CN110621846B - 从流动网络记录数据 - Google Patents
从流动网络记录数据 Download PDFInfo
- Publication number
- CN110621846B CN110621846B CN201880029563.XA CN201880029563A CN110621846B CN 110621846 B CN110621846 B CN 110621846B CN 201880029563 A CN201880029563 A CN 201880029563A CN 110621846 B CN110621846 B CN 110621846B
- Authority
- CN
- China
- Prior art keywords
- data
- production
- flow
- categories
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 168
- 238000004519 manufacturing process Methods 0.000 claims description 274
- 238000012360 testing method Methods 0.000 claims description 55
- 230000001052 transient effect Effects 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 5
- 238000011010 flushing procedure Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 80
- 239000007789 gas Substances 0.000 description 76
- 238000005457 optimization Methods 0.000 description 74
- 238000004422 calculation algorithm Methods 0.000 description 66
- 239000000523 sample Substances 0.000 description 37
- 230000006399 behavior Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 19
- 230000010355 oscillation Effects 0.000 description 17
- 230000006872 improvement Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000001965 increasing effect Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 230000005284 excitation Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 239000012530 fluid Substances 0.000 description 7
- 239000007788 liquid Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 239000003921 oil Substances 0.000 description 6
- 230000003534 oscillatory effect Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013488 ordinary least square regression Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002343 natural gas well Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- AZUYLZMQTIKGSC-UHFFFAOYSA-N 1-[6-[4-(5-chloro-6-methyl-1H-indazol-4-yl)-5-methyl-3-(1-methylindazol-5-yl)pyrazol-1-yl]-2-azaspiro[3.3]heptan-2-yl]prop-2-en-1-one Chemical compound ClC=1C(=C2C=NNC2=CC=1C)C=1C(=NN(C=1C)C1CC2(CN(C2)C(C=C)=O)C1)C=1C=C2C=NN(C2=CC=1)C AZUYLZMQTIKGSC-UHFFFAOYSA-N 0.000 description 1
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000779 depleting effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000012263 liquid product Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- E21B21/00—Methods or apparatus for flushing boreholes, e.g. by use of exhaust air from motor
- E21B21/08—Controlling or monitoring pressure or flow of drilling fluid, e.g. automatic filling of boreholes, automatic control of bottom pressure
-
- 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
- E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
-
- 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
-
- 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
- G05B13/041—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 in which a variable is automatically adjusted to optimise the performance
-
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B13/048—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 using a predictor
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/12—Methods or apparatus for controlling the flow of the obtained fluid to or in wells
- E21B43/121—Lifting well fluids
- E21B43/122—Gas lift
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/34—Arrangements for separating materials produced by the well
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Geophysics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Operations Research (AREA)
Abstract
一种记录与石油和天然气流动网络的性能有关的数据的方法,使用统计数据来以紧凑形式表示原始数据。将类别分配给数据中的时间间隔。该方法包括:(1)收集涵盖一段时间的数据,其中数据与流动网络内的一个或多个控制点的状态以及流动网络的一个或多个流动路径中的一个或多个感兴趣的流动参数有关;(2)识别数据中的多个时间间隔,在多个时间间隔期间可以将控制点和流动参数指定为选自多个类别中的类别;(3)将多个类别中的选定类别分配给由多个时间间隔构成的多个数据集中的每一个数据集;以及(4)提取表示步骤(2)中识别的数据集中的部分或全部的统计数据,从而以包括在步骤(3)中分配给每个时间间隔的类别的细节的紧凑形式表示来自步骤(1)的原始数据。
Description
技术领域
本发明涉及一种用于记录与石油和天然气流动网络的性能有关的数据的装置和方法,例如以便收集数据用于分析,从而改善流动网络的性能或获得增加的数据以确定如何操作流动网络。本发明可以与石油和天然气生产网络一起使用,例如,在其中多个井将单相或多相流体供应到网络,该网络经由歧管等将流合并。
背景技术
存在使用流动网络的许多行业,其中例如在工厂和精炼厂的流体和液体产品的加工和制造中使用流动网络。石油和天然气行业是一个特别令人感兴趣的示例,因为流动网络包括石油和天然气井,其使得向流动网络的输入可能难以建模并且在许多情况下可能会发生不可预测的变化。此外,关键过程组件的可用性会随时间而变化,并且因此容量会相应地变化。因此,难以优化此种网络的生产设置。可以使用模拟和模型来尝试预测流动网络对过程参数(诸如流量、压力和不同成分的混合等)变化的响应。然而,这些模型和伴随的优化问题可能变得非常繁琐并且需要大量的计算能力,同时仍然仅提供计算机辅助的猜测以用于流动网络的最佳设置。
WO2014/170425公开了一种用于控制石油和天然气流动网络以改善性能的方法,该方法包括在流动网络的控制点处施加激励作为在线“实验”,以允许识别由激励引起的变化,从而允许迭代调整流动网络的控制以提高性能。该方法提供了本领域的重大进步,特别是在关于性能优化方面。然而,它具有各种限制,包括需要激励,并且关于过程的输出也没有特别广泛的应用。
发明内容
从第一方面来看,本发明提供了一种用于记录与石油和天然气流动网络的性能有关的数据的方法,该方法包括:(1)收集涵盖一段时间的数据,其中所述数据与所述流动网络内的一个或多个控制点的状态以及所述流动网络的一个或多个流动路径中的一个或多个感兴趣的流动参数有关;(2)识别所述数据中的多个时间间隔,在所述多个时间间隔期间可以将所述控制点和所述流动参数指定为选自与不同类型的稳定生产相关的多个类别以及与不同类型的瞬态事件相关的多个类别中的类别,其中所述数据因此包括多个数据集,每个数据集由所述多个时间间隔中的一个时间间隔构成;(3)将所述多个类别中的选定类别分配给由所述多个时间间隔构成的所述多个数据集中的每一个数据集;以及(4)提取表示步骤(2)中识别的所述数据集中的部分或全部的统计数据,从而以包括在步骤(3)中分配给每个时间间隔的所述类别的细节的紧凑形式表示来自步骤(1)的原始数据。
因此,可以基于时间间隔内的数据集分类并通过使用统计信息对记录用于石油和天然气流动网络的大量数据进行分类和压缩。可能有多个控制点,这些控制点可能位于流动网络的不同分支中。所得的统计数据可以以更压缩的形式表示原始数据的某些方面,并且其还可以更容易地进行搜索以识别所需的事件或事件的模式。该统计数据可以存储在紧凑数据库中。统计数据可以提供关于流动网络的操作的信息,从而允许直接或经由进一步的分析来评估流动网络,例如通过使用下面讨论的局部模型。可以收集与流动网络的性能有关的数据,以检查网络是否最佳运行和/或提供关于流动网络的性能的定性和/或定量信息,例如石油和/或天然气的生产水平。在这种情况下,流动网络的性能可以包括生产率以及确保完整性。因此,记录的数据既可以用于寻找方法以在生产期间提高生产率,也可以用于通过预测设备或井故障来减少非生产时间,或减少***的完整性,即通过更好的预测维护和减少故障等。该数据可以用于评估流动网络以确定对控制点的调整,这将改善流动网络的性能。
应该在一段时间内收集数据以允许建立多个时间间隔。有利地,该方法允许基于已经出于其它目的而被记录的数据(例如用于操作员的持续监控)以及基于在过去使用流动网络期间存储的数据来评估流动网络。也就是说,可以使用历史数据(即,在实施本方法之前收集的数据)以及在流动网络的正常操作期间已经发生的稳态间隔的识别来应用本方法。在流动网络的持续运行期间,它还可以在持续的基础上利用收集的数据。与一些先前提出的方法不同,例如如在WO2014/170425中,不需要进行特定的激励:相反,可以使用在正常使用流动网络期间收集的数据。
可以将时间间隔框架数据集分类为各种类别中的一种,其包括稳定生产的多个类别和瞬态事件的多个类别。在发生瞬态事件的情况下,类别可以分为两个组,其定义(i)相关于主动事件引起的类别,即,由于对流动网络的故意干预而发生的事件,以及(ii)相关于被动事件引起的类别,即在没有任何故意干预的情况下无意中发生的事件。
与稳定生产有关的多个类别可以包括:稳定的稳态生产;通过一个或多个井的冲洗生产的稳定生产;其中存在段塞动态的稳定生产,诸如套管前进、严重段塞或其它段塞动态;稳定生产,其包括出砂,以及其中需要清理钻探泥浆或化学物质(例如结垢挤压或酸刺激)的稳定生产。
与瞬态事件有关的多个类别可以包括一个或多个主动事件类别和一个或多个被动事件类别。主动事件类别可以包括:试井事件、主动过程事件、主动井事件和/或主动油藏事件中的一者或多者。试井事件类别可以包括以下测试中的一者或多者:测试分离器流速测试、推导测试、WO 2013/072490中所述的“SmartX”测试、使用扼流阀或气举变化的多速率测试、井完整性测试、井下安全阀(DHSV)-循环测试、压力堆积(PBU)测试、气举阀(GLV)测试和流入控制阀(ICV)测试。主动过程事件类别可以包括设备维护和/或气体回流到井中。主动井事件类别可以包括以下一者或多者:结垢挤压(向井中注入化学物质以防止结垢形成),井的再增产(向井附近的油藏注入化学物质以提高产量),井清理流(从生产分离器路由离开井生产以清理井流),和/或关井后加速生产。主动油藏事件类别可以包括由于井的打开而引起的下降压力动态和/或由于井的关闭而引起的累积压力动态。
被动事件类别可以包括被动过程事件、被动油藏/井事件或传感器错误事件中的一者或多者。被动过程事件类别可以包括生产***中的结垢形成和/或设备故障,诸如气体压缩机的容量减少、气举压力降低或***跳闸。被动油藏/井事件类别可以包括生产井和正在钻井的井之间的连通、油藏中的水突破、油藏中的气体突破和/或出砂的突然变化中的一者或多者。传感器错误事件类别可以包括传感器漂移、传感器故障和/或传感器增益漂移。
因此,该方法可以包括在步骤(3)中使用一些或所有上述事件类型和事件类别来对数据集进行分类。
为了确定应该为感兴趣的时间间隔定义的数据集指定哪个类别,则方法可以包括确定针对该数据集存在的资产动态,其中资产动态是在用于一个或多个类别中的数据集的时间间隔内发生的现象或事件。该方法可以包括检查针对数据集存在多个资产动态中的哪个资产动态,然后基于资产动态的组合选择类别。资产动态可能包括以下部分或全部:枯竭、冲洗生产、堆积、下降、由于控制变化导致的管道瞬变、段塞动态、生产***波动和/或油藏组成动态。每个资产动态都存在或不存在,并且可能同时存在多个资产动态。
例如,如果数据集涉及应该被分类为井加速生产的时间间隔,则在井已经关闭并且现在从0%逐渐打开至例如70%的扼流阀开度的情况下出现数据。这可能会持续2个到12个小时或更长时间。该时间段定义了时间间隔,该时间间隔应该分类为“井加速生产”,并将在压缩数据库中生成统计数据的数据集或数据点。该类别的资产动态包括冲洗生产、下降和管道瞬态动态,这是由于在打开井时频繁进行控制更改所致的。在某些情况下,可能存在段塞动态和生产***波动,但可能并非总是如此。此外,油藏可能正在耗尽,并且可能存在油藏组成动态,因为在油田生产时几乎总是存在这些动态(与今天相比,这是其产出与去年不同的方式)。但是,枯竭动态通常很慢,并且在其中发生加速生产事件的2至12个小时的时间间隔内可能会被忽略(假定为常数)。将理解的是,基于定义的资产动态,当存在资产动态的某些组合时,则可以分配类别。因此,确定存在的资产动态可以直接导致在任何给定时间间隔内进行适当的分类。另外,资产动态的某些组合可以指示时间间隔包括多个类别,因此该方法可以包括使用确定存在资产动态的步骤来检查时间间隔是否需要划分为两个时间间隔,使得这些较小的时间间隔中的每个较小的时间间隔都可以给定不同的类别。
除了可能的多个资产动态外,还可以为数据中的相同数据点分配多个类别。也就是说,对于任何给定的时间,可能会有定义重叠的数据集的重叠的时间间隔,其中每个数据集都有不同的类别。在这种情况下,重叠包括完全在较大时间间隔内的时间间隔以及在另一个时间间隔结束之前开始的时间间隔。一些类别与长时间段内发生的事件有关,并且使用具有此类类别的数据集定义较大的时间间隔并不排除定义与较大的时间间隔重叠或在其内的其它时间间隔。例如,如果井被关闭,将生成压力堆积数据集,该数据集可以参考关闭的扼流阀的油藏侧的压力行为来指定合适的类别。但是,可能会同时生成附加的数据集,诸如在相同或重叠时间间隔内的稳态数据集,因为其它井可能仍在生产。因此,在本示例中,可以参考不同井的状态将不同类别分配给数据。这两个数据集可能会重叠,但不一定同时开始和结束。例如,当谈论中的井关闭时并且可能会在几天后(在某些情况下可能长达30天),堆积数据集会立即开始,而稳定生产数据集可以会在关井2小时后开始,当管道动态已经稳定下来时,并且在另一个井/控制点改变后,这可能会在一些小时后(或几天)结束。在这种情况下,这两个数据集在时间上部分重叠,但是关闭的阀将生产***分为关闭的井的一个部分和其余的生产***的一个部分。由于其它原因,可能还会出现多个数据集,数据集相对于时间重叠且具有不同的类别。另一个示例是在很长时间内发生的井加速生产,其中在此期间可能存在其它类别的其它数据集,诸如传感器错误事件。这些其它数据集可能与井加速生产数据集的一个端部重叠,并且也可能在井加速生产数据集的持续时间内开始和结束。
即使对于少量的控制点(例如,仅两个或三个)和简单的流动网络,本文描述的方法也将提供优点。实际上,第一方面的方法可以在其中仅单个流动路径的情况下使用,因为由步骤(3)产生的数据的压缩形式产生的优点以与其中存在更复杂的流动路径网络的情况相同方式适用于该情况,但可能存在较小程度的数据压缩。在一些示例中,流动网络包括被组合的分支,并且因此该方法可以包括在其中已组合多于一个不同分支的流的流动网络的一个或多个流动路径中收集针对一个或多个流动参数的数据。此种情况可以提供附加的优点,即在组合分支之前,可以稍后分析压缩的数据以确定与单独的流动路径有关的信息。
本文描述的方法还可以为覆盖相对较小时间段的数据和/或可以用相对少量的不同类别的数据集进行分类的数据提供优点。但是,应当理解,较长的时间段可以为压缩的数据库提供更多的数据集。因此,该方法可以包括使用覆盖一个月或更长的时间段的数据,或可选地,一年或更长的时间段的数据。该方法可以包括在步骤(2)中识别数据中的至少100个时间间隔,或者可选地,至少1000个时间间隔。在某些情况下,可能会有明显更多的时间间隔,例如2000个或更多的时间间隔。
具有可以被分类为稳定生产的多个类别中的一个类别的数据集的时间间隔可以被定义为比预定最小值更长的时间段,在所述预定最小值期间控制点或流动参数的变化没有超出某个阈值。该阈值可以为零,即要求不会故意改变控制点的状态。
因此,识别要分类为稳定生产的多个类别中的一个类别的数据集可能要求一些或所有控制点保持稳定,例如,其中不改变控制点的设置。这可能是特定感兴趣的控制点集合中的一些或全部控制点(其中在某些情况下会忽略流动网络中的其它控制点),或者在某些情况下可能是会对感兴趣的流动参数产生影响的所有控制点。识别要分类为稳定生产的多个类别中的一个类别的数据集可能要求相关流动参数的期望平均值在此间隔内不应该随时间发生显著变化。例如,可能要求预期时间间隔的第一部分的平均值与第二部分的平均值相比变化不超过10%,优选变化不大于5%,并且更优选不超过2%的变化。第一部分和第二部分可能是预期时间间隔的两个半部,或者它们可能是预期时间间隔的多于两个较小分隔中的两个部分。因此,期望平均值可以是在小于预期时间间隔的总长度的时间段内确定的平均值。替代地或附加地,识别要分类为稳定生产的多个类别中的一个类别的数据集可能要求相关的流动参数源自一个或多个弱固定过程,从而直到二阶的时刻仅取决于时间差。其中,后者要求意味着流动参数的期望值在该时间间隔内不应该随时间显著变化。
在示例方法中,确定流动参数在给定时间间隔内是否不会随时间显著变化可以包括在间隔期间将线性线和二次线拟合到流动参数的所有数据点。线性线将具有常数项和线性项。二次线将具有常数项、线性项和二次项。线性项和/或线和二次项和/或线可以用于确定数据集是否应该分类为稳定生产的多个类别中的一个类别或者其是否应该以其它方式分类。例如,大的线性项和/或二次项可以指示瞬态事件。
如果流动参数的值在整个时间间隔内在预期平均值附近波动,则如果将总间隔分为多个间隔(例如两个间隔),则较小间隔的每个间隔的预期平均值将近似等于总时间间隔的预期平均值。如果其变化相当大,则表明生产不稳定。考虑预期平均值(例如振荡测量值的平均值)还提供了一种方法来识别参数是否源自弱固定过程。在优选方法中,如果任何相关流动参数的测量值具有围绕预期平均值振荡的噪声,该预期值在可能的数据集被分类为稳定生产的多个类别中的一个类别期间显著变化,则该间隔不会被定义为稳定生产,而如果所有相关流动参数的测量值具有围绕预期值振荡的噪声,其中在此间隔内流动参数的预期值没有明显变化,则将其识别为被分类为稳定生产的多个类别中的一个类别的数据集。因此,如上所述,可能要求预期数据集的第一部分的平均值与第二部分的平均值相比变化不超过10%,优选变化不大于5%,并且更优选不超过2%的变化。第一部分和第二部分可能是预期时间间隔的两个半部,或者它们可能是预期时间间隔的多于两个较小分隔中的两个部分。这可以应用于多个流动参数和被分类为控制点集合的稳定生产的多个类别中的一个类别的数据集,并且当控制点的任何控制点都没有变化时,流动参数可以定义为来自时间间隔的数据,并且受控制点影响的所有流动参数均具有预期平均值,其不会随时间变化很大。
识别其间存在稳定生产的时间间隔可以包括要求1小时的最小时间段,诸如从1到24小时范围内选择的最小时间。在某些示例中,识别稳定生产要求在稳定生产时间间隔可以开始之前至少2小时或长达12小时的时间段的设置阈值以外没有更改。优选地,只有在感兴趣的流动参数稳定时,才确保在步骤(2)中识别出被分类为稳定生产的多个类别中的一个类别的数据集。因此,仅当流动参数在由于控制点的变化导致的过渡之后已经稳定时,才可以将定义要分类为稳定生产的数据集的时间间隔视为开始。这允许解决任何动态过渡效果。定义要分类为稳定生产的数据集的时间间隔可能不允许在对其中控制点中的任何控制点进行新更改之后继续。当对控制信号进行更改时,流动参数的期望值将具有过渡周期和偏移。该时段中的数据可能会产生一个或多个时间间隔,其中类别是与不同类型的瞬态事件有关的多个类别中的一个类别。随后,生产可能稳定,并且因此可以找到新的时间间隔,该时间间隔定义了要分类为稳定生产的数据集。
步骤(4)可以包括以表格形式收集统计数据,并且可选地例如经由计算机来存储数据。因此,可能存在从步骤(3)输出的紧凑数据表,并且该紧凑数据表可以采用数据库或类似的形式,其永久地或临时地存储在计算机存储器中。获得紧凑数据表可以包括在步骤(2)中识别其中可以将感兴趣的控制点和流动参数指定为类别中的一个类别的多个时间间隔;在步骤(3)中将类别分配给多个时间间隔的数据集中的每个数据集;以及然后在步骤(4)中提取代表数据集中的每个数据集的统计信息。
因此,在简单的示例中,用于扼流阀开度的不变的数分钟数据点可以用单个稳定生产数据集的统计表示来代替,其中流动参数或具有特定值的流动参数组等同于给定的扼流阀开度组。在更复杂的示例中,从多个时间间隔得出附加的统计数据并将其制成表格以提供表示大量原始数据的紧凑数据表,而不会丢失可能与流动网络的评估有关的任何细节。
因此,可以产生稳定生产和瞬态事件两者的数据表。这可以包括关于稳定生产时间间隔的信息,诸如类别、开始时间、持续时间和/或统计信息,诸如平均值、中位数、方差、常数项、线性项、r平方和/或样本点数量中的一者或多者。它还可能包括有关瞬态事件时间间隔的信息,诸如类别、开始时间、持续时间和/或与瞬态事件有关的统计信息。这种统计方法允许对原始数据进行高效压缩,并且还生成坐标集合,这些坐标将控制点的状态与关于绝对值的流动参数的值映射。
获得紧凑数据表可以包括识别其中已经对控制点中的一些控制点进行了调整而其它控制点的状态保持不变的数据区域。调整可以是步长变化,或者它们可以是激励,诸如WO2014/170425中所述的振荡。
该方法可以包括使用在步骤(2)识别的时间间隔评估与流动网络的性能有关的因素。这可以通过基于控制点的状态和基于时间间隔的流动参数生成***的一个或多个局部模型来确定控制点的状态与流动参数之间的关系来完成。在某些情况下,此类模型可以基于时间间隔,其中数据集分类为稳定生产,而没有参考分类为瞬态事件的数据集。可以有利地基于在步骤(4)提取的统计数据来完成关系的确定。由于模型基于经由提取统计数据提供的紧凑数据,这允许高效地处理数据。因此,可以在步骤(4)中使用数据表,以便识别控制点状态和流动参数的绝对值之间的关系,并允许形成表示这些关系的局部模型。例如,局部模型可能能够预测对流动参数上的一个或多个控制点进行调整的效果。
在某些情况下,步骤(4)中数据的压缩不是必需的,并且实际上,也可以直接基于稳态间隔进行关系的确定和局部模型的创建,其中在优选实施中可选地使用步骤(4)。因此,从另一个方面来看,本发明提供了:一种评估石油和天然气流动网络的方法,该方法包括:如上所述的步骤(1)、步骤(2)和步骤(3),可选地步骤(4);通过基于控制点的状态和流动参数为***生成一个或多个局部模型确定控制点状态与流动参数之间的关系以及分类的数据集;并且优选地,使用所述关系来评估与流动网络的性能有关的因素。本方法可能仅使用分类为稳定生产的数据集。
在一个示例中,该方法包括识别在一个或多个控制点中进行导致对一个或多个流动参数进行改变的调整,以及通过基于调整前和调整后的控制点的状态和流动参数生成***的一个或多个局部模型来确定控制点的状态与流动参数之间的关系。这些局部模型可以基于上面讨论的稳定生产数据集,也就是说,可以存在基于紧凑数据表中的数据以及与调整有关的数据的局部模型。有利的是,所述关系可以用于评估与流动网络的性能有关的因素。
该方法可以包括例如通过增加或减少一个或多个流动参数来确定对控制点的一个或多个建议的调整,这将改善流动网络的性能。该步骤可以例如基于如下所述的局部模型和/或如上面描述所确定的关系。该方法可以包括实施建议的调整,并且有利地,这些调整可以随后标记新的时间间隔的开始和/或可以形成用于收集与控制点和流动参数之间的关系有关的数据的调整。然后,可以在本方法中使用此新数据以进行将来的分析。以这种方式,该方法可以以持续的方式诸如经由类似于WO2014/170425中描述的迭代改进过程来用于流动网络的优化。
该方法可以包括获得在试井程序中有用的数据和/或确定与流动网络有关的参数或流速,例如识别来自流动网络的各个分支对流动的影响并估计与那些分支有关的因素。这可以基于如下所述的局部模型和/或如上面描述所确定的关系。其实际示例是在石油和天然气流动网络中确定与不同的生产井有关的流速,其中多个井通过歧管联接并向共同的分离器提供流动。期望能够识别每个井的流速以及诸如气油比(GOR)和含水率(WC)的因素。
方法可以包括确定对一个或多个控制点的一个或多个提议的调整,以便获得关于流动网络的附加数据。然后,所提出的调整可以标记新的时间间隔的开始和/或可以形成用于收集与控制点和流动参数之间的关系有关的数据的调整。然后,可以在本方法中使用此新数据以进行将来的分析。例如,可能在步骤(1)收集的数据中没有足够的数据以允许导出有关特定控制点和/或特定流动参数的信息。因此,该方法可以包括提出在线“实验”,其中进行小的调整以允许获得附加的相关数据并将其用于流动网络的未来评估。
当使用时,识别调整的步骤优选地包括确定具有对流动参数中的一个或多个流动参数的改变的链接的调整,其可以容易地与对控制点的其它调整的影响分开。例如,方法可以包括识别具有允许识别这些调整对流动参数的变化的影响的特征的调整,例如,识别周期性调整,其中如WO2013/072490中所述,可以经由频率分析来确定此种调整对下游组合流的影响。方法可以包括忽略被认为与感兴趣的流动参数的改变不具有可容易识别的链接的调整。
步骤(1)可以包括收集与控制点的状态和流动参数直接相关的测量数据。这种“原始”数据通常由操作员针对流动网络收集到实时数据库中,并且存储为流动网络的运行记录。当前提出的方法允许有效地分析和利用此类数据,由于数据库的较大规模,数据经常未被使用或者仅以低效的方式使用。步骤(1)还可以包括收集与上述参考的测量数据有关的使用观测器获得的数据,例如通过在方法的后续步骤中和如下所述执行更复杂的分析之前应用的简单计算。可以利用各种类型的观测器,例如质量平衡方程、扼流圈模型和/或卡尔曼滤波器。
在步骤(2)中识别的时间间隔可以用于经由局部模型来确定控制点和流动参数之间的关系。当例如经由第一方面的步骤(4)已经确定统计数据时,则也可以使用它。此外,如果已经存在导数信息的识别,诸如如上所述经由稳态导数数据表,则可以将其与稳态信息一起使用。例如,导数信息可以用于向线性模型提供梯度,该线性模型还包括经由稳态信息获得的绝对值。当只有一个绝对值可用时,这可以是有益的。但是,可以设想,在许多情况下,构建局部模型时仅需要使用稳态间隔。
局部模型可以是线性模型,或者是简单的非线性模型。模型可以基于紧凑数据表中的统计数据。可以使用回归分析以便通过将一个或多个流动参数测量值(或相关的输出参数)映射到控制点的状态来使局部模型拟合到数据。可以将神经网络用于创建局部模型。
可以使用线性模型,其中进行回归分析以将线或平面拟合到与一个或多个控制点的调整以及对流动参数的影响有关的数据点。来自稳态数据表的绝对值和来自稳态导数数据表的梯度值的组合也可以用于将线或平面拟合到数据或在多个维度上定义的表面。
如果数据表明合适,则可以使用非线性模型,例如二次模型。在存在足够数据点的情况下,可能的是将二次模型直接拟合到某些关系。但是,优选的是,首先生成线性模型,然后如果数据与线性模型的拟合度不足,则考虑经由非线性元素(诸如二次模型)添加曲率。可以使用最小Frobenius范数模型。
在生成线性模型时,优选对构成模型的方程式进行过定以使得降低测量不确定性。如果在一维或多维中存在低劣或不足的数据,则该方法可以包括消除数据点以实现具有较低不确定性的简单模型。在一个示例中,可以从用于生成模型的输入数据中消除用于太小的调整的数据点或者用于尚未被调整足够次数的控制点。
对于以上讨论的任何方法,控制点可以是能够对流动网络施加受控的调整的任何装置,特别是对网络内流体的流动的调整。调整可以是流体的任何合适的参数,诸如流体的流动和/或压力。例如,合适的控制点可以包括流量控制阀、泵、压缩机、气举喷射器和膨胀设备等。以上方法的基本原理可以与任何设备一起使用,设备可以在流动网络的导管内施加调整。调整不仅需要在流率或压力上进行,而且还可以包括其它参数,诸如在石油和天然气流动网络中使用时的海底分离器中的液位和ESP泵设置。当然,应该根据所应用的调整选择控制点和流动参数,以确保所测量的内容将受到所应用的调整的影响。在石油和天然气生产流动网络中,压力调整将影响流率和压力,但也可能导致温度和含水率等输出变化。
由于该方法被应用到石油和天然气生产流动网络,则控制点可以包括以下一者或多者:扼流圈控制阀;井或立管上的气举阀设置或速率;ESP(电动潜水泵)设置、效果、速度、压力提升等;井下分支阀设置,以下一者或多者的顶部和海底控制设置:分离器、压缩机、泵,洗涤器、冷凝器/冷却器、加热器,汽提塔、混合器、分流器、冷却器等(影响生产的任何设备),以及可以相应地应用这些调整。
所测量的流动参数可以是受在控制点处施加的调整影响的任何参数。因此,流动参数可以包括压力、流率(按体积或流速)、液位或温度中的一个或多个,所有这些参数是可以响应于流动网络的各个分支中的变化而针对组合流动的整个体积而变化的参数。替代地或附加地,流动参数可以包括与流动网络中的流体的特性有关的一个或多个参数,诸如气液比、流动内的某些组分的比率、密度和pH等。在石油和天然气生产流动网络中,流动参数可以例如包括含水率(WC)、生产率指数(PI)、气油比(GOR)、BHP和井口压力、顶面分离后的速率、其它速率测量值,例如海底分离后的水、其它压力,例如歧管压力、分离器压力、其它管线压力、温度(沿生产***中的许多地方)、流速或出砂等。将理解的是,感兴趣的流动参数不一定包括用于流动网络的所有可能的流动参数。相反,流动参数可以包括选定的流动网络集合,其认定为对流动网络的性能较为重要。
流动参数可以例如通过压力或温度传感器直接测量,或者它们可以例如通过基于直接测量的参数的计算来间接测量。
控制点可以包括气举率。优选地即识别气举率的调整值也识别出利用扼流阀施加的调整。
可以相对于多于一种类型的控制点来识别用于确定关系和建立局部模型的调整,并且在一些优选示例中,针对其中在流动网络中可获得数据的大多数或所有控制点识别它们(或在感兴趣的流动网络的一部分中)。这允许评估流动网络对任何可用控制机制中的扰动的反应,因此允许对与流动网络的性能有关的因素进行可能的最佳评估,例如以确定哪种控制点调整将产生最理想的性能变化,或者未来的哪种调整将为评估网络性能提供最有用的附加数据。
出于类似的原因,优选地在步骤(1)中测量多个流动参数,以及特别地,测量对与流动网络的评估有关的大多数或所有流动参数的响应。例如,这可以是与石油和天然气生产流动网络的生产相关的所有流动参数。
当使用该方法来寻找用于改善性能的调整时,则可以通过对流动网络的性能的任何部分进行任何有利的改变来体现对流动网络的性能的改善。在一个示例中,改善包括增加或减少一个或多个感兴趣的输出参数,并且因此,这些输出参数可以是控制点与流动参数之间的关系的焦点。在一些情况下,输出参数可以与其中在步骤(1)为其收集数据的一个或多个流动参数相同,或者它们可以是与那些流动参数直接或间接相关的其它参数。例如,输出参数可能涉及成产体积或质量。改善可以替代地包括改变流动网络的其它方面。
因此,改善可以涉及以下一者或多者:增加或减少一个或多个感兴趣的输出参数,增加确定控制点与流动参数之间的关系的步骤的准确性,调整流动网络的组件的操作参数以增加流动网络的这些组件或其它组件的使用寿命,或者改善上面未列出的流动网络的其它方面。
该方法在一些示例中试图改变以改善性能的感兴趣的输出参数可以是流动网络的任何参数。此种参数可以是在步骤(1)中包括的类型的流动参数,例如,总组合流率或给定生产所需的压力等。在石油和天然气生产流动网络中,感兴趣的输出参数例如可以是整个生产扼流中的压降或总产量。可能只有一个感兴趣的输出参数,或者对***的改善可能与输出参数的组合有关。如果未测量到感兴趣的输出参数,例如流速,则如果已知解析表达式,则可以使用其它输出参数(例如压力和温度)以便通过一阶物理学或通过经验相关性来计算感兴趣的参数。
在备选方案中,其也可以与上述改善附加地(或并行地)进行,对流动网络的改善可以包括调整流动网络的组件的操作参数,以增加流动网络的这些组件或其它组件的使用寿命,优选地不影响流动网络的性能的其它方面。因此,例如,施加的一个约束可能是总产量应保持在给定水平或之上,而另一个约束可能是流动网络的给定部分具有最大流率以避免某些组件过度工作并因此延长它们的使用寿命。
在一些示例实施例中,该方法包括:
(a)在流动网络内的多个控制点处施加预定的激励作为调整,和/或识别在流动网络的正常运行期间对控制点进行的调整,其中多个控制点位于流动网络的不同分支处;
(b)接收一个或多个流动路径中的一个或多个流动参数的变化的测量值,其中不同分支中的多于一个分支的流已组合;
(c)对流动参数测量值进行分析以识别由调整引起的变化,并利用此分析结果来确定对控制点的调整与流动参数的变化之间的所述关系;
(d)确定要在控制点中的一个或多个控制点进行的调整以改善流动网络的性能和/或提供有关流动网络运行的其它数据;
(e)对流动网络的控制点进行确定的调整;以及
(f)可选地,一次或多次地重复步骤(a)至(e),从而迭代地改善流动网络的性能和/或迭代地建立有关流动网络的运行的知识。
在步骤(e),方法还可以允许进行由流动网络操作员决定的替代调整的可能性,使得如果情况需要,则操作员可以重载提议的调整。通过使用操作员决定的调整,可以实现流动网络的性能改善或有关流动网络的运行的数据,并且可以将其合并到用于持续评估流动网络的***中,尤其是在迭代地反复过程时。方法可以从任何调整中导出附加信息,无论是通过先验分析提出的还是纯粹基于操作员的决定而输入的。方法可以迭代到用于流动网络的运行的优化解决方案,其具有操作员决定的调整和基于分析提出的调整的组合。
步骤(c)中的分析包括创建局部模型,该局部模型可以是诸如局部线性模型的简单模型并且可以如上所述。然后,可以在确定步骤(d)中优化该模型以识别要应用于控制点的最佳调整。
步骤(c)可以包括创建局部数学优化问题以计算一个或多个控制点的调整,并且在这种情况下,步骤(d)可以包括解决该优化问题以便确定所需的调整。
当方法包括被施加为激励的调整时,则激励可以采取任何合适的形式。可以将不同的实验模式用于激励,诸如逐步变化、线性模式和正弦变化。然后,可以使用步骤(b)和(c)的测量值和分析从这些实验的结果和/或历史数据中识别的合适激励中提取模型,并且可以将这些模型用于执行步骤(d)。不同的实验模式具有不同的利弊。例如,逐步变化比正弦模式更容易实现,而正弦模式可以比步距变化更容易且更精确地进行分析。
在优选的实施例中,激励是在已知频率下施加的振荡。优选地,在多个控制点的不同控制点处施加的振荡处于不同的测试频率,并且在步骤(c)中,对所测量的流动参数进行频率分析。因此,可以与频率分析并行地施加振荡,从而允许识别由不同控制点的激励产生的响应。这允许获得流动网络的模型以用于确定在步骤(d)进行的调整。特别地,所应用的技术优选地类似于由Sinvent AS和挪威科技大学(NTNU)在WO 2013/072490中讨论的技术,该技术提出了使用振荡来监测石油和天然气井。
本发明延伸到通过上述任何方法产生的数据,例如其可以包括紧凑数据表。由于其结构和内容以及由于其中生成数据的过程,该数据具有新颖性和创造性。本发明还延伸到根据上述方法产生的局部模型或多个局部模型。可以将数据和/或局部模型存储在例如计算机存储器或其它存储介质上。
本发明的另一个方面是使用通过上述任何方法产生的数据,例如在控制或评估流动网络中使用紧凑数据和/或局部模型。
从另一个方面来看,本发明提供了一种用于评估一个或多个控制点的石油和天然气流动网络的数据处理装置,该装置包括:数据分析设备,其布置成执行第一方面的方法。因此,数据分析设备可以布置成(1)在一段时间内收集数据,其中数据与流动网络内的不同分支处的多个控制点的状态以及在流动网络的一个或多个流动路径中的一个或多个感兴趣的流动参数有关;(2)识别数据中的多个时间间隔,其中在此期间可以将控制点和流动参数指定为类别,该类别选自与不同类型的稳定生产相关的多个类别以及与不同类型的瞬态事件相关的多个类别,其中数据因此包括多个数据集,每个数据集由多个时间间隔中的一个时间间隔构成;(3)将多个类别中的选定类别分配给由多个时间间隔构成的多个数据集中的每一个数据集;以及(4)提取表示步骤(2)中识别的部分或全部数据集的统计数据,从而以紧凑的形式表示来自步骤(1)的原始数据,该原始数据包括在步骤(3)中分配给每个时间间隔的类别的细节。
类别可以涉及如以上关于第一方面所讨论的事件。控制点和流动参数可以如以上关于第一方面所讨论的。可能有多个控制点,并且这些控制点可能位于流动网络的不同分支处。装置可以布置成执行以上关于第一方面及其可选特征所阐述的任何或所有方法步骤。例如,装置可以布置成确定在每个时间间隔内存在资产动态组中的哪一个资产动态,以便由此为由时间间隔构成的数据集选择合适的类别。
因此,数据分析设备可以布置成生成紧凑数据表,可选地以如上所述的紧凑数据库的形式。数据处理装置可以包括用于存储紧凑数据表的适当的数据存储设备。数据处理装置还可以至少临时地存储一些或全部收集的数据。
本发明还可以提供一种数据处理装置以用于执行上述任何其它方法方面的方法。
因此,一个替代方面提供了一种用于评估石油和天然气流动网络的数据处理装置,流动网络包括多个分支和多个控制点,其中多个控制点位于流动网络的不同分支处;该装置包括:数据分析设备,该数据分析设备布置成:执行上述步骤(1)、步骤(2)和步骤(3),并且仅可选地执行步骤(4);通过基于控制点的状态和流动参数为***生成一个或多个局部模型确定控制点状态与流动参数之间的关系以及分类的数据集;并且优选地,使用所述关系来评估与流动网络的性能有关的因素。
数据处理装置可以包括用于控制控制点的状态的控制器。控制器可能能够通过将控制信号发送到控制点来控制控制点的状态以应用调整。在一些优选实施例中,该装置包括控制点,控制点可以位于分布在整个流动网络中的点。替代地,控制点可以是不同装置的一部分,同时可以由控制器直接或间接地控制。
控制器和数据分析设备可以是分开的,或者它们可以组合成单个设备,例如计算机设备以用于控制流动网络和分析流动网络数据。
从又一个方面来看,本发明提供了一种计算机程序产品,计算机程序产品包括用于在数据处理装置上执行的指令,该数据处理装置布置成接收与流动网络中的控制点和流动参数有关的数据;其中,指令在执行时将配置数据处理装置以执行上面第一方面或上述任何替代方法方面所述的方法。
计算机程序产品可以配置装置以执行如以上列出的任何或所有优选特征中的方法步骤。数据处理装置可以包括以上针对第二方面的装置或上述任何替代装置方面所讨论的特征。
附图说明
下面参考附图仅以举例的方式讨论某些优选实施例,其中:
图1是示出用于评估流动网络的所提议的***的图,其包括该***的示例应用;
图2示出了示例性流动网络,其采用石油和天然气生产***的形式;
图3是示出图2的生产***中的两个井的出口气体速率和扼流阀设置的一个月的测量数据的图;
图4示出了根据示例性优化***的在图3的数据中的稳定生产数据的间隔的识别;
图5示出了线性模型,其用于根据图3的扼流阀设置的未来变化来预测天然气产量的未来变化;
图6示出了图5的线性模型的不确定性的测量;
图7将图5的线性模型的预测与相同的扼流阀变化产生的实际数据进行了比较;
图8是图7的一部分的近视图;
图9示出了将压力数据分类为瞬态事件类别的数据集和稳定生产类别的数据集的示例;以及
图10示出了将时间间隔分类为瞬态或稳定的以及资产动态的识别。
具体实施方式
石油田间作业中的主要挑战是确定每天的生产策略。这同样适用于其它类似流动网络的控制。在日常运营中做出高质量决策是确保复杂生产***安全有效运行的关键。技术飞速发展,并且石油生产资产的传感器和控制***可提供的数据量逐年增加。这为当今需要大量人工干预的自动化流程开创了机会窗口。本文中提出的***旨在成为一种可靠的机制以用于收集和有效地记录数据,然后可以以各种方式使用该数据,例如评估或改善流动网络的性能。以这种方式,在这种复杂的生产环境中,记录的数据可以更有效地用于协助决策。将操作员和生产工程师的专业知识与这项技术相结合可以处理当前尚未开发的生产潜力。参考石油田间作业来描述***,但是将理解,相同的原理适用于其它行业。
所提出的方法的一种应用是优化生产率。由于多相流动***的巨大复杂性,当今可用的优化解决方案依赖于高级模拟器。因此,最新的优化软件容易受到模拟器中误差的影响,并且因此依靠经验丰富的生产工程师的深厚专业知识才能准确地模拟生产***。由于时间在日常生产计划中至关重要,因此输入模拟器的数据通常过时且不准确。因此,由于它费时、不准确并且在许多情况下是不正确的,石油公司体验了当前最新优化软件。所有石油公司或多或少都具有典型的数据流和决策过程,其如下所示:
1、来自生产装置(例如离岸)中的控制***和传感器的实时数据流。
2、实时数据存储在实时数据库中。
3、通过数据分析对实际问题进行建模,其由专家工程师进行调整以确保其正确反映情况。
4、该软件将数学优化算法与模型结合使用以最终获得生产工程师可以应用于生产***的推荐。
最新优化方法涉及生产工程师在步骤2和步骤3之间进行大量手动输入以改善低质量数据集,并且其需要步骤3和步骤4以运行复杂的优化算法。
由于复杂性、具有适当能力的人的稀缺性以及人为错误的风险,一些石油公司无法使用其软件。他们被迫采用一种折衷的方法,其中工程师在不使用仿真或优化模型的情况下基于实时数据流执行合格的猜测。在没有有效的决策支持***的情况下,可以掩盖大量的生产损失。因此,石油公司需要一种更简单且更自动化的优化软件,该软件提供有效的决策支持,而又无需大量、费时且容易出错的人为干预。
本文所述的示例***可以分析和处理传感器数据以便自动为决策者提供动态的“最佳实践”推荐,并在不关闭生产的情况下为单独的井计算关键的井参数。有利的功能包括:在线实验以用于增强数据中的信息内容,更好地利用历史和实时生产数据,简单的自动更新模型以及智能简化生产优化问题。该提案增加并建立了在WO2013/072490和WO2014/170425中描述的有关记录数据的改进,以及可选地在试井和生产优化的背景下使用该数据。可以将该技术实现为在线解决方案,该解决方案允许在试井期间进行连续操作并每天给出实时建议以进行优化。
***从生产安装中接收历史数据和实时数据,并将数据存储在数据库中。在生产优化的示例中,分析此数据以自动生成用于调整生产变量的推荐和/或用于在线实验的建议,这些建议可能与WO2013/072490和WO2014/170425中提出的建议相同,但也可能包括替代测试,例如使用不同类型的激励。这些建议被呈现给用户,用户可能是生产工程师和/或操作员,并且他们可以根据自己的判断来决定他们如何实施建议。通过用于生产装置的现有控制***来实现所需的生产变更和/或实验,并且记录生产参数对变更/实验的反应以用于该过程的进一步循环。因此,该***可以用于迭代改进和持续优化。
该***的另一个示例用途是识别并减少对流动网络完整性的潜在风险,从而减少停机时间,并因此通过最大限度地增加开机时间来增加产量。
图1中使用石油和天然气生产作为示例说明了建议的数据流和决策过程。石油公司每天都会将有关其生产***的大量数据存储到其实时数据库中。这些数据为石油公司提供了宝贵的反馈,并提供了机会来优化地操作生产***。但是,他们倾向于统一地操作生产***,其中几乎没有变化或变化不明显。因此,大量数据不一定意味着高信息含量。通过更频繁地调整生产***的控制变量并进行较大的变化,生产工程师可以增强数据的信息内容。本文描述的技术可以为此类调整提供建议。该技术将建议可以引入特定于井的控制变量(诸如扼流圈、气举率和/或潜水电泵)的更改,以增加数据流中特定于井的信息。建议的更改范围可以从单步长变化到完整的振荡测试。
当使用振荡技术测试多个井时,在整个生产***中,每个井都可以被给与其自己可识别的占地面积。通过将精确的变化施加到例如特定井的扼流圈设置,通过产生移动通过整个生产***的正弦波,产生这种占地面积。每个井的正弦波的频率不同,使得当所有井的流动向下游汇合时,它们可以彼此分离。所提出的技术能够通过应用常规频率分析来提取该信息。
所提出的***处理存储在实时数据库中的历史数据以及流到数据库中的实时数据。目的是,以更紧凑的形式收集和保存在所谓的紧凑数据库中的有关生产***的相关信息。统计分析用于计算稳态生产间隔的统计信息,即当***控制没有变化(例如,石油和天然气网络中的扼流阀没有变化)时,其中数据代表绝对稳定状态下的流动网络状态的间隔。下面更详细地描述用于识别稳态生产间隔的方法。此类信息提供了控制变量的绝对值和稳态间隔值的绝对平均产值之间的链接。在发生变化的情况下,可以获得***的导数状态的信息。例如,在将振荡或重复的步长变化引入***控制的情况下,可以进行频率分析(例如傅立叶变换)以用于获得稳态导数信息。在这些情况下,绝对值信息不可用于特定于井的测量值,但是可以有用地获取导数信息以表示由于***控制变量的更改而对***输出产生的影响。在这种情况下,保留导数状态信息。
所有生成的感兴趣的信息都存储在紧凑数据库中,如下面更详细地说明。存储的信息包括从由感兴趣的时间间隔构成的数据集中提取的统计信息以及每个数据集的类别。类别可以如上所述,并且因此可以包括与稳定生产有关的类别,诸如:稳定稳态生产;通过一个或多个井的冲洗生产的稳定生产;其中存在段塞动态的稳定生产,诸如套管前进、严重段塞或其它段塞动态;以及包括出砂的稳定生产。类别还包括与瞬态事件有关的类别,其包括一个或多个主动事件类别,诸如:试井事件、主动过程事件、主动井事件和/或主动油藏事件;和/或一个或多个被动事件类别,诸如:被动过程事件、被动油藏/井事件或传感器错误事件。
类别的选择包括通过确定数据集中存在哪些资产动态的组合来确定适用于给定数据集的类别,其中资产动态是在用于一个或多个类别中的数据集的时间间隔内发生的现象或事件。在示例实施例中使用的资产动态可能包括以下部分或全部:枯竭、冲洗生产、堆积、下降、由于控制变化导致的管道瞬变、段塞动态、生产***波动和/或油藏组成动态。
在现有技术中,使用资产态或类似概念,但是这些由检查测量值数据以找到感兴趣的时间跨度的工程师手动确定。示例:为了确定合适的试井开始时间,工程师可能会检查压力信号以查看压力信号何时稳定下来并将其作为起始点。
所提出的方法中使用的分类包括检测所有可能的主动资产动态的全部或子集。它包括两个主要步骤。首先,将单个信号行为分类为宽泛的组,其包括稳定、振荡或瞬态。这些信号行为类型可以共同称为信号行为特征。其次,组合这些信号行为特征,并应用逻辑规则来确定在给定时间点哪些资产动态是主动的。除了稳定、振荡和瞬态信号行为特征外,其它行为还可能包括各种程度的故障,诸如丢失数据或错误值。信号可以是原始数据测量值,导出信号(诸如流率之和)或估计信号(诸如卡尔曼滤波器的输出)。信号分组为控制信号(即操作员可以更改以改变网络行为的信号,诸如扼流圈控制阀或气举率)和状态信号(即压力、温度和速率)。
定制分类器以匹配石油和天然气资产中发现的信号行为特征。此类特征的示例是:
·具有离群值的分段常数信号,但没有噪声,诸如扼流。这些信号的采样率可能较低(两次采样之间间隔几分钟)。
·动态、高精度、低噪声的信号,诸如压力和温度。这些信号通常具有较高的采样率(两次采样之间间隔几秒钟)。
·动态的高干扰信号,诸如流率。这些信号通常具有中等的采样率(两次采样之间间隔几秒到几分钟)。
卷积神经网络和/或LSTM-Net结合信号特定的预处理用于构建合适的分类算法。为了对每个样本进行分类(例如稳定、振荡或瞬态),分类器必须查看周围的样本以确定其上下文。由于不方便同时查看所有数据,因此使用了加窗方法。此上下文窗口的大小必须根据信号行为和资产动态来定标,例如以分离瞬态和振荡,上下文必须足够大以捕获振荡周期。窗口内的所有样本均已分类,但中间样本将比朝向边缘的样本更为确定。对于每个样本,还返回针对分类信号行为的确定性或不确定性测量。
如果要确定在某个特定时间点上哪些信号行为或资产动态是主动的,则自然的是,该时间点将位于上下文窗口的中间。但是,可以使用的不止于中间点。
如果在滑动窗口方法中使用分类器,则自然会在每次迭代中仅保留中间样本。在实时应用中,可以对最新样本使用分类,但是用户必须注意,当新数据到达时,可以更改分类。
信号行为分类的一般框架/算法概述如下:
1、在上下文窗口中获取样本
2、进行预处理(例如,重新采样以统一采样率)
3、对窗口中的单个信号数据运行分类算法,并对所有数据点进行分类/标记
4、返回/存储标签信息,即,稳定、振荡、瞬态以及可选地此标签的统计确定性(对于中间样本或所有样本)
5、可选的:推进窗口并以实时设置重复。
当已知信号行为特征时,将应用逻辑规则来确定在给定时间点哪些资产动态是主动的。对于不同的信号行为特征,逻辑规则可能不同。一旦已知给定数据点或数据集的主动资产动态组合,便可以分配合适的类别。可能存在与主动资产动态的每种可能组合相关联的类别。类别的指示与和数据集有关的统计数据一起存储在紧凑数据库中。
有效地,紧凑数据库是一种压缩形式的数据,其示出了原始数据中的感兴趣的信息,但由于统计信息表示原始数据中的时间间隔,因此总体上需要的数据要少得多。因此,可以保留和处理大量的历史/记录数据,其中对所需的数据存储量和数据处理能力的负担却少得多。
紧凑数据库中的信息使能各种其它步骤,例如在几个基于模型的应用区域内识别和调整简单数据驱动的线性或二次输入-输出模型。此类模型可以提供流动网络各方面的表示,并允许预测提议的对控制变量的更改将如何影响流动网络的性能。基于添加到紧凑数据库的最新信息,应用的输入输出模型将不断更新。
生产改进是一种高级应用。尽管传统的优化策略利用高级模拟器并旨在立即寻求全局最优解决方案,但紧凑数据库中的信息可以用于构建局部输入输出模型,其中重点在于导出信息。这些模型可以完全由数据驱动,或者它们可以通过一阶物理模型(诸如守恒定律(例如质量守恒))进行增广。然后,可以使用该模型来优化当前操作点附近的生产,以提供新的和改进的操作点。
使用连续参数估计和模型校准还使得实现其它基于模型的应用程序,否则这些应用程序将很繁琐或容易发生较大错误。例如,由于井相关信息(和最新的扼流圈模型)具有更好的准确性,因此可以使速率估算和/或气油比(GOR)和含水率(WC)近似。这使能参数的有效估计/计算,参数直到现在只能通过建立并行且独立的测试生产***或通过一次关闭一个井来执行。
图1中可以看出使用石油和天然气生产网络的示例***的主要特征。生产工程师为网络设置控制变量。在步骤1,操作更改和/或实验导致***受到激励并且资产动态发生更改。提议的***使用生产***中已安装的设备和软件从传感器获取数据,并将该数据传递到步骤2和步骤3中的实时数据库。将理解的是,尽管附图示出了来自三个井的扼流值,但实际上通常可能存在更大数量的井,并且可以记录其它数据以及扼流值,例如流率、压力和气举等。图2示出了更复杂的流动网络的一个示例。图1中的步骤1至步骤3涉及可能已作为石油和天然气生产网络的一部分安装的设备。
下面详细说明的算法用于在步骤4连续评估实时数据库并将统计数据存储在紧凑数据库中。紧凑数据库的不断更新的内容使能自动输入输出模型识别和步骤4和步骤5之间的调整,例如以获得局部优化模型、局部参数模型和局部生产率模型。在步骤6a和步骤6b中示出了此类输入输出模型的某些可能应用,并且可能包括生产优化、参数(GOR、WC)估计、速率估计和测试生成。测试生成是指为了增强数据流中信息内容的目的而提出的振荡测试和/或步长变化的建议。为了提高***性能的目的,可以提出其它变化。紧凑数据库中的数据还可以用于其它目的,诸如,以允许在过去的数据中搜索特定事件或事件组合。
可以将图1中所示的方法的应用分为基于紧凑数据库的应用(如步骤6a)和基于局部模型构建的应用(如步骤6b)。
在步骤6a中,示出了以下可能性:
数据聚合器
这使能将全部或部分聚合信息数据库导出到例如excel或其它软件。可以对所有以前的生产配置执行此操作,可以将所有相关测量值的平均值和其它统计信息导出到excel以进行进一步分析。还可以导出紧凑数据以例如用于调整例如模拟软件中的模型参数,诸如GAP、K-Spice++。
试井优化器
通常,通过使用带有相关测试分离器的专用测试流动线来测试井。在此类试井过程中,生产工程师可以监测当前稳态间隔的统计信息,并且可以将更新的不确定性和稳定性信息用于动态确定试井的最佳长度。可以使用稳态分析来找出案例的稳定性和不确定性何时达到可接受的水平,并从而自动完成测试。
演绎测试优化器
通常通过演绎试井测试没有专用测试流动线的海底井。这意味着试井已关闭,并且共用的流动线中的最终变化用于计算试井的影响。生产工程师可以在关闭之前和之后监测稳态间隔的统计信息,以确保信息的质量足够高并优化关闭井的时间。在预关闭和关闭间隔期间,都可以随着时间的流逝和新数据的存在而实时更新稳态间隔的统计信息。稳态间隔的实时统计信息可以用于确定何时将其关闭以及何时将其打开,从而使测试尽可能短,但其中参数具有可接受的不确定性。
评估生产设置
来自紧凑信息数据库的数据可以用于可视化不同稳态间隔或生产设置之间的变化/差异的概述。此类可视化可以带来相关信息,并减少在历史数据库中进行手动检查的需要。此外,该应用可以用于实时评估对控制点所做的最后更改的效果(以与演绎测试优化器应用有些相同的方式)。由于生产数据的波动,需要花费时间来确定以可接受的确定度对控制点进行更改的效果。从最后一个时间间隔(即从控制点的最后一次更改到现在/当前时间的间隔)提取的统计信息可以随着时间更新并不断地用新数据实时进行重新计算。通过这样做,随着时间的流逝,通常获得更好的流动参数估计,其具有较小的不确定性。通过将其中控制点和流动参数处于稳定状态的数据中的当前时间间隔的连续更新统计信息与先前的时间间隔或任何更早的时间间隔进行比较,可以实时评估控件设置更改的效果。鉴于控制点的更改对石油和天然气流动网络具有不良/不利的影响,因此该应用应该使得人们能够比当前解决方案更早地得出结论,并从而减少其中生产***运行不利的时间。
生产搜索引擎
可以经由合适的搜索引擎实现紧凑数据库,以使得生产工程师能够在紧凑的信息数据库中搜索某些设置、行为或事件。
研究时数据驱动的内容
通过查看紧凑数据库中包含的历史信息,用户可以轻松地探索生产***对控制设置的更改的响应。
在步骤6b中,图中示出的应用是:
约束平衡
基于紧凑数据库建立局部模型,其中目的是在***的不同约束之间取得平衡。这意味着一次解决了一个瓶颈/约束以便提供一种简化的优化方法。例如,可以根据其对目标的影响(例如,无论什么应该被最大化)与对约束的影响(例如,限制生产的任何瓶颈)的比率对生产井进行排序。
生产优化
基于紧凑数据库建立局部模型,其旨在优化生产。这意味着同时考虑多个瓶颈/约束。
井状况
可以基于紧凑数据库中的信息将局部模型用于异常离群值的自动检测。例如,该算法可以检测例如压力和温度是否正在超出“正常”行为,即,与历史行为不符。
生产***测试生成
紧凑数据库可以用于计算最佳实验,即对控制的更改,使得紧凑数据库可以添加新的补充数据。目的在于,其它应用将具有更好和更丰富的数据基础,例如改进了对GOR的估计,或者局部输入输出模型在其参数上具有较小的不确定性。
生产工程师从步骤6a和步骤6b接收建议,并且可以选择实施适当的调整以控制生产***的变量。随后,此类变化在步骤1变为重复循环的新激励。
作为示例,将在下面参考石油和天然气生产装置来更详细地描述所提出的方法。生产资产通常包括产出到海底和顶部处的多个歧管/集管的大量井,并且每个海底歧管还通过一个或多个立管将流动引导到顶部。有时,顶部井可以路由到几个顶部集管中的一个集管。此外,有时可以将产出到海底歧管的海底井路由到连接到该歧管的多个立管中的一个立管。对于其它配置,井在正常生产期间始终会产生一个特定的集管或立管。
通过参考图2中描绘的特定***,可以支持下面某些讨论。此示例生产***具有分布在三个立管V、O和G中的六个歧管。立管V具有一个歧管,其带有四个井槽V1至V4。立管O具有三个歧管,每个歧管具有四个井槽O1至O4、O5至O8和O9至O12。立管G上存在带有四个井槽G1至G4的一个歧管盒带有一个井槽G5的一个歧管。在此示例中,立管G处的歧管主要具有天然气井,而其余歧管则具有更多的富油井。
每个立管的端部都有分离器。在正常生产期间,来自歧管G1至G4和G5处的天然气井的流动经立管G引入分离器G,来自歧管O1至O4、O5至O8和O9至O12的油井的流动经立管O引入分离器O以及来自歧管V1至V4的井的流动经立管V引入分离器V。***的所有测量点均在图2中标记。分离器G具有气体测量值和液体测量值,分离器O具有水测量值,以及分离器V具有所有三个天然气测量值、石油测量值和水测量值。此外,两个出口测量值测量整个***的石油和天然气总产量。
生成关于生产***的大量的原始数据,诸如石油和天然气生产***。来自控制***和传感器的连续数据流被传递到实时数据库并进行存储。但是,数据通常包含测量噪声、峰值、瞬态周期、***波动和其它无法识别的影响,从而很难通过视力提取数据的本质。因此,对于大多数石油公司而言,大部分此数据都是未使用的。
所提出的方法处理关于生产***的可用数据以收集相关信息并生成紧凑的高质量信息数据库。关于生产***的数据存储在实时数据库中。可以通过“观测器”来富集数据,即可以提供虚拟测量值以添加到实时数据的简单计算等。所有这些数据共同构成数据源,因此数据可能包括历史(先前获得的)数据以及实时(实时的)数据。注意的是,在执行当前提出的过程之前收集的较旧数据可以与更新的“新鲜”数据一样使用,例如,在此过程进行时收集的数据,并提供有关***操作更改的输入。
算法会识别适当的时间间隔,将这些时间间隔中的数据分类,然后根据数据源分析和计算高质量的统计信息,并将其存储在新的紧凑数据库中,该数据库是原始数据的压缩表示。该过程将实现自动化,因此将持续地评估流到实时数据库中的实时数据,并将新信息添加到紧凑数据库中。
信息源(传感器)的数量因生产***而不同。信息源可以分类为两种类型:控制信号和输出测量值。控制信号通常可能包括扼流圈位置、气举率和路由设置。工程师可以直接调整这些控制,并且根据对它们进行的更改,输出测量值也将更改。通常,压力和温度传感器位于井的底孔中、井口处以及立管的每个端部处。生产***通常具有多个分离器中的一个分离器,从而以固定压力将流分离为石油、天然气和水。收集在分离器中的产品可能来自立管、顶井或两者。在正常生产率下,仅在分离后才能获得信息,并因此通常仅同时用于几个井。但是,在定期进行试井后,通常会找到特定于井的生产率。在试井期间,通过关闭井并测量前后总产量的差异或者将井路由至测试分离器来测量井的特定生产率。
在对数据执行复杂的数学和统计分析之前,可以通过经由简单的计算或“观测器”找到的虚拟测量值来富集数据基础。可以使用几种类型的计算或观测器,诸如质量平衡方程、扼流圈模型和卡尔曼滤波器。
质量平衡方程:当已知生产***的拓扑结构时,可以使用质量平衡方程来为未测量的单相生产蒸汽创建虚拟测量值。为了做到这一点,必须存在足够的其它流动测量值来以使方程组具有一种可能的解决方案。对于图2的生产***,存在此种情况。考虑在联合出口流中聚集的总石油流量。给定分离器G的液体和气体测量值,更高级的观测器计算出来自立管G的石油和水流量。通过质量平衡方程,这进一步使得能够计算出来自立管O的石油和天然气流量。因此,将为来自立管G的石油和水流量以及来自立管O的石油、天然气和水流量创建虚拟测量值。如果两次测量值之间存在时间偏移的问题,则应在质量平衡观测器方程中考虑到这一点。
也可以使用质量平衡方程来为多相流量创建虚拟测量值,但是必须满足某些要求。所有测量值的压力和温度条件必须相似,并且联合流中的烃成分必须相同。
扼流圈模型:此类模型可以用于估算通过井的扼流圈的生产率。扼流圈模型通常将扼流圈周围的测量值(诸如压力和温度)作为输入,并返回通过扼流圈产生的石油、天然气和水比率的估算。但是,扼流圈模型很复杂。另外,模型通常需要有关某些流体特性的信息等等,此信息并不总是可用的。应根据流量是不可压缩的还是可压缩的以及是亚临界的或临界的来使用模型的变化形式。如果扼流阀模型以及必要的测量值和信息可用,则可以为特定于井的生产率创建虚拟测量值。
可以为图2中的生产***给出示例。观测器用于计算缺少的顶部测量值,以全面了解每个立管产生的相。给定分离器G的液体和气体测量值,观测器计算出来自立管G的石油和水流量。通过质量平衡方程,这进一步使得能够计算出来自立管O的石油和天然气流量。换句话说,立管中的每个立管及其连接的井的边界条件是固定的,即在油藏和分离器中压力是固定的,并且在每个立管的出口处具有关于石油、天然气和水流量的信息。因此,可以将具有连通井的三个立管视为三个不同的隔离子***,并且例如,可以为每个立管建立自主***模型。
在本文中,数据源是指用于生成紧凑数据库的数据基础。这意味着可用于所有控制信号的所有历史和实时数据,所有输出测量值以及由观测器计算出的所有可能的虚拟测量值,例如:来自未测量的立管的流率。由数据库挖掘算法对来自数据源的数据进行处理,以生成紧凑数据库。
数据库挖掘算法将用于真实测量值和虚拟测量值的大量数据转换为仅包含相关和重要信息的压缩数据。本文描述了几种不同的数据库挖掘算法,其包括稳态绝对提取算法和稳态导数提取算法。这些算法可以识别和分类数据集,其中数据与稳定生产相关的类别有关。其它类别的数据集可以通过这些算法的其它特征或通过体现在单独算法中的例程进行识别和分类。算法分析了生产***的相关控制信号的数据以映射某些规格的间隔。它们可以使用本文所述的资产动态以便按时间间隔对数据分类。对于所有时间间隔,计算有关相关输出测量值的统计信息或导数信息。如果生产***由两个或几个子***组成,诸如由关闭的阀分隔开的两个子***,则将为每个子***运行算法。
某些***可以分为具有固定的边界条件的多个子***。固定的边界条件意味着在所有边界处的压力和在所有边界出口处的速率测量值都是固定的。第一条件确保子***内的压力变化不会相互作用,这意味着子***的生产率仅受到对子***的控制信号做出的更改的影响。第二条件确保始终知道子***的总生产率。可以通过实际测量值或由观测器发现的虚拟测量值给出边界条件。此类子***的一个示例是成组的井,这些井产生给定的立管以将流引导到单独的分离器。通过分离器的速率测量值以及油藏中和分离器入口处的固定压力来给定边界条件。如果可以将***分为多个独立的子***,则对于生产优化、参数估计和其它计算而言可能是有益的。
稳态提取算法映射绝对稳态生产的时间间隔。通过绝对稳态生产,我们指的是感兴趣的子***的所有控制变量都已保持稳定。对于每个间隔,通过统计分析找到有关子***的相关输出测量值的统计信息。稳态导数提取算法将引起的振荡或其它步长变化的时间间隔映射到子***的控制变量。仅当稳态导数信息可用但稳态绝对值信息不可用时才关注间隔。这意味着无法通过有限差分找到导数信息。因此,对于每个此类间隔,通过频率分析找到导数信息。
关于一个间隔的信息称为案例。定义了两种案例,稳态(绝对)案例和稳态导数案例。对于每个相应的子***,都有一个表保存所有稳态案例以及一个数据表保存所有稳态导数案例。对于每次运行,这两种算法维护相应的子***的数据表并添加新案例。首次运行时,算法会评估所有可用的历史生产数据。随后,算法将连续运行以评估可通过数据源获得的新的实时数据并“即时”修改新案例。与较旧的历史数据相比,可以通过增加新的观测器来增强新的实时数据。两种算法都分两个步骤来实施,其中步骤一确定待收集数据的间隔,以及步骤二从选定间隔中收集相关信息。
给定来自动态子***的真实测量值和虚拟测量值的数据源,可以通过分析稳态间隔并提取相关统计信息来找到稳态案例。识别稳定状态可能要求所有控制点保持稳定,例如,其中不更改控制点的设置。尽管控制点已保持稳定,但流动参数仍可能处于过渡状态。此外,如果存在未由控制点状态涵盖的变量,并且这些变量中的一种变量发生变化并影响流动参数,则***将被视为未处于稳定状态。识别稳态间隔可能要求相关流动参数的期望值在此间隔内不应随时间发生显著变化。替代地或附加地,识别稳态间隔可能要求相关的流动参数源自弱固定过程,从而直到二阶的时刻仅取决于时间差。其中,后者要求意味着流动参数的期望值在该间隔内不应该随时间显著变化。
对于给定的随机过程X={Xt},其自协方差函数由γX(s,t)=cov(Xs,Xt)=E[(Xs—μs)(Xt-μt]给出,其中μt=E(Xt)是时间t和s的均值函数。在白噪声的情况下,对于s≠t,γ(s,t)=0。
我们说,如果满足以下条件,则过程是弱固定的:
a)期望值μt恒定且不依赖于时间,以及
b)自协方差函数γX(s,t)仅通过它们的差|s–t|取决于s和t。
在示例方法中,确定流动参数在给定时间间隔内是否不会随时间显著变化可以包括在间隔期间将线性线和二次线拟合到流动参数的所有数据点。线性线将具有常数项和线性项。二次线将具有常数项、线性项和二次项。线性项和/或线和二次项和/或线可以用于确定流动参数是否可以被认为是稳态。
这意味着,如果流动参数具有在整个间隔内都围绕某个期望值振荡的值,即如果将整个间隔划分为例如两个间隔,则每个小间隔的期望值将近似等于总间隔的期望值。如果流动参数具有此测量值,其具有围绕在间隔期间变化的预期值附近波动的噪声,则该间隔不定义为稳态。如果在此间隔内,在井和生产***的输出测量值中未检测到显著/明显的变化,则将其识别为稳态间隔并保存到稳态案例数据表中。如果特定于井的控制信号已经在足够长的时间内保持稳定,则将评估在此期间产生的输出信号。然后,对所有相关信号的样本点进行统计分析。保存到稳态案例的典型信息是有关间隔的常规信息(诸如开始时间和持续时间)以及每个信号/测量值的统计信息(诸如平均值、中位数、方差、常数项、线性项、r平方、样本点数量。如果在此间隔内在并行测试生产***上对井进行测试,则该井与生产相关的输出测量值的统计信息也是保存到稳态案例的信息中的一部分。该案例将添加到子***的稳态数据表中。下面参考图3和图4描述示例。
给定来自动态子***的测量值数据库,可以通过分析间隔来找到稳态导数情况,其中已经对***控制进行了受控更改,并且提取了相关的导数信息。为时间间隔定义了稳态导数案例,其中一些子***控制信号已经发生了振荡/更改和所有剩余的控制信号均保持稳定。如果导数信息可用但稳态绝对值信息不可用,则仅将信息保存到稳态导数案例。一个示例是振荡测试。在此类测试中,在一个或多个控制信号上以有律的频率和固定的幅度有意并及时地进行更改,而所有其它控制信号均保持稳定。在测量值中无法获得有关特定于井的生产率的绝对值稳态信息,但是可以对数据进行频率分析以收集有关特定于井的生产率的导数信息(即梯度信息)。保存到稳态导数案例的典型信息是有关间隔的常规信息和导数信息。常规信息是所有控制信号的开始时间和设定点值。导数信息决定了从哪个控制信号到哪个输出测量值存在导数值,以及它们具有不确定性值。将案例添加到子***的稳态导数数据表中。
下面给出了两种数据挖掘算法。两种算法都规定用于历史数据,但是它们也可以在实时数据上运行。导数/梯度提取仅用于振荡实验。这是因为振荡实验只是我们目前所知的情况,当绝对值信息不可用时,它们会提供有关特定于井测量值的导数信息。
示例1a:生成稳态案例数据表
为图2的生产***生成了稳态案例数据表。对于此特定示例,利用实时数据库中一个月的数据来构建案例数据表,其中案例包含用于一个输出测量值的数据、气体输出的数据和两个控制信号的数据:井G1和井G5的扼流圈的数据。图3示出了所使用的数据集。这是2014年4月20日至2014年5月20日期间的实际生产数据。顶部的图示出了气体出口测量值,以及底部的图示出了在此期间G1和G5的扼流圈设置,在本示例中分别称为井1和井2。在此期间,子***的剩余井的扼流阀没有变化,这就是为什么在此示例中可以忽略所有这些井。
垂直线10左侧的数据通过数据挖掘算法用于数据收集和生成稳态数据表:稳态案例提取。通过步骤1找到稳态案例间隔:图4中示出了算法的间隔的创建。间隔是由垂直线隔开的各个区域12。将会注意到,在控制变量发生变化的情况下,即,存在对井1和井2的扼流圈的调节,则没有稳态间隔。对于每个此类间隔,请执行步骤2:算法的统计信息收集将计算有关气体出口测量值以及井1和井2的控制信号的统计信息。该信息将作为案例保存在稳态案例数据表中。表1表示所得稳态案例数据表的一小部分内容提取。对于案例1,提供了用于气体出口测量值和井1的控制信号的统计信息。
表1稳态案例数据表
表2示出了可以针对与图3和图4所示数据相似的数据生成的类型的典型的稳态导数案例数据表的结构。常规信息是所有控制信号的开始时间和设定点值。为控制信号和输出测量值提供导数信息。为控制信号提供的信息指示其中在哪个方向上提供了导数值,即哪个控制信号方向。给定该导数方向,将为每个输出测量值提供所得的导数值。每个输出测量值的导数都具有不确定性。
表2:稳态导数案例数据表
已经定义了两种类型的数据表:稳态数据表和稳态导数数据表。由生产***的拓扑决定每种类型的数据表的数量。对于生产***的每个可能的子***,可能存在一个稳态数据表和一个稳态导数数据表。所有数据表都保存到紧凑数据库中。
子***的稳态数据表保存了相应子***的稳态案例。为时间间隔定义了稳态案例,其中子***控制信号保持固定,而所有其它子***测量值均保持稳定。有关案例的信息保存在数据表的一个行中。
子***的稳态导数数据表保存了相应子***的稳态导数案例。为时间间隔定义了稳态导数案例,其中一些子***控制信号已经发生了振荡/更改和所有剩余的控制信号均保持稳定。如果导数信息可用但稳态绝对值信息不可用,则仅将信息保存到稳态导数案例。有关案例的信息保存在数据表的一个行中。
在此示例中,紧凑数据库用作四个基于模型的应用的数据基础。其它应用也是可能的,如图1所示。这些应用利用紧凑数据库中的数据来构建局部输入输出模型,其重点是导数信息。四个基于模型的应用是:
·生产优化
·测试生成
·参数(GOR,WC)估算
·速率估算
生产改进是一种高级应用。由于井相关信息(和最新的扼流圈模型)具有更好的准确性,因此可以使速率估算和/或GOR和WC近似。
启动应用时,需要某些信息:1)问题描述,即哪个应用、生产***的相关部件、相关控制信号、输出测量值以及2)给出1后的感兴趣的操作点。细节由用户通过GUI定义,或者由应用本身通过调度程序/触发器定义。基于此信息,通过CDB爬虫/扫描算法从紧凑数据库中的适当数据表中收集操作点周围指定信任区域内的所有相关案例数据,或基于其它选择标准。将数据发送到模型构建算法,该算法识别在给定数据(稳态案例/样本集)的情况下要构建的相关输入输出模型。然后,通过回归技术建立在信任区域内有效的简单线性或二次输入输出模型。这些模型即可以完全由数据驱动,也可以通过一阶物理模型和守恒定律(例如质量守恒)进行增广。
使用问题描述中的结构信息将得到的输入输出模型组合在一起。然后,将完整的模型用于算法中以提供一些特定于应用的输出。下面将根据生产优化应用和测试生成应用详细描述所有应用共有的常规功能。该解释是专门针对这两个应用一起制定的。但是,原则上,它适用于所有四个应用,并且可以很容易地改为适用于所有四个应用。
将有关生产***拓扑,感兴趣的操作点以及优化目标、约束和变量的信息用作方法的输入。在启动生产优化应用时,将定义某些细节:1)问题描述,即希望***优化的部分,以及目标、约束和变量,以及2)感兴趣的操作点。细节可以由应用的用户定义。根据此信息,确定相关变量和必要的输入输出模型。
根据问题描述,从紧凑数据库中的相应数据表中收集围绕提供的操作点的指定信任区域内的所有相关数据。然后,可以使用回归方法建立在信任区域内有效的简单线性或二次输入输出模型。可以通过第一原理(例如,质量守恒)来增强数据驱动的模型以提高预测能力。这些模型即可以完全由数据驱动,也可以通过一阶物理模型和守恒定律(例如质量守恒)进行增广。
在局部优化模型中,目标函数和约束与所得的输入输出模型结合在一起。然后,可以使用该模型来优化当前操作点附近的生产,以提供新的和改进的操作点。然后,运行优化算法以获得可以改善生产的操作更改建议。此方法与常见的最新技术方法之间存在三个重要区别。1)与传统的优化方法不同,此方法是一种生产优化方法,其侧重于较缓的逐步提高生产率,而不是朝着最优解决方案一步迈进。这是与传统的优化方法在石油生产优化中的主要区别,并且其是比常规的优化方法更可靠且更易于接受的在线生产优化。2)同样重要的是,由于优化问题我们寻求找到“稳态”的可能的最佳解决方案。这意味着对于决策的时间范围(例如12个小时至2周),可以认为油藏条件是固定的,即,对于每个井均采用常数PI、GOR和WC进行建模,并且可以忽略管道***的动态并认为其为稳态。可以将生产数据压缩(类似)99%-99.99%,将其压缩到在CDB中汇总的稳态案例(稳态样本)中。随后,CDB将(汇总和压缩的)信息包含在生产数据中,这与该技术试图解决/优化的稳态生产优化问题有关。3)代替(生产)工程师启动优化工作流程,***在后台进行优化,并且在将***更改为该新操作点的潜在好处超过某个阈值时提出该解决方案,即,比起由人员主动决定进行优化,这是自动完成的,并且仅在解决方案可能会提高生产效率时才提供优化的解决方案。
通过两种不同的渠道完成优化应用的启动。第一种是触发器或调度程序。由于有新数据(例如紧凑数据库中的新数据)或新的当前操作点或根据时间设置(例如自上次优化以来的时间或某种时间表),触发器将启动优化应用。触发器与实际操作生产***的人员对问题的了解不同。这就是第二种渠道GUI成为重要选项的原因。在这种情况下,可能针对触发器已经在其上优化的较小的变动或者针对不同的操作点,感兴趣的用户启动优化应用。
为了针对所需的优化启动优化应用,需要有关此特定优化的两种类型的信息。1)有关生产***的信息(例如子***和井)以及2)有关优化问题的信息(例如目标函数和约束)。这使得能够识别相关的测量值和决策变量,并从而识别基本的输入输出模型。
最常见和直观的优化选项保存在触发器中。优化选项指定要针对哪些子***和井进行优化,以及针对哪些目标函数和约束进行优化。根据新数据和时间,将启动特定的优化选项。
感兴趣的用户可以通过更改子***和井的组合以及函数和约束来定制优化。
实施例2
工程师希望从图2的生产***的立管G和立管O的优化生产。
·目的是在满足气体处理能力的同时最大化石油总产量。
必要变量
·立管O的石油和天然气产量
·立管G的石油和天然气产量
·所有孔的扼流圈设置
所需的输入输出模型
·考虑到立管O中的井的扼流圈设置发生变化的立管O的石油和天然气产量
·考虑到立管G中的井的扼流圈设置发生变化的立管G的石油和天然气产量
优化应用依赖于获取操作点作为输入,以便能够选择正确的数据进行模型构建并运行优化。操作点定义了用于数据选择和模型构建的区域的中心,以及关于优化的起点。在大多数情况下,操作点将保存有关当前生产子***设置的信息。但是,在某些情况下,它可能是当前的生产子***设置以外的其它一些生产子***设置,即虚拟操作点。
每次更改生产设置时,都可以获取新的当前操作点。在所有测量值稳定之后,然后通过算法1找到有关稳定生产的必要信息。可以使用其它算法来查找有关其它类别数据的相关信息,诸如与瞬态事件有关的数据。
如果工程师计划很快更改生产设置并希望在更改完成之前围绕这些设置进行优化或者如果优化算法例如建议重新路由(这是较大更改),则可能期望虚拟操作点。在后一种情况下,可能很难或不可能用围绕当前操作点构建的局部模型进行足够的外推。因此,应当建立基于旧数据(即虚拟操作点)的新的/其它局部模型以用于当执行重新路由时***将(可能)变为的方式。
从紧凑案例数据库中提取的数据组合识别并构建简单模型。案例选择算法(2)在紧凑数据库中搜索所有相关案例,并其从每个案例中仅复制给定应用的相关信息。
在问题描述中,给出了目标函数、约束和变量。由此,可以清楚地了解哪些子***信息是必需的,以及哪些输出测量值必须建立模型。给定的操作点和信任区域是用于确定哪些案例是相关的主要因素。例如,对于一个特定的子***,选择位于在操作点处定心的信任区域内的所有案例。从每种案例下复制基本输出测量值的数据和输入控制变量的数据。
可以以几种不同的方式来定义信任区域,定义信任区域的主要点在于,其中提取数据的案例类似于在某个指定维度上的操作点,例如,控制变量值或某些输出测量值。可以通过以下方式指定信任区域:
1、每个井或所有井的案例的扼流值与操作点的扼流值之间的最大距离
2、案例的立管总产量和操作点的立管总产量的最大差异
3、案例的立管压力和操作点的立管压力的最大差异
4、其它。
紧凑数据库爬网/扫描/算法:案例选择。
通过回归算法建立输入输出模型
为了优化生产***,需要描述***行为的模型。将在下面讨论此类***模型的属性及其构建方式。优化问题描述提供了有关目标函数、约束和变量的信息,找到了操作点,并通过案例选择算法(2)从CDB中提取/复制了所有相关数据。优化应用的下一步是使用此信息来构建运行期望优化所需的局部输入输出模型。
***模型或输入输出模型将一些子***的输出测量值结果映射到子***的所有或某些输入信号。例如,输入输出模型用于估计石油立管子***的石油总产量,其取决于子***所有井的扼流圈设置。案例选择算法(2)传送了构建模型所需的所有数据。模型构建算法根据该数据识别应构建哪些模型。由子***的数目以及其中每个子***中其中数据中包含信息的输出测量值的数目确定应当构造的输入输出模型的总数。
由下面的等式(1)给出典型的输入输出模型。对于所有控制信号ui的总数,qo(u)表示例如给定n个控制信号的石油总产量的线性模型。这些模型是通过回归技术构建的。用于一种特定测量值的模型的结构取决于案例选择算法为该特定测量值/输出提供的线性独立案例/样本的数量和几何形状。所得的模型将是为所有或某些控制信号构建的线性模型。模型可以是纯线性的,或者其可以包括某些曲率。如果包括曲率,则非线性项是二次项或是来自一阶物理学的项,在某些情况下,两者都是。在确定模型的结构后,必须通过对t种案例进行回归来找到所有n个控制信号的参数aoi和参数bo,每种案例对于给定的扼流圈u*i的配置i都提供了总的石油生产测量值给定所有可用的案例,可以建立线性方程组,并且可以通过回归找到模型(1)中所有n个控制信号和b的所有参数ai。
qo(u)=ao1u1+ao2u2+…+aonun+bo (1)
通过例如方程(2)的***的普通最小二乘(OLS)通过回归找到(1)的模型参数。给定CDB中的数据,OLS是众多可能的回归技术中的一种回归技术以得出输入输出模型的参数。
另一种可能性是建立和获取不带有常数项的差分输入输出模型的参数,诸如(3)中提供的模型。在此进行坐标u-u*的偏移,以使当前操作点u*成为原点,并且常数项失效。所得的方程组变为(4)。例如,适合于此类方程组的模型拟合选项是例如通过原点回归,或简称为RTO。RTO还指通过最小二乘法获得的回归。
线性输入输出模型无法捕获其近似的函数或测量值的潜在曲率信息。可以将二次模型视为将捕获某些曲率的最简单的非线性模型。为了获得超定方程组,给定信号组的测量值的完全二次模型将比相应的线性模型需要更多的线性独立案例。另一种可能性是使用具有一定曲率的线性模型。在某些维度上具有曲率的线性模型比完整的二次模型需要更少的案例,但与定义线性模型的模型相比需要更多的案例。通常,如果数据表明对于某些维度模型应该是非线性的,则需要构建精确的线性模型,并然后使用曲率信息对其进行增强。最小Frobenius范数模型是具有曲率的线性模型,构建策略基于为线性模型找到线性独立的案例,并通过包含更多案例来增强此模型的曲率。方法假定,其与构建其中Hessian范数适中的模型有关。这是因为误差范围取决于模型的Hessian范数。最小Frobenius范数模型的构建涉及最小化模型的Hessian的Frobenius范数。
在下文中,说明了如何针对一种特定测量值得出最佳可能模型的方法。简而言之,该方法检查是否可能针对所有输入控制信号的一个特定输出测量值建立线性模型。如果这是不可能的,则消除具有不良数据的输入控制信号,并尝试在给定剩余输入控制信号的情况下建立线性模型。如果可能建立某种线性模型,则该方法检查是否具有足够的数据,以及通过一些二次项或基于一阶物理学的一些项在模型中增加曲率是否有意义。
通过模型构建算法找到的输入输出模型用作局部优化模型的输入。如果从某些或所有输入输出模型中消除了控制变量,则这些控制信号必须在局部优化模型中为常数或从局部优化模型中排除。
如果数据质量很差,则较差质量的输入输出模型(或在那里不足)用作局部优化模型的输入。在此类情况下,进行生产优化可能是不便的或不可能的。然后,知道局部优化模型还可以用作测试生成算法的输入是令人欣慰的。基于用于模型构建的数据的质量较差,此算法提出了阶跃测试或振荡测试,这些测试应有助于提供有关特定控制信号的更多且更好的信息。此类测试应该得到更多高质量的数据,并从而得到高质量的输入输出模型。
实施例1b:通过回归算法的输入输出模型的示例
该示例是上述实施例1a的续集,其涉及稳态数据表的生成。同样,图2的生产***的实际生产数据使用了2014年4月20日至2014年5月20日的期间。如前所述,顶部的图示出了气体出口测量值,以及底部的图示出了在此期间井1和井2的扼流圈设置,并且***的剩余井的扼流圈在此期间没有变化。图3中的垂直线10用作实施例1a的数据处理的终点。现在,我们将其作为数据收集和生成稳态数据表的期间与我们要预测的期间之间的截止线。此线左侧(20.04.2014-16.05.2014)的数据已用于生成稳态案例数据表,参考实施例1a(其在此示例中已用于构建线性模型),以便预测线右侧(16.05.2014-20.05.2014)发生的情况。因此,我们将实际数据与预测进行比较以检查预测的准确性。
建立了线性模型以用于预测井G1和井G2的扼流圈的变化对天然气产量的影响。如垂直线所示,从其中结束时间在截止点的稳态间隔计算操作点。为井1和井2的扼流圈定义信任区域。这可以如下面更详细描述的那样进行。信任区域确保通过选择算法从稳态数据表中选择的案例对于井1和井2均具有35%至45%的扼流值。通过选择算法发现的所有案例都提供给模型构建算法,其通过回归技术构建线性模型。在图5和图6中示出了所得的线性模型。在图5中,线性模型是二维绘制的,附图中的黑点表示其中已建立模型的稳态案例。因此,线性模型是适合稳态案例下的所有数据点的平面。在图6中示出了线性模型的不确定性测量。第一线14代表井1的扼流圈变化的线性模型,以及第二线16代表井2的扼流圈变化对总气体出口的影响。线周围的阴影表示线性模型预测的90%置信间隔。应当理解,距离交点(即线性模型的中心)越远,则预测变得越不准确。但是,对于接近用于生成线性模型的稳态值的微小变化,则应具有高精度。
图7和图8示出了使用线性模型来预测两个井的扼流圈调整后的天然气的生产变化的结果。设置该模型以使扼流值的变化与记录的数据中的实际变化等效,以便测试预测的准确性。从对测量数据18和预测20的比较可以看出,当去除测量数据中的噪声影响后,预测20则紧随实际数据。因此,发现线性模型是准确的,至少对于小的变化是正确的。由于线性模型的数据基础可以在任何更改后不断更新,因此它可以始终为将来要进行的小更改提供准确的预测。
现在,可以建立局部优化问题。问题描述提供有关目标、约束和变量的信息。回归算法为局部输入输出模型提供了参数不确定性,其估计了对生产***所做更改的影响。
对于图2所示的生产***,以最简单的形式例示了优化问题。优化问题变成简单的MILP。例如,从立管O和立管G产生的总石油量应最大化,同时遵守顶部的最大的气体处理能力。对***控件的允许更改数量具有上限,并且控制信号的总更改总数必须在某个(信任)区域内。在子***S的集合中存在两个子***,立管O和立管G,每个子***都有井集合Is。相P的集合包含油相(标为o)和气相(标为g)。***s的相p的生产率由变量qps表示,以及井i的控制信号由变量ui表示。
目的是尽可能增加两个立管的石油生产,Δqo1+Δqo2,这取决于方程(5)中定义的目标函数。变量前面的增量表示我们正在优化当前值的更改。
maxΔqo1+Δqo2 (5)
方程(6)中的模型为每个子***生产的总石油和天然气量提供了局部输入输出***模型。这些模型是线性变化模型,假定相p***s的生产变化△qps,得出***s的相应控制信号的变化,△us。由模型构建算法(即回归)提供模型的结构和具有不确定性测量的参数aps,这在上一节中进行了说明。考虑到参数aps的不确定性,模型还提供了不确定性测量。
顶部的总气体处理能力为Cp。公式(7)确保不超过此容量。应注意,不等式的右边是常数项,即当前松弛到***极限。
xi∈{0,1}i∈Is (10)
基于局部优化模型,可以运行基于导数的优化算法以发现控制变量的建议变化,这将导致产量提高。提供了一个或多个建议。
可以以各种格式提供建议;在这里,我们将描述两个选项或备选方案。备选方案1)是建议的控制信号更改的列表。该列表与具有不确定性测量的生产率的预期总变化一起提供。备选方案2)还提供了列表,但是此列表要高级得多。因为不确定性测量可用于所有变量,所以可以利用统计方法来提供建议的控制信号更改的排名列表。必须按照此列表指定的确切顺序实施更改。每种变化都设置有带有不确定性测量的总生产率的预期变化。此外,还提供了带有不确定性测量的总生产率的预期总变化。应该实施所有更改以确保增加石油产量。备选方案2确保与最不确定的井相比,您拥有最多信息的井以正确的顺序进行调整/更改,以达到相应的处理能力。
将建议提供给生产工程师/操作员,他们决定是否应在实际***中实施这些建议中的一个建议。或者,她/他可以将建议与自己的直觉结合使用以根据建议实施调整后的策略。
根据公式(2)中的回归问题构建公式(6)的局部***模型。优化算法的可用性在很大程度上取决于局部输入输出模型(6)的质量(或质量不足)。可以使用几种方法来量化等式(6)的质量的测量,并确定是否有可能构建模型。这是通过研究由CDB爬虫/扫描/算法选择的稳态案例/样本集的属性来评估的。特别要研究等式(2)中的如何涵盖其中感兴趣的回归所在的区域以及其中打算使用局部输入输出模型的区域。如果模型是线性的,则良好的跨度由所选案例/样本点的仿射无关性表示。如果等式(6)是非线性模型,则建立井适定性的技术可能会更加复杂。这可以基于与确定适定性有关的已知技术。
测试算法将提出生产实验/更改,其将在CDB中创建新的稳态案例。目标是优化等式(2)中的的适定性/仿射独立性(或者例如,非线性多项式模型的多项式空间),以便在实验后可以创建更好的等式(6)的模型,从而有可能实现优化算法以提出更好的生产策略。
紧凑数据库用作四个基于模型的应用的数据基础。参数估计是另一个此类应用。最有趣的参数是特定于井的GOR和WC。给定该子***的所有(或多个)控制信号,可以通过子***总石油、天然气和水流量的输入输出模型找到子***的特定于井GOR和WC。可以通过上述方法构建这些模型,并且模型将类似于公式(1)给出的输入输出模型。
因此,如上所述,以下过程适用于参数估计应用,其同样适用于所有基于模型的应用。启动参数估计时,需要某些信息:1)问题描述,即生产***的相关部件、相关控制信号、输出测量值,以及2)上面说明的感兴趣的操作点。细节由用户通过GUI定义,或者由应用本身通过调度程序/触发器定义。基于此信息,如上所述,通过CDB爬虫/扫描算法从紧凑数据库中的正确数据表中收集操作点周围指定信任区域内的所有相关案例数据。如上所述,将数据发送到模型构建算法,该算法识别在给定数据的情况下要构建的相关输入输出模型。
然后,给定该子***的所有(或多个)控制信号,则与参数估计应用相关的简单局部线性输入输出模型是来自子***的总石油、天然气和水流量的输入输出模型。通过这些模型,可以找到特定于井的边际GOR和WC。
由等式(12)至(14)定义的模型是此类模型的示例。给定子***的所有井i的控制信号ui,即n个控制信号的总数,qp(u)表示来自子***的相p(石油,o,天然气,g和水,w)的流量的线性模型。对于扼流圈u*i的给定配置i,每种案例都提供了相p的流量测量值通过对t种案例进行回归,分别找到每个模型(每个相p的模型),然后对相应的相p找到所有n个控制信号的参数api和参数bp。
qo(u)=ao1u1+ao2u2+…+aonun+bo (12)
qg(u)=ug1u1+ag2u2+…+agnun+bg (13)
qw(u)=aw1u1+aw2u2+…+awnun+bw (14)
然后,可以通过等式(19)和(20)给定相p通过相关参数api来计算井i的边际GOR和WC,分别表示为gori和wci。
紧凑数据库用作四个基于模型的应用的数据基础。速率估计是一个此类应用。
通过本文所述技术建议的振荡测试和阶跃测试不断地提高紧凑数据库中井相关信息的准确性。这使得基于模型的应用变得繁琐或容易发生较大错误。因此,由于井相关的信息(以及最新的扼流圈模型)的准确性更高,因此可以进行特定于井速率的估计。
可以给出该方法的快速描述。通过GUI或触发器提供问题描述和操作点。给定此信息,可以在紧凑数据库中找到相关信息。模型构建算法的修改版本:通过回归建立输入输出模型,然后使用数据构建特定于井的模型,该模型估算每个井的生产率。
可以为所有相关的输出测量值构建模型。在这项工作中开发的线性模型是围绕如等式(17)-(20)给出的当前作业点进行的一个测量值的扼流圈线性化。
m≈ax+b (20)
测量值以及测量模型可能取决于几个变量,诸如扼流圈开度和气举(u,qGL),上游和下游扼流圈压力和温度(pu,pd Tu Td),GOR和WC。缓慢相关的变量(诸如GOR)可以与常数合并。可以使用例如主成分分析检测和合并线性相关的变量。然后,剩下带有有用变量的x向量,可能/希望只是控制变量,即扼流圈和气举变量。在本文的进一步说明中,我们依靠这种简化。在此处提供的模型中,x仅包含扼流圈位置的控制变量,即用于每个井的一个控制变量。
这里提供了两种类型的线性模型。公式(21)代表模型类型1。模型类型1是给定生产网络的所有控制变量的值的情况下的特定于井输出信号的模型。每个井将具有一个此类模型,例如在给定生产网络的控制变量设置的情况下,一个此类模型可能代表从井j采出的石油量。公式(23)代表模型类型2。在给定生产网络的控制变量的情况下,这表示网络测量值的模型。在给定所有控制变量设置的情况下,此类模型可能会将网络中产生的油总量视为孔。等式(22)表示质量守恒定律,并且仅当模型类型表示生产率时才有效。在等式(22)至(27)中定义向量和矩阵,J是所有井j的集合。
x=[u1,...,uJ]T (26)
如果两种模型类型代表生产率,则等式(22)适用,并且(21)和(23)中的模型是相关的。两个模型中包含相同的模型参数。然后,对于所有模型,通过插值或回归/最小二乘法同时确定矩阵A和向量b中的模型参数。否则,模型是独立的,并且可以通过插值或回归独立地为每个模型找到模型参数。
应用稳态数据和紧凑数据库中存储的导数案例。从振荡测试中导出的导数案例通常包含一个或多个斜率值aji。
带有关于信号的信息的案例数量根据测量值变化。除少数例外,关于总生产率的信息始终是案例的一部分。因此,通常有足够数量的独立案例可用于建立例如石油总产量的模型。但是,只能在某些时间点找到某个井的油生产速率率,并且只有少数案例可提供有关这些测量值的信息。因此,当关于每个井的可用信息很少时,一起找到这些模型的模型参数可能带来挑战。
这里给出了替代的线性模型。该模型还考虑时间、路由和开/关设置。等式(28)至(32)表示所得的模型。
模型构建的可能扩展:
模型构建
·模型评估和改进
·模型改进算法
·计算适定性:无导数方法必须保证对其中评估函数的样本集的几何形状进行某种形式的控制。几何形状的测量的示例是Λ-适定性常数,其在构建插值模型时应保持适度较小并从上方定界。
生产改进问题:
·附有定额建议修订的列表
·包含基于楔形方法的约束:楔形方法遵循尝试生成点的方法,点同时提供了模型/目标函数的充分增加,并且还满足Λ-适定性条件。在每次迭代中,步骤计算中的优化问题都会受到附加约束的影响,该约束不允许新的点位于某个歧管附近。
·信任区域管理。修改信任区域半径的复杂方法
实施例3-压力信号的分类
要将压力样本分类为稳定样本或瞬态样本,则必须首先创建适合监督学习的数据组。将测量值重新采样为均匀速率,例如每1分钟1个样本。使用的窗口大小为61,在中间样本的任一侧上给出30个上下文样本。
然后,对每个数据点进行分类。图9为一个窗口示出了这一点。标有蓝色的样本标记为稳定,以及标有红色的样本标记为瞬态。分类器任务是确定此标签。绿色圆圈标记中间的样本。
然后,根据多个信号(及其分类信号行为)对资产动态进行分类/导出。将各个信号分类/标签以及上下文窗口内的信号数据组合在一起以识别在问题时间点处哪些资产动态是主动的。并且可选的,通过哪些确定性或不确定性可以说它是主动的。框架包括一组独特的逻辑规则,这些逻辑规则与经过专门训练的神经网络相结合,其应用于每个资产动态的子集(或所有)信号中以确定/分类相应资产动态是否是主动的。
对于所有控制信号或控制信号的子集以及所有控制信号或控制信号的子集,逻辑规则和神经网络通常会在上下文窗口中查看/分类标签(稳定、振荡、瞬变)和信号本身;以确定相应资产动态是否是主动的/开始变为主动的。一个或多个控制信号的重大更改通常会激活一个或多个资产动态。
此外,为了确定资产动态是否淡出/结束(即停止主动),逻辑规则与神经网络将一起确保控制信号在一定量的时间内保持稳定,并确保相关状态信号变得稳定(即从瞬态或振荡变为稳定)。
需要信号的分类/标记行为(稳定、振荡或瞬态)以及上下文窗口内的相应信号本身来确定资产动态是否处于主动状态。
资产动态分类的一般框架/算法概述如下:
1、对于所有相关信号;在所需的时间跨度(即上下文窗口)中运行信号行为分类框架,并将中间或所有数据点分类为以下任意一种;稳定、振荡或瞬态。
2、对于所有有问题的资产动态,应用逻辑规则来识别相应的资产动态是否处于主动状态。
3、返回/存储标签信息,即对于中间样本、某些样本或所有样本/数据点,哪些资产动态是主动的,以及可选地,该标签的统计确定性。
4、可选地:a)在实时滑动窗口设置中重复框架,和/或b)将相邻数据点分组到紧凑数据库中。
5、可选的:如果应用4.a.,则可以将分类信息存储在数据库中,如果联合应用4.a.和4.b.,将信息存储在紧凑数据库中。
一旦知道了资产动态,则可以对信号内的数据集进行分类。
实施例4:枯竭和管道瞬态资产动态
定义为“枯竭”的资产动态是指随着时间的流逝,由于开采使油藏排干,平均油藏压力下降。注水或注气将抵消这种影响。为了检测该资产动态是否处于主动状态,所涉及的逻辑规则将解决井的井底压力(BHP)(如果无法使用,则可以将井口压力用作代理)。将使用1周或更长时间(可能1个月或更长时间)的较长上下文窗口。如果在其中相同井的扼流圈控制信号稳定的部分中压力状态信号是瞬态的,则资产动态“枯竭”被认为是主动的。
可以用于检测枯竭的另一组逻辑规则是首先检测主动的堆积资产动态,然后比较在相同井中每次堆积资产动态时BHP收敛到的值,并检查此值是否正在下降。
为了确定资产动态“由于控制变化而引起的管道瞬变”是否处于主动状态,则该方法针对扼流阀控制信号和压力状态信号处理1至12小时(可能长达24小时)的上下文窗口。相关的逻辑规则是,如果控制信号是瞬态的,并且压力状态信号变为瞬态的,则“管道瞬态”资产动态被认为是主动的。当压力状态信号不再是瞬态的(即稳定或振荡),该资产动态不再是主动的。
图10示出了在确定“管道瞬变”资产动态是否处于主动状态的示例中扼流阀设置和相关的压力测量值。在第一图和第二图中,阴影间隔被分类为瞬态,以及非阴影间隔被分类为稳定。在第三底部图中,影线区域是其中扼流圈和压力都被分类为稳定的间隔,并且因此“由于控制变化而引起的管道瞬变”被标记为非主动的。在没有影线的区域中,扼流圈控制信号是瞬态的(在周期开始时),并且压力状态信号仍然是瞬态的。因此,资产动态“由于控制变化而引起的管道瞬变”被标记为主动的。将认识到,可以将稳定间隔本身分配给取决于其它逻辑规则的类别,并且可以将具有不同控制信号变化(或不同的其它因素的变化)的类似压力变化分配给不同的瞬态事件的不同类别。
实施例4-冲洗生产类别
冲洗生产是在关闭时段后最近打开的井中存在的动态(也存在其它定义)。冲洗生产的类别是稳定生产的可能类别中的一种。它的特点是油率的短期上涨。在最后一次扼流圈更改后,可以通过比平常持续久得多的显著压力瞬变检测到它。
实施例5-堆积类别
在堆积的情况下,井扼流圈关闭,并且井压力增加。可以通过扼流圈低于阈值并且井压力瞬变并增加来检测此类别。
实施例6-段塞类别
段塞是振荡的工作状态,其带有稳定的扼流圈,其中会突然产生液体。可以通过稳定的扼流圈设置和例如振荡的立管压力识别检测此类别。
实施例7-用于对主动的资产动态进行分类的框架
用于确定哪些资产动态在某个时间点处于主动状态的框架具有两个自然扩展,通常将框架与它们一起使用。首先,它通常会在实时设置中重复使用,以警告操作员和/或现场工程师和/或生产工程师和/或过程工程师(用户)或呈现主动的资产动态的实时指示。其次,通常不会确定哪些资产动态在特定时间点主动,而是会确定间隔,在间隔中相应的资产动态是主动的。此外,可以将这些间隔一起收集到数据库中。
因此,有三种方法来使用资产动态分类框架:
1、用户请求***/框架/算法确定哪些资产动态在给定的时间点处是主动的。当前时间可以是过去的某个时间。
2、***/框架实时重复运行(例如,每10秒、每1分钟、每1小时、每24小时)以及;a)显示/确定哪些资产动态处于主动状态,或b)当预定义的资产动态组处于主动状态或发生资产动态模式异常时,向用户发出警报。该信息可以存储在数据库中。
3、在上下文窗口中,或在滑动窗口设置中的多个上下文窗口中;
a.识别其中相同的资产动态处于主动状态的相邻/邻近数据点,并定义包含数据集的时间间隔,然后识别与这些数据集相关的统计信息,例如,开始时间、结束时间、平均值、斜率、平均值估算的标准偏差以及其它相关统计数据等。
b.在重复的实时设置或历史数据集中使用步骤(3.a.)中的时间间隔识别,并将所有数据一起收集到紧凑的数据库中
1、相关定义
基数
使用来自实函数f(yi)的样本集Y={y0,y1,yp}。每个样本点由n+1个维度中的变量组成,并且具有p+1个样本点。通过使用这些样本点,可以通过模型m(x)近似f(yi),其中f(yi)=m(yi)。我们可以通过以下方式表示实函数的线性模型;m(x)=a0+a0x1+…+anxn。使用级数为1的线性多项式的多项式空间作为基数,多项式基数
适定性
使用样本集Y={y0,y1,yp}。样本点由n+1个维度中的变量组成,并且具有p+1个样本点。实函数f(yi)近似为模型m(yi),该模型是级数为d的多项式。
m(yi)=f(yi),i=0,...,n
插值
线性回归
Λ-适定性
Λ-适定性是适定性常数,它反映了样本集跨越其中感兴趣的插值/回归的区域的程度。Λ-适定性取决于样本集、所考虑的区域以及为其选择插值的多项式空间。
插值
Λ-适定性值可以看作是距线性独立性的距离。如果Λ=1,则样本集是理想的。模型随着Λ-适定性变大而劣化。随着Λ增长,由向量表示的***变得越来越线性相关。距奇点的实际距离取决于的选择。它不取决于样本集的缩放或坐标偏移。
回归
对于其中样本点数量保持固定的案例,可以在回归案例下定义Λ-适定性。插值意义上的Λ-适定性的大多数属性很容易扩展到回归案例。在允许增加样本点的数量时定义强适定性,并且其反映了样本点在空间中的扩散以形成适定的子集的程度。
最小Frobenius范数模型
通常,在使用不完全插值的无导数优化框架中,期望构建精确的线性模型,然后使用曲率信息对其进行增强,从而希望模型的实际精度优于纯线性模型的精度。最小Frobenius范数意义上的适定性意味着线性插值或回归意义上的适定性,并且因此,意味着最小范数意义上二次欠定插值的适定性。
模型改进算法
可以基于用于模型改进的已知技术来实现此类算法。第一类算法处理非适定数据集,目的是构造适定插值集或回归集。第二类算法改善并保持已经适定的数据集的Λ-适定性。算法基于构造Lagrange多项式基数或其它(相似)多项式基数,并将其用作修改样本集的指南。
信任区域
可以通过模型来估计函数。模型应围绕当前点构建,并且应在某种程度的任意性上决定包含当前点的区域,其中认为模型将或多或少地充分代表该函数。此类区域称为信任区域。
在此情况下,信任区域有两个目的:
1、模型
它定义了在其中样本点以构建模型采样的邻域。当减小信任区域的半径时,多项式插值或回归模型等的模型不一定会变得更好。
2、优化
它将步长大小限制为其中假定模型良好的邻域。
首先定义模型mk(x),其目的是在信任区域xk的适当邻域内近似函数(总产量或压力)。信任区域可以定义为所有点的集合
其中△k称为信任区域半径。
定义信任区域的范数可以改变,以便尽可能有效地利用基础问题的几何形状。
传统信任区域管理:
1、信任区域基于导数的方法
在基于导数的方法中,在适当的条件下,当迭代收敛到局部极小值时,信任区域的半径将远离零;因此,其半径可以保持不变或增加至接近最佳值。
2、信任区域无导数的方法
将目标函数的实际减少量与模型中的预测减少量进行比较。如果比较结果良好,则采取新步骤并增加信任区域的半径。如果比较结果不良,则拒绝新步骤并减小信任区域的半径。在无导数优化中,重要的是使信任区域的半径与某种平稳性测量可比,以便当平稳性测量接近零时,模型变得更加准确。
Claims (23)
1.一种用于记录与石油和天然气流动网络的性能有关的数据的方法,所述方法包括:
(1)收集涵盖一段时间的数据,其中所述数据与所述流动网络内的一个或多个控制点的状态以及所述流动网络的一个或多个流动路径中的一个或多个感兴趣的流动参数有关;
(2)识别所述数据中的多个时间间隔,在所述多个时间间隔期间可以将所述控制点和所述流动参数指定为选自与不同类型的稳定生产相关的多个类别以及与不同类型的瞬态事件相关的多个类别中的类别,其中所述数据因此包括多个数据集,每个数据集由所述多个时间间隔中的一个时间间隔构成;
(3)将与不同类型的稳定生产相关的多个类别或者与不同类型的瞬态事件相关的多个类别中的选定类别分配给由所述多个时间间隔构成的所述多个数据集中的每一个数据集;以及
(4)提取表示步骤(2)中识别的所述数据集中的部分或全部的统计数据,从而以紧凑形式表示来自步骤(1)的原始数据,所述紧凑形式包括在步骤(3)中分配给每个时间间隔的所述类别的细节。
2.根据权利要求1所述的方法,其中步骤(1)包括在至少一个月的时间段内收集所述数据,和/或其中步骤(2)包括识别至少100个时间间隔。
3.根据权利要求1所述的方法,其中与不同类型的瞬态事件有关的所述多个类别包括与由于对所述流动网络的故意干预而发生的主动事件有关的类别以及与在对所述流动网络没有任何故意干预的情况下发生的被动事件有关的类别。
4.根据权利要求1所述的方法,其中与稳定生产有关的所述多个类别包括:稳定稳态生产;通过一个或多个井的冲洗生产的稳定生产;存在段塞动态的稳定生产;以及包括出砂的稳定生产。
5.根据权利要求1所述的方法,其中与瞬态事件有关的所述多个类别包括一个或多个主动事件类别,所述一个或多个主动事件类别包括:试井事件、主动过程事件、主动井事件和/或主动油藏事件。
6.根据权利要求1所述的方法,其中与瞬态事件有关的所述多个类别包括一个或多个被动事件类别,所述一个或多个被动事件类别包括:被动过程事件、被动油藏/井事件或传感器错误事件。
7.根据权利要求1所述的方法,其中所述方法包括:通过确定针对所述数据集存在资产动态的哪种组合来确定在步骤(3)中应该选择哪个类别,其中资产动态是在用于所述类别中的一个或多个类别的数据集的所述时间间隔期间发生的现象或事件。
8.根据权利要求7所述的方法,其中所述资产动态包括以下部分或全部:枯竭、冲洗生产、堆积、下降、由于控制变化导致的管道瞬变、段塞动态、生产***波动和/或油藏组成动态。
9.根据权利要求1所述的方法,其中为所述数据中的至少一些数据点分配了多个类别,使得对于那些数据点而言,存在定义重叠数据集的重叠时间间隔,其中每个数据集具有不同的类别。
10.根据权利要求1所述的方法,其中利用可以分类为稳定生产的所述多个类别中的一个类别的数据集来识别时间间隔需要比预定最小值更长的时间段,在所述预定最小值期间对控制点的改变没有超出某个阈值。
11.根据权利要求1所述的方法,其中利用可以分类为稳定生产的所述多个类别中的一个类别的数据集来识别时间间隔包括以下要求:可以开始所述时间间隔的点之前长达12个小时的最小时间内所述控制点没有变化。
12.根据权利要求1所述的方法,其中具有可以分类为稳定生产的所述多个类别中的一个类别的数据集的潜在时间间隔的时间段不被允许在对控制点中的任一点进行新改变的点之后继续。
13.根据权利要求1所述的方法,包括使用历史数据和/或实时数据。
14.根据权利要求1所述的方法,其中步骤(4)包括以表格形式收集所述统计数据,以及存储所述数据。
15.根据权利要求14所述的方法,其中从步骤(4)输出紧凑数据表,并且所述紧凑数据表包括来自步骤(3)的所述类别和代表来自步骤(4)的所述时间间隔中的每个时间间隔的统计数据。
16.根据权利要求15所述的方法,其中所述紧凑数据表包括关于所述时间间隔的信息和/或统计信息。
17.根据权利要求1所述的方法,包括使用在步骤(4)中提取的所述统计数据评估与所述流动网络的性能有关的因素,所述因素包括生产率和所述流动网络的完整性。
18.根据权利要求1所述的方法,其中使用来自步骤(4)的所述统计数据以便识别所述控制点的所述状态与所述流动参数之间的关系,并允许形成局部模型来表示所述关系。
19.根据权利要求1所述的方法,其中所述控制点是能够对所述流动网络施加受控调节的任何装置。
20.根据权利要求1所述的方法,其中所测量的所述流动参数是受在所述控制点处施加的调节影响的任何参数。
21.根据权利要求1所述的方法,其中所述一个或多个流动参数与一个或多个流动路径有关,在所述一个或多个流动路径中,所述流动网络内的不同分支中的多于一个分支中的流已被组合。
22.一种用于评估包括一个或多个控制点的石油和天然气流动网络的数据处理装置,所述装置包括:数据分析设备,其布置成执行根据权利要求1至21中任一项所述的方法。
23.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时实现根据权利要求1至21中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1707116.8 | 2017-05-04 | ||
GB1707116.8A GB2562465A (en) | 2017-05-04 | 2017-05-04 | Recording data from flow networks |
PCT/EP2018/061388 WO2018202796A1 (en) | 2017-05-04 | 2018-05-03 | Recording data from flow networks |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110621846A CN110621846A (zh) | 2019-12-27 |
CN110621846B true CN110621846B (zh) | 2021-09-21 |
Family
ID=59065626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880029563.XA Active CN110621846B (zh) | 2017-05-04 | 2018-05-03 | 从流动网络记录数据 |
Country Status (9)
Country | Link |
---|---|
US (2) | US11542803B2 (zh) |
EP (1) | EP3619396B1 (zh) |
CN (1) | CN110621846B (zh) |
CA (1) | CA3060587A1 (zh) |
EA (1) | EA201992313A1 (zh) |
GB (1) | GB2562465A (zh) |
RU (1) | RU2019137040A (zh) |
SA (1) | SA519410426B1 (zh) |
WO (1) | WO2018202796A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108942934A (zh) * | 2018-07-23 | 2018-12-07 | 珠海格力电器股份有限公司 | 确定手眼标定的方法及装置 |
US11591936B2 (en) * | 2019-09-04 | 2023-02-28 | Saudi Arabian Oil Company | Systems and methods for proactive operation of process facilities based on historical operations data |
CN111475772B (zh) * | 2020-03-27 | 2023-12-15 | 微梦创科网络科技(中国)有限公司 | 一种容量评估方法及装置 |
CN111625913B (zh) * | 2020-05-25 | 2021-10-15 | 清华大学 | 考虑天然气管道动态特性的天然气网动态状态估计方法 |
CN111783356B (zh) * | 2020-06-29 | 2024-03-29 | 清华大学深圳国际研究生院 | 一种基于人工智能的石油产量预测方法和装置 |
US11977200B2 (en) * | 2021-01-07 | 2024-05-07 | Tata Consultancy Services Limited | System and method for real-time monitoring and optimizing operation of connected oil and gas wells |
US11920462B2 (en) * | 2021-10-19 | 2024-03-05 | Saudi Arabian Oil Company | Water breakthrough in hydrocarbon wellbores |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3559476A (en) | 1969-04-28 | 1971-02-02 | Shell Oil Co | Method for testing a well |
US3908454A (en) | 1972-10-12 | 1975-09-30 | Mobil Oil Corp | Method and apparatus for logging flow characteristics of a well |
FR2467414A1 (fr) | 1979-10-11 | 1981-04-17 | Anvar | Procede et dispositif de reconnaissance de sols et de milieux rocheux |
CA2019343C (en) | 1989-08-31 | 1994-11-01 | Gary R. Holzhausen | Evaluating properties of porous formations |
US5144590A (en) | 1991-08-08 | 1992-09-01 | B P America, Inc. | Bed continuity detection and analysis using crosswell seismic data |
NO325157B1 (no) | 1995-02-09 | 2008-02-11 | Baker Hughes Inc | Anordning for nedihulls styring av bronnverktoy i en produksjonsbronn |
CA2215628C (en) | 1996-09-23 | 2006-01-31 | Baker Hughes Incorporated | Well control systems employing downhole network |
US6615917B2 (en) | 1997-07-09 | 2003-09-09 | Baker Hughes Incorporated | Computer controlled injection wells |
US7259688B2 (en) | 2000-01-24 | 2007-08-21 | Shell Oil Company | Wireless reservoir production control |
US6333700B1 (en) | 2000-03-28 | 2001-12-25 | Schlumberger Technology Corporation | Apparatus and method for downhole well equipment and process management, identification, and actuation |
US6724687B1 (en) | 2000-10-26 | 2004-04-20 | Halliburton Energy Services, Inc. | Characterizing oil, gasor geothermal wells, including fractures thereof |
US6650280B2 (en) | 2000-12-08 | 2003-11-18 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Measurement system and method |
FR2818742B1 (fr) | 2000-12-22 | 2003-02-14 | Inst Francais Du Petrole | Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques |
US6920085B2 (en) | 2001-02-14 | 2005-07-19 | Halliburton Energy Services, Inc. | Downlink telemetry system |
US6675892B2 (en) | 2002-05-20 | 2004-01-13 | Schlumberger Technology Corporation | Well testing using multiple pressure measurements |
NO325614B1 (no) | 2004-10-12 | 2008-06-30 | Well Tech As | System og fremgangsmåte for trådløs fluidtrykkpulsbasert kommunikasjon i et produserende brønnsystem |
US7565931B2 (en) | 2004-11-22 | 2009-07-28 | Energy Equipment Corporation | Dual bore well jumper |
US8131470B2 (en) | 2007-02-26 | 2012-03-06 | Bp Exploration Operating Company Limited | Managing flow testing and the results thereof for hydrocarbon wells |
US20090308601A1 (en) | 2008-06-12 | 2009-12-17 | Schlumberger Technology Corporation | Evaluating multiphase fluid flow in a wellbore using temperature and pressure measurements |
US8600717B2 (en) | 2009-05-14 | 2013-12-03 | Schlumberger Technology Corporation | Production optimization for oilfields using a mixed-integer nonlinear programming model |
US8146657B1 (en) | 2011-02-24 | 2012-04-03 | Sam Gavin Gibbs | Systems and methods for inferring free gas production in oil and gas wells |
US8902078B2 (en) | 2010-12-08 | 2014-12-02 | Halliburton Energy Services, Inc. | Systems and methods for well monitoring |
US20120185220A1 (en) | 2011-01-19 | 2012-07-19 | Schlumberger Technology Corporation | Determining slug catcher size using simplified multiphase flow models |
BR112014011828A2 (pt) | 2011-11-17 | 2017-05-09 | Norwegian Univ Of Science And Tech (Ntnu) | teste de poço |
US9934338B2 (en) * | 2012-06-11 | 2018-04-03 | Landmark Graphics Corporation | Methods and related systems of building models and predicting operational outcomes of a drilling operation |
JP6434419B2 (ja) * | 2012-11-30 | 2018-12-05 | インペリアル イノベ−ションズ リミテッド | 流体搬送導管網をモニタリングするための装置、方法およびシステム |
WO2014098812A1 (en) | 2012-12-18 | 2014-06-26 | Fluor Technologies Corporation | Pipeline network optimization using risk based well production |
US9816353B2 (en) | 2013-03-14 | 2017-11-14 | Schlumberger Technology Corporation | Method of optimization of flow control valves and inflow control devices in a single well or a group of wells |
GB201306967D0 (en) * | 2013-04-17 | 2013-05-29 | Norwegian Univ Sci & Tech Ntnu | Control of flow networks |
GB2544098B (en) * | 2015-11-06 | 2021-02-24 | Solution Seeker As | Assessment of flow networks |
AU2016406348A1 (en) * | 2016-05-13 | 2018-09-13 | Landmark Graphics Corporation | Method and device for hole cleaning and drilling hydraulic design |
-
2017
- 2017-05-04 GB GB1707116.8A patent/GB2562465A/en not_active Withdrawn
-
2018
- 2018-05-03 WO PCT/EP2018/061388 patent/WO2018202796A1/en unknown
- 2018-05-03 US US16/610,297 patent/US11542803B2/en active Active
- 2018-05-03 EP EP18725770.4A patent/EP3619396B1/en active Active
- 2018-05-03 CA CA3060587A patent/CA3060587A1/en active Pending
- 2018-05-03 CN CN201880029563.XA patent/CN110621846B/zh active Active
- 2018-05-03 EA EA201992313A patent/EA201992313A1/ru unknown
- 2018-05-03 RU RU2019137040A patent/RU2019137040A/ru unknown
-
2019
- 2019-10-30 SA SA519410426A patent/SA519410426B1/ar unknown
-
2022
- 2022-12-28 US US18/147,160 patent/US11836164B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20200080407A1 (en) | 2020-03-12 |
US20230140617A1 (en) | 2023-05-04 |
GB2562465A (en) | 2018-11-21 |
SA519410426B1 (ar) | 2023-03-21 |
RU2019137040A (ru) | 2021-06-04 |
EA201992313A1 (ru) | 2020-04-14 |
EP3619396B1 (en) | 2021-06-30 |
GB201707116D0 (en) | 2017-06-21 |
CN110621846A (zh) | 2019-12-27 |
BR112019022849A2 (pt) | 2020-05-26 |
CA3060587A1 (en) | 2018-11-08 |
WO2018202796A1 (en) | 2018-11-08 |
US11836164B2 (en) | 2023-12-05 |
US11542803B2 (en) | 2023-01-03 |
EP3619396A1 (en) | 2020-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110621846B (zh) | 从流动网络记录数据 | |
US20220162937A1 (en) | Assessment of Flow Networks | |
US11795787B2 (en) | Modelling of oil and gas networks | |
US8352226B2 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
EP2201216A2 (en) | Method for prediction in an oil/gas production system | |
Bravo et al. | Applying analytics to production workflows: Transforming integrated operations into intelligent operations | |
US20230167717A1 (en) | A method of modelling a production well | |
BR112021001508A2 (pt) | sistema de modelagem de capacidade integrada | |
Chaves et al. | Short-term production optimization under water-cut uncertainty | |
Guddeti et al. | A self-learning process modeling method to optimize upstream operations | |
US20240201001A1 (en) | Integrated machine learning platform to capture multiphase virtual flow rates and diagnostic measures | |
BR112019022849B1 (pt) | Gravação de dados de redes de fluxo | |
Guddeti et al. | Dynamic Process Optimization Using a Reduced Order Modeling Framework | |
BR112020011155B1 (pt) | Modelagem de redes de óleo e gás | |
GB2588865A (en) | Assessment of flow networks | |
Izzami et al. | Samarang Integrated Operations (IO)–Dynamic Production Management-A Hybrid Approach from Steady State to Transient Modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |