CN118215779A - 用于有效的井设计的系统和方法 - Google Patents
用于有效的井设计的系统和方法 Download PDFInfo
- Publication number
- CN118215779A CN118215779A CN202180104113.4A CN202180104113A CN118215779A CN 118215779 A CN118215779 A CN 118215779A CN 202180104113 A CN202180104113 A CN 202180104113A CN 118215779 A CN118215779 A CN 118215779A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- determining
- well
- saturation information
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013461 design Methods 0.000 title claims abstract description 49
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 239000003208 petroleum Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000035699 permeability Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims 3
- 239000003921 oil Substances 0.000 description 59
- 238000004519 manufacturing process Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 239000012530 fluid Substances 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000005755 formation reaction Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用于确定用于开采地下储层的井设计的方法。该方法包括以下步骤：提供储层属性；以及使用储层模拟和储层属性来确定储层中的至少一部分的对于第一时间步长的第一石油饱和度信息。本发明还涉及用于确定井设计的对应系统以及计算机程序。
Description
技术领域
本发明涉及用于确定用于开采地下储层(subterranean reservoir)的井设计的方法以及用于开采地下储层的方法。本发明还涉及用于确定井设计的系统以及用于开发地下储层的系统。
背景技术
原油或石油自然存在于地球表面下的地质地层中。这样的地层可以被称为储层。石油包括各种分子量的碳氢化合物，所述碳氢化合物通常被处理用于燃料和化学原料。
从储层中生产石油取决于若干属性，例如诸如包含石油的地质地层的渗透率以及石油流过地层的能力。在石油生产的早期阶段，通常从储层中提取石油。不一定要考虑储层内的内部属性的分布。利用注入器井，可以将水注入储层中，并且利用生产井，可以提取石油。
对于更先进的石油生产，储层的更深入的了解是必要的。特别地，为了以最小的成本使石油生产最大化，最佳井位置的确定对于每个油田开发规划非常重要。然而，由于影响储层性能的变量通常是非线性相关的，因此成本效益的井放置策略的确定不能基于直觉判断。由于储层的性能通常取决于时间和处理，因此井放置在何处的决定不能仅基于储层的静态属性。特别地，需要优化水注入器的布局，所述水注入器将水注入石油储层中以保持压力或将石油朝向井推进以增加产量。在这种情况下，需要分析注入器与井之间的连接性，即注入-生产关系。
井不一定需要以垂直的方式延伸至地下，因此仅仅井在地面上的位置通常不是为了高效地开采储层而优化的唯一参数。因此，除了井放置之外，还需要优化井取向或井轨迹。本文中，术语“井设计”用于指包括用于开采储层的井放置和井轨迹两者的这样的井布局。
储层模拟是常用于预测地下储层中的流体(例如石油、气、水)流动的技术。储层模拟在整个石油工业和科学文献中是众所周知的。示例性地参考美国7,765,091B2。数学模型或模拟模型可以用于模拟储层以及优化石油生产。模拟模型的一个目标可以是根据下层地质来模拟流体流动模式。这可以有助于找到最佳的井布局，即井的最佳数目和最佳的井放置，以便以优选最小的成本使石油生产最大化。
成本效益的井设计的主要目标是优化井的放置，使得净现值(NPV)最大化。已知有若干方法用于开发高效的井放置场景。示例性地参考J.Islam等人在Advances inEngineering Software，141,102767(2020)中的投稿“Aholistic review on artificialintelligence techniques for well placement optimization problem”；A.Nwachakwu等人的投稿“Fast evaluation of well placements in heterogeneous reservoirmodels using maching learning”，Journal of Petroleum Science and Engineering，163,463-475(2018)；以及O.Badru等人的投稿“Well Placement Optimization in FieldDevelopment”，SPE Annual Technical Conference and Exhibition(2003)。
优化井放置的一种方式是通过利用数值模型或数值模拟的直接优化。尽管这样的方法可以提供高度精确的结果，但是由于需要大量的计算机资源和运行时间，该方法是不可行的。
已经努力通过使用与诸如遗传算法或贝叶斯算法的自动优化算法技术结合的数值模型来优化该处理。示例性地参考G.Montes的投稿“The Use of Genetic Algorithmsin Well Placement Optimization”，SPE Latin American and Caribbean PetroleumEngineering Conference(2001)；以及M.A.Rajaieyamchee的投稿“Bayesian DecisionNetworks for Optimal Placement of Horizontal Wells”，SPE EUROPEC/EAGE AnnualConference and Exhibition(2010)。在B.Güyagüler等人的投稿“UncertaintyAssessment of Well-Placement Optimization”，SPE Reservoir Evaluation&Engineering(2004)中，提出了数据驱动的方法来确定在墨西哥湾的彭帕那油田中的多达四个注水井的最佳位置。
在另一方法中，使用所谓的电容-电阻模型(CRM)，其中使用简单的半分析建模技术来快速且稳健地标识有效的井放置。参考R.Kansao等人的投稿“WaterfloodPerformance Diagnosis and Optimization Using Data-Driven PredictiveAnalytical Techniques from Capacitance Resistance Models CRM”，第79届EAGEConference and Exhibition中的特色部分SPE Europec(2017)，其中提出生成CRM以在非均质储层的灌水期间进行不确定性分析和有效的井位放置。然而，CRM方法中存在限制。其中，CRM方法仅在具有恒定压力水平的枯竭石油储层中表现良好。
在H.Wang等人的投稿“An Interpretable Interflow Simulated Graph NeuralNetwork for Reservoir Connectivity Analysis”，SPE Journal，1-16(2021)中，提出了可解释的递归图神经网络来构建模拟真实井间流动规律的相互作用处理。使用图神经网络，其中相邻矩阵表示井间关系。借助于这些边，生产井可以聚集来自相邻注入井的能量信息并且更新它们的能量状态。在网络的训练处理期间，对所有参数进行训练以匹配过度服务的数据。然而，这样的替代模型的开发需要针对每个全油场模型分别进行再训练，并且需要大的模拟努力。此外，训练/再训练的成本极高。
因此，本发明的目的是提高石油生产的效率。特别地目的是提供改进技术，用于确定最佳设计并且特别是井(例如，生产井和注入井)的最佳数目，以便以最小的成本使石油生产最大化。
根据以下描述变得明显的这些目的和其他目的通过根据权利要求1所述的方法、根据权利要求13所述的方法、根据权利要求14所述的系统、根据权利要求15所述的系统以及根据权利要求16所述的计算机程序来解决。
发明内容
本发明的方面涉及一种用于确定用于开采地下储层的井设计的方法。该方法可以应用于油田开发规划，即确定借助于井从油田或气田开发和生产的最佳方式。井设计可以包括井的放置和/或井在地面与储层之间的轨迹。因此，井放置可以指待钻探的井(例如，注入井和生产井)的布局，并且井轨迹可以指井在次地面内的取向。通过选择根据本发明的最佳布局，可以使生产和开采最大化。该方法可以实现为计算机系统上的自动化处理。
在第一步骤(a)中，提供表征储层的储层属性。储层属性可以包括静态和/或动态储层属性。这些储层属性可以是预先已知的，并且可以是在储层的开发期间获得的，在开发期间收集若干储层数据例如地震信息、地质信息、流体数据和生产数据。所提供的储层属性可以包括岩石属性例如诸如关于流体的每个相的孔隙度、毛细管压力、相饱和度和相对渗透率，以及流体属性例如诸如石油粘度。储层属性可以至少部分地借助于常规储层模拟来得到。优选地，可以开发表示目标储层的储层属性的合成模型。在优选实施方式中，储层属性至少包括孔隙度和相对渗透率。
在第二步骤(b)中，确定储层中的至少一部分的对于第一时间步长的第一石油饱和度信息。该步骤至少部分地通过使用储层模拟来执行。第一时间步长可以是当前或现在时间步长，或者是过去时间步长。石油饱和度信息可以包括关于特定井位置场景的动态三维石油饱和度剖面。第一石油饱和度信息的确定是使用所提供的储层属性执行的。对于当前或现在时间步长或者过去时间步长的第一石油饱和度信息的确定可以以技术人员已知的常规方式来完成。
在第三步骤(c)中，确定储层中的所述部分的对于第二时间步长的第二石油饱和度信息。第二时间步长可以发生在第一时间步长之后，并且可以是第一时间步长之后的未来时间步长。第二石油饱和度信息的确定是使用第一石油饱和度信息和基于图的神经网络执行的。如技术人员已知的，基于图的神经网络是一种直接对图结构进行操作的神经网络。它可用于提供节点级、边级和图级预测任务。关于基于图的神经网络的构思和使用，示例性地参考美国2021/0049467A1以及A.Sanches-Gonzales等人在第37届InternationalConference on Machine Learning的会议集(2020)中的投稿“Learning to SimulateComplex Physics with Graph Networks”。
在第四步骤(d)中，确定储层井设计。这是至少使用第二石油饱和度信息完成的。例如，可以使用第二石油饱和度信息测试各种井设计例如诸如各种井放置场景，以选择使石油生产和NPV最大化的有效的井放置场景。在这种情况下，可以实现优化算法以选择若干井设计场景中的最佳井设计场景。根据某些示例实施方式，利用该优化，可以通过使潜在井的碳氢化合物连接体积最大化或者通过使潜在注入器井与现有生产器井之间的等效距离最大化来确定最佳井设计。
该方法允许确定有效的井设计场景以及/或者优化待钻探的井的数目，同时保持特定的油田石油生产率。有利地，本发明方法允许利用来自目标储层的模拟的有限训练数据或者甚至不利用训练数据来预测石油饱和度信息。该方法建立在基于图的神经网络上，该基于图的神经网络可以学习预测对于给定油田开发规划的动态石油分布。有利地，石油饱和度的预测可以从下层模拟模型中概括，以便在没有训练或仅具有有限训练的情况下跨一系列油田规模储层模型变体工作。因此，可以高效地确定用于放置井和探测储层的最佳布局规划。
在优选实施方式中，确定第一石油饱和度信息的步骤(b)包括提供地下储层中的所述部分的储层模拟模型。如本领域已知的，该模型可以被划分为单元栅格。所提供的储层模型可以仅表示整个储层的扇区，具有例如1km2的面积大小。此外，提供了关于模拟模型的井位置信息。井位置信息可以包括示例性井放置场景。例如，井位置可以以随机方式指定。井位置可以示例性地基于储层工程师的直觉来指定。井位置也可以基于所限定的数学方程。此外，在储层模拟的上下文中使用储层模拟模式、井位置信息和储层属性来确定第一石油饱和度信息。对于这种有限扇区模型，可以高效地计算大量的时间步长。
在优选实施方式中，确定第二石油饱和度信息的步骤(c)包括生成源图。优选地，使用储层属性来生成源图。还优选地，井位置信息也可以用于生成源图。与基于图的神经网络一起使用的图可以是数据结构，该数据结构包括连接在一起以表示不具有明确开始或结束的信息的节点(顶点)和边。边可以被认为是节点之间的连接。边可以限定一个节点与另一节点的关系。在图中，节点可以对应于模拟栅格单元的笛卡尔中心或栅格单元的角。边可以对应于现实世界栅格单元连接。使用源图，可以借助于基于图的神经网络来确定或预测第二石油饱和度信息。以这种方式，基于图的神经网络被高效地用于根据可用输入来确定第二石油饱和度信息。
优选地，源图基于第一石油饱和度信息。优选地，源图包括源节点和源边。因此，例如，源图节点可以基于第一石油饱和度信息，第一石油饱和度信息优选地表示对于第一时间步长的动态三维石油饱和度剖面。优选地，源节点和源边表示储层属性。在这种情况下，源节点可以表示孔隙度，并且源边可以表示渗透率。井位置信息也可以合并至源图节点中。
另外优选地，该方法另外地包括生成目标图的步骤，其中，该目标图适于指定第二石油饱和度信息。目标图可以具有与源图类似的图结构。优选地使用储层属性来生成目标图。如技术人员所理解的，源图和目标图两者可以在基于图的神经网络的构思内生成。
在特别优选的实施方式中，源图包括节点和边，并且确定第二石油饱和度信息的步骤包括训练基于图的神经网络的步骤。也就是说，对网络进行训练以基于当前状态预测对于下一时间步长的石油饱和度。优选地，还包括先前状态以进行训练。在训练期间，可以使用若干子函数来传递消息并且对图进行更新。训练可以包括：对于每个边，使用发送方和接收方节点信息，开发边神经网络函数以及计算输出边向量的步骤。训练还可以包括：对于每个节点，使用连接的边向量信息，开发节点神经网络函数以及计算输出节点向量的步骤。可以使用基于图的学习技术来开发边神经网络函数和节点神经网络函数。优选地，该方法还包括使用输出边向量和输出节点向量来更新源图的步骤。以这种方式，可以更新图并且可以训练网络，如技术人员将理解的。
优选地，确定第二石油饱和度信息的步骤可以包括从经训练的基于图的神经网络、特别是从已更新的图确定第二石油饱和度信息的步骤。这可以借助于另一子函数来完成，该子函数可以能够将图节点信息转换为储层模拟栅格单元的笛卡尔信息。使用经训练的基于图的神经网络，可以确定或预测对于若干未来时间步长的石油饱和度信息。在这种情况下，可以确定对于给定的井设计例如给定的井放置场景的石油饱和度信息。
在优选实施方式中，确定储层井设计的步骤(d)包括应用优化技术以用于测试两个或更多个井设计场景。因此，可以测试若干井设计场景以确定最佳场景。例如，可以确定使石油生产以及NPV最大化的有效的井设计场景。在另一实施方式中，可以优化注入器与生产器之间的距离。优选地，优化在开采储层时要使用的井的数目。
有利地，可以使用混合算法，该混合算法包含用于模拟数值模拟器的作用的基于神经网络的代理函数以及用于测试各种井设计场景的优化算法(例如，遗传算法或贝叶斯算法)。这允许通过简化图的开发来减少计算时间，同时确保保持解的准确性。
在本发明的另一方面中，所描述的用于确定井设计的方法在用于开采地下储层的方法中使用。也就是说，如所描述的，可以确定井设计。随后，可以实现井设计并且可以开采储层，例如，可以从储层中生产石油。因此，在第一步骤中，可以确定最佳井设计。然后，可以根据所确定的井设计来钻探井，从而得到储层的高效开采。
本发明的另一方面涉及一种用于确定井设计的系统。该系统包括：用于提供储层属性的装置；用于使用储层模拟和储层属性来确定储层中的至少一部分的对于第一时间步长的第一石油饱和度信息的装置；用于使用第一石油饱和度信息和基于图的神经网络来确定储层中的所述部分的对于第二时间步长的第二石油饱和度信息的装置；用于使用第二石油饱和度信息来确定储层井设计的装置。优选地，该系统包括用于执行上面描述的任何优选方法步骤的合适装置。
在本发明的另一方面中，用于确定井设计的系统是用于开采地下储层的系统的一部分，除了所描述的用于确定井设计的系统之外，所述用于开采地下储层的系统还包括用于植入井设计的装置以及用于开采储层的装置。
本发明的另一方面涉及一种包括指令的计算机程序，所述指令用于当在计算机上执行时执行根据所描述的方法权利要求中的任一项所述的方法。
具体实施方式
在下文中，参照附图描述了本发明，在附图中：
图1是根据实施方式的用于确定井放置的方法的流程图；
图2是根据另一实施方式的用于确定井设计的方法的流程图；以及
图3是根据另一实施方式的用于确定井设计的系统。
图1示出了根据本发明的实施方式的用于确定井放置的方法1的流程图。技术人员理解，同样的技术也可以用于确定井轨迹，或者一般用于确定如本文描述的井设计。方法1被实现为用于确定目标储层中的生产井和注入井的最佳位置以最终生产或提取石油的自动化处理。在该方法中使用的训练数据集可以包含诸如在当前时间步长处的动态石油饱和度的信息和关于新钻探的井的特定场景(或各种这样的场景)的信息以及在下一时间步长处的对应动态石油饱和度剖面。
在第一步骤10中，从目标储层的储层模拟模型中提取表示目标储层的储层属性的扇区模型。扇区模型的面积大小可以是1km x 1km。在优选实施方式中，可以开发表示储层属性的合成扇区模型。储层属性包括储层岩石和流体属性。
在第二步骤11中，使用储层模拟软件来模拟具有随机井位置的扇区模型。例如，可以使用来自斯伦贝谢公司(Schlumberger)的Eclipse储层模拟软件。井位置可以基于储层工程师的直觉，或者可以基于由储层工程师选择的数学表达。
在另外的步骤12中，从相应扇区模型的储层模拟的输出中提取每个井位置场景的动态三维石油饱和度剖面。从相应扇区模型的储层模拟模型中提取井位置信息以及诸如孔隙度和渗透率信息的储层属性。因此，步骤10至步骤12旨在确定第一石油饱和度信息。可以对数据进行处理以移除伪影，例如诸如负的石油饱和度数据。可以进一步对数据进行归一化。
在另外的步骤13中，可以基于在步骤12中收集的数据生成表示物理系统的源图。源图可以具有包括节点和边的图结构。节点可以对应于模拟栅格单元的笛卡尔中心。边可以对应于现实世界栅格单元连接。边的权重可以对应于储层模拟栅格单元边处的渗透率。源节点还包含表示当前时间步长的动态石油饱和度信息的特征以及储层岩石属性的空间信息例如孔隙度。井位置信息作为嵌入特征被合并至源图节点中。先前时间步长(此处未描述)的动态石油饱和度信息可以被视为附加特征。
在另外的步骤14中，生成目标图。目标图也具有包括节点和边的图结构。目标图包含关于下一时间步长、优选地未来时间步长处的动态石油饱和度的信息。目标图还包含储层岩石属性的空间信息，例如模拟栅格单元的孔隙度和渗透率。目标图具有与源图的图结构类似的图结构。唯一的区别在于：目标图包含关于未来时间步长处的石油饱和度的信息，而源图包含关于当前/先前时间步长处的石油饱和度的信息。
在另外的步骤15中，使用基于网格的图网络构思，对基于图的神经网络进行训练，以使用在先前时间步长期间建立的目标图和源图根据当前状态预测下一时间步长处的石油饱和度剖面。因此，步骤13至步骤15旨在确定第二石油饱和度信息，即每个井位置场景的未来时间步长处的石油饱和度。
在步骤15中可以考虑当前状态以及先前时间步长中的一些先前时间步长两者。网络可以被开发为具有以下特征：遍及储层恒定的属性(例如诸如储层盐水粘度)被视为全局特征，所述属性可以在训练中使用。
网络具有若干子函数来传递消息并且以下述方式对图进行更新：对于每个边，使用发送方和接收方节点信息，开发边神经网络函数来计算输出边向量。对于每个节点，使用连接边向量信息，开发节点神经网络函数来计算输出节点向量。这两个功能可以使用基于图的学习技术来实现。在这种情况下，可以在一些实现方式中使用递归神经网络或图注意网络或图卷积神经网络。
使用输出节点向量和输出边向量，可以更新图并且可以训练网络。
在最远的步骤16中，将步骤15的输出馈送至另一子函数中，该子函数从图中提取动态石油饱和度。该子函数可以是一种将图节点信息转换为储层模拟栅格单元的笛卡尔位置的神经网络。
在类似于步骤13的另外的步骤17中，可以使用相应目标模型的储层模拟模型来开发新的源图。
在另外的步骤18中，使用在步骤15中开发的经训练的图神经网络来预测未来时间步长处的给定井放置场景的动态石油剖面。
在另外的步骤19中，借助于经训练的基于图的神经网络，使用优化技术来测试各种井放置场景。例如，在这种情况下可以使用遗传算法或贝叶斯算法。在另一实施方式中，在这种情况下可以使用基于奖励的机器学习技术。以这种方式，可以选择使石油采收率以及NPV最大化的有效的井放置场景。在另一优选实施方式中，注入器与生产器之间的最大距离可以用作优化参数。因此，步骤19旨在确定储层井放置。
图2示出了根据本发明的另一实施方式的用于确定井设计的方法2的流程图。方法2包括：步骤20，其提供储层属性；步骤21，其使用储层模拟和储层属性来确定储层中的至少一部分的对于第一时间步长的第一石油饱和度信息；步骤22，其使用第一石油饱和度信息和基于图的神经网络来确定储层中的所述部分的对于第二时间步长的第二石油饱和度信息；以及步骤23，其使用第二石油饱和度信息来确定储层井设计。
图3示出了根据本发明的另一实施方式的用于确定井设计的系统3。该系统包括：装置30，其用于提供储层属性；装置31，其用于使用储层模拟和储层属性来确定储层中的至少一部分的对于第一时间步长的第一石油饱和度信息；装置32，其用于使用第一石油饱和度信息和基于图的神经网络来确定储层中的所述部分的对于第二时间步长的第二石油饱和度信息；以及装置33，其用于使用第二石油饱和度信息来确定储层井设计。
Claims (16)
1.一种用于确定用于开采地下储层的井设计的方法，包括：
(a)提供(20)储层属性；
(b)使用储层模拟和所述储层属性来确定(21)所述储层中的至少一部分的对于第一时间步长的第一石油饱和度信息；
(c)使用所述第一石油饱和度信息和基于图的神经网络来确定(22)所述储层中的所述部分的对于第二时间步长的第二石油饱和度信息；
(d)使用所述第二石油饱和度信息来确定(23)所述储层井设计。
2.根据权利要求1所述的方法，其中，步骤(b)包括：
-提供所述地下储层中的所述部分的储层模拟模型；
-提供对于所述模拟模型的井位置信息；
-使用所述储层模拟模型和所述井位置信息以及所述储层属性来确定所述第一石油饱和度信息。
3.根据权利要求1或2所述的方法，其中，步骤(c)包括：
-使用所述储层属性来生成源图；
-使用所述源图来确定所述第二石油饱和度信息。
4.根据权利要求3所述的方法，其中，源图基于所述第一石油饱和度信息。
5.根据权利要求3或4所述的方法，其中，所述源图包括源节点和源边。
6.根据权利要求5结合权利要求2所述的方法，其中，所述源图节点表示所述井位置信息。
7.根据权利要求5或6所述的方法，其中，所述源节点表示所述第一石油饱和度信息，并且其中，所述源边表示储层属性。
8.根据权利要求5至7中的任一项所述的方法，其中，确定所述第二石油饱和度信息的所述步骤包括训练所述基于图的神经网络的步骤，训练所述基于图的神经网络的所述步骤包括：
-对于每个边，使用发送方和接收方节点信息：
开发边神经网络函数，以及
计算输出边向量；
-对于每个节点，使用连接边向量信息：
开发节点神经网络函数，以及
计算输出节点向量。
9.根据权利要求8所述的方法，还包括使用所述输出边向量和所述输出节点向量来更新所述源图的步骤。
10.根据权利要求8或9所述的方法，其中，确定所述第二石油饱和度信息的所述步骤包括从所述经训练的基于图的神经网络确定所述第二石油饱和度信息的步骤。
11.根据任一前述权利要求所述的方法，其中，步骤(d)包括：
使用所述经训练的基于图的神经网络，应用优化技术以用于测试两个或更多个井设计场景，优选地用于优化在开采所述储层时要使用的井的数目。
12.根据任一前述权利要求所述的方法，其中，所述储层属性包括静态和/或动态储层属性，优选地包括孔隙度和渗透率中的一个或更多个。
13.一种用于开采地下储层的方法，包括：
-确定井设计，其中，所述确定是根据前述权利要求中的任一项所述的方法执行的；
-实现所述井设计；
-开采所述储层。
14.一种用于确定井设计的系统，包括：
-装置(30)，其用于提供储层属性；
-装置(31)，其用于使用储层模拟和所述储层属性来确定所述储层中的至少一部分的对于第一时间步长的第一石油饱和度信息；
-装置(32)，其用于使用所述第一石油饱和度信息和基于图的神经网络来确定所述储层中的所述部分的对于第二时间步长的第二石油饱和度信息；
-装置(33)，其用于使用所述第二石油饱和度信息来确定所述储层井设计。
15.一种用于开采地下储层的系统，包括：
-根据权利要求14所述的用于确定井设计的系统；
-用于实现所述井设计的装置；
-用于开采所述储层的装置。
16.一种包括指令的计算机程序，所述指令用于当在计算机上执行时执行根据前述方法权利要求中的任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/IB2021/060493 WO2023084293A1 (en) | 2021-11-12 | 2021-11-12 | System and method for effective well design |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118215779A true CN118215779A (zh) | 2024-06-18 |
Family
ID=86335143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180104113.4A Pending CN118215779A (zh) | 2021-11-12 | 2021-11-12 | 用于有效的井设计的系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4430280A1 (zh) |
| CN (1) | CN118215779A (zh) |
| WO (1) | WO2023084293A1 (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11087221B2 (en) * | 2017-02-20 | 2021-08-10 | Saudi Arabian Oil Company | Well performance classification using artificial intelligence and pattern recognition |
| US20210165937A1 (en) * | 2017-12-14 | 2021-06-03 | Schlumberger Technology Corporation | System and Method for Simulating Reservoir Models |
| US11409015B2 (en) * | 2020-06-12 | 2022-08-09 | Saudi Arabian Oil Company | Methods and systems for generating graph neural networks for reservoir grid models |
-
2021
- 2021-11-12 CN CN202180104113.4A patent/CN118215779A/zh active Pending
- 2021-11-12 WO PCT/IB2021/060493 patent/WO2023084293A1/en active Application Filing
- 2021-11-12 EP EP21963914.3A patent/EP4430280A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023084293A1 (en) | 2023-05-19 |
| EP4430280A1 (en) | 2024-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3671290B1 (en) | Dynamic reservoir characterization | |
| US8855986B2 (en) | Iterative method and system to construct robust proxy models for reservoir simulation | |
| US9068448B2 (en) | System and method for predicting fluid flow characteristics within fractured subsurface reservoirs | |
| Yeten | Optimum deployment of nonconventional wells | |
| US20070016389A1 (en) | Method and system for accelerating and improving the history matching of a reservoir simulation model | |
| US10895131B2 (en) | Probabilistic area of interest identification for well placement planning under uncertainty | |
| Park et al. | Improved decision making with new efficient workflows for well placement optimization | |
| Al‐Mudhafar et al. | Rapid evaluation and optimization of carbon dioxide‐enhanced oil recovery using reduced‐physics proxy models | |
| Ghassemzadeh et al. | A data-driven reservoir simulation for natural gas reservoirs | |
| NO20171058A1 (en) | Integrated a priori uncertainty parameter architecture in simulation model creation | |
| US20220082719A1 (en) | Reservoir performance system | |
| Deutsch | What in the reservoir is geostatistics good for? | |
| CN118215779A (zh) | 用于有效的井设计的系统和方法 | |
| He | Investigating Continuously Updated History Matching Using Smart Proxy (Surrogate Reservoir Model) | |
| US20240248235A1 (en) | Machine learning proxy model for parameter tuning in oilfield production operations | |
| US20230359793A1 (en) | Machine-learning calibration for petroleum system modeling | |
| US20240168195A1 (en) | Well intervention performance system | |
| US20240094433A1 (en) | Integrated autonomous operations for injection-production analysis and parameter selection | |
| Al-Mudhafar et al. | Advanced ML and AI Approaches for Proxy-based Optimization of CO2-Enhanced Oil Recovery in Heterogeneous Clastic Reservoirs | |
| WO2023023218A1 (en) | Eor design and implementation system | |
| Sarma | Physics-Embedded Machine Learning for Modeling and Optimization of Mature Fields | |
| Vadicharla | Performance prediction of a hydrocarbon reservoir by history matching using genetic algorithm (NSGA-II) | |
| WO2024064131A1 (en) | Systems and methods for waterflood operations | |
| Bybee | Samarang Field-Redevelopment Evaluation Brings New Life to an Old Oil Field | |
| Zubarev | Simulation Approach Selection in Reservoir Management |
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 |