a hybrid probabilistic approach

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151202