Система и инструмент для увеличения точности прогноза модели зрелых месторождений

Группа изобретений в общем случае относится к подбору и настройке параметров эксплуатации скважин для добычи углеводородов на зрелых нефтяных месторождениях. Технический результат - повышение эффективности способа и надежности работы устройства. Способ настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях реализуют как минимум одним аппаратным процессором. Способ включает прием набора исходных геологических моделей пласта-коллектора. На их основании строят прогнозы закачки и добычи флюидов по скважинам как функция времени. Обеспечивают прием исторических данных по скважинам, включающих как минимум фактические данные о закачке и добыче флюидов по скважинам во времени. Обеспечивают прием правил прогрессивного учета исторических данных по каждой скважине, а также прием метрики эффективности. Последнюю рассчитывают для каждой геологической модели на основе производственных показателей. Эти показатели включают прогрессивное формирование на основании правил множества геологических моделей пласта-коллектора. Это обеспечивают путем приведения набора исходных геологических моделей пласта-коллектора в соответствие с подмножеством исторических данных по скважинам согласно правилам для формирования набора промежуточных геологических моделей пласта-коллектора и приведения их в соответствие со следующим подмножеством исторических данных по скважинам согласно правилам. Из множества геологических моделей пласта-коллектора определяют набор существенно различных геологических моделей пласта-коллектора. Формируют среднесрочный план-график параметров эксплуатации скважин - размера устьевого штуцера и/или частоты вращения электрических насосов на основании набора существенно различных геологических моделей пласта-коллектора и метрики эффективности. Приводят в исполнение среднесрочный план-график параметров эксплуатации скважин для контроля закачки и добычи флюидов на каждой скважине путем установки штуцера выбранного размера и частоты вращения электрических насосов. 3 н. и 12 з.п. ф-лы, 19 ил.

 

ОБЛАСТЬ ТЕХНИКИ

[0001] Настоящее изобретение в общем случае относится к подбору и настройке параметров эксплуатации скважин для добычи углеводородов на зрелых нефтяных месторождениях.

УРОВЕНЬ ТЕХНИКИ

[0002] Зрелые нефтяные месторождения - месторождения на поздней стадии разработки, они характеризуются падающей добычей. Создание план-графиков (например, среднесрочных, на три года) выработки углеводородов на месторождениях поздней стадии разработки (или зрелых месторождениях) является непростой задачей. На поздних стадиях цикла жизни месторождения, нефтегазовые компании зачастую существенно снижают количество новых пробуренных скважин по причине низкой рентабельности инвестиций, когда прибыль может быть недостаточной для оправдания дополнительных вложений капитала. Главным фактором эффективности актива становится выбор параметров управления (например, размер устьевого штуцера в случае нагнетательных скважин или частота электрических насосов в добывающих скважинах) на зрелых месторождениях.

[0003] Обычно, чтобы определить параметры эксплуатации скважин на среднесрочный период, используют набор численных моделей, которые позволяют строить прогнозы закачки и добычи флюидов по каждой скважине, как функции времени. Параметры скважин подбираются итеративными методами, пока не будут достигнуты удовлетворительные улучшения метрик эффективности (например, чистый дисконтированный доход следующих трех лет разработки) относительно имеющихся базовых значений, соответствующих текущим план-графикам параметров эксплуатации скважин, построенным экспертами эвристически. На практике часто случается, что численные модели, используемые для прогнозирования добычи, имеют относительно большое количество параметров (например, параметры нефтяного месторождения, связанные с гетерогенностью в распределении характеристик продуктивного пласта, таких как пористость и проницаемость). Указанные параметры задаются таким образом, чтобы результаты численного моделирования соответствовали имеющимся промысловым данным по месторождению (например, фактическим данным по добыче скважин). Тем не менее, зачастую объем имеющихся данных недостаточен для того, чтобы однозначно определить указанные параметры. Вследствие этого различные комбинации параметров модели воссоздают имеющиеся фактические данные с приемлемой точностью. Стоит заметить, что эти комбинации в общем случае дают различный прогноз добычи по модели. Использование только одной модели может нести в себе риски, поскольку соответствующий прогноз показателей разработки может быть неточным. Неточный прогноз ведет к неоптимальному выбору параметров эксплуатации скважин с точки зрения метрик эффективности. Поэтому в последнее время в промышленности применяется подход, который заключается в рассмотрении набора численных моделей (где каждая модель воспроизводит имеющиеся фактические данные). Такой метод дает оценку возможных параметров модели (поскольку существует несколько моделей, такая оценка будет выражена в виде набора величин) и позволяет принимать более надежные решения в краткосрочной и среднесрочной перспективе за счет построения прогнозов с использованием вероятностного подхода. Это означает, что вместо того, чтобы сказать, что, например, добыча нефти на месторождении через год будет составлять 30000 баррелей в сутки (если эта оценка будет определена только на основании одного прогноза, вероятность ошибки, в общем случае, достаточно высока), можно сформулировать оценку по-другому: добыча нефти на месторождении через год будет составлять 25 ООО баррелей в сутки с вероятностью, равной 90% (такая оценка будет, как правило, тем точнее, чем большее количество возможных прогнозов было учтено при ее выводе).

[0004] Создание набора численных моделей, воспроизводящих имеющиеся фактические данные, обычно является длительным, трудоемким и сложным процессом. Чтобы воспроизвести имеющиеся фактические данные, такие как, например, объемы добычи и закачки по скважинам (стандартные параметры, которые обычно учитываются на большинстве нефтяных месторождений), используют физические модели для анализа фильтрации в пласте-коллекторе. Для моделирования указанных процессов необходимо решить систему нелинейных дифференциальных уравнений, что требует существенных вычислительных мощностей. Процесс настройки отдельно взятой модели, чтобы она воспроизводила фактические данные, в общем случае носит итеративный характер, т.е. необходимо провести несколько затратных по времени циклов моделирования, с оценкой результатов по каждому, пока результаты не будут признаны удовлетворительными. Если вместо одной модели необходимо провести калибровку нескольких моделей, вычислительная сложность расчетов становится слишком высокой (например, необходимо несколько недель работы распределенной вычислительной системы).

[0005] Использование малого количества моделей, либо моделей, которые не являются существенно различными с геологической точки зрения, может привести к неточным прогнозам, ошибкам в принятии решений и, как следствие, к низкой эффективности разработки соответствующего нефтяного месторождения. Расчет относительно большого числа существенно различных и реалистичных с геологической точки зрения моделей может быть довольно трудоемким процессом, а в некоторых случаях это требует слишком больших затрат. Таким образом, на практике многие современные инструменты для создания среднесрочных план-графиков параметров скважин отличаются высокими скоростями расчета за счет снижения качества прогноза. В них используются наборы моделей, которые воспроизводят фактические данные, но не являются существенно различными между собой, что может приводить к неточным прогнозам.

КРАТКОЕ ОПИСАНИЕ

[0006] Предлагаются способ и система настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях. Данный способ, в одном аспекте, включает прием набора исходных геологических моделей пласта-коллектора, на основании которых строятся прогнозы закачки и добычи флюидов по скважинам как функция времени. Способ может также включать прием исторических (т.е. действительных, полученных по результатам измерений) данных по скважинам, включающихкак минимум фактические данные о закачке и добыче флюидов по скважинам во времени. Способ может также включать прием правил прогрессивного учета исторических данных по каждой скважине (здесь и далее «прогрессивное» означает «по мере усвоения очередной части исторических данных»). Способ может также включать прием экономической модели, включающей среднесрочные оценки цены продажи нефти и стоимости ее добычи. Способ может также включать прогрессивное формирование на основании правил множества геологических моделей пласта-коллектора путем приведения набора исходных геологических моделей пласта-коллектора в соответствие с подмножеством исторических данных по скважинам согласно правилам для формирования набора промежуточных геологических моделей пласта-коллектора и приведения их в соответствие со следующим подмножеством исторических данных по скважинам согласно правилам. Способ может также включать определение из множества геологических моделей пласта-коллектора набора существенно различных (здесь и далее - имеющих существенно различающиеся геологические свойства) геологических моделей пласта-коллектора. Способ может также включать формирование среднесрочного план-графика параметров эксплуатации скважин на основании набора существенно различных геологических моделей пласта-коллектора и экономической модели. Способ может также включать приведение в исполнение среднесрочного план-графика параметров эксплуатации скважин для контроля закачки и добычи флюидов на каждой скважине.

[0007] Система настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях, в одном аспекте, может включать, как минимум один аппаратный процессор. К аппаратному процессору может быть подключен экран (устройство для отображения) для индикации данных. Аппаратный процессор может принимать набор исходных геологических моделей пласта-коллектора, на основании которых строятся прогнозы закачки и добычи флюидов по скважинам как функция времени. Аппаратный процессор также может принимать исторические данные по скважинам, включающиекак минимум фактические данные о закачке и добыче флюидов по скважинам во времени. Аппаратный процессор также может принимать правила прогрессивного учета исторических данных по каждой скважине. Аппаратный процессор также может принимать экономическую модель, включающую среднесрочные оценки цены продажи нефти и стоимости ее добычи. Аппаратный процессор также может прогрессивно формировать на основании правил множества геологических моделей пласта-коллектора путем приведения набора исходных геологических моделей пласта-коллектора в соответствие с подмножеством исторических данных по скважинам согласно правилам для формирования набора промежуточных геологических моделей пласта-коллектора и приведения их в соответствие со следующим подмножеством исторических данных по скважинам согласно правилам. Аппаратный процессор также может определять из множества геологических моделей пласта-коллектора набор существенно различных геологических моделей пласта-коллектора. Аппаратный процессор также может формировать среднесрочный план-график параметров эксплуатации скважин на основании набора существенно различных геологических моделей пласта-коллектора и экономической модели. Аппаратный процессор также может приводить в исполнение среднесрочный план-график параметров эксплуатации скважин для контроля закачки и добычи флюидов на каждой скважине.

[0008] Также может быть представлено машиночитаемое запоминающее устройство, хранящее набор инструкций, исполняемых машиной для реализации способа настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях в соответствии с одним или несколькими способами, описанными в настоящем документе.

[0009] Прочие функции, а также структура и принципы работы различных вариантов осуществления изобретения подробно описаны ниже, со ссылкой на соответствующие рисунки. Идентичные или функционально подобные элементы обозначены на рисунках схожими кодовыми номерами.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0010] На Фиг. 1А и 1Б приведена блок-схема, иллюстрирующая компоненты системы в одном из вариантов осуществления изобретения.

[0011] На Фиг. 2А и 2Б показаны графики, иллюстрирующие процесс поиска моделей (в данном случае по пористости и логарифму горизонтальной проницаемости) с полным (в один шаг) и прогрессивным (по частям) усвоением имеющихся данных в одном из вариантов осуществления изобретения.

[0012] На Фиг. 3А и 3Б показаны блок-схемы, иллюстрирующие генерацию моделей, соответствующих измерениям с использованием прогрессивного усвоения данных в одном из вариантов осуществления изобретения.

[0013] На Фиг. 4 показана блок-схема, иллюстрирующая процесс приемки моделей, соответствующих измерениям, по принципу существенных различий между ними в одном из вариантов осуществления изобретения.

[0014] На Фиг. 5 приведен пример графического вывода, сформированный в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения.

[0015] На Фиг. 6-18 показаны снимки экрана графического интерфейса пользователя, реализованного в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения.

[0016] На Фиг. 19 показан пример схемы вычислительной компьютерной системы, реализующей систему настройки параметров эксплуатации скважины в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения.

ПОДРОБНОЕ ОПИСАНИЕ

[0017] Предложены система, способ, инструмент и технологии, которые позволяют с более высокой точностью определять рекомендованные параметры эксплуатации скважин для добычи нефти на месторождениях поздней стадии разработки, а также, например, позволяют контролировать параметры эксплуатации скважин в зависимости от прогноза добычи нефти на зрелых нефтяных месторождениях.

[0018] При генерации нескольких моделей, которые воспроизводят доступные фактические данные, эти модели должны быть как можно более разнородными, чтобы обеспечить максимально полный охват нескольких возможных моделей пласта-коллектора, которые могут выработать разные прогнозы и могут быть использованы в качестве исходных данных для принятия более обоснованных решений (например, две модели со сходными параметрами, по сути, можно представить в виде одной модели, так как с точки зрения прогноза они могут давать избыточную информацию). В дополнение, все модели, учтенные в прогнозах, должны быть реалистичны с геологической точки зрения (например, в общем случае, возможно воспроизводить фактические данные путем создания моделей, которые будут геологически неправдоподобными). Генерация среднесрочных план-графиков параметров скважины для добычи углеводородов на зрелых месторождениях должна быть основана на относительно большом количестве разнородных и геологически-реалистичных моделей, позволяющих строить прогнозы объемов добычи вычислительными методами.

[0019] В одном из вариантов осуществления система, описанная в настоящем раскрытии, может определять набор разнородных моделей, на основании которых строятся вероятностные прогнозы объемов добычи. Такой набор разнородных моделей калибруют по имеющимся фактическим данным, полученным в ходе полевых измерений, например, накопленным данным по закачке и добыче скважин. В одном из вариантов осуществления, вместо проведения калибровки по указанным данным единовременно, система проводит расчет, прогрессивно включая все большее количество данных (т.е. в порядке их поступления), т.е. применяется процесс ассимиляции данных. Например, для исторических данных, система может, к примеру, на первом этапе использовать одну треть накопленного массива данных для калибровки, затем добавить оставшиеся две трети, чтобы в итоге проводить расчеты по всему объему накопленных данных. В соответствии с экспериментом, проведенным с использованием системы и способа, описанных в настоящем раскрытии сущности изобретения, такая прогрессивная калибровка позволяет сократить вычислительные затраты, необходимые для реализации описанного выше трудоемкого процесса калибровки, на 30-40%, если сравнивать с калибровкой системы по всем имеющимся данным в один шаг. При расчете более сложных практических случаев этот показатель может быть еще более значительным. В одном из вариантов осуществления изобретения, разнородность (т.е. существенное различие по свойствам) моделей достигается за счет применения набора правил, позволяющих исключить схожие с геологической точки зрения модели, а также модели, дающие подобные прогнозы дебитов скважин. Например, две модели, различные с геологической точки зрения в зонах, не имеющих значения для расчета динамики добычи, по существу совпадают в случае их рассмотрения с точки зрения динамики добычи, а также, например, с точки зрения метрик эффективности, рассчитанных по динамике добычи, таких как чистая приведенная стоимость продукции месторождения.

[0020] В одном из вариантов осуществления изобретения система с целью обеспечения вычислительной эффективности не определяет необоснованно большое количество разнородных моделей. В одном из вариантов осуществления система получает (относительно малую) группу откалиброванных, разнородных (т.е. существенно различных по свойствам) моделей, а также итеративно вводятся дополнительные партии откалиброванных, разнородных моделей (здесь требование разнородности распространяется на весь набор, в состав которого входят все указанные выше партии), пока заданная метрика, рассчитанная на основании вариации прогнозируемой добычи (например, множество значений метрик эффективности), не показывает, что добавление последней партии уже не требуется. Размер исходной и последующей партий можно оценить по результатам предыдущих процессов калибровки, выполненных на аналогичных нефтяных месторождениях. Дополнительные модели, которые воспроизводят имеющиеся фактические данные, но которые не обязательно повышают разнородность системы, можно достаточно эффективно рассчитывать (например, методом интерполяции). Такие дополнительные модели могут быть полезны для анализа и визуализации (аналогичным образом интерполяция в n-мерном пространстве помогает лучше понять и интерпретировать данные). По структуре все сгенерированные модели являются геологически реалистичными (т.е. специалист не отсеет эти модели из-за недостатка реалистичности).

[0021] Геологически реалистичные модели можно построить, например, путем изменения в допустимых пределах параметров модели, которая уже признана реалистичной с геологической точки зрения. Новый набор улучшенных интерполированных моделей (или, в качестве альтернативы, набор разнородных моделей до интерполяции), которые воспроизводят имеющиеся результаты измерений, используется для улучшения (в терминах метрик эффективности, таких как чистая приведенная стоимость, связанная с добычей нефтяного месторождения) текущего базового варианта среднесрочного план-графика (например, на следующие три года) параметров скважины (например, размер устьевого штуцера нагнетательной скважины). Для построения улучшенного план-графика в полном объеме может быть учтена система, описанная в заявке на патент США №15/298,893, поданная 20 октября 2016 года (номер дела патентного поверенного YOR920160771US1), находящаяся в процессе одновременного рассмотрения и в совместном владении. Версия с одной моделью, описанная в указанной выше заявке, может быть расширена путем включения в нее набора моделей, например, методом итерации по всем моделям и расчета метрик эффективности по всем моделям с план-графиком, общим для всех этих моделей.

[0022] Указанная система и способ, описанные в настоящем раскрытии сущности изобретения, могут обеспечить следующие преимущества по сравнению с другими современными системами. Как показывают эксперименты, прогрессивная ассимиляция имеющихся данных (т.е. последовательная, по мере их поступления) позволяет на 30-40% сократить затраты на вычисления по сравнению с учетом всех данных в одном шаге. Так как калибровка модели является наиболее затратной по вычислениям частью инструментария, можно ожидать, что экономия вычисления при калибровке приведет к экономии вычислений по всей системе. Во-вторых, как правило, современные решения не поддерживают разнообразие (моделей). Например, множественный фильтр Калмана (Ensemble Kalman Filter) (EnKF), который на данный момент является одним из самых популярных методов ассимиляции данных, основан на калибровке ансамбля моделей, которые зачастую, по пока непонятным причинам, могут коллапсировать в одну единственную модель. В методе EnKF, различные подмножества имеющихся данных ассимилируются на разных шагах. Хотя такой подход эффективен с точки зрения вычислительных затрат, так как все имеющиеся данные никогда не учитываются совместно при калибровке, полученные результаты, в общем случае, могут оказаться сопоставимы только с частью имеющихся данных. С другой стороны, в одном из вариантов осуществления изобретения, система и способ, описанные в настоящем раскрытии сущности изобретения, специально нацелены на повышение разнородности не только с геологической точки зрения, но также и с точки зрения, учитывающей потоки флюидов и соответствующие показатели производительности, такие как чистая приведенная стоимость, связанная с добычей на рассматриваемом нефтяном месторождении. Существуют современные методы, которые позволяют контролировать разнородность в той мере, чтобы обеспечить возможность ассимиляции данных с использованием методов оптимизации с множественными исходными точками. Однако для таких методов отсутствуют стратегии определения количества моделей, необходимых для воспроизведения имеющихся фактических данных, которые можно использовать впоследствии для конфигурации среднесрочных параметров скважины. Такой недостаток стратегий может привести либо к неточному прогнозу за счет слишком малого количества моделей, недостаточного, чтобы корректно отразить изменения параметров хотя бы по одному пласту-коллектору, которые влияют на потоки флюидов, либо по причине недопустимо высокой трудоемкости инструмента, когда рассматривают слишком большое количество моделей. В одном из вариантов осуществления, система и метод, описанные в настоящем раскрытии сущности изобретения, начинают работу с относительно небольшой группы моделей, затем прогрессивно (по мере поступления и обработки исходных данных) добавляется больше моделей, пока заданная метрика эффективности, основанная на показателях добычи, не показывает, что последняя группа является минимально допустимой. Современные системы дают прогнозы добычи, которые применимы только на несколько месяцев вперед. Система и метод, представленные в настоящем раскрытии сущности изобретения, могут существенно расширить период достоверности прогнозов.

[0023] На Фиг. 1 приведена блок-схема, иллюстрирующая состав компонентов одного из вариантов осуществления, описанного в настоящем раскрытии сущности изобретения. Компоненты (103) и (106) подробно рассмотрены на Фиг. 3 и 4. Компоненты включаюткак минимум один аппаратный процессор, например, подключенный к памяти, экрану индикации, одной или более сети для обмена данными, одному или более контроллеров и (или) приводов. Входные данные для системы (100) включают в себя имеющиеся фактические данные (например, исторические промысловые данные по дебиту скважины и/или другие данные измерений), которые используются для улучшения прогнозных возможностей моделей, набор предыдущих моделей (101), которые обеспечивают априорные данные по пласту-коллектору, правила, определяющие метод прогрессивного учета имеющихся фактических данных (102), экономическую модель (104), используемую для проверки новых рассчитанных моделей и генерации нового оптимизированного среднесрочного графика параметров эксплуатации скважин, и базовый среднесрочный график параметров эксплуатации скважин (113). Экономическая модель (104) в одном из вариантов осуществления включает среднесрочные оценки цены продажи нефти и производственных затрат (а также налогов, пошлин и т.п.). Результатом является набор новых и улучшенных параметров эксплуатации скважин (115), которые можно представить в графическом виде (116). Управление одной или несколькими скважинами (117) можно осуществлять путем контроля параметров этих скважин в зависимости от полученного план-графика параметров скважины (115). Также на выходе можно получить набор улучшенных геологических моделей (112) для дополнительной проверки.

[0024] В системе используются накопленные фактические данные (100) или априорная информация (101), наряду с правилами прогрессивной ассимиляции данных (102), на основании которых система генерирует (103) первую партию геологически реалистичных и непротиворечивых моделей (105), которые представляют собой исходное подмножество данных в пределах заданного приемлемого уровня точности. Новая группа с учетом исходных данных из экономической модели (104) используется на шаге (106) для получения набора моделей, которые являются допустимыми в терминах геологической корректности и с точки зрения разнородности метрик эффективности (107).

[0025] Указанный новый набор моделей сохраняется на шаге (108) и используется в дальнейшем при итерациях в качестве исходных данных на шаге (106). Система проверяет, нужно ли увеличить количество геологически разнородных моделей или нет на шаге (109). Данная проверка может быть основана на оценке дисперсии предсказанных значений метрик эффективности. Каждая модель дает свой собственный прогноз добычи, что позволяет оценить метрики эффективности, например, чистый дисконтированный доход (ЧДД; здесь и далее термин «чистый дисконтированный доход» эквивалентен термину «чистая приведенная стоимость» и используется для обозначения термина NPV, англ. Net Present Value). После получения набора моделей, которые воспроизводят имеющиеся фактические данные, система может рассчитать статические оценки ЧДД для рассматриваемого набора моделей. Если добавление новой модели пласта-коллектора (или группы моделей) в набор уже включенных в систему моделей не вносит существенных изменений в указанные величины, тогда предполагается, что система владеет информацией по возможной дисперсии значений прогнозируемых параметров, поэтому дальнейший поиск моделей не требуется. Является изменение величин существенным или нет, можно определить путем сравнения таких величин с предельным (пороговым) изменением. Например, если величины, полученные по набору моделей пласта-коллектора, находятся в пределах, рассчитанных по предыдущему набору моделей пласта-коллектора, можно сделать вывод, что достигнуто количество геологически разнообразных моделей.

[0026] Пример методики определения достаточности количества моделей на шаге (109) можно описать следующим образом. Здесь необходимо отметить, что можно использовать другие методики, не ограничиваясь приведенным примером. Предположим, что имеется N геологически реалистичных моделей, согласующихся с имеющимися данными разработки, которые считаются достаточно разнообразными с точки зрения геологии и метрик эффективности. Данный метод определяет N прогнозов добычи, например, на следующие три года, соответствующих указанным моделям и рассчитывает статистическую меру, например, дисперсию ЧДД, связанную с N прогнозами, которые в данном методе обозначаются . Когда метод получает еще одну новую модель (также геологически реалистичную, соответствующую имеющимся данным и предполагаемую отличающейся от имеющихся), метод рассчитывает новый прогноз добычи на три года для этой модели, и затем метод рассчитывает новое значение дисперсии для N+1 прогнозов, которые в методе обозначаются . Если разница между двумя дисперсиями оказывается малой, т.е. , при этом допустимое отклонение (также обозначается как пороговое значение) равно, например, 0.05 (в случае ЧДД или наличных средств указанное допустимое отклонение может рассчитываться по другим допустимым отклонениям, соответствующим фактическим денежным суммам), тогда новая модель не принимается, так как количественная оценка неопределенности прогноза не выходит за пределы погрешности, заданной . В противном случае, модель принимается, и дополнительные модели будут рассматриваться вдобавок к существующим N+1. Описанная процедура может применяться к партии из М новых (геологически реалистичных, соответствующих имеющимся данным, разнородных) моделей.

[0027] Если при анализе существующей системы установлено, что система имеет недостаточное количество моделей пластов-коллекторов (110 N) (например, изменение значений превышает порог значимости), существующая система генерирует новую группу моделей на шаге (103), а затем выбирает геологически приемлемые и разнообразные с точки зрения метрик эффективности модели на шаге (106), на этот раз, возможно, включая ранее принятые модели на шаге (108). В противном случае (как показано на шаге 110 Y) система проходит относительно несложный по вычислительным затратам этап интерполяции модели на шаге (111), после чего аналогичным образом выполняется интерполяция данных в n-мерном пространстве. На данном этапе, как правило, разнородность моделей не повышается, но обеспечивается возможность включения дополнительных моделей при относительно малом объеме вычислений (в сравнении с другими этапами расчета системы). Такие новые модели могут оказаться полезными при анализе и визуализации (например, подобная интерполяция в n-мерном пространстве помогает лучше понять и интерпретировать данные).

[0028] Новый набор улучшенных и интерполированных моделей (112) (или набор разнородных моделей до интерполяции, в качестве альтернативы) используется в качестве исходных данных, вместе с экономической моделью (104) и базовым среднесрочным план-графиком параметров скважины (113), для системы (114), которая эффективно выдает новый и улучшенный среднесрочный план-график параметров скважины (115), которые можно отобразить графически (116) или напрямую применять к месторождению (117), автоматически или автономно. Пример такой системы (114) описан в заявке на патент США №15/298,893, поданной 20 октября 2016 года, находящейся в процессе одновременного рассмотрения и в совместном владении.

[0029] На Фиг. 2А и 2Б показаны графики, иллюстрирующие процесс поиска моделей (в данном случае, пористость и логарифм горизонтальной проницаемости продуктивного пласта) с полным (в один шаг) и прогрессивным включением имеющихся фактических данных в одном из вариантов осуществления, описанных в настоящем раскрытии сущности изобретения. График, показанный на Фиг. 2А, соответствует поиску моделей пласта-коллектора, соответствующих всем имеющимся фактическим данным. График, показанный на Фиг. 2Б, соответствует поиску моделей пласта-коллектора с прогрессивной ассимиляцией имеющихся данных.

[0030] Поиск единственной модели, которая воспроизводит имеющиеся данные, сам по себе занимает много времени: чем больше количество фактических данных, тем больше времени может занять поиск соответствующей модели пласта-коллектора. Чтобы ускорить этот процесс, система, в одном из вариантов осуществления, поддерживает прогрессивную ассимиляцию данных. На первом шаге данного процесса, сопоставляемые данные представляют собой часть всего массива имеющихся данных (например, данные по дебиту скважины за первый год из десяти, либо сейсмические данные только в одной области месторождения). При меньшем количестве данных для сопоставления решение, совпадающее с таким набором данных, в общем случае, определяется быстрее, чем случае большого объема фактических данных.

[0031] Затем система за несколько дополнительных шагов увеличивает объем данных, соответствие с которыми необходимо обеспечить. Чем большее количество данных используется при сопоставлении, тем более точным будет прогноз. На каждом последующем шаге расчет начинается с решения, полученного на предыдущем шаге (на котором было использовано меньшее количество доступных данных). На Фиг. 2А и 2Б графически иллюстрирован данный подход на идеальном примере. На обоих графиках две оси представляют два параметра пласта-коллектора, которые являются кандидатами для оценки (в практических примерах необходимо оценить большее количество параметров): средняя пористость ф (горизонтальная ось) и среднее (десятичный логарифм) горизонтальной проницаемости log k (вертикальная ось) для пород в пределах пласта-коллектора. Эллипс очерчивает все возможные конфигурации указанных двух параметров, которые дают геологически реалистичные модели. Область внутри темно-серой полосы показывает все комбинации указанных двух параметров, которые соответствуют фактическим данным с допустимой погрешностью. Область внутри светло-серой полосы (которая получается при пересечении эллипса и серой полосы) представляет собой набор подходящих решений, связанных с геологически реалистичными моделями. При калибровке пласта-коллектора целью системы в общем случае является хорошее приближение этой области дискретным и относительно малым количеством решений. Если имеется два набора измеренных данных А и Б, которые система должна воспроизвести, при этом один из наборов (А) является подмножеством другого (Б), аналог светло-серой области на Фиг. 2А, связанный с набором Б, может быть подмножеством области, связанной с А. На Фиг. 2А показан результат применения алгоритма инверсии с несколькими начальными точками, с целью воспроизведения всех имеющихся данных измерений (например, объемов закачки и добычи по скважинам за десять лет). На Фиг. 2Б показано, как работает алгоритм ассимиляции (основанный, в данном случае, на оптимизации с несколькими начальными точками), в котором последовательно учитываются три набора измеренных данных (например, объемы закачки и добычи по скважинам). Решения "направляются" издалека в сторону набора геологически реалистичных решений, которые воспроизводят фактические данные с удовлетворительной погрешностью. На практике можно ожидать, что такой набор будет относительно сложно найти, а метод, в котором решение ищется методом итераций может быть более эффективным и действенным, чем при использовании только одного, полного набора данных (который накладывает наибольшие ограничения на множество значений прогнозов набора моделей). В наших экспериментах с относительно простой синтетической моделью было достигнуто снижение вычислительных затрат на 30-40%. Для более сложных моделей, в которых набор решений найти сложнее, можно ожидать большего повышения эффективности. В данном типе задач снижение вычислительных затрат на 30-40% означает уменьшение времени расчета на несколько дней (даже с использованием высокопроизводительных вычислительных сред).

[0032] На Фиг. 3А и 3Б показаны блок-схемы, иллюстрирующие генерацию моделей, соответствующих измерениям, полученные с использованием прогрессивного включения данных в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. На Фиг. 3А и 3Б показаны блок-схемы, иллюстрирующие группу моделей, соответствующих измерениям, полученные с использованием прогрессивного включения данных в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. Данный процесс может включать получение в качестве исходных данных (102) последовательности наборов данных, которые необходимо учесть для прогрессивной ассимиляции (например, объем закачки и добычи по скважинам за пять и десять лет) для более оперативного сопоставления модели. Выбор наборов данных измерений может оказать влияние на фактическую производительность метода прогрессивной ассимиляции. Например, при выборе последовательности объемов закачки и добычи по скважинам за два года, пять или десять лет, можно получить отличные результаты с точки зрения времени вычислений от тех, то будут получены в случае использования последовательности тех же параметров за один год, три и десять лет. Выбор таких наборов может проводиться либо экспертом (например, методом ввода через интерфейс пользователя), либо вычислительной машиной или процессором (например, с использованием критериев, основанных на содержании данных или энтропии по каждому из наборов данных), в автономном или автоматическом режиме. Указанный процесс начинается с учета всех априорных данных (101) (например, в соответствии с рекомендациями эксперта) и набора данных измерений (102) с менее строгими ограничениями (например, самый малый набор данных измерений, который учитывался при полной калибровке, например, начало калибровки модели с использованием минимального набора данных измерений, такого как объем закачки и добычи скважин за два года), путем генерации партии реалистичных моделей пласта-коллектора (например, комбинации параметров пласта-коллектора в границах, которые дают геологически реалистичные модели) на шаге (301). Априорные данные могут включать набор моделей, заданных экспертом напрямую, с использованием ПО для моделирования геологических условий (методом итераций) и относительно простых (гео-) статистических данных (исследуемого месторождения или по другим, геологически-подобным, месторождениям). Такой предварительный набор моделей, в общем случае, не совпадает с данными измерений на шаге (100), так как при построении таких моделей используются только статические предположения.

[0033] В одном из вариантов осуществления процесс калибровки можно представить, например, как математическую задачу оптимизации, когда целевой функцией оптимизации является мерой несовпадения измерений (100) и результатов численного моделирования физических процессов на основании описанной модели (102). Переменными оптимизации в такой задаче могут быть, например, несколько параметров, отражающих характеристики породы, такие как проницаемость и пористость, а также геологические сущности, такие как глубины зон контакта нефти и воды, газа и нефти, а также параметры флюидов, такие как относительные фазовые проницаемость нефти, воды и газа. Метод также позволяет определять ограничения (например, границы) указанных переменных, таким образом, что выбор указанных значений переменных, в указанных границах, обеспечит вывод геологически-реалистичных моделей. Размер группы базовых моделей (по количеству) можно оценить на основании априорной информации (например, скорректированные значения переменных оптимизации, которые обеспечивают приемлемость модели, подобно моделям, заданным экспертом с помощью ПО для моделирования геологических условий). Оставшиеся модели также можно задать стохастическими методами, путем вывода таких величин переменных оптимизации, которые будут удовлетворять указанным выше ограничениям.

[0034] Система получает на шаге (303) набор данных для сравнения с результатами измерений. Если измерены объем закачки и добычи в скважинах, для получения таких данных может потребоваться моделирование потоков внутри пласта-коллектора (302). В одном из вариантов осуществления используется моделирование физических процессов на шаге (302) используется для расчета динамики набора моделей пласта-коллектора на шаге (301) или для обновления моделей на шаге (305), для получения численных значений (303), которые можно напрямую сравнивать с измерениями (303) для оценки степени совпадения данных. Например, если таковыми измерениями являются объемы добычи и закачки в скважинах, то может потребоваться моделирование потоков внутри пласта-коллектора на шаге (302) для получения численной оценки потоков внутри пласта, а также объемов закачки и (или) добычи на скважинах. Входные данные для моделирования потоков внутри пласта-коллектора (302) включают модели такого пласта (301), которые, к примеру, могут представлять собой численные оценки параметров породы (таких как проницаемость и пористость), геологических сущностей (таких как глубина зоны контакта нефти и воды и газа и нефти), параметров флюидов (такие как относительная проницаемость нефти и газа), дополнительных параметров пласта-коллектора (например, данные, полученные благодаря геолого-промысловой эксплуатации пласта-коллектора). Входные данные для моделирования потоков внутри пласта-коллектора (или моделирования иных физических процессов) применяется для определения параметров, связанных с уравнениями, которые используются для моделирования интересующих исследователей физических явлений (например, потоков флюидов внутри пористой среды). Указанные уравнения используются для генерации количественных значений, необходимых для калибровки системы по данным измерений, а позже - для расчета предварительно заданных метрик эффективности, основанных на прогнозах. На практике процесс калибровки можно представить, например, как математическую задачу оптимизации, когда целевая функция при оптимизации является мерой несовпадения измерений (100) и результатов численного моделирования физических процессов на основании описанной модели (303).

[0035] Например, на выходе модели (302) получаем численные оценки динамических параметров реального пласта-коллектора, например, добычи нефти. В общем случае, можно проводить моделирование на основании других физических процессов (например, распространения волн, если рассматриваются сейсмические данные). Данные, сгенерированные в модели (303), далее сравниваются с подмножеством имеющихся данных, например, метрикой отклонений, такой как норма разницы между результатами моделирования и подмножеством измерений, в соответствии с текущим шагом метода прогрессивного усвоения данных (102). Если разница признается достаточно мала (304 N) для предварительно определенного числа моделей (например, сравнение может проводиться с использованием предварительно заданного критерия или порога), система (305) генерирует новые комбинации геологических параметров, чтобы снизить различие между двумя наборами данных (например, методом математической оптимизации, с использованием предыдущих комбинаций параметров, уже испытанных, к примеру, на таком алгоритме, как поиск по обобщенному шаблону (ПОШ; анг. - Generalized Pattern Search - GPS) в комбинации с подходом, при котором используется нескольких стартовых точек работы алгоритма), после чего процесс циклически возвращается к (302). Новые комбинации параметров дают геологически-реалистичные модели пласта-коллектора (что достигается, к примеру, путем выбора параметров в предварительно заданных диапазонах значений, обеспечивающих геологический реализм). Если метрика отклонений признается допустимой (304 Y), система проверяет, является ли заданный набор данных измерений наиболее строгим ограничивающим (306), т.е. когда в ходе всего процесса учитывается самый крупный набор данных измерений (например, данные по закачке в скважину и выработке из скважины за последние десять лет, как описано в примере выше). Если же метрика отклонений признается недопустимой (307 N), в систему (308) включается новый набор данных измерений, а последний набор решений, полученных после успешной проверки (304), применяется для расчетов в новом цикле (302). Если наиболее ограничивающий набор данных уже усвоен (ассимилирован) на шаге (307 Y), тогда на шаге (105) выдается группа решений, допустимых по критериям качества и реалистичных с геологической точки зрения.

[0036] В одном из вариантов осуществления, система выдает набор геологически-приемлемых моделей, которые укладываются в диапазон допустимых значений погрешности относительно имеющихся данных (например, добыча скважины и сейсмические данные). Как правило, имеющихся данных недостаточно для точного определения всех параметров пласта-коллектора. В одном из вариантов осуществления, представленном в настоящем раскрытии сущности изобретения, система рассчитывает несколько из указанных моделей пласта-коллектора, чтобы учесть несколько вариантов прогнозов и принять более обоснованное и надежно решение. Примером такого рода решений является среднесрочный план-график (например, на несколько месяцев или лет) параметров скважины, для которого необходимо оптимизировать заданную метрику эффективности.

[0037] На Фиг. 4 показана блок-схема процесса оценки приемлемости модели по признаку совпадения с данными измерений, с учетом разнородности, для одного из вариантов осуществления, описанного в настоящем раскрытии сущности изобретения. Ожидается, что наличие широкого спектра возможных моделей пласта-коллектора обеспечивает более точные численные оценки вариаций метрик эффективности, определенных для совокупности моделей (которые, в свою очередь, можно использовать для оценки возможной будущей эффективности реального пласта-коллектора). Данная система, в одном из вариантов осуществления, должна обеспечить разнородность моделей, полученных на шаге (112) на этапе (106), при проверке разнородности моделей. Такая проверка может проводиться в два этапа, как показано на Фиг. 4. Система получает группу моделей (105), соответствующих накопленным данным. Система может отбрасывать модели, которые подобны по геологическим аспектам, с использованием метода фильтрации, как показано на шаге (401). Например, система может учитывать следующие определения геологического подобия моделей: две модели геологически подобны, если описываются с помощью некоторого количества численных значений, причем значения, соответствующие каждой из моделей, сопоставимы в пределах предварительно заданных допустимых отклонений. При такой проверке, в одном из вариантов осуществления, система учитывает не только новую партию моделей (105), но также набор предварительно определенных (и сохраненных) моделей (108). Данная проверка (401) может быть основана, например, на расчете меры расстояния между всеми моделями. Например, численная оценка может представлять пространственное распределение параметра породы, например, пористости (на практике может быть использовано несколько таких параметров породы, а также иные параметры, указанные выше). Такое распределение можно представить в форме вектора из R компонентов. Указанные две модели, т.е. векторы из R компонентов, представляют собой пространственное распределение пористости, а с помощью рассматриваемого метода можно рассчитать норму различия между ними. Если данная норма меньше предварительно заданного допустимого отклонения (которое, в свою очередь можно определить, например, на основании экспертного мнения относительно параметра или характеристики конкретного пласта-коллектора), две модели признаются геологически-подобными. Данная концепция подобия может быть расширена на более сложные геологические модели, которые можно представить в виде набора числовых величин. В данном случае, если расстояние между двумя моделями меньше заданного допустимого порога, тогда сохраняется только одна из моделей (другая отбрасывается, так как обе модели эквиваленты с практической точки зрения, неважно, какую из моделей отбрасывать). После рассмотрения всех моделей, сохраняется набор моделей, приемлемых по геологической разнородности, например, как показано на шаге (401).

[0038] Далее описывается другой пример того, как обеспечить геологическое разнообразие моделей, описанных с помощью набора числовых значений. Система может взять первую модель из новой группы и определить, можно ли представить соответствующий набор числовых значений в форме выпуклой комбинации величин из набора существующих (и сохраненных) моделей (выпуклой комбинацией называется линейная комбинация, в которой все веса неотрицательны и в сумме дают единицу). Система может математически проверить, находится ли новая модель в выпуклой оболочке множества точек, полученной по набору существующих моделей. Определение выпуклых оболочек множества точек может дать эффективное и компактное представление интересующих областей или наборов. Если существует такая выпуклая комбинация, модель отбрасывается. В противном случае модель добавляется в набор существующих моделей, после чего система переходит к рассмотрению следующей модели партии. Система может продолжать такую работу, пока не будут проверены все модели новой партии.

[0039] Если строится первый набор моделей (т.е. рассматривается самая первая группа новых моделей), можно отбросить модели, которые можно представить в форме выпуклой комбинации других моделей из того же набора.

[0040] Система также может отклонить модели, которые подобны по метрике эффективности (403) для заданного набора сценариев будущей выработки (например, несколько планов-графиков параметров скважин).

[0041] Моделирование физических процессов (302) также можно использовать для получения данных (например, по будущей выработке), которые учитываются на шаге (403). Например, система может рассматривать следующее определение подобия в терминах эффективности: две модели подобны по метрике эффективности, если эффективность одной модели описывается набором числовых значений, причем соответствующие числовые значения обеих моделей сопоставимы и находятся в пределах предварительного заданного интервала отклонений; значения, которые описывают эффективность любой из указанных моделей, к примеру, можно представить в форме чистого дисконтированного дохода, рассчитанного для совокупности конфигураций среднесрочных параметров скважин. Данная метрика эффективности может быть аналогична метрике для настройки параметров эксплуатации скважин (114), которая рассмотрена ниже. Такое обоснование второго этапа фильтрации (403) говорит о том, что две модели могут быть геологически различными в области, в которой потоки флюидов не оказывают заметного влияния, соответственно, их эффективности будут в пределах допустимой погрешности. Проверка может быть основана на сравнении меры расстояния между метриками эффективности всех моделей. Если расстояние между двумя моделями меньше заданного допустимого порога, тогда сохраняется только одна из моделей (другая отбрасывается, так как обе модели эквиваленты с практической точки зрения, поэтому при рассмотрении одного из вариантов осуществления неважно, какую из моделей отбрасывать). Любую из моделей можно сохранить.

[0042] В одном из вариантов осуществления, для проверки может быть использована экономическая модель (104) и значения метрики эффективности, связанные с предварительно определенными (и сохраненными) моделями (108). Примером экономической модели является модель расчета чистого дисконтированного дохода будущей выработки на основании прогноза цен на нефть, оценки производственных затрат и коэффициента дисконтирования.

[0043] После рассмотрения всех пар моделей, получаем набор моделей, приемлемых по признаку разнородности геологическим признакам и метрике эффективности (107).

[0044] На фиг. 5 приведен пример результатов в графическом виде, сформированный в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. Используя совокупность разнородных геологически-реалистичных моделей, которые были откалиброваны по имеющимся данным, предсказательные возможности системы можно существенно улучшить, чтобы изменить среднесрочные план-графики параметров эксплуатации скважин заданного месторождения. Метод, описанный в заявке на патент США №15/298,893, можно использовать для изменения среднесрочного плана-графика параметров эксплуатации скважин за счет улучшения предсказательных возможностей системы. В одном из вариантов осуществления, такой метод может применяться к каждой модели набора (например, для генерации точных среднесрочных и примерных долгосрочных прогнозов по каждой модели), по каждой метрике эффективности, связанной с каждой геологической моделью. Выбор наиболее важных скважин и генерация нового план-графика параметров скважины можно осуществлять по данным статистики, собранным для оценки метрики эффективности (необходимо отметить, что на практике имеется уникальный план-график параметров скважины). Проверку соответствия и настройку можно выполнять по суммарной метрике (например, статистической мере) для долгосрочных прогнозов по всем геологическим моделям.

[0045] таблица, приведенная на Фиг. 5 представляет пример среднесрочного план-графика (на 20 месяцев), в котором заданы ежемесячные значения размера устьевого штуцера скважины, установленных во всех N_w скважинах месторождения (в данном примере имеется три добывающие скважины P1, Р2, Р3 и три нагнетательные скважины I1, I2, I3; таким образом, N_w равно шести). В данном примере предполагается, что доступны четыре размера устьевого штуцера, которые показаны четырьмя кругами различного радиуса. Данный план-график также показывает, когда необходимо закрывать некоторые из скважин (в таблице обозначены крестом). В одном из вариантов осуществления, система может напрямую генерировать параметры скважины, например, в автоматическом или автономном режиме.

[0046] С другой стороны, может быть предоставлен такой инструмент, как графический интерфейс пользователя (GUI), с помощью которого пользователь может по шагам конфигурировать параметры скважины. На Фиг. 6-18 показаны снимки экрана графического интерфейса пользователя (GUI), реализованного в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения.

[0047] Настоящая система и метод, в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения, обеспечивают возможность улучшения и выбора/отмены выбора моделей, используемых для генерации прогнозов динамики добычи. Указанные модели можно хранить в вычислительной системе для использования в будущем, при реализации сценариев принятия решений, связанных с определением среднесрочных план-графиков параметров скважин. В одном из вариантов осуществления, улучшение модели основано на прогрессивной калибровке с применением данных измерений. В одном из вариантов осуществления, выбор или отмена выбора модели основаны на прогрессивной калибровке, а также разнородности моделей (например, если две модели признаны подобными, одну из них отбрасывают). В одном из вариантов осуществления, разнородность основана на статических (например, геологических характеристиках) и динамических (например, прогнозы выработки) предпосылках. В одном из вариантов осуществления, система и метод постоянно выбирают дополнительные модели, пока общее число моделей не будет признано достаточным. Достаточность количества модели определяется следующим соображениями: если слишком мало моделей, прогнозы выработки будут неточными; если моделей слишком много, требуется недопустимо много времени и вычислений, чтобы их все обработать в составе системы.

[0048] Предоставляется графический интерфейс пользователя (GUI), который поддерживает процесс улучшения модели, выбор и отмену выбора модели, что дает пользователю возможность проверить заданную модель и принимать участие в рабочем процессе. На снимках экрана GUI показаны процессы улучшения модели, выбора и отмены выбора модели, которые применяются в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. К примеру, схематически показан алгоритм процесса, приведен пример определения среднесрочного план-графика параметров скважины для малого пласта-коллектора, с тремя добывающими скважинами и двумя нагнетательными скважинами. Данные, использованные для моделирования калибровки отражают (суммарные) объемы добычи нефти по каждой из трех добывающих скважин, данные по которым собирались каждый месяц в течение последних семи лет (все три добывающие скважины активно использовать в течение всего указанного периода).

[0049] На фиг. 6 показан графический интерфейс пользователя (GUI), с помощью которого пользователь может взаимодействовать с исходными данными, до запуска процесса. Фиг. 6 можно рассматривать, как экран настроек, на котором пользователь может задать исходные данные. Например, графический интерфейс пользователя (GUI) используется для визуализации измерений (в данном случае, накопленных показателей по совокупной выработке в зависимости от времени), с его помощью пользователь может отрегулировать экономическую модель (например, цены на нефть на следующие 20 месяцев), входные параметры процесса (последовательность прогрессивного усвоения данных, ожидаемое количество моделей в составе каждой партии на этапе калибровки и количество моделей на этапе интерполяции), а также проверить исходный набор моделей, заданных пользователем. Окно, показанное на шаге 600, соответствует измерениям, показанным на Фиг. 1 на шаге 100; окно, показанное на шаге 602, соответствует параметрам, техническим характеристикам подмножеств, используемых для прогрессивного усвоения данных, показанных на Фиг. 1 на шаге 102; окно, показанное на шаге 604, соответствует экономической модели, показанной на Фиг. 1 на шаге 104; окно, показанное на шаге 601, соответствует априорным данными модели, априорным данным, использованным для генерации базовых моделей пласта-коллектора, показанных на Фиг. 1 на шаге 101. С помощью GUI пользователь может ввести или изменить исходные данные.

[0050] В данном примере пользователь вводит 20 моделей, каждую из которых необходимо проверить. На Фиг. 7 приведен пример снимка экрана GUI, предназначенного для проверки модели в самом начале процесса, в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. На Фиг. 7 показано насыщенность газа (S_gas: в цветовых кодах, например, зеленый, красный, синий показывают высокое, средне-низкое и низкое значения, соответственно) для каждого из трех слоев модели. Другие характеристики, такие как насыщение нефти, насыщение воды, пористость породы, проницаемость породы, можно выбирать с помощью индикаторов, расположенных рядом с каждым отдельным графиком (которые также можно установить на максимум или проверить по одному, путем нажатия на соответствующую иконку). В начале процесса все 20 моделей принимаются.

[0051] Пользователь может начать процессы калибровку, выбора или отмены выбора путем нажатия на кнопку "Пуск" в составе GUI, как показано на Фиг. 6. На основании введенных исходных данных будет получена группа из 20 новых моделей. Каждая из указанных моделей калибруется, например, на основании данных о выработке за один год. На Фиг. 8 приведен пример GUI диспетчера в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. Выделенная кнопка "Генерация моделей" или процесс 802 показывают, что выполняются функции, показанные на Фиг. 1 на шаге 103, 105-110. GUI также выводит окно 806, в котором отображаются данные по итерации указанных функций. Выделенная кнопка "Генерация моделей на 1 год" или процесс 804 показывают, что выполняются процедуры или функции, показанные на Фиг. 3 на шаге 302-308. Таким образом, GUI визуализирует все операции, выполняется в ходе рабочего процесса. В примере GUI, приведенном на Фиг. 8, система выдает информацию, что две из 20 оригинальных моделей были исключены из-за существенного несовпадения результатов их калибровки и измеренных данных (недопустимое расхождение можно показать в цветовых кодах, например, красным, как на рисунке, в сравнении с измеренными величинами). На Фиг. 9 показан экран GUI для проверки моделей по завершении первого этапа прогрессивной калибровки данных в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. С помощью данного GUI для проверки моделей обеспечивается доступ к набору из 20 новых моделей. В данном примере две исключенные модели выделены цветовыми кодами (красным цветом).

[0052] обработка данных продолжается, как показано на GUI настройки параметров, с калибровкой по имеющимся данным измерений. В данном примере используются данные по выработке за последние семь лет.GUI отображает обновления данных по калибровке, выбору или исключению моделей. На Фиг. 10 показан экран GUI с результатами после второго этапа прогрессивной калибровки данных в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. Окно на шаге 1002 соответствует данным измерений, которые учитываются в процессе на шаге 105 на Фиг. 1. На данном GUI все еще выделена кнопка "Генерация моделей", как показано шаге 1004, что показывает, что функции, описанные на шаге 103, 105-110 на Фиг. 1 все еще выполняются. Например, в окне итераций 1006 показано выполнение этапа 1008, "Генерация моделей за семь лет", функций, описанных на шаге 302-308 на Фиг. 3. На данном этапе исключаются еще три модели из-за наличия неприемлемых несовпадений (относительно измерений за семь лет). На Фиг. 11 показан пример окна GUI для проверки моделей после второго (т.е. окончательного) этапа прогрессивной калибровки данных. С помощью данного GUI можно проводить проверку 15 допустимых моделей на текущем этапе калибровки, относительно данных измерений.

[0053] Далее, система может провести фильтрацию оставшихся моделей (из партии из 20 моделей), на основании геологических параметров. В данном анализе, система обнаружила, что Модель 06, Модель 07 и Модель 15 подобны Модели 05, Модели 10 и Модели 16, соответственно, как показано на Фиг. 12. На Фиг. 12 показан экран GUI с результатами процесса фильтрации для повышения разнородности геологических параметров моделей в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. На экране GUI выделена кнопка "Фильтрация по признаку геологической разнородности" или процесс 1202. Это показывает, что выполняется данный процесс, описанный на шаге 401 на Фиг. 4, как часть процесса "Генерация моделей", также выделенного на шаге 1204. На экране GUI показаны модели, принятые по результатам этапа фильтрации. На Фиг. 13 показан экран GUI проверки моделей, на котором показаны результаты процесса фильтрации для повышения разнородности геологических параметров моделей в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения.

[0054] Далее указанные модели подвергаются дополнительной фильтрации на основании предположений, связанных с метриками эффективности, используемыми на последующем этапе, когда производится оптимизация среднесрочного план-графика. Метрики эффективности зависят от прогнозов динамики добычи, указанные сведения используются для дальнейшей проработки набора моделей. На Фиг. 14 приведен пример соответствующего экрана GUI для вывода результатов в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. На экране GUI выделена кнопка "Фильтрация по метрике эффективности" или процесс 1402. Это показывает, что выполняется функция, соответствующая шагу 403 на Фиг. 4. На экране GUI также показано соблюдение или несоблюдение критериев останова процесса 1404, например, соответствующего процессам, выполняемым на шаге 109-110 на Фиг. 1. На этапе фильтрации исключаются еще две модели, так как было обнаружено, что их вклады в прогноз дублируют вклады других моделей. Таким образом, на данной итерации калибровки, процесс выбора и исключения выдает 10 разнородных моделей, которые находятся в соответствии с накопленными данными по выработке за последние семь лет. В одном из вариантов осуществления, система проверят количество моделей (в данном примере - 10), адекватно ли оно дисперсии статистических данных по будущей выработке. В данном случае 10 моделей признаны адекватными (т.е. выполняются критерии останова, заданные через GUI), потому процесс калибровки, выбора и исключения заканчивается на этом шаге. На Фиг. 15 показан другой экран проверки GUI в одном из вариантов осуществления, на котором показаны 10 выбранных и 10 исключенных моделей на этапе фильтрации для рассмотренного примера. На Фиг. 15 показан пример экрана проверки GUI после фильтрации с целью повышения разнородности моделей по метрике эффективности.

[0055] На следующем этапе интерполяции модели, система генерирует в сумме 100 моделей (как указано в настройках на экране GUI). На Фиг. 16 показан пример экрана GUI для вывода результатов по моделям интерполяции, в одном из вариантов осуществления, описанном в настоящем раскрытии сущности исследования. На экране GUI выделена кнопка "Интерполяция моделей" или процесс 1602. Это показывает, что выполняется функция, описанная на Фиг. 1 на шаге 111. В окне 1604, в графическом формате GUI отображаются некоторые параметры набора моделей, совпадающие с заданными данными (см. Фиг. 1, шаг 112). Дополнительные 90 моделей могут, в общем случае, не вносить существенного вклада с точки зрения разнородности (т.е. аспекта разнородности моделей). Рассматриваемый этап интерполяции может быть полезным для дальнейшего анализа и визуализации полученных моделей, которые будут использованы для расчет улучшенного среднесрочного план-графика параметров скважины. На Фиг. 16 показан пример GUI, который пользователь может открыть на рассматриваемом этапе интерполяции, и где отображаются графики зависимости параметров модели.

[0056] После интерполяции модели можно использовать для генерации вероятностных прогнозов, которые, в свою очередь, можно комбинировать, например, с алгоритмами оптимизации, чтобы улучшить существующие базовые среднесрочные план-графики параметров эксплуатации скважины. На Фиг. 17 показан пример экрана GUI, с помощью которого пользователь может проверять базовые план-графики, вместе со связанными прогнозами. На экране GUI выделена кнопка "Прогноз" или процесс 1702. Это показывает, что выполняется функция, соответствующая шагу 114 на Фиг. 1. В окне 1704 показан базовый среднесрочный план-график параметров скважины (т.е. Фиг. 1 на шаге 113), который отображается графически, через GUI.

[0057] В данном примере прогноз и среднесрочные план-графики рассчитаны для следующих 20 месяцев после 7 лет, за которые собраны наблюдения. Параметры скважины включают размер устьевых штуцеров на двух нагнетательных (I1 и I2) и частоту электрических насосов на трех добывающих скважинах (P1, Р2 и Р3), все значения приведены с интервалом в один месяц. Имеется четыре варианта размеров устьевого штуцера и частот, причем любая скважина может быть закрыта. Пользователь может продолжить процесс улучшения базового графика путем нажатия соответствующей кнопки на GUI. На Фиг. 18 показан пример GUI с выходными данными для одного из вариантов реализаций. На данном экране показан улучшенный среднесрочный план-график параметров скважины 1802 (Фиг. 1, шаги 115-116). На экране GUI выделена кнопка "План-график" или процесс 1804, что показывает, что сгенерирован среднесрочный план-график параметров скважины, например, подобный показанному на шаге 115-116 на Фиг. 1.

[0058] На снимках экранов GUI, показанных на Фиг. 6, Фиг. 8, Фиг. 10, Фиг. 12, Фиг. 14, Фиг. 16, Фиг. 17, и Фиг. 18: каждый ползунок соответствует одному варианту реализации, одному шагу в алгоритме усвоения (калибровки), использованному в описанном выше примере. В примере алгоритма процесса в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения, как показано на указанных выше рисунках, пользователь (например, промысловый инженер) может обновлять среднесрочный план-график параметров скважины для относительно малого пласта-коллектора на основании учета данных измерений, в данном случае, данных по выработке скважины и обновленной экономической модели. Имеется набор данных за семь лет по каждой из добывающих скважин. Пользователь начинает вводить важные данные в систему, т.е. добавляет данные по выработке, данные экономической модели, предварительных геологических моделей (к примеру, заданных экспертом) и следующие параметры: временной ряд для прогрессивного усвоения данных (т.е. первый год, затем полные семь лет), количество моделей в партии (т.е. 20) и количество моделей на этапе интерполяции (т.е. 100). Это показано на Фиг. 6. Пользователь затем переходит к процессу генерации модели. На Фиг. 8, Фиг. 10, Фиг. 12, Фиг. 14, Фиг. 16 показаны процессы генерации и фильтрации модели. В рассматриваемом примере, во-первых, запускаются процессы ассимиляции данных за первый год, из которых 18 выполнены успешно (2 завершены не успешно, так как фоновый процесс оптимизации остановился на локальном минимуме). Во-вторых, 18 моделей определяются по данным за один год, запускаются 18 процессов усвоения данных за семь лет, из которых 15 завершаются успешно. В-третьих, фильтр геологического разнообразия отбрасывает 3 из 15 моделей. В-четвертых, мера эффективности (фильтр разнообразия) отбрасывает еще 2 модели из оставшихся 12. В данной точке принято 10 моделей, обнаружено, что общие критерии останова выполнены, поэтому больше моделей не требуется (можно выполнять более одной итерации данного процесса, пока не будет найдено достаточное количество моделей). Принятые модели интерполируются, как показано на Фиг. 16, выводятся прогнозы на 20 дополнительных месяцев, как показано на Фиг. 17. Пользователь может ввести базовый план-график и перейти к поиску улучшенного план-графика, показанного на Фиг. 18, с использованием данных, полученных в ходе процесса сопоставления с накопленными фактическими данными (калибровки).

[0059] Описанный выше GUI, к примеру, позволяет пользователю отображать результаты и (или) взаимодействовать с системой, описанной в настоящем раскрытии сущности изобретения. Система и метод, описанные в настоящем раскрытии сущности изобретения, в одном из вариантов осуществления, могут быть полностью автоматизированы. Например, процессор может выполнять функции, описанные выше, в автономное режиме, включая ввод параметров скважины, связанных с добычей углеводородов. GUI используется для визуализации алгоритмов и отслеживания процессов. С другой стороны, GUI дает возможность контролировать алгоритмы и процессы, например, путем ввода или изменения исходных данных и (или) контроля различных этапов процесса (включая этапы: пуск, настройка, генерация моделей, интерполяция моделей, прогноз, план-график).

[0060] На фиг. 9 показана схема вычислительной или компьютерной системы, с помощью которой можно реализовать систему определения параметров нефтяных скважин в одном из вариантов осуществления, описанном в настоящем раскрытии сущности изобретения. Компьютерная система является только одним примером подходящей вычислительной системы, не следует рассматривать ее в качестве ограничения области применения или функциональности различных реализаций изобретения, описанного в настоящем документе. Показанная выше вычислительная система может поддерживать множество других сред или конфигураций вычислительных систем общего или специального назначения. Примеры хорошо известных вычислительных систем, окружений и (или) конфигураций, пригодных для использования в сочетании с описанной системой обработки данных, показаны на Фиг. 19. К ним относятся (без ограничения общности) системы на базе ПК, серверные вычислительные системы, "тонкие" клиенты, "толстые" клиенты, мобильные устройства и ноутбуки, многопроцессорные системы, системы на базе микропроцессоров, внешние приставки, программируемые бытовые электронные устройства, сетевые ПК, системы на базе мини-ЭВМ или очень больших ЭВМ, распределенные "облачные" среды, включающие любые из указанных выше систем и устройств и т.п.

[0061] Компьютерная система может быть описана в общем контексте исполняемых ею команд, таких как исполняемые такой системой программные модули. В общем случае, программные модули могут включать алгоритмы, программы, объекты, компоненты, логику, структуры данных и т.п., которые выполняют определенный круг задач или реализуют заданные абстрактные типы данных. Компьютерная система может быть реализована в распределенных "облачных" средах, где задачи выполняются удаленными устройствами обработки данных, связанными по сети. В распределенной среде для проведения "облачных" вычислений, программные модули могут быть установлены как на локальных, так и на удаленных компьютерных системах хранения данных, включая запоминающие устройства.

[0062] Компоненты компьютерной системы могут включать в себя (без ограничения общности) один или несколько процессоров или блоков обработки данных 12, системную память 16 и шину 14, которая соединяет различные системные компоненты, включая соединение системной памяти 16 с процессором 12. Процессор 12 может включать в себя модуль 30, который реализует описанные в настоящем документе методы. Модуль 30 может быть запрограммирован в интегральных схемах процессора 12 или загружен из памяти 16, запоминающего устройства 18 или по сети 24, либо с использованием любой комбинаций указанных выше способов.

[0063] Шина 14 может быть реализована с использованием одного или нескольких типов шинных структур, включая шину памяти или контроллер памяти, периферийную шину, разогнанный графический порт, процессор или локальную шину, вариантов архитектуры которой имеется огромное множество. Например, без ограничения общности, могут быть использованы шины со следующей архитектурой: шина Industry Standard Architecture (ISA), шина Micro Channel Architecture (MCA), шина Enhanced ISA (EISA), локальная шина Video Electronics Standards Association (VESA) и шина Peripheral Component Interconnects (PCI).

[0064] Компьютерная система может включать в себя множество машиночитаемых носителей информации. В качестве таких носителей могут использоваться любые доступные для компьютерной системы носители, а также могут включать как энергозависимые, так и энергонезависимые носители, съемные и несъемные носители.

[0065] Системная память 16 может включать в себя машиночитаемые носители в виде энергозависимой памяти, такие как оперативное запоминающее устройство (ОЗУ) и (или) кэш-память или другие. Компьютерная система может дополнительно включать в себя другие съемные / несъемные, энергозависимые / энергонезависимые компьютерные системные носители. Только в качестве примера: может быть добавлена система хранения данных 18 для считывания и записи данных на несъемный энергонезависимый магнитный носитель (например, «жесткий диск»). Хотя это не показано, может использоваться магнитный дисковод для считывания и записи данных на съемный энергонезависимый магнитный диск (например, «гибкий диск»), а также может использоваться дисковод для оптического диска для чтения или записи данных на съемный, энергонезависимый оптический диск, такой как CD-ROM, DVD-ROM или другие оптические носители. В таких случаях каждый из указанных выше дисков может быть подключен к шине 14 через один или несколько интерфейсов медиа-данных.

[0066] Компьютерная система также может включать одно или несколько внешних устройств 26, таких как клавиатура, указывающее устройство, дисплей 28 и т.п.; одно или несколько устройств, которые позволяют пользователю взаимодействовать с компьютерной системой; а также любые устройства (например, сетевую карту, модем и т.д.), которые позволяют компьютерной системе взаимодействовать с одним или несколькими другими вычислительными устройствами. Обмен данными может осуществляться через интерфейсы ввода/вывода (I/O) 20.

[0067] Тем не менее, компьютерная система может быть подключена к одной или нескольким сетям 24, таким как локальная сеть (ЛВС), общая глобальная сеть (WAN) и (или) общедоступная сеть (например, Интернет) через сетевой адаптер 22. Как показано, сетевой адаптер 22 подключается к другим компонентам компьютерной системы по шине 14. Следует понимать, хотя это и не показано на схеме, что другие аппаратные и (или) программные компоненты могут использоваться в сочетании с компьютерной системой. Примерами являются (без ограничения общности): микрокод, драйверы устройств, избыточные модули обработки, массивы внешних дисков, системы RAID, ленточные накопители и системы архивирования данных и т.д.

[0068] Настоящее изобретение может представлять собой систему, способ и (или) компьютерный программный продукт. Компьютерный программный продукт может включать в себя машиночитаемый носитель данных (или носитель), на который записаны компьютерные считываемые программные инструкции, выполняя которые процессор обеспечит реализацию различных аспектов настоящего изобретения.

[0069] Машиночитаемый носитель данных может быть реальным (вещественным) устройством, которое может сохранять и хранить инструкции для исполнительного устройства. Машиночитаемый носитель данных может быть (без ограничения общности) электронным запоминающим устройством, магнитным запоминающим устройством, оптическим запоминающим устройством, электромагнитным запоминающим устройством, полупроводниковым запоминающим устройством или любой подходящей комбинацией указанных выше устройств. Неполный список конкретных примеров машиночитаемого носителя данных включает: портативную компьютерную дискету, жесткий диск, оперативное запоминающее устройство (ОЗУ), постоянное запоминающее устройство (ПЗУ), стираемое программируемое постоянное запоминающее устройство (EPROM или флэш-память), статическую память произвольного доступа (SRAM), портативный компакт-диск с постоянной памятью (CD-ROM), цифровой универсальный диск (DVD), карту памяти, гибкий диск, механическое закодированное устройство, включая перфокарты или структуры со специальными канавками для записи инструкций, а также любые приемлемые комбинации вышеизложенного. Машиночитаемый носитель данных, используемый для создания настоящей системы, не может представлять собой распространяющиеся волны, такие как радиоволны или другие свободно распространяющиеся электромагнитные волны, электромагнитные волны, проходящие через волновод или другую среду передачи (например, световые импульсы, проходящие через волоконно-оптический кабель) или электрические сигналы, передаваемые через провод.

[0070] Машиночитаемые программные команды, описанные в настоящем документе, могут быть загружены в соответствующие вычислительные или обрабатывающие устройства с машиночитаемого носителя данных или на внешний компьютер или внешнее запоминающее устройство через сеть (Интернет, локальную сеть, широкополосную сеть и (или) беспроводную сеть). Сеть может включать медные кабели для трансляции сигналов, оптические волокна, беспроводные линии передачи сигнала, маршрутизаторы, брандмауэры, коммутаторы, компьютеры шлюзы и (или) пограничные серверы. Карта сетевого адаптера или сетевой интерфейс в каждом вычислительном/обрабатывающем устройстве принимает машиночитаемые инструкции программы по сети и пересылает машиночитаемые программные инструкции на соответствующее вычислительное/обрабатывающее устройство для хранения на машиночитаемом носителе.

[0071] Машиночитаемые программные инструкции, необходимые для выполнения операций с целью реализации настоящего изобретения, могут быть командами ассемблера, командами АСК (архитектуры структуры команд), машинными командами, машинными зависимыми командами, микрокодом, командами встроенного программного обеспечения, данными о состоянии или исходным кодом или объектным кодом, написанным с использованием одного или нескольких языков программирования, включая объектно-ориентированный язык программирования, такой как Smalltalk, С++ и подобные, а также обычные языки программирования процедур, такие как язык программирования С или его аналоги. Машиночитаемые инструкции программы могут выполняться полностью на компьютере пользователя, частично на компьютере пользователя, в виде автономного программного пакета, частично на компьютере пользователя и частично на удаленном компьютере или полностью на удаленном компьютере или сервере. В последнем случае удаленный компьютер может быть подключен к компьютеру пользователя через сеть любого типа, включая локальную сеть (LAN) или глобальную сеть (WAN), либо соединение может быть выполнено на внешний компьютер (например, через Интернет через Интернет-провайдера). В некоторых вариантах реализации изобретения, электронная схема, включающая, например, программируемую логическую схему, программируемые пользователем вентильные матрицы (FPGA) или программируемые логические массивы (PLA), может выполнять машиночитаемые программные инструкции, используя информацию о состоянии команд, считываемых компьютером, для персонализации электронной схемы и реализации различных аспектов настоящего изобретения.

[0072] Аспекты настоящего изобретения описаны здесь со ссылкой на иллюстративные блок-схемы и (или) блок-схемы методов, аппаратуры (систем) и компьютерных программных продуктов, в зависимости от конкретного варианта реализации изобретения. Следует понимать, что каждый блок схематических иллюстраций и (или) функциональных схем, а также комбинации блоков на схематических иллюстрациях и (или) функциональных схемах могут быть реализованы с помощью команд, считываемых компьютером.

[0073] Такие машиночитаемые программные инструкции могут выполняться на процессоре компьютера общего назначения, компьютера специального назначения или другого программируемого устройства машинной обработки данных. Следовательно, инструкции, которые выполняются процессором компьютера или другого программируемого устройства обработки данных, создают средства для реализации функций или операций, обозначенных на функциональных схемах и (или) блок-схемах или отдельных блоках оных. Такие машиночитаемые программные инструкции могут быть сохранены на машиночитаемом носителе данных, который может направлять работу компьютера, программируемого устройства обработки данных и (или) другого устройства в определенном направлении, так что считываемый компьютером носитель данных, содержащий сохраненные инструкции, представляет собой изделие, включающее в себя инструкции, которые реализуют аспекты функций или операций, указанные на функциональной схеме или блок-схеме, либо на отдельных блоках оных.

[0074] Машиночитаемые программные инструкции также могут быть загружены на компьютер, программируемое устройство обработки данных или другое устройство, с целью выполнения заданной последовательности операций на таком компьютере, программируемом устройстве или другом устройстве, направленных на создание компьютерного процесса, чтобы инструкции, выполняемые на компьютере, программируемом устройстве или другом устройстве, реализовали функции или операции, указанные на функциональной схеме или блок-схеме, либо на отдельных блоках оных.

[0075] Функциональные схемы и блок-схемы приведены на чертежах для иллюстрации архитектуры, функциональности и операций по созданию возможных вариантов применения систем, методов и программных продуктов в соответствии с различными вариантами реализации настоящего изобретения. В этом отношении каждый блок функциональной или блок-схемы может представлять собой модуль, сегмент или часть инструкций, который содержит одну или несколько исполняемых инструкций для реализации указанной логической функции. В некоторых альтернативных реализациях функции, отмеченные в блоке, могут выполняться в порядке, отличном от указанного на рисунках. Например, два блока, нарисованные последовательно, могут фактически выполняться практически одновременно, либо блоки могут иногда выполняться в обратном порядке, в зависимости от задействованной функциональности. Следует также отметить, что каждый блок или комбинации блоков на функциональной или блок-схеме могут быть реализованы специальными аппаратными системами или комбинациями оных, созданными для выполнения заданных функций или операций, либо любых комбинаций оных.

[0076] Используемая здесь терминология предназначена исключительно для описания конкретных вариантов реализации, без ограничения общности изобретения. Используемые здесь формы существительных в единственном числе, с артиклями «а», «an» и «the», по смыслу также включают в себя формы во множественном числе, если контекст явно не указывает на иное. Далее будет понятно, что термины «содержит (включает)» и (или) «содержащий (включающий)» при использовании в настоящем документе определяют наличие заявленных признаков, целых чисел, этапов, операций, элементов и (или) компонентов, но не исключают наличия или добавление одного или нескольких других признаков, целых чисел, этапов, операций, элементов, компонентов и (или) групп оных.

[0077] Соответствующие структуры, материалы, действия и эквиваленты всех средств или функциональных элементов с шагом, если таковые имеются, в нижеследующих пунктах формулы изобретения предназначены для включения любой структуры, материала или действия, необходимых для выполнения функции в сочетании с другими заявленными элементами, на что имеется специальное указание. Описание настоящего изобретения представлено для иллюстрации и пояснения, не следует рассматривать его, как исчерпывающие или ограниченное только рассматриваемым изобретением. Существуют многочисленные модификации и варианты, очевидные для специалистов в данной области техники, без отхода от области применения и сущности изобретения. Рассмотренный вариант реализации был выбран и описан для лучшего объяснения принципов изобретения, его практического применения и предоставления возможности другим специалистам в данной области техники понять сущность изобретения в различных вариантах осуществления, с различными модификациями, подходящих для конкретного использования.

1. Способ настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях, реализуемый как минимум одним аппаратным процессором, включающий:

прием набора исходных геологических моделей пласта-коллектора, на основании которых строят прогнозы закачки и добычи флюидов по скважинам как функция времени;

прием исторических данных по скважинам, включающих как минимум фактические данные о закачке и добыче флюидов по скважинам во времени;

прием правил прогрессивного учета исторических данных по каждой скважине;

прием метрики эффективности, которую рассчитывают для каждой геологической модели на основе производственных показателей;

прогрессивное формирование на основании правил множества геологических моделей пласта-коллектора путем приведения набора исходных геологических моделей пласта-коллектора в соответствие с подмножеством исторических данных по скважинам согласно правилам для формирования набора промежуточных геологических моделей пласта-коллектора и приведения их в соответствие со следующим подмножеством исторических данных по скважинам согласно правилам;

определение из множества геологических моделей пласта-коллектора набора существенно различных геологических моделей пласта-коллектора;

формирование среднесрочного плана-графика параметров эксплуатации скважин, а именно размера устьевого штуцера и/или частоты вращения электрических насосов, на основании набора существенно различных геологических моделей пласта-коллектора и метрики эффективности; и

приведение в исполнение среднесрочного плана-графика параметров эксплуатации скважин для контроля закачки и добычи флюидов на каждой скважине путем установки штуцера выбранного размера и частоты вращения электрических насосов.

2. Способ по п. 1, отличающийся тем, что определение из множества геологических моделей пласта-коллектора набора существенно различных геологических моделей пласта-коллектора включает:

фильтрацию множества геологических моделей пласта-коллектора по признаку геологической разнородности, причем определение геологической разнородности основано на проверке, находятся ли параметры геологической модели пласта-коллектора в пределах заданного допустимого отклонения и в случае, когда по меньшей мере одна из геологических моделей пласта-коллектора имеет параметры, находящиеся в пределах допустимого отклонения от параметров другой геологической модели пласта-коллектора, эта модель будет отклонена.

3. Способ по п. 1, отличающийся тем, что определение из множества геологических моделей пласта-коллектора набора существенно различных геологических моделей пласта-коллектора включает:

фильтрацию геологических моделей пласта-коллектора по существенному различию метрик эффективности, которую производят таким путем, что в случае, когда по меньшей мере по одной из геологических моделей пласта-коллектора получают значения метрик эффективности, находящихся в пределах допустимого отклонения от метрик эффективности другой геологической модели пласта-коллектора, эту модель отклоняют.

4. Способ по п. 1, отличающийся тем, что прогрессивное формирование множества геологических моделей пласта-коллектора и определение набора существенно различных геологических моделей пласта-коллектора повторяют до тех пор, пока по набору существенно различных геологических моделей пласта-коллектора не получат прогнозные значения метрик эффективности, находящихся в пределах заданного отклонения от аналогичных метрик для предыдущего набора существенно различных геологических моделей пласта-коллектора, полученных на предыдущей итерации.

5. Способ по п. 1, дополнительно включающий представление последовательности изображений графического интерфейса пользователя, визуализирующих последовательность действий по данному способу, выполняемых по меньшей мере одним аппаратным процессором.

6. Машиночитаемое запоминающее устройство для хранения набора инструкций, исполняемых машиной для реализации способа настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях, включающего:

прием набора исходных геологических моделей пласта-коллектора, на основании которых строят прогнозы закачки и добычи флюидов по скважинам как функция времени;

прием исторических данных по скважинам, включающих как минимум фактические данные о закачке и добыче флюидов по скважинам во времени;

прием правил прогрессивного учета исторических данных по каждой скважине;

прием метрики эффективности, которую рассчитывают для каждой геологической модели на основе производственных показателей;

прогрессивное формирование на основании правил множества геологических моделей пласта-коллектора путем приведения набора исходных геологических моделей пласта-коллектора в соответствие с подмножеством исторических данных по скважинам согласно правилам для формирования набора промежуточных геологических моделей пласта-коллектора и приведения их в соответствие со следующим подмножеством исторических данных по скважинам согласно правилам;

определение из множества геологических моделей пласта-коллектора набора существенно различных геологических моделей пласта-коллектора;

формирование среднесрочного плана-графика параметров эксплуатации скважин, а именно размеров устьевого штуцера и/или частоты вращения электрических насосов, на основании набора существенно различных геологических моделей пласта-коллектора и метрики эффективности; и

приведение в исполнение среднесрочного плана-графика параметров эксплуатации скважин для контроля закачки и добычи флюидов на каждой скважине путем установки штуцера выбранного размера и частоты вращения электрических насосов.

7. Машиночитаемое запоминающее устройство для хранения набора инструкций, исполняемых машиной, по п. 6, отличающееся тем, что согласно инструкциям определение из множества геологических моделей пласта-коллектора набора существенно различных геологических моделей пласта-коллектора включает:

фильтрацию множества геологических моделей пласта-коллектора по признаку геологической разнородности, причем определение геологической разнородности основано на проверке, находятся ли параметры геологической модели пласта-коллектора в пределах допустимого отклонения, и в случае, когда по меньшей мере одна из геологических моделей пласта-коллектора имеет параметры, находящиеся в пределах допустимого отклонения от параметров другой геологической модели пласта-коллектора, эта модель подлежит отклонению.

8. Машиночитаемое запоминающее устройство для хранения набора инструкций, исполняемых машиной, по п. 6, отличающееся тем, что согласно инструкциям определение из множества геологических моделей пласта-коллектора набора существенно различных геологических моделей пласта-коллектора включает:

фильтрацию геологических моделей пласта-коллектора по существенному различию метрик эффективности, которая производится таким путем, что в случае, когда по меньшей мере одна из геологических моделей пласта-коллектора дает значения метрик эффективности, находящиеся в пределах допустимого отклонения от метрик эффективности другой геологической модели пласта-коллектора, эта модель будет отклонена.

9. Машиночитаемое запоминающее устройство для хранения набора инструкций, исполняемых машиной, по п. 6, отличающееся тем, что согласно инструкциям прогрессивное формирование множества геологических моделей пласта-коллектора и определение набора существенно различных геологических моделей пласта-коллектора повторяются до тех пор, пока набор существенно различных геологических моделей пласта-коллектора не даст прогнозные значения метрик эффективности, находящиеся в пределах заданного отклонения от аналогичных метрик для предыдущего набора существенно различных геологических моделей пласта-коллектора, полученных на предыдущей итерации.

10. Машиночитаемое запоминающее устройство для хранения набора инструкций, исполняемых машиной, по п. 6, отличающееся тем, что инструкции дополнительно включают представление последовательности изображений графического интерфейса пользователя, визуализирующих последовательность действий по данному способу, выполняемых по меньшей мере одним аппаратным процессором.

11. Система настройки параметров эксплуатации скважин на зрелых нефтяных месторождениях, включающая:

как минимум один аппаратный процессор, а также устройство отображения, подключенное к процессору;

аппаратный процессор, принимающий набор исходных геологических моделей пласта-коллектора, на основании которых строятся прогнозы закачки и добычи флюидов по скважинам как функция времени;

аппаратный процессор, принимающий исторические данные по скважинам, включающие как минимум фактические данные о закачке и добыче флюидов по скважинам во времени;

аппаратный процессор, принимающий правила прогрессивного учета исторических данных по каждой скважине;

аппаратный процессор, принимающий метрики эффективности, которые рассчитываются для каждой геологической модели на основе производственных показателей;

аппаратный процессор, прогрессивно формирующий на основании правил множества геологических моделей пласта-коллектора путем приведения набора исходных геологических моделей пласта-коллектора в соответствие с подмножеством исторических данных по скважинам согласно правилам для формирования набора промежуточных геологических моделей пласта-коллектора и приведения их в соответствие со следующим подмножеством исторических данных по скважинам согласно правилам;

аппаратный процессор, определяющий из множества геологических моделей пласта-коллектора набор существенно различных геологических моделей пласта-коллектора;

аппаратный процессор, формирующий среднесрочный план-график параметров эксплуатации скважин, а именно размеров устьевого штуцера и/или частоты вращения электрических насосов, на основании набора существенно различных геологических моделей пласта-коллектора и метрики эффективности; и

аппаратный процессор, приводящий в исполнение среднесрочный план-график параметров эксплуатации скважин для контроля закачки и добычи флюидов на каждой скважине путем установки штуцера выбранного размера и частоты вращения электрических насосов.

12. Система по п. 11, отличающаяся тем, что аппаратный процессор определяет набор существенно различных геологических моделей пласта-коллектора посредством фильтрации множества геологических моделей пласта-коллектора по признаку геологической разнородности, причем определение геологической разнородности основано на проверке, находятся ли параметры геологической модели пласта-коллектора в пределах заданного допустимого отклонения, и в случае, когда по меньшей мере одна из геологических моделей пласта-коллектора имеет параметры, находящиеся в пределах допустимого отклонения от параметров другой геологической модели пласта-коллектора, эта модель будет отклонена.

13. Система по п. 11, отличающаяся тем, что аппаратный процессор определяет набор существенно различных геологических моделей пласта-коллектора посредством фильтрации геологических моделей пласта-коллектора по существенному различию метрик эффективности, которая производится таким путем, что в случае, когда по меньшей мере одна из геологических моделей пласта-коллектора дает значения метрик эффективности, находящиеся в пределах допустимого отклонения от метрик эффективности другой геологической модели пласта-коллектора, эта модель будет отклонена.

14. Система по п. 11, отличающаяся тем, что аппаратный процессор повторяет прогрессивное формирование множества геологических моделей пласта-коллектора и определение набора существенно различных геологических моделей пласта-коллектора до тех пор, пока набор существенно различных геологических моделей пласта-коллектора не даст прогнозные значения метрик эффективности, находящиеся в пределах заданного отклонения от аналогичных метрик для предыдущего набора существенно различных геологических моделей пласта-коллектора, полученных на предыдущей итерации.

15. Система, описанная в п. 11, отличающаяся тем, что аппаратный процессор дополнительно осуществляет представление последовательности изображений графического интерфейса пользователя, визуализирующих последовательность действий по данному способу, выполняемых аппаратным процессором.