「油藏」人工智能平台加速油藏开发机会的识别流程-网络知识

成功的油藏管理通常需要确定出可行的油田开发机会。该流程的成果有助于资产团队实现产量目标，并提高采收率与储量。油田开发方案通常需要在深入了解目标油藏（地质复杂性、生产历史等）的基础上进行多学科合作。传统方法一直是费时费力，需要大量人力来收集、分析数据以及审查结果。

编译 | 无忧

如今，基于人工智能的云原生平台能够快速有效地识别油藏开发机会。QRI公司SpeedWise技术将人工智能/机器学习高级算法应用于多学科数据集。它简化了地质与工程领域的多个复杂工作流程，如死油区识别、排驱分析、产量预测等。此外，通过智能集成不同的数据源，如测井、储层模型、生产与完井数据，它能够实现跨职能工作流程。最终目标是生成可实施的开发机会（二次完井、甜点、水平井）的排名目录，使资产团队能够协作评估油田的开发前景。利用云计算的创新框架，多场景分析变得切实可行，并带来了更好的风险管理与更短的油藏管理决策周期。

01. 技术特点

具有简化但稳定的地质与工程工作流程

该技术可智能、自动执行诸多费力的通用工作流程，寻找二次完井、甜点或水平井的油田开发机会。在进行实际分析之前，以灵活的标准与格式输入多学科数据，包括Energistics RESQML数据格式。图1描述了可以集成的不同数据源。

图1. 多学科数据整合

将数据上传到数据集管理器后，检查每个数据类别的数据有效性。此外，该平台还可交叉检查多学科数据，以验证不同数据源之间的兼容性。在数据验证后，即可启动机会识别工作流程。

它由几个关键部分组成：

1)工程分析：利用多个数据源，例如生产、完井、射孔、流体性质、生产测井/ILT数据，可自动执行油水界面分析与流动单元分配，为每口井管理每个层位的产量，并使用基于人工智能的事件检测与无监督学习方法，创建类型曲线，以进行衰减曲线分析。

2)剩余油识别：利用产层连通性分析、隔板检测算法、射孔策略以及动态数据（例如PNL数据与模拟模型）的分析结果，确定潜在产层的深度区间。

3)排驱分析：估算每个产层中每口生产井的驱油面积，该方法提供了不同的分析手段来应对不同的油藏类型。例如，几何排驱分析法适用于基岩为主的油藏，而基于速率的排驱分析则更适用于裂缝为主的油藏。

4)地质风险评估：自动评估构造与测绘风险。

5)井筒可达性：通过基于人工智能的分析方法与数字化井身结构图，来评估力学的可行性。

6)产量预测：通过多种选择，如统计、分析、机器学习方法，来估算产量收益。

7)井间距分析：确定出分配给现有油井的面积/体积，以避免干扰新目标。

8)目标搜索：使用自动优化技术，确定目标井（垂直或水平）的最佳轨迹，具有成功建模的相对概率与全面的地质工程约束。

将这些单独的部分集成起来，以构建更庞大的工作流程。考虑到数据可用性的状态，该过程可自动调整其分析基础，这会因情况而异。图2总结了将这些必要部分系统性连接的通用自动工作流程。

图2.二次完井工作流程概要

上传油田所需的多学科数据后，通常仅需几分钟，即可为正在运行的每个案例，生成油田开发的候选目录。通过分析油田历史性能与模拟资产基准，系统可以为指定油田选择合适的最优设置。这些设置可以调整，并且易于创建与管理场景，以调查关键参数中的替代假设和不确定性。设置案例包括绘制地质工程性质、井间距范围、净产层边界以及成功概率的方法与参数。

云原生平台增强了用户体验与协作

作为云原生解决方案，该系统提供了安全的云协作体验，并充分利用了云计算的可扩展性。用户创建一个工作区，可立即邀请其他人作为协作者。

灵活的设置鼓励用户测试多个场景，并与团队其他成员共享案例。通常在几分钟内就能执行每个案例，并可通过浏览器端的交互式仪表板获取结果，为资产团队的审查做好准备。该系统集成了多学科数据与分析结果的多种视图，例如执行概况、历史井数据表和单个候选表，并总结了每个勘探前景的关键信息、岩石力学特性、地质建模评价、产量预测与力学可行性，以加快审查流程，促进资产团队成员之间的协作。

图3展示了一个示例仪表板，重点展示了选定的机会位置图、生产层位分布以及基于预估增产量的机会排名。