前沿 | SpeedWise Unconventionals--非常规油气藏产量预测与智能决策新产品

在过去二十年里，为了应对全球能源需求的持续增长，非常规油气的开发进程显著提速。尽管在整体能源结构中，石油与天然气面临着温室气体减排和净零排放目标的挑战，但在可预见的未来，对非常规化石燃料的依赖将持续保持强劲。纵观各种因素，准确的产量预测是有效管理非常规油气藏的关键。事实上，产量预测不准确，会导致低能源投资回报率。

目前业内的产量预测方法并不适用于非常规油气田的开发与作业决策。油藏模拟方法常用于常规油藏，但效率低且耗时长。非常规井储量预测的标准程序是基于递减曲线分析的统计型曲线。然而，这种类型曲线法存在内在缺陷，不适合油藏管理与油田开发决策。类型曲线无法获取井况变化（如地质、井间距、完井参数），往往会导致预测不准确（低估或高估）。

SUN集成了SpeedWise递减曲线分析和更多强大功能，例如机器学习与深度学习（循环神经网络），用于灵活的产量概率预测。

·自动提取特征，例如井间距计算、从日志与地图中获取地质参数等；

·数据处理能力优秀，如数据插补、分类编码、数据去关联、数据降维等；

·集成了SpeedWise 机器学习平台，内嵌稳定、经过训练的机器学习模型，以进行准确的预测分析；

·风险量化的经济敏感性分析；

·基于网页端的交互式仪表板；

在SUN系统内，有三种不同的AI方法用于可靠、灵活的产量预测：递减曲线自动分析(DCA)：这是一种基于数据的工作流程，可自动对井进行多段递减曲线分析，主要用于储量预估。

基于机器学习的参数模型：拟合出产量曲线的函数方程（如Arp方程），建立机器学习模型来预测模型参数。它主要用于规划新区域，如井距、完井作业设计优化等。

基于深度学习的时序模型：使用独有的Encoder-Decoder深度学习架构，对油、气、水的产量进行多步概率预测。主要用于生产井的主动管理、优化作业成本和修井计划。

SUN采用最先进的机器学习方法，结合独特的模型解释与不确定性量化功能，以进行客观的数据分析。SUN已成功用于规划、提高全球多个大型非常规油气田的产能，工作流程为：

SUN的AI技术常用于以下三种决策场景：

利用其专有的数据分析方法，SUN提供了递减曲线自动分析，以预估现有油井的产能。针对这种往往繁琐且有误差的工作，SUN的主要优点包括：

1、效率提高100倍以上，例如不到一天的时间内，可对1000口井进行递减曲线自动分析。

2、利用自动事件检测与分位数回归法，进行稳定、客观、准确的预测。

3、基于机器学习的类型曲线法，适用于产量历史数据有限的井。

4、通过协作式SaaS平台实现高度灵活性，例如系统审查与调整、轻松导出、与同事共享结果等。

5、与标准下降曲线分析方法相比，具有更高的精度。

加密井与新区域开发需要针对不同场景进行产量建模分析，例如不同的井位、设计、完井方式、井间距等。利用机器学习自动流程，SUN可帮助工程师获取油井产能与油井特征之间的非线性、复杂关系，最大限度地提高资本效率和能源投资回报率。主要优点包括：

1、与传统类型曲线法相比，误差降低50%以上；

2、效率增加，利用AWS云上的机器学习自动流程，能够以10倍速度构建模型；

3、智能特征工程与数据处理，为机器学习训练油田历史数据；

4、通过可解释机器学习，分析每个参数（如地质、完井、井距）对产能的影响，了解背后的原因，从而更有信心做出决策；

5、预估产量曲线的置信区间；

6、团队协作，能够与业务部门轻松共享模型。

诸如调整适当的作业条件、安装新的人工举升系统、重复压裂规划等作业决策，需要对油、气、水的产量进行实时预测。如前所述，类型曲线等当前方法并不理想。SUN提供了一种基于深度学习的框架，可对油、气、水的产量进行可靠的多步预测，并创造出传统方法（递减曲线分析、统计类型曲线）或传统机器学习算法无法实现的新可能性：

1、通过训练单个模型来预测所有三相流，从而获取油、气、水的产量之间的相关性；

2、通过预估每个时间段的置信区间，更好地进行风险管理；

3、由于该模型整合了静态特征（例如地质、井间距、完井特征），因此可对投产时间不长的油气井进行可靠、准确的预测；

4、使作业者能够结合预先已知的控制变量，例如节流尺寸、重复压裂作业、人工举升类型，做出明智的作业决策。

其他优点包括：

1、自动训练模型和超参数调整；

2、模型集成；

3、自动化特征工程和数据处理；

4、通过易于使用的浏览器端的用户界面进行团队协作。

SUN 系统用于分析与规划拉丁美洲的一个大型非常规油气田。 通过系统分析了 4000 多口井的产能、地质、钻完井设计、井间距， SUN 系统建立了可靠的预测模型，能够预测出新井的初始产量和预计采收率，以及该预测结果的不确定性。 基于预测模型与泄油体积分析，对该井的计划产量进行全局优化，自动识别出 5000 多个新开发机会，从而使净现值最大化、风险最小化。

在机器学习训练中，根据测井与钻完井数据估算了地质和压裂相关的几个物理量，并将其作为训练过程中的特征。基于专业知识的训练显著提高了预测模型的准确性与稳定性。该模型经过训练后，再进行仔细检查、专家审查与假设检验，以确保该模型能够正确地符合物理特性。

SUN 系统帮助一家大型国际油气公司分析、优化了加拿大某个大型页岩气田的水力压裂作业。 在数据非常有限的情况下，基于它们的压裂与完井设计，我们客观、稳定的分析模拟出现有油气井的产能。

该预测模型应用于未建成的油气井时，准确度超过80%。SUN独有的模型解释能力用于寻找每个单独设计参数的影响。例如该模型研究出完井长度、压裂段数、泵送流体、支撑剂充填等因素对油气井产能的影响，使这些因素之间的干扰最小。换句话说，仅使用200个数据点与100多个参数，就完成了全面的敏感性分析。这种模型解释能力可为上述问题提供物理学分析，以及指导未来的开发作业，特别是在将该模型外推至参数范围之外的情况下。