利用人工智能和模式识别的井性能分类制造技术

基于实际储层和井数据的异构分类器被开发用于定性地分类油井生产器性能，并且基于分类将新井钻入生产储层或调整现有井中的流体流量。数据包括一个或多个射孔间隔、完成类型、以及射孔区域相对于自由水位或气顶有多远或有多近。数据还包括地质数据，如区域性断层和裂缝的主要地质体。可以在分类之前对特征进行优先级排序。分类器利用四种不同的技术将模式识别应用于储层模拟矢量数据以对井进行分类。分类技术中的三种是监督学习方法：贝叶斯分类、动态时间扭曲和神经网络。第四种分类是无监督的方法，即聚类，以将井自动分组成类似的类别。

Well Performance Classification Using Artificial Intelligence and Pattern Recognition

【技术实现步骤摘要】
【国外来华专利技术】利用人工智能和模式识别的井性能分类
本专利技术涉及基于井特性、地质和流体流量对井的生产的性能进行分类。
技术介绍
目前，利用分析模型来进行规划新井，该分析模型基于储层能量(平均储层压力图)和饱和度来估计井生产/注入分配。井规划是针对水平井、多边井和斜井以及更常规的竖直井进行的。然而，对于大型储层或复杂地质而言，特别是在没有能够准确预测井性能的分析模型的情况下，井规划变得非常复杂。在这种情况下，只能根据附近的井来估计井分配。数值储层模拟用于优化井设计和预期的井性能。然而，该技术需要非常大量的计算机化储层模拟运行，这既耗时又造成计算机资源密集。现有的技术是一种确定性方法，其使用由随机组合发生器基于预定的井规划产生的井参数作为输入。此外，使用井的经济分析来测量井的性能，这需要开发经济风险评估作为输入参数的一部分。现有的技术方法也是确定性的，因为计算了储层产量的固定值。
技术实现思路
简要地，本专利技术提供了一种新的且改善的基于目标井的估计的井性能在生产烃储层中形成井的方法，所述估计的井性能是基于估计的井生产率和储层地质特性确定的。接收所述目标井的建议的井性能参数以在数据处理系统中进行处理。所述建议的井性能参数包括目标井生产率和所述储层中的井的建议的配置和位置。通过处理储层模拟结果，在所述数据处理系统中形成所述目标井的分类模型，所述分类模型指示所述生产烃储层中的流体生产率、流量和压力。基于所形成的分类模型以及所述储层中的所述目标井的建议的配置和位置，在所述数据处理系统中形成所述目标井的生产率的概率估计。如果所述目标井的生产率的所述估计是可接受的，则在所述生产烃储层中形成所述目标井。本专利技术还提供了一种数据处理系统，其基于生产烃储层中的目标井的估计的井生产率、储层地质特性和计算机化储层模拟结果形成所述目标井的估计的井性能的度量。所述数据处理系统包括处理器，该处理器接收所述目标井的建议的井性能参数以进行处理。所述建议的井性能参数包括目标井生产率和所述储层中的井的建议的配置和位置。所述处理器通过处理储层模拟结果来形成所述目标井的分类模型，所述分类模型指示所述生产烃储层中的流体生产率、流量和压力。所述处理器随后基于所形成的分类模型和所述储层中的所述目标井的建议的配置和位置，形成所述目标井的生产率的概率估计。所述数据处理系统还包括输出显示，其指示所述目标井的生产率的所述估计是否是可接受的，以用于在所述生产烃储层中形成所述目标井。本专利技术还提供一种数据存储装置，其具有存储在非暂时性计算机可读介质中的计算机可操作指令，用于使数据处理系统基于生产烃储层中的目标井的估计的井生产率、储层地质特性以及计算机化储层模拟结果形成所述目标井的估计的井性能的度量。所存储的指令使数据处理系统接收所述目标井的建议的井性能参数以进行处理，并且所述建议的井性能参数包括目标井生产率和所述储层中的井的建议的配置和位置。所述指令还使处理器通过处理储层模拟结果来形成所述目标井的分类模型，所述分类模型指示所述生产烃储层中的流体生产率、流量和压力。所诉指令还使处理器基于所形成的分类模型和所述储层中的所述目标井的建议的配置和位置，形成所述目标井的生产率的概率估计，并且使得形成输出显示，所述输出显示指示所述目标井的生产率的所述估计是否是可接受的，以用于在所述生产烃储层中形成所述目标井。附图说明图1是根据本专利技术的用于井性能分类的计算机处理步骤的功能框图或流程图。图2是图1中所示的功能框图的计算机处理步骤的更详细的功能框图。图3是图1中所示的功能框图的计算机处理步骤的更详细的功能框图。图4是用于执行图2中所示的计算机处理步骤的工作流程的功能框图。图5是用于执行图2中所示的计算机处理步骤的一部分的工作流程的功能框图。图6是用于执行图2中所示的计算机处理步骤的一部分的工作流程的功能框图。图7是用于执行图2中所示的计算机处理步骤的一部分的工作流程的功能框图。图8是用于执行图2中所示的计算机处理步骤的一部分的工作流程的功能框图。图9是根据本专利技术的用于井性能分类的计算机网络的示意图。图10是在利用图9的计算机网络的根据本专利技术的处理期间形成的图像的示例显示。图11A和图11B是在利用图9的计算机网络的根据本专利技术的处理期间形成的图像的示例显示。图12、图13和图14是作为利用图9的计算机网络的根据本专利技术的处理的结果而获得的结果的示例显示。图15是在利用图9的计算机网络的根据本专利技术的处理期间形成的图像的示例显示。图16是在利用图9的计算机网络的根据本专利技术的处理期间形成的井性能分类的输出概要的示例显示。图17是在利用图9的计算机网络的根据本专利技术的处理期间形成的井分类结果的图像的示例显示。图18是在利用图9的计算机网络的根据本专利技术的处理期间形成的井性能分类的输出概要的示例显示。图19是在利用图9的计算机网络的根据本专利技术的处理期间形成的井分类结果的图像的示例显示。图20和图21是在利用图9的计算机网络的根据本专利技术的处理期间形成的图像的示例显示。具体实施方式为了从地下储层中回收油和气，将井眼钻入这些地层中以回收烃流体。在这种储层的生产寿命期间，有时有必要为储层规划额外的井，并评估调整储层中现有井的生产或注入对该储层的潜在影响。在这种情况下，有必要基于井的特性、地质和流体流量对井的生产性能进行分类。在附图中，图1示出了钻入大型储层R的一部分中的多个现有井30的示例放置。储层R通常具有由图1的模型M示例的类型和尺寸，该储层通常是本领域技术人员已知的巨型储层。巨型储层的长度、宽度和深度在地下的范围内可以是几英里，并且该巨型储层例如可以具有大约三千亿立方英尺的体积或大小。现有井30通常包括生产井、注入井和观察井，并且现有井30在储层R的范围内间隔开。如上所述，在储层的寿命期间要求规划额外的井是必要的。如图1中示意性所示，这些额外的井可以是额外的建议的竖直井32或额外的水平井34，额外的水平井34的下部横向或水平地延伸穿过储层(如36所示)。应当理解，示出的额外井的数量是说明性的，并且可以根据本专利技术提出和评估任何合适的数量。迄今已知的用于规划新井的现有技术基于分析模型，以基于储层压力和流体饱和度在现有的井和规划的新井之间估计生产/注入分配。然而，这种用于井设计的现有技术已经基于或产生大量计算机密集且耗时的复杂的储层性能的计算机化模拟。就目前所知，这种分析模型通常不能准确地预测井性能。因此，已经基于可从附近井获得的度量来估计井流体流量分配。需要高性能计算机系统中的数值储层模拟来优化井设计和预期的井性能。示例的储层模拟器是GigaPOWERS储层模拟器，对其的描述可在以下找到：Dogru,etal.(SPE119272,“ANext-GenerationParallelReservoirSimulatorforGiantReservoirs,”ProceedingsoftheSPEReservoirSimulationSymposium,TheWoodlands,Texas,USA,2-4February2009,29pp.)。然而，数值储层模拟需要大量的模拟运行，这些模拟运行在计算机资源需求方面是耗时且密集的。此外，建立或搭建所需数量的不同模拟场景并分析结果是手动过程，需要储层工程师基于来自附近井的数据本文档来自技高网...

【技术保护点】
1.一种基于目标井的估计的井性能在生产烃储层中形成井的方法，所述估计的井性能是基于所述目标井的估计的井生产率和储层地质特性确定的，所述方法包括以下步骤：(a)接收所述目标井的建议的井性能参数以在数据处理系统中进行处理，所述建议的井性能参数包括目标井生产率和所述储层中的所述井的建议的配置和位置；(b)通过处理指示所述生产烃储层中的流体生产率、流量和压力的分类模型，在所述数据处理系统中形成所述目标井的分类模型；(c)基于所形成的分类模型以及所述储层中的所述目标井的建议的配置和位置，在所述数据处理系统中形成所述目标井的生产率的概率估计；(d)如果所述目标井的生产率的所述估计是可接受的，则在所述生产烃储层中形成所述目标井。

【技术特征摘要】
【国外来华专利技术】2017.02.20 US 15/437,1701.一种基于目标井的估计的井性能在生产烃储层中形成井的方法，所述估计的井性能是基于所述目标井的估计的井生产率和储层地质特性确定的，所述方法包括以下步骤：(a)接收所述目标井的建议的井性能参数以在数据处理系统中进行处理，所述建议的井性能参数包括目标井生产率和所述储层中的所述井的建议的配置和位置；(b)通过处理指示所述生产烃储层中的流体生产率、流量和压力的分类模型，在所述数据处理系统中形成所述目标井的分类模型；(c)基于所形成的分类模型以及所述储层中的所述目标井的建议的配置和位置，在所述数据处理系统中形成所述目标井的生产率的概率估计；(d)如果所述目标井的生产率的所述估计是可接受的，则在所述生产烃储层中形成所述目标井。2.根据权利要求1所述的方法，其中，形成分类模型的步骤包括以下步骤：形成对所述目标井的井生产性能进行分类的训练模型。3.根据权利要求2所述的方法，其中，所形成的训练模型通过人工神经网络处理对所述目标井的井生产性能进行分类。4.根据权利要求2所述的方法，其中，所形成的训练模型通过k均值聚类处理对所述目标井的井生产性能进行分类。5.根据权利要求2所述的方法，其中，所形成的训练模型通过高斯朴素贝叶斯处理对所述目标井的井生产性能进行分类。6.根据权利要求2所述的方法，其中，所形成的训练模型通过动态时间扭曲监督学习处理对所述目标井的井生产性能进行分类。7.根据权利要求1所述的方法，其中，所述目标井的生产率的所述估计是不可接受的，并且所述方法还包括以下步骤：调节所述建议的井参数，并基于经调节的井参数形成生产率的概率估计。8.一种数据处理系统，其基于生产烃储层中的目标井的估计的井生产率和储层地质特性形成所述目标井的估计的井性能的度量，所述数据处理系统包括执行以下步骤的处理器：(a)接收所述目标井的建议的井性能参数以进行处理，所述建议的井性能参数包括目标井生产率和所述储层中的所述井的建议的配置和位置；(b)通过处理指示所述生产烃储层中的流体生产率、流量和压力的分类模型，形成所述目标井的分类模型；(c)基于所形成的分类模型和所述储层中的所述目标井的建议的配置和位置，形成所述目标井的生产率的概率估计；(d)所述数据处理系统包括输出显示，其指示所述目标井的生产率的所述估计是否是可接受的，以用于在所述生产烃储层中形成所述目标井。9.根据权利要求8所述的数据处理系统，其中，所述处理器在执行形成分类模型的步骤时执行以下步骤：形成对所述目标井的井生产性能进行分类的训练模型。10.根据权利要求9所述的数据处理系统，其中，所述处理器在执行形成训练模型的步骤时通过人工神经网络处理对所述目标井的井生产性能进行分类。11.根据权利要求9所述的数据处理系统，其中，...

【专利技术属性】
技术研发人员：巴德里·M·阿勒哈尔比，阿梅尔·阿里·阿勒加姆迪，阿里·阿勒图尔基，
申请(专利权)人：沙特阿拉伯石油公司，
类型：发明
国别省市：沙特阿拉伯,SA