Produktionsprognose, Drawdown Curve Analyse og Reserve Estimation

Gevinster:

• Evne til at forklare produktionsforudsigelser og EUR-prognoser med drawdown curve analyse (DCA), Arps-modeller og machine learning
• Evne til at positionere AI i produktionsdatarensning, valg af nedtrækningsregime og reserveklassificering (1P/2P/3P)
• Evne til at verificere produktionsforventede output med fysiske trækgrænser, materialebalance og rapporteringsstandarder

Når en brønd sættes i produktion, giver den den højeste strømningshastighed den første dag og falder over tid; fordi reservoirtrykket falder, og væsken er opbrugt. At måle, modellere og udvide dette fald ind i fremtiden er hjertet i olie-gas-økonomien. Decline Curve Analysis (DCA) er at estimere fremtidig produktion og samlet genindvindelig volumen (EUR - Estimated Ultimate Recovery) ved at tilpasse en matematisk nedtrækningskurve til produktionshistorien. Dette estimat omsættes direkte til reservetallet og dermed virksomhedens værdi, investeringsbeslutning og regulatoriske erklæringer. I denne enhed bruger vi kunstig intelligens til at rense produktionsdata, vælge en drawdown-model og generere scenarier. Den uændrede regel: EUR er et skøn, ikke en nøjagtighed; Det er aldrig deklareret uden at være testet med fysiske trækgrænser og materialebalance, især ved at tage den optimistiske side.

Lad os lære Arps-modeller at kende

Klassisk DCA er baseret på Arps' tre drawdown-modeller:

• Eksponentiel nedtrækning: Udtrækningshastigheden er fast; Det er den mest konservative (laveste EUR) model. Det er tæt på sen menstruationsadfærd.
• Hyperbolsk nedtrækning: Hastigheden af ​​nedtrækning aftager over tid; Det styres af en base b. b=0 svarer til den eksponentielle, b=1 svarer til den harmoniske. De fleste brønde er hyperbolske i den tidlige til midterste periode.
• Harmonisk dråbe: b=1; den mest optimistiske (højeste EUR) model. Det er sjældent gyldigt hele livet.

Det kritiske punkt er primtal b. Efterhånden som b stiger, bremses nedskrivningen, og EUR vokser. Hvis b>1 tages og ekstrapoleres til langsigtet, vil faldet aftage urealistisk, og EUR vil eksplodere. Dette er den mest almindelige overoptimismefejl i branchen.

Forsigtig: I konventionelle brønde er b sædvanligvis i området 0-0,5; I utraditionelle brønde som skifergas/tæt olie kan b>1 ses i den tidlige periode, men det kan ikke føres på lang sigt. En minimumsgrænse for afvisning (terminal afvisning) anvendes altid i den sene periode. Hvis AI ekstrapolerede 30 år med b=1,3, er dette et rødt flag.

Reserveklassifikation

Produktionsprognosen er opdelt i usikkerhedsniveauer ved omregning til reserver:

• 1P (Bevist): Høj selvtillid; med rimelig sikkerhed for, at det vil blive produceret økonomisk. Cirka P90 (90% sandsynlighed for mindst så meget).
• 2P (Bevist + Sandsynlig): Medium scenarie, omkring P50.
• 3P (Bevist + Sandsynlig + Mulig): Optimistisk scenario, cirka P10.

Denne klassifikation er styret af standarder som PRMS (Petroleum Resources Management System) og SEC og er den kvalificerede vurderingsmands ansvar. AI kan hjælpe med at generere scenarier, men kan ikke "erklære" reserven.

Trin for trin: DCA arbejdsgang

1. Ryd data. Lukkede perioder (brøndlukninger), målefejl, indgreb (surning, genkomplettering) forvrænger produktionskurven. Sæt kryds ved disse; AI kan scanne for outliers, men du bestemmer.
2. Vælg nedtrækningsregimet. Tidlig transient flow eller grænsedomineret flow? DCA er kun pålidelig i den grænsedominerende periode.
3. Lav en model. Tilpas Arps-parametrene (initial flowrate, drawdown rate, b); Hold b inden for fysisk rækkevidde.
4. Anvend terminaludtrækning. Skift til minimumsudtrækning i den sene periode; undgå uendelig hyperbolsk ekstrapolation.
5. Skriv det. Fremstil P90/P50/P10 EUR.
6. Verificere. Test med materialebalance og nabobrønd-analogi.

Tre minietuier: Efter numrene

Tilfælde 1 — base b fælde. På en tæt oliebrønd tilpassede AI b=1,5 til de første 18 måneders data og ekstrapoleret til 30 år; EUR steget til 620 tusinde tønder. Da ingeniøren anvendte terminalfradrag (8 %/år), faldt EUR til 410 tusinde tønder. Materialebalance og feltanalogi understøttes omkring 400 tusind. Blind accept ville overvurdere reserven med 50 %.

Tilfælde 2 — Rensning af beskidte data. To lange perioder med nedetid (vedligeholdelse) viste sig som lave værdier i en brønds produktionskurve; Nedtrækningen tilpasset rådataene viste en "hurtig udtømning", som ikke eksisterede i virkeligheden. AI-mærkede holdninger; Når stop blev fjernet og faktiske produktionsdage blev normaliseret, viste reduktionsprocenten sig at være realistisk (14%/år i stedet for 22%/år). Rengøring korrigerede forudsigelsen.

Tilfælde 3 — Transient flow fejl. En ingeniør anvendte DCA til de første 3 måneder af produktionen; Denne periode var stadig en midlertidig strøm (grænseeffekten var ikke startet). AI kom ud af denne tidlige stejlhed med en meget høj udtrækningsrate og lav EUR. Analysen lavet efter at have ventet på overgangen til den grænsedominerende periode gav det reelle fald. Det var vigtigt at vide, hvornår DCA var gyldig.

Svag prompt / stærk prompt

Svag prompt:

Tilpas en nedtrækningskurve til disse produktionsdata og fortæl reserven.[data]

Kraftig prompt:

UDKAST til nedtrækningskurveanalyse på følgende (anonymiserede) månedlige produktionsdata. Regler:- Markér først lukket periode/stop, indgreb og afvigelser; FJERN disse fra drømmefabrikationen og skriv din begrundelse. - Evaluer om dataene er forbigående eller i grænsedomineret flow; DCA er kun gyldig i den grænsedominerende periode, angiv hvis ikke passende.- Make up arps; Hold b-eksponenten i det fysiske område (konventionel 0-0,5). Anvend en terminaludtrækningsgrænse i den sene periode. Foretag IKKE uendelig hyperbolsk ekstrapolation.- Giv EUR som P90/P50/P10, ikke et enkelt tal.- Skriv hvordan du verificerer med materialebalance/tilstødende brønd.Data: [produktionstabel]

Fire kopierbare skabeloner

1) Rensning af produktionsdata:

Markér stop, indgreb, nul/negative værdier og outliers i følgende produktionsdata som en "dato | problem | forslag"-tabel. RETTIG IKKE dataene, bare marker dem. Tabel: [produktion]

2) Diagnose af nedskrivningsregime:

Ud fra følgende produktions- og trykdata (hvis tilgængelig) skal du vurdere, om flowet er forbigående eller grænsedomineret. Angiv den periode, hvor DCA vil være pålidelig. Forklar risikoen ved at tilpasse den til den tidlige periode. Data: [flow/tryk]

3) Arps tilpasning og scenarie:

Tilpas eksponentielle og hyperbolske Arps til de rene produktionsdata nedenfor. hold b eksponent inden for 0-0,5; Anvend X% terminaludtrækning sent. Giv tre scenarier (P90/P50/P10) EUR og skriv hvilke antagelser der er mest effektive. Data: [ren produktion]

4) EUR krydstjek:

Tjek denne EUR-prognose: er den kumulative produktion + resterende prognosesum i overensstemmelse med feltets materialebalance/analoge brøndafstand? Angiv de alt for optimistiske/pessimistiske tegn. EUR og input: [værdier]

Drawdown modelvalgsvejledning

model

b prime

EUR trend

hvornår

eksponentiel

0

Laveste (konservativ)

Sen modne godt

hyperbolsk

0-1

medium

Tidlig-midt periode, de fleste brønde

harmonisk

1

Høj (optimistisk)

Sjælden, brug med forsigtighed

Ubegrænset hyperbolsk

>1 lang sigt

For højt (forkert)

Brug ikke; anvende terminalgrænse

Almindelige fejl

• Lang ekstrapolation med høj b. b> Flytte 1 til år og overdrive EUR; springe terminalfald over.
• Tilpasning til snavsede data. Fjernelse af drømme uden at rydde stillinger og indgreb.
• Anvendelse af DCA til det transiente flow. At lave forudsigelser før den grænsedominerende periode begynder.
• Ulige tal EUR. Rapporterer ikke usikkerhed (P90/P50/P10).
• Springer materialebalance over. Tester ikke EUR med uafhængig fysisk/analog kontrol.

Sammenfattende

• DCA skal estimere fremtidig produktion og EUR ved at tilpasse en nedtrækningskurve til produktionshistorien.
• Arps b prime er kritisk; Lang ekstrapolering med høj b overvurderer EUR'en farligt, terminaludtrækning er afgørende.
• AI er nyttig i datarensning og scenariegenerering; men kan ikke oplyse reserven, bekræfter den kvalificerede vurderingsmand.
• Rapporter EUR som en P90/P50/P10-fordeling; Anvend kun DCA i den grænsedominerende periode.
• Bekræft resultatet ved materialebalance og tilstødende brøndanalogi.

Ansøgningsopgave

Få månedlige produktionsdata for en (repræsentativ) brønd. Generer et DCA-udkast med en kraftfuld prompt. Derefter: (1) marker og fjern mindst én stop/udligger, (2) kontroller modellens b-eksponent og anvend terminaludtrækning, hvis den er over 1, (3) bed om EUR i tre scenarier og forsyn groft sagt P50 med kumulativ + restlogik.

tjekliste

• [ ] Jeg kender Arps eksponentielle/hyperboliske/harmoniske modeller og effekten af b-primtal på EUR.
• [ ] Jeg renser produktionsdataene for nedetid/intervention.
• [ ] Jeg anvender kun DCA i den grænsedominerede flowperiode.
• Jeg beholder [ ] b primetallet i det fysiske område og anvender terminaludtrækning, hvilket giver EUR P90/P50/P10.
• [ ] Verificerer EUR med materialebalance og analog godt, jeg forstår, at reserveerklæring er vurderingsmandens ansvar.