一种高效的半自动井位优化方法在井位部署上有着显著的速度优势。挪威petoro公司和斯伦贝谢公司合作开发了一个可自动集合油藏建模的井位部署解决方案。该解决方案从人工智能和自动化出发，帮助petoro公司加快和改善海上油田开发规划与油井目标选择。
在油田开发阶段，精确的油藏建模是区分资产经济状况优良与否的主要因素。然而，传统的分析方法因创建大型场景处理大量数据需占用过多时间而限制了优化过程的可能性，通常情况下在项目时间框架内只生成一两个建模场景。
现在，基于云计算的解决方案为我们提供了克服这一挑战的可行方法。以几乎无限云计算能力为依托的人工智能(ai)和自动化技术的使用，使作业人员能够在较短时间内完成数百个场地的勘探工作。目前可实现在分析的当天模拟场景并返回详细结果。
利用机器学习、自动化和高级数据分析等，通过基于云计算的平台，petoro公司和斯伦贝谢合作开发了一种布井方法，该方法可以自动分析挑战性逐年增加的油藏集合建模数据。
井位部署方案
油藏建模和模拟可为一系列项目决策中的油藏管理工作提供支持，包括从机会评估至油田开发计划等环节。在提交油田开发、运营计划之前，会研究一两个或多个技术和财务上的可行方案。
油田开发优化方法旨在为完善项目各阶段提供强大的决策支持。近年来，引入了基于复合应用程序的工作流程来获取油层的不确定性并提供油藏动态分布，而非单一的确定一个结果。
目前云计算技术的介入可使短时间内生成成百上千个模型成为常态。这样的一种定制的油藏模拟服务，产生的最大瓶颈问题在于结果的分析和解释。为了克服这些问题，斯伦贝谢和petoro公司开发了一种使用人工智能的解决方案，这种人工智能在delfi*认知e&p环境的支持下，可加速进程。
新方法依赖于一种自我监督深度学习模型，基于联通体积的大小和结构对地层3d结构特征进行分类、聚类和排序，来提出新的井位。本文重点研究地下不确定条件下的井位优化问题。
基于概率的井位排序
为了描述油井动态，定义了一个简化的净现值(npv)模型，该模型考虑了油井采油收入以及注水和产水的成本。油井净现值用于比较特定油井的经济需求，包括生产商的资本支出、平台和注水井的平均资本支出除以采油井的数量。
基于概率的油井排序中使用了两个特征值：油井经济需求和油井净现计算值高于经济需求的实现百分比。油井可能会在一些选定的实现上达到预先定义的经济需求，但由于实现可能面临取消或被变更，所以总体上不可行。基于概率的油井排序提供了可以与目标要求进行比较的统计油井交付报表，例如，90%的井满足了80%或更高水平的经济需求。
概率图
大多数油藏建模和模拟工作流程中的不确定性分析都是使用复合应用程序方法。复合应用程序中的案例是等概率的或与加权概率相关联的。生成的概率图可对油藏的动态进行有效的空间评估，并且可通过大量模型合成给定岩石物理特性的相关信息。模型的每个网格单元代表超过预定义阈值的给定物理属性下的概率值。
专家指导的机器学习(ml)
在该项目中，根据油藏几率指数和专家的建议来选择钻井目标。几率指数为每个网格单元计算的岩石质量指标，通常包括孔隙度、渗透率和油饱和度等指标。基于几率指数的可接受值阈值的应用产生了潜在的目标区域。作为细化步骤，计算每个区域的联通体积，并再次受到阈值标准的约束。所有剩余的油藏单元都是高质量目标，被称为“热点”，具有足够的泄油体积来满足油井的经济需求。
在此过程中，专家将热点(基于结构、位置和钻井限制)标记为“目标”或“非目标”。在delfi环境中运行的3d神经网络(3dcnn)ml模型经过训练，可量化地下结构之间的相似性，进一步将后续热点分类为“目标”或“非目标”。作为目标的热点区域被囊括进新的概率图中进行计算。由此产生的概率图用于定位新井的目标井位。
案例研究1：olympus挑战——开放基准测试。“olympus挑战”被定义为地质不确定情况下油田开发优化的开放基准研究。该研究的对象是半合成油藏模型，其主要设计用于技术和工作流程验证。
地质模型无构造复杂性，且不同的岩相具有上、下地层的特征。提供了50个等概率实现方法的集合，以评估地下不确定性对现场产能目标的影响。为20年产量预测情景定义了一个维持压力的注水方案，包括7口注水井和11口生产井。
案例研究的目标是提出一个高效的油田开发方案，该方案与50个案例的集合来对比衡量。为此，图1提供了油藏20年生产期内上层和油层衰竭率的概率视图，内含50次实现方式。图中展示的是高于预定义阈值饱和油的概率分布。生产结束时上层和油层图显示了大量剩余油，这表明油田开发计划具有显著的改进潜力。
此项工作经济上成功的标准是提供一份良好的布井方案，包括7口注水井和11口采油井，“至少90%的采油井以80%或更高概率满足经济需求”。这项工作的挑战是如何重新部署经济需求低于80%概率水平的油井，即采油井3、6、7、10和11号。
根据18口井的情景展示一个未经主动控制的上部地层和油藏地区，油藏开采初期和开采之后的剩余油饱和度概率图。图中将剩余油饱和度高于70%的地区用p标注出。图例分别标注出了上部地层和油藏中的剩余油饱和度。上部地层中的标红区域中有60%区域的剩余油饱和度高于70%，油藏中的标红区域中所有区域的剩余油饱和度都高于70%
工作流程设计 图2提出并总结了地质条件不确定条件下井位优化的结构化工作流程设计。所有工作流程步骤都关注集合性能。首先模拟井位设计(步骤1)，并使用基于概率的油井排序分析所有生产井的油井性能交付(步骤2)。在井位设计不理想的情况下，将淘汰低绩效油井(步骤3)，并分析已修改模型的油藏特性(步骤4)。最后(步骤5)，结果信息与受监督的机器学习、建模方法相结合，确定热点区域，进一步提高油井性能。该工作流程适用于单口加密井以及全油田范围内的井位设计，多口井可依次或成组的被优化。
重点显示的工作流程中的两个连续优化的步骤，对可行井位进行了设计，并在图3中进行了总结。基本情况下，确定了性能最差的油井(采油井6井、7井)。重新定位新井后，两口井均以80%的概率满足了经济需求，如图3左侧所示。在第二次迭代中，采油井3、10和11被重新定位。图3右侧的基于概率的油井排序表明，除采油井3外，所有采油井都以80%或更高的概率满足经济需求。这完全满足了未知地质条件下井位优化项目的预定经济标准。 连续生产20年甚至更长时间的所有油井净现值直方图的分析表明，特别是p10、p50和p90的百分数，表明其与基本情况相比有着显著的经济收益。然而，与临井分布的参考情景相比，需要稳健的油田开发设计来证明经济指标在所有集合案例中均表现稳定且优异。最终优化的井位设计显示了所有实现方法的净现值均稳定增加。
基于概率的油井排序在第一步优化(左)之后计算得出最终井位设计(右)，图中的点代表连续生产20年之后生产井带来的经济需求
案例研究2：北海油田 petoro公司想要提高其在挪威大陆架上庞大投资组合的未来生产价值。一个重要任务是识别和定位未来目标加密井。在确定性方法中，目标加密井是在基本案例模型上确定和优化的。该过程以工程师的知识储备和理解为指导，工作流程到组合模型中转移的过程存在一些难度。此外，无法保证为使生产文件最接近集合文件的平均值而选择的单一实现中，能包含多数井位中一致的热点。
随着不同集合的循环，热点会变亮或变暗。前文涉及的基于油气泄油体积和设定的经济指标的几率指数方法，结合使用了集合中的信息，可确定加密井的定位。 图5显示了几率指数超过用户选择阈值的概率图。该图和平均剩余油体积图一起用于确定采油井的位置。此工作流程可以使用完整的地层实现方式集合来优化整个油田的开发计划。与基于选定的一个或几个实现的优化目标替代方案相比，这增加了设计的稳定性。 结论 未知地层条件下的井位优化方法与深度学习预测建模方法的结合使用，已被证明在用于辅助热点目标识别时是有效的。迭代工作流程设计建立在几率案例分析和油藏基本工程原理之上。引入机器学习模型方法来捕获地层特征，包括用于分类、可行性井位选择时的地层结构和相似性等特征。 通过奥林巴斯案例研究可知，得到只需几个步骤即可显著改善井位设计基准。由于地质特点的不确定性，基准井位设计选取的井位欠佳；近50%的生产井的产量远低于预期目标。通过两个优化步骤改进后的井位设计方法，使90%以上的生产井能够以80%或更高的概率满足经济需求。 专家指导的机器学习方法被证明有助于快速锁定油藏目标。然而，专家驱动的输入参数仍然是推广的一项挑战。用于机器学习方法的可替代培训目标侧重于将专家推荐的参考井作为可行的目标油井的模板。 (中国石油集团工程技术研究院有限公司供稿 编译：李冰 于金辰 审稿：查永进)