Оценка сетей потоков

Группа изобретений относится к способу оценки сети потока нефти и газа, применению локальной модели, устройству обработки данных для оценки сети потока нефти и газа, компьютерному программному продукту. Технический результат заключается в уменьшении объема данных, которые регистрируются для оценки сети потока нефти и газа. Способ оценки сети потока нефти и газа включает следующие этапы: (1) сбор данных за прошлые периоды и/или оперативных данных, относящихся к состоянию множества контрольных точек в разных ветвях в сети потока и одному или более интересующим параметрам потока в одной или более линиях тока сети потока; (2) определение временных интервалов в данных, в течение которых контрольные точки и параметр (параметры) потока находятся в устойчивом состоянии; и (3) извлечение статистических данных, представляющих некоторые или все интервалы устойчивого состояния, определенные на этапе (2), для представления исходных данных с этапа (1) в сжатом виде. 4 н. и 21 з.п. ф-лы, 8 ил., 2 табл.

 

Данное изобретение относится к устройству и способу оценки сети потока нефти и газа, например, для повышения производительности сети потока или для получения увеличенного объема данных для определения того, как работает сеть потока. Изобретение может использоваться с сетями добычи нефти и газа, например, когда несколько скважин подают одно- или многофазные флюиды в сеть, которая объединяет потоки посредством коллекторов, и тому подобным.

Существует много отраслей, в которых используются сети потоков, например, при обработке и производстве флюидов и жидких продуктов на фабриках и нефтеперерабатывающих заводах. Особенно интересна нефтегазовая отрасль, поскольку сеть потоков включает нефтяные и газовые скважины, дающие входные данные в сеть потоков, которые трудно поддаются моделированию и во многих случаях могут непредсказуемо меняться. Кроме того, доступность критически важных компонентов процесса изменяется со временем и, соответственно, изменяется пропускная способность. Поэтому для таких сетей трудно оптимизировать настройки добычи. Моделирование и модели могут использоваться для прогнозирования отклика сетей потока на изменения параметров процесса, таких как потоки, давления, смешение различных составляющих и так далее. Однако эти модели и сопутствующие задачи оптимизации могут стать очень громоздкими и требуют значительных вычислительных мощностей, обеспечивая при этом не более чем компьютерную оценку для оптимальных настроек сети потока.

В документе WO 2014/170425 раскрыт способ управления сетью потока нефти и газа для повышения производительности, включающий применение возбуждений в контрольных точках сети потока в качестве «экспериментов в реальном времени», чтобы обеспечить определение изменений, вызванных возбуждениями и, следовательно, итеративную регулировку управления сетью потока для повышения производительности. Этот подход обеспечил значительный прогресс в данной области техники, в частности, в отношении оптимизации производительности. Однако он имеет различные ограничения, включая необходимость возбуждения, а также не имеет особо широкого применения с точки зрения выхода процесса.

В соответствии с первым аспектом, данное изобретение обеспечивает способ оценки сети потока нефти и газа, включающий: (1) сбор данных за прошлые периоды и/или оперативных данных, относящихся к состоянию множества контрольных точек в разных ветвях в сети потока и одному или более интересующим параметрам потока в одной или более линиях тока сети потока; (2) определение временных интервалов в данных, в течение которых контрольные точки и параметр (параметры) потока находятся в устойчивом состоянии; и (3) извлечение статистических данных, представляющих некоторые или все интервалы устойчивого состояния, определенные на этапе (2), чтобы таким образом представлять исходные данные с этапа (1) в компактном виде.

Таким образом, большие объемы данных, которые регистрируются для сети потока нефти и газа, можно уменьшить на основании определения интервалов устойчивого состояния и использования статистики. Статистические данные могут давать информацию о работе сети потока, позволяя оценивать сеть потока либо напрямую, либо путем дальнейшего анализа, например, используя локальные модели, как описано ниже. Оценка сети потока может выполняться для проверки, работает ли она оптимально, и/или для получения качественной и/или количественной информации о производительности сети потока, например, об уровнях добычи нефти и/или газа. В качестве альтернативы или дополнительно, оценка сети потока может выполняться для определения регулировок контрольных точек, которые улучшат производительность сети потока.

Предпочтительно, этот способ позволяет оценивать сеть потока на основании данных, которые уже записываются для других целей, например, для текущего мониторинга оператором, и на основании данных, которые были сохранены во время использования сети потока в прошлом. То есть, способ может применяться с использованием данных за прошлые периоды, то есть данных, которые были собраны до реализации способа, и определения интервалов устойчивого состояния, которые произошли во время нормальной работы сети потока. Он также может использовать данные, собранные на постоянной основе во время непрерывной работы сети потока. В отличие от некоторых ранее предложенных способов, например, как в документе WO 2014/170425, отсутствует необходимость в применении особых возбуждений: вместо этого могут использоваться данные, собранные во время нормального использования сети потока.

Описанные в данном документе способы обеспечат преимущества даже для небольшого количества контрольных точек (например, всего двух или трех) и простой сети потока. Фактически, способ по первому аспекту может использоваться в ситуации, когда существует только одна линия тока, поскольку преимущества, возникающие из компактного вида данных, полученных на этапе (3), применяются в этой ситуации так же, как и в ситуации, когда существует более сложная сеть линий тока, хотя может иметься меньшая степень уплотнения данных. В некоторых примерах сеть потока содержит объединенные ветви и, следовательно, способ может включать сбор данных для одного или более параметров потока в одной или более линий тока сети потока, в которой были объединены потоки более чем одной из разных ветвей. Такая ситуация может обеспечить дополнительное преимущество, заключающееся в том, что уплотненные данные впоследствии могут анализироваться для определения информации, относящейся к отдельным линиям тока до объединения ветвей.

Описанные в данном документе способы также могут обеспечить преимущества для небольшого числа интервалов устойчивого состояния. Однако следует понимать, что большее число временных интервалов устойчивого состояния может обеспечить большее количество точек данных для набора уплотненных данных. Таким образом, на этапе (2) способ может включать определение трех или более отдельных временных интервалов в данных во всех контрольных точках, а все параметры потока находятся в устойчивом состоянии. В некоторых случаях может быть значительно больше трех временных интервалов устойчивого состояния, например, 2000 или более временных интервалов устойчивого состояния. Типичный пример для модели с несколькими ветвями может включать 200-2000 интервалов устойчивого состояния.

Интервал устойчивого состояния для контрольной точки (точек) и интересующего параметра (параметров) потока может быть определен как период времени, превышающий заданный минимум, в течение которого значения контрольной точки или параметра потока не выходили за пределы определенного порога. Этот порог может быть равен нулю, то есть задавать требование, чтобы не было намеренного изменения состояния контрольной точки.

Таким образом, для определения устойчивого состояния может требоваться, чтобы некоторых или все контрольные точки были стабильными, например, чтобы не было изменений в настройках контрольных точек. Это может быть некоторая часть из всего определенного набора интересующих контрольных точек (при этом другие контрольные точки в сети потока игнорируются в определенных ситуациях) или, в некоторых случаях, это могут быть все контрольные точки, которые могут влиять на интересующие параметры потока. Для определения интервала устойчивого состояния может требоваться, чтобы ожидаемое среднее значение соответствующего параметра (параметров) потока не изменялось значительно со временем в течение этого интервала. Например, может потребоваться, чтобы изменение среднего значения для первой части предполагаемого интервала устойчивого состояния по сравнению со средним значением для второй части составляло не более 10%, предпочтительно, чтобы изменения были не больше, чем на 5%, и более предпочтительно, не более, чем на 2%. Первая и вторая части могут быть двумя половинами предполагаемого интервала устойчивого состояния, или они могут быть двумя частями из более чем двух меньших делений предполагаемого интервала устойчивого состояния. Таки образом, ожидаемое среднее значение может быть средним значением, определяемым в течение периода времени, меньшего, чем общая длительность предполагаемого интервала устойчивого состояния. Для определения интервала устойчивого состояния может, в качестве альтернативы или дополнительно, требоваться, чтобы соответствующий параметр (параметры) потока возникал (возникали) из одного или более слабо стационарных процессов, в результате чего моменты вплоть до второго порядка зависят только от разностей по времени. Помимо всего прочего, последнее требование означает, что ожидаемое значение параметра (параметров) потока не должно значительно меняться со временем в течение этого интервала.

В типовом способе, определение того, что параметр потока не изменяется значительно со временем для заданного временного интервала, может включать подгонку прямых и квадратичных линий под все точки данных для параметра потока в течение интервала. Прямая линия будет иметь постоянный член и линейный член. Квадратичная линия будет иметь постоянный член, линейный член и квадратичный член. Линейные и квадратичные члены и/или линии могут использоваться для определения того, можно ли считать параметр потока устойчивым.

Если параметр потока содержит значения, которые осциллируют около ожидаемого среднего значения в течение возможного интервала устойчивого состояния, тогда, если полный интервал следует разделить на несколько интервалов, например, на два интервала, ожидаемые средние значения для каждого из меньших интервалов будут приблизительно равны ожидаемому среднему значению полного интервала. Если такой параметр значительно изменяется, это свидетельствует о неустойчивом состоянии. Рассмотрение ожидаемого среднего значения, например, среднего значения для осциллирующего измерения, также дает возможность определить, возникает ли параметр из слабо стационарного процесса. В предпочтительном способе, если какой-либо соответствующий параметр потока имеет измеренные значения с шумом, который осциллирует около ожидаемого среднего значения, которое значительно изменяется в течение возможного интервала устойчивого состояния, то интервал не определяется как устойчивое состояние, тогда как, если все соответствующие параметры потока имеют измеренные значения с шумом, который осциллирует около ожидаемых значений без значительных изменений ожидаемых значений параметров потока в течение интервала, то это определяется как интервал устойчивого состояния. Таким образом, как было описано выше, может потребоваться, чтобы изменение среднего значения для первой части предполагаемого интервала устойчивого состояния по сравнению со средним значением для второй части составляло не более 10%, предпочтительно, чтобы изменения были не больше, чем на 5%, и более предпочтительно, не более, чем на 2%. Первая и вторая части могут быть двумя половинами предполагаемого интервала устойчивого состояния, или они могут быть двумя частями из более чем двух меньших делений предполагаемого интервала устойчивого состояния. Это может применяться к нескольким параметрам потока, а интервал устойчивого состояния для набора контрольных точек и параметров потока может определяться как временной интервал, когда нет никаких изменений в какой-либо из контрольных точек и все параметры потока, на которые влияют контрольные точки, имеют ожидаемые средние значения, которые не изменяются значительно со временем.

Определение временного интервала, в течение которого наблюдается устойчивое состояние, может включать в себя требование минимального периода времени в 1 час, например минимального времени, выбранного в диапазоне от 1 до 24 часов. В некоторых примерах, определение устойчивого состояния требует, чтобы не было изменений, приводящих к выходу за пределы установленных порогов, в течение как минимум 2 часов до того, как может начаться интервал устойчивого состояния, или в течение периода времени до 12 часов. Предпочтительно, чтобы на этапе (2) интервал устойчивого состояния определялся только тогда, когда интересующий параметр (параметры) потока является стабильным. Следовательно, период времени для потенциального интервала устойчивого состояния можно считать начатым только тогда, когда параметр (параметры) потока стабилизировался после перехода из-за изменений контрольных точек. Это позволяет стабилизировать любые динамические переходные эффекты. Период времени для потенциального интервала устойчивого состояния не может быть продолжен после момента, когда будут внесены новые изменения в любую из контрольных точек. При внесении изменений в сигналы управления будет происходить переходный период и сдвиг ожидаемого значения параметра потока. Затем можно найти новый интервал устойчивого состояния добычи.

Этап (3) может включать сбор статистических данных в табличной форме и, необязательно, хранение данных, например, посредством компьютера. Таким образом, на этапе (3) может быть представлена уплотненная таблица данных, и эта уплотненная таблица данных может быть в виде базы данных или аналогичной информации, которая хранится в памяти компьютера как на постоянной, так и на временной основе. На этапе (2) получение уплотненной таблицы данных может включать определение множества областей данных, в которых контрольные точки и интересующие параметры потока находятся в устойчивом состоянии, а затем, на этапе (3), извлечение статистики, представляющей каждый из интервалов устойчивого состояния. Например, при построении уплотненной таблицы данных могут использоваться значения устойчивого состояния вместе с необязательным указанием времени интервала устойчивого состояния для замены точек исходных данных этапа (1).

Таким образом, в простом примере, несколько минут точек данных для открытий дроссельного клапана, которые не изменяются, можно заменить статистическим представлением одного интервала устойчивого состояния, в котором параметр потока или набор параметров потока с определенным значением (значениями) приравнивается к заданному набору открытий дроссельного клапана. В более сложном примере, дополнительные статистические данные выводятся из нескольких интервалов устойчивого состояния и сводятся в таблицу, чтобы обеспечить уплотненную таблицу данных, представляющую большие объемы исходных данных без потери каких-либо деталей, которые могут иметь отношение к оценке сети потока.

Таким образом, можно получить таблицу данных устойчивого состояния, которая может содержать информацию об интервалах устойчивого состояния, такую как время начала, продолжительность, и/или статистическую информацию, такую как одно или более из среднего значения, медианы, дисперсии, постоянного члена, линейного члена, коэффициента детерминации R-квадрат и/или количества точек выборки. Такой статистический подход позволяет получить высокоэффективное сжатие исходных данных, а также создает наборы координат, сопоставляющих состояние контрольных точек со значениями параметров потока в виде абсолютных значений.

Получение уплотненной таблицы данных может включать определение областей данных, где были внесены регулировки в некоторые контрольные точки, в то время как состояние других контрольных точек оставалось неизменным. Регулировки могут быть ступенчатыми изменениями или они могут представлять собой осцилляции. Информация, относящаяся к интервалу производного устойчивого состояния, может быть сохранена, когда доступна производная информация, то есть информация, связанная с изменениями параметра (параметров) потока, с изменениями состояния контрольных точек, которые были скорректированы, но не содержащая абсолютных значений. Один пример, когда может быть получена такая производная информация, заключается в осциллирующей регулировке на контрольную точку, как описано более подробно ниже, где частотный анализ используется для извлечения производной информации об отдельных контрольных точках, когда несколько контрольных точек регулируются с использованием осциллирующей схемы с разными частотами для различных контрольных точек. Может быть построена таблица данных производного устойчивого состояния, содержащая информацию об интервалах производного устойчивого состояния, которая может включать в себя некоторые или все из: времени начала регулировки, времени окончания регулировки, значений уставки для контрольных точек, производной информации для контрольных точек, которые были отрегулированы, и значений неопределенности. Производная информация может содержать значения градиента для влияния на параметр (параметры) потока (потоков) регулировки (регулировок) на контрольную точку (точки).

Этап определения областей, в которые были внесены регулировки для использования при получении производной информации, может включать определение регулировок, которые отвечают установленным требованиям, например: может требоваться, чтобы регулировки соответствовали синусоидальной форме, может требоваться, чтобы регулировки осциллировали через минимальное количество периодов и/или может требоваться, чтобы регулировки лежали в пределах установленных порогов, например, не превышающих предварительно заданный максимум.

Таким образом, уплотненная таблица данных может включать в себя таблицу данных устойчивого состояния вместе с таблицей данных производного устойчивого состояния.

Способ может включать использование интервалов устойчивого состояния, определенных на этапе (2), при оценке факторов, связанных с производительностью сети потока. Это можно сделать путем определения соотношений между состоянием контрольной точки (точек) и параметром (параметрами) потока, путем генерирования одной или более локальных моделей для системы на основании состояния контрольной точки (точек) и параметра (параметров) потока на основании интервалов устойчивого состояния. Преимущественно, определение соотношений может быть выполнено на основании статистических данных, извлеченных на этапе (3). Это позволяет эффективно обрабатывать данные, поскольку модели основаны на уплотненных данных, полученных путем извлечения статистики. Таким образом, на этапе (3) может использоваться таблица данных устойчивого состояния, чтобы определить соотношения между абсолютными значениями для состояния контрольных точек и параметров потока, и чтобы позволить построить локальную модель, которая представляет соотношения. Например, локальная модель может предсказать влияние регулировок одной или более контрольных точек на параметры потока.

Однако в некоторых случаях уплотнение данных на этапе (3) не является существенным и, фактически, определение соотношений и создание локальных моделей также может быть выполнено непосредственно на основании интервалов устойчивого состояния с необязательным использованием этапа (3) в предпочтительной реализации. Таким образом, с точки зрения дополнительного аспекта, изобретение обеспечивает: способ оценки сети потока нефти и газа, включающий: этап (1) и этап (2), как указано выше, и только необязательный этап (3); определение соотношений между состоянием контрольной точки (точек) и параметром (параметрами) потока путем генерирования одной или более локальных моделей для системы на основании состояния контрольной точки (точек) и параметра (параметров) потока, а также интервалов устойчивого состояния добычи; и, предпочтительно, использование указанных соотношений при оценке факторов, относящихся к производительности сети потока.

В одном примере способ включает определение регулировок, сделанных в одной или более контрольных точках, которые приводят к изменениям одного или более параметров потока, и определение соотношений между состоянием контрольной точки (точек) и параметра (параметров) потока путем генерирования одной или боле локальных моделей для системы на основании состояния контрольной точки (точек) и параметра (параметров) потока до и после регулировок. Таки локальные модели могут быть основаны на описанных выше случаях интервалов устойчивого состояния, то есть может иметься локальная модель, основанная как на данных из уплотненных таблиц данных, так и на данных, относящихся к регулировкам. Преимущественно, указанные соотношения могут использоваться при оценке факторов, связанных с производительностью сети потока.

Эти этапы сами по себе считаются новыми и обладающими признаками изобретения, без использования этапов, относящихся к интервалам устойчивого состояния, описанным выше. Следовательно, с точки зрения другого аспекта, изобретение обеспечивает способ оценки сети потока нефти и газа, причем способ включает: сбор данных за прошлые периоды и/или оперативных данных, относящихся к состоянию множества контрольных точек в разных ветвях в сети потока и одному или более параметрам потока в одной или более линиях тока сети потока, в которые объединены потоки более чем одной из разных ветвей; определение регулировок, сделанных в одной или более контрольных точках, которые приводят к изменениям одного или более параметров потока; определение соотношений между состоянием контрольной точки (точек) и параметра (параметров) потока путем генерирования одной или боле локальных моделей для системы на основании состояния контрольной точки (точек) и параметра (параметров) потока до и после регулировок; и использование указанных соотношений при оценке факторов, относящихся к производительности сети потока.

Этапы, использующие определение регулировок, могут выполняться с использованием данных за прошлые периоды, то есть данных, которые были собраны до реализации способа, и регулировок контрольных точек, которые были сделаны ранее во время нормальной работы сети потока. В отличие от некоторых способов известного уровня техники, отсутствует необходимость делать регулировки просто для того, чтобы возбудить систему для получения данных для создания локальных моделей. Это преимущество возникает, потому что способ включает определение подходящих регулировок для существующих данных и/или данных, записываемых в реальном времени, и, таким образом, он не ограничивается регулировками, реализованными как «возбуждения», чтобы выполнять изменения оперативных данных как часть способа, как, например, в документе WO 2014/170425, который требует применения конкретных возбуждений. Таким образом, способ преимущественно включает определение «естественных» возбуждений как регулировок, а не побуждение к запланированным возбуждениям, как в документе WO 2014/170425. Способ согласно данному аспекту может применяться ко всем данным, собранным для сети потока, и может давать полезные результаты при оценке сети потока без необходимости каких-либо «возбуждений» или «экспериментов в реальном времени». Кроме того, этот способ также может дать полезные результаты, когда выполняются такие эксперименты с запланированными возбуждениями.

В некоторых типовых реализациях способ включает использование данных за прошлые периоды. Предпочтительно, способ включает использование как данных за прошлые периоды, так и оперативных данных. Таким образом, можно использовать дополнительную информацию по сравнению с информацией, используемой в способах известного уровня техники, таких как описаны в документе WO 2014/170425. Сети потока, такие как сети потока добычи нефти и газа, часто подвергаются тщательному мониторингу, генерируя большие объемы данных. Предлагаемый способ позволяет использовать эти существующие данные. Например, данные о прошлой производительности сети потока могут использоваться для улучшения будущей производительности сети потока. Способ может повторяться и/или выполняться непрерывно, чтобы обеспечить постоянную оценку сети потока, с текущими интервалами устойчивого состояния и/или текущими регулировками, выполненными во время работы сети потока, а затем принимаемые во внимание.

Способ может включать определение одной или более предлагаемых регулировок в контрольных точках, которые улучшат производительность сети потока, например, путем увеличения или уменьшения одного или более параметров потока. Данный этап может, например, основываться на локальных моделях, как описано ниже, и/или на соотношениях, определенных как описано выше. Данный способ может включать в себя реализацию предлагаемой регулировки (регулировок) и, преимущественно, эти регулировки затем могут обозначать начало нового интервала устойчивого состояния и/или могут создавать регулировку, используемую для сбора данных, относящихся к соотношениям между контрольными точками и параметрами потока. Эти новые данные затем могут использоваться в способе в будущем анализе. Таким образом, способ может использоваться для оптимизации сети потока в непрерывном режиме, например, с помощью процесса итерационного улучшения, аналогичного описанному в документе WO 2014/170425.

Способ может включать получение данных, полезных в процедурах испытания скважины, и/или определение параметров или скоростей потоков, относящихся к сети потока, например идентификацию вкладов в поток из различных ветвей сети потока и оценку факторов, относящихся к этим ветвям. Это может выполняться на основании локальных моделей, как обсуждается ниже, и/или соотношений, определенных как описано выше. Практическим примером этого является определение скоростей потока, связанных с различными добывающими скважинами в сети потока нефти и газа, где несколько скважин соединены коллекторами и поток от них поступает в общий сепаратор. Желательно иметь возможность определять скорости потока каждой скважины вместе с такими факторами, как газовый фактор (ГФ) и обводненность (ОВ).

Способ может включать определение одной или более предлагаемых регулировок для одной или более контрольных точек с целью получения дополнительных данных о сети потока. Предлагаемая регулировка (регулировки) затем может обозначать начало нового интервала устойчивого состояния и/или может создавать регулировку, используемую для сбора данных, относящихся к соотношениям между контрольными точками и параметрами потока. Эти новые данные затем могут использоваться в способе в будущем анализе. Например, данных, собранных на этапе (1), может быть недостаточно для получения информации о конкретной контрольной точке и/или конкретном параметре потока. Таким образом, способ может включать предложение проведения «эксперимента в реальном времени», в котором выполняется небольшая регулировка, позволяющая получать соответствующие дополнительные данные и использовать их в будущей оценке сети потока.

Этап определения регулировок, когда он используется, предпочтительно включает определение регулировок со ссылкой на изменения одного или более параметров потока, которые можно легко отделить от влияния других регулировок на контрольные точки. Например, способ может включать определение регулировок с характеристиками, позволяющими определить влияние этих регулировок на изменения параметра (параметров) потока, например определение периодических регулировок, в которых влияния таких регулировок на объединенные потоки ниже по потоку могут быть определены с помощью частотного анализа, как описано в документе WO 2013/072490. Такой способ может включать игнорирование регулировок, которые, как считается, не имеют легко устанавливаемой связи с изменениями интересующего параметра (параметров) потока.

Этап (1) может включать сбор данных, измеренных непосредственно в отношении состояния контрольной точки (точек) и параметра (параметров) потока. Этот тип «сырых» данных часто объединяется оператором в базу данных реального времени для сети потока и хранится как сведения о работе сети потока. Предлагаемые сегодня способы позволяют эффективно анализировать и использовать такие данные, которые часто остаются неиспользованными или используются неэффективно из-за большого размера базы данных. Этап (1) может дополнительно включать сбор данных, полученных с использованием алгоритмов наблюдений, в отношении измеренных данных, упомянутых выше, например, посредством простых расчетов, применяемых до того, как на более поздних этапах способа будут использоваться более сложные анализы, как обсуждается ниже. Могут использоваться различные типы алгоритмов наблюдений, например, уравнения баланса масс, модели ограничений и/или фильтры Кальмана.

Определенные на этапе (2) интервалы устойчивого состояния могут использоваться для определения соотношений между контрольной точкой (точками) и параметром (параметрами) потока с помощью локальных моделей. Когда определены статистические данные, например, посредством этапа (3) первого аспекта, они также могут использоваться. Более того, если была определена производная информация, например, посредством таблицы данных производного устойчивого состояния, как было описано выше, она может использоваться вместе с информацией об устойчивом состоянии. Например, производная информация может использоваться для обеспечения градиента для линейной модели, которая также включает в себя абсолютные значения, полученные посредством информации об устойчивом состоянии. Это может быть полезно, когда доступно только одно абсолютное значение. Однако предполагается, что во многих случаях при построении локальных моделей будет необходимо использовать только интервалы устойчивого состояния.

Локальные модели могут представлять собой линейные модели или простые нелинейные модели. Модели могут основываться на статистических данных в уплотненной таблице данных. Для подгонки локальной модели к данным путем сопоставления одного или более параметров потока (или соответствующего выходного параметра) с состоянием контрольных точек может использоваться регрессионный анализ.

Может использоваться линейная модель, в которой регрессионный анализ выполняется для подгонки линии или плоскости к точкам данных, относящимся к регулировке в одной или более контрольных точках и к влиянию на параметр потока. Комбинация абсолютных значений из таблицы данных устойчивого состояния и значений градиента из таблицы данных производного устойчивого состояния также может использоваться для подгонки линии или плоскости к данным или к поверхности, определенной в нескольких пространственных измерениях.

Если предполагается, что данные подходят, например, под квадратичную модель, могут использоваться нелинейные модели. Возможна непосредственная подгонка квадратичной модели к некоторым соотношения, где существует достаточно точек данных. Однако предпочтительно сначала создать линейную модель и затем рассмотреть возможность добавления кривизны с помощью нелинейного элемента, такого как квадратичная модель, если данные не очень хорошо подходят к линейной модели. Могут использоваться модели минимальной нормы Фробениуса.

При создании линейных моделей предпочтительнее использовать уравнения, формирующие модель, которую нужно переопределить, чтобы обеспечить малую степень неопределенности. Если в одном или нескольких пространственных измерениях имеются плохие или недостаточные данные, то способ может включать исключение точек данных, чтобы обеспечить более простую модель с меньшей неопределенностью. В одном примере, точки данных для слишком малых регулировок или контрольных точек, которые не были отрегулированы достаточное количество раз, могут быть исключены из входных данных, используемых для создания модели.

Для любого из способов, рассмотренных выше, контрольные точки могут быть любыми средствами, способными применять управляемую регулировку к сети потока, в частности, регулировку потока флюида внутри сети. Регулировка может осуществляться в любом подходящем параметре флюида, таком как поток и/или давление флюида. Например, подходящие контрольные точки могут включать в себя клапаны управления потоком, насосы, компрессоры, форсунки газлифта, дроссельные устройства и т.д. Основной принцип вышеуказанных способов может применяться с любым устройством, которое может применять регулировку внутри каналов сети потока. Регулировки должны применяться не только к скорости потока или давлению, но могут включать другие параметры, такие как уровень в подводном сепараторе и настройка ЭПУ, когда данный способ используется в сети потока нефти и газа. Понятно, что контрольная точка (точки) и параметр (параметры) потока должны быть выбраны для регулировки, которая применяется для обеспечения того, чтобы применяемая регулировка повлияла на измеряемую величину. В сети потока нефти и газа регулирование давления влияет на скорость потока и давление, но также может вызывать на выходе изменения температуры, обводненности и так далее.

Так как способ применяется к сети потока добычи нефти и газа, то контрольные точки могут содержать одно или более из следующего: дроссельный клапан управления; настройки газлифтного клапана или скорости на скважинах или стояках; настройки, влияние, скорость, подъем давления и т.д. для ЭПУ (электрического погружного насоса); настройки забойного распределительного клапана, надводные и подводные настройки управления на одном или более: сепараторах, компрессорах, насосах, скребках, конденсаторах/охладителях, нагревателях, отгоночных колоннах, смесителях, разветвителях, чиллерах и т.д. (любом оборудовании, которое влияет на добычу), и соответствующим образом могут применяться регулировки.

Измеряемый параметр (параметры) потока может представлять собой любой параметр, на который влияет регулировка (регулировки), применяемая в контрольной точке (точках). Следовательно, параметр (параметры) потока может содержать одно или более значений давления, расхода (по объему или по скорости потока), уровня или температуры, все из которых являются параметрами, которые могут изменяться для всего объема комбинированного потока в ответ на изменения в отдельных ветвях сети потока. Параметр (параметры) потока может, в качестве альтернативы или дополнительно, включать один или более параметров, относящихся к характеристикам флюида в сети потока, таким как соотношение газа и жидкости, пропорции определенных компонентов в потоке, плотность, рН и так далее. В сети потока добычи нефти и газа параметр (параметры) потока может включать, например, обводненность (ОВ), коэффициент продуктивности (КП), газовый фактор (ГФ), давление на забое и давления на устье скважины, скорости после надводной сепарации, другие измерения скорости, например, воды после подводной сепарации, другие давления, например, давление в трубопроводе коллектора, давление сепаратора, другие давления в трубопроводе, температуры (во многих местах по системе добычи), скорости течения или вынос песка, помимо всего прочего. Следует понимать, что интересующий параметр (параметры) потока необязательно включает все возможные параметры потока для сети потока. Вместо этого параметр (параметры) потока может включать выбранный набор параметров потока, которые считаются важными для производительности сети потока.

Параметры потока могут измеряться непосредственно, например, с помощью датчика давления или температуры, или, в качестве альтернативы, они могут измеряться косвенно, например, путем расчетов на основе непосредственно измеренных параметров.

Контрольные точки могут включать в себя скорости газлифта. Предпочтительно определять как регулировки скорости газлифта, так и регулировки, применяемые с помощью дроссельных клапанов.

Регулировки для использования при определении соотношений и построении локальных моделей могут быть идентифицированы в отношении более, чем одного типа контрольной точки, а в некоторых предпочтительных примерах они идентифицируются для большинства или всех контрольных точек, для которых доступны данные в сети потока (или в интересующей части сети потока). Это позволяет оценивать реакцию сети потока на возмущения в любом из доступных механизмов управления и, следовательно, обеспечивает наилучшую оценку факторов, связанных с производительностью сети потока, например, для определения того, какая регулировка контрольной точки приведет к наиболее желательному изменению производительности, или что будущая регулировка даст наиболее полезные дополнительные данные для оценки производительности сети.

По аналогичным причинам предпочтительнее измерять множество параметров потока на этапе (1) и, в частности, измерять отклик для большинства или всех параметров потока, которые имеют отношение к оценке сети потока. Например, это могут быть все параметры потока, относящиеся к добыче для сети потока добычи нефти и газа.

Когда способ используется для поиска регулировки с целью повышения производительности, то улучшение производительности сети потока может быть реализовано в результате любых выгодных изменений в любой области производительности сети потока. В одном примере улучшение включает в себя увеличение или уменьшение одного или более интересующих выходных параметров и, следовательно, такие выходные параметры могут отражать соотношения между контрольной точкой (точками) и параметром (параметрами) потока. Выходной параметр (параметры) может в некоторых случаях быть таким же, как один или более параметров потока, для которых данные собираются на этапе (1), или они могут быть другими параметрами, связанными с этими параметрами потока напрямую или косвенно. Например, выходные параметры могут относиться к объему добычи или к качеству. В качестве альтернативы, улучшение может включать в себя изменение другого аспекта сети потока.

Таким образом, улучшение может включать в себя одно или более из: увеличения или уменьшения одного или более интересующих параметров, повышения точности этапа определения соотношений между контрольной точкой (точками) и параметром (параметрами) потока, регулирования рабочих параметров компонентов сети потока с целью увеличения срока службы этих компонентов или других компонентов сети потока или улучшения другого аспекта сети потока, не указанного выше.

Предложенный выходной параметр (параметры), который способ пытается изменить в некоторых примерах для повышения производительности, может представлять собой любой параметр (параметры) сети потока. Такой параметр может представлять собой параметр потока типа, включенного в этап (1), например, общую комбинированную скорость потока или требуемое давление для данной добычи и так далее. В сети потока добычи нефти и газа интересующий выходной параметр (параметры) может представлять собой, например, перепад давления на дросселе в обвязке фонтанной арматуры или суммарную добычу. Может быть только один интересующий выходной параметр или, вместо этого, улучшение системы может относиться к комбинации выходных параметров. Если интересующий выходной параметр не измеряется, например, скорость течения, может использоваться другой выходной параметр (параметры), например, давление и температура, чтобы вычислить интересующий параметр, если известно аналитическое выражение, с помощью физических законов первого порядка или посредством эмпирической корреляции.

В альтернативном варианте, который также может выполняться дополнительно (или параллельно) к вышеупомянутым улучшениям, улучшение сети потока может включать регулирование рабочих параметров компонентов сети потока с целью увеличения срока службы этих компонентов или других компонентов сети потока, предпочтительно, без ущерба для других аспектов производительности сети потока. Следовательно, например, одно применяемое ограничение может заключаться в том, что общий объем добычи должен оставаться не ниже заданного уровня, в то время как другое ограничение может заключаться в том, что существует максимальная скорость потока для данных частей сети потока, чтобы избежать перегрузки определенных компонентов и, следовательно, продлить их срок службы.

В некоторых типовых вариантах реализации изобретения способ включает:

(a) применение предварительно заданных возбуждений в качестве регулировок во множестве контрольных точек в сети потока и/или определение регулировки (регулировок), выполненной в контрольных точках во время нормальной работы сети потока, при этом множество контрольных точек находятся в разных ветвях сети потока;

(b) получение результатов измерений изменений одного или более параметров потока в одной или более линий тока, в которые объединены потоки более чем одной из различных ветвей;

(c) проведение анализа измерений параметров потока для определения изменений, вызванных регулировками, и использование результатов этого анализа для определения указанного соотношения между регулировками контрольной точки (точек) и изменениями параметра (параметров) потока;

(d) определение регулировки, которая должна быть выполнена в одной или более контрольных точках, для повышения производительности сети потока и/или для обеспечения дополнительных данных о работе сети потока;

(e) выполнение определенной регулировки в контрольной точке (точках) сети потока; и

(f) необязательно, повторение этапов (а) - (е) один или более раз, чтобы итерационно улучшать производительность сети потока и/или итерационно накапливать информацию о работе сети потока.

На этапе (е) способ также может обеспечивать возможность выполнять альтернативную регулировку по решению оператора сети потока, благодаря чему оператор может отменить предложенную регулировку, если того требуют обстоятельства. При использовании принятых оператором регулировок могут быть достигнуты улучшения в производительности сети потока или данных о работе сети потока, и они могут быть включены в систему для постоянной оценки сети потока, особенно когда процесс итерационно повторяется. Способ может получать дополнительную информацию от любой регулировки, независимо от того, предлагается ли она путем предварительного анализа или ввода, основанного исключительно на решении оператора. Способ может выполнять итерации для достижения оптимизированного решения по работе сети потока на основании принятых оператором регулировок и регулировок, предложенных на основании анализа.

Анализ на этапе (с) включает создание локальной модели, которая может быть простой моделью, такой как локализованная линейная модель, и может быть такой, как описано выше. Затем эта модель может быть оптимизирована на этапе определения (d), чтобы определить наилучшую регулировку, применяемую к контрольной точке (точкам).

Этап (с) может включать создание локальной задачи математической оптимизации для расчета регулировки одной или более контрольных точек, и в этом случае этап (d) может включать решение этой задачи оптимизации для определения требуемой регулировки.

Когда способ включает регулировки, применяемые в качестве возбуждений, возбуждения могут принимать любой подходящий вид. Для возбуждений могут использоваться различные экспериментальные схемы, такие как ступенчатые изменения, линейные схемы и синусоидальные изменения. Затем модели могут извлекаться из результатов этих экспериментов и/или из подходящих возбуждений, определенных в данных за прошлые периоды, с использованием измерений и анализа на этапах (b) и (с), и эти модели могут использоваться для выполнения этапа (d). Различные экспериментальные схемы имеют разные преимущества и недостатки. Ступенчатые изменения, например, проще реализовать, чем синусоидальные схемы, при этом синусоидальные схемы могут быть более легкими и точными для анализа, чем ступенчатые изменения.

В предпочтительном варианте реализации изобретения, возбуждения представляют собой осцилляции, применяемые на известных частотах. Предпочтительно, чтобы осцилляции, применяемые к различным контрольным точкам множества контрольных точек, были на разных рабочих частотах, а на этапе (с) проводился частотный анализ измеренных параметров потока. Таким образом, осцилляции могут применяться одновременно с частотным анализом, позволяя определить отклики, возникающие в результате возбуждения различных контрольных точек. Это дает возможность получить модель сети потока для использования при определении регулировки, которую нужно сделать на этапе (d). Особенно предпочтительным является то, что применяемые способы аналогичны способам, описанным в документе WO 2013/072490 заявителей в лице компании Sinvent AS и Норвежского университета естественных и технических наук (NTNU), в котором предлагается использовать осцилляции для мониторинга нефтяных и газовых скважин.

Благодаря данному способу, основанному на частоте, можно легко определить свойства отдельных ветвей сети потока без необходимости проведения отдельных испытаний для каждой ветви и без необходимости останавливать поток, чтобы можно было испытать отдельные ветви. Не требуется наличия специализированного испытательного оборудования, кроме измерительного устройства для комбинированного потока (потоков), поскольку существующие контрольные точки могут использоваться для применения необходимых возбуждений. Кроме того, использование сети потока по назначению может продолжаться с минимальными помехами. Например, когда способ используется для сети потока добычи нефти и газа, добыча может продолжаться через распределитель добываемой продукции на протяжении всего испытания, и хотя применяемые возбуждения, вероятно, уменьшат среднюю скорость потока, снижение добычи будет низким по сравнению со снижением добычи при обычном испытании, таком как испытание методом кривой восстановления давления. Для месторождения с десятью скважинами добыча во время такой группы испытаний может быть на 4% выше при использовании способа по изобретению, чем при использовании эквивалентного испытания методом кривой восстановления давления. Различные ветви сети потока (например, разные скважины) испытываются параллельно с измерениями каждой отдельной ветви, определяемой путем анализа влияния частоты осцилляции, применяемой в контрольной точке для этой ветви. С помощью частотного анализа эти влияния можно выделять из других изменений в выходном потоке.

Альтернативный способ, который может использоваться вместо или в дополнение к описанному выше способу, основанному на частоте, заключается в использовании возбуждений, применяемых последовательно, а не параллельно, а также в выделении влияний возбуждений посредством полосовых фильтров или тому подобного. Примером являются возбуждения, применяемые с использованием повторяющихся ступенчатых изменений, которые достаточно грубо аппроксимируются синусоидальной формой сигнала. Измерения, полученные на этапе (b), могут на этапе (с) фильтроваться с помощью полосового фильтра, то есть устройства, которое пропускает частоты в определенном диапазоне и ослабляет частоты вне этого диапазона. Это позволяет рассчитывать чувствительность между свойствами в разных ветвях сети потока в контрольной точке. Примером может служить чувствительность между изменениями скорости газлифта на одной скважине и перепадом давления в трубопроводе.

С помощью хорошо охарактеризованной сети потока или частей сети потока, которые хорошо охарактеризованы, также можно создавать упрощенные модели, такие как локализованные линейные модели, путем возбуждения имитатора. Это позволит получить полезные данные и определить предлагаемую регулировку без необходимости проведения экспериментов в реальном времени. Такие модельные возбуждения могут обеспечить существенное преимущество с точки зрения скорости и простоты испытания, при условии, что имеет смысл использовать моделирование. Таким образом, анализ на этапе (с) может включать создание моделей из данных имитатора в сочетании с моделями, созданными из реальных данных. В этом случае этап (а) включает применение возбуждений в моделировании, а этап (b) включает получение смоделированного отклика на возбуждения. По сравнению с известным моделированием данный способ обеспечивает значительные преимущества, поскольку оптимизация модели намного быстрее, чем оптимизация имитатора. Кроме того, существует значительное преимущество в том, чтобы включать ввод данных оператором в итерацию на этапах (d) и (е), причем, предпочтительно, модель после этого обновляется, чтобы учесть изменения в сети потока, вызванные регулировкой контрольных точек.

Возбуждения на этапе (а) всегда включают в себя эксперименты в реальном времени с контрольными точками сети потока, а также, необязательно, данные моделирования, где такие данные считаются достаточно точными. Когда используются модели, основанные на моделированиях, таки модели, предпочтительно, обновляются, когда этапы с (а) по (е) последовательно повторяются, чтобы учесть регулировку, сделанную на предыдущем этапе (е).

В моделированиях и моделях известного уровня техники предпринимаются попытки спрогнозировать производительность сети потока и получить единое решение «не в реальном времени» для оптимальной конфигурации контрольных точек. Типичной настройкой такого моделирования является использование итерационного решения, которое начинается с известной точки, основываясь на измерении параметров сети потока, полученных с использованием известного способа, а затем выполняет попытки схождения к оптимизированной производительности без дополнительных вводов данных в отношении реального воздействия итеративной регулировки на сеть потока. Понятно, что это не идеальный вариант, так как существует неотъемлемый риск расхождения с реальной ситуацией, когда реальная система, которая может содержать непредсказуемые и нелинейные элементы, будет реагировать на небольшие регулировки контрольных точек.

Способ может включать этап инструктирования пользователей результатов анализа с помощью системы управления или поддержки. Контрольные точки могут автоматически регулироваться системой управления для повышения производительности на основании определенной регулировки. В качестве альтернативы, определенная регулировка может быть представлена оператору сети потока в качестве предлагаемой регулировки, чтобы дать оператору возможность выбора, принять предложение или применить альтернативную регулировку на основании своего решения. В любом альтернативном варианте имеются значительные преимущества, возникающие благодаря способу управления, поскольку дальнейший анализ производительности сети потока в повторяющихся этапах с (а) по (с) основан на фактических измеренных значениях. Это улучшает знания о системе и гарантирует, что производительность сети потока может быть итерационно улучшена путем регулировки контрольных точек в сторону оптимальной конфигурации. Например, дебитами продукции скважины можно управлять для оптимизации добычи нефтяного месторождения или группы скважин.

В вариантах реализации изобретения, в которых осцилляции используются для создания регулировок, применяемых во время экспериментов в реальном времени, этап применения возбуждений может включать отправку сигналов управления на оборудование в контрольных точках и/или может включать этап управления потоками и/или давлениями в контрольных точках. Возбуждения могут применяться посредством существующих устройств управления, таких как существующие клапаны или насосы и так далее. Использование существующих клапанов указанным образом означает, что данный способ не требует каких-либо модификаций существующего оборудования для применения возбуждений к сети потока, кроме изменений в системе управления сетью потока для реализации требуемого управления открытием/закрытием клапана.

Осцилляции могут быть примерно синусоидальными, например, представлять собой формы сигнала, которые применяются посредством ступенчатых изменений положения клапана для приближения к синусоиде. Использование синусоидальной волны или ее приближения дает точные результаты при анализе выходных данных с использованием известных методов частотного анализа, таких как методы, основанные на преобразовании Фурье.

Способ может включать выбор частот для возбуждений на основании характеристик типичного частотного спектра сети потока. Это позволяет частотам учитывать базовый частотный спектр, который возникает при типичных изменениях давления, скорости потока и/или температуры, возникающих при нормальной работе сети потока, и, таким образом, позволяет избежать выбора таких частот, где такие факторы, как затухание или шум, могут помешать результатам анализа. Частотный спектр для сети потока может представлять собой измерение комбинированных скоростей потока или давлений в течение определенного периода времени, например, в течение нескольких дней.

Таким образом, способ может включать выбор частот для осцилляции путем проведения частотного анализа формы сигнала добычи и определения подходящего диапазона частот, предпочтительно, диапазона частот с низким затуханием и низким уровнем шума. В типовой сети потока нефти и газа было установлено, что формы сигнала добычи обычно испытывают затухание и, следовательно, амплитуды на более высоких частотах уменьшаются, и что на более низких частотах появляется шум, возникающий в результате эксплуатационных процессов. Таким образом, предпочтительно, диапазон частот выбирается путем удаления более высоких частот, которые проявляют затухание, и/или путем удаления более низких частот, которые находятся в шумах.

Частотный анализ, используемый для определения подходящих частот осцилляции, предпочтительно основан на преобразовании Фурье. Предпочтительным является использование алгоритма быстрого преобразования Фурье (БПФ), поскольку это дает значительные преимущества в отношении скорости анализа.

Когда выбран подходящий диапазон частот, необходимо определить рабочие частоты, которые будут использоваться для осцилляции в скважинах. Предпочтительно, этап определения рабочих частот включает определение частотных интервалов в диапазоне частот, которые не будут мешать друг другу. Предпочтительно, этап определения частотных интервалов включает определение шага сетки для частотных интервалов на основании количества требуемых частот и/или всего доступного периода испытания.

Следует избегать взаимодействия выбранных частот друг с другом и с интенсивными гармониками. Таким образом, они должны быть разнесены друг от друга и не должны совпадать с основной гармоникой (второй гармоникой) других рабочих частот. Основная гармоника будет удваивать рабочую частоту. Таким образом, например, если первая рабочая частота установлена на 0,1 МГц, значение другой рабочей частоты не должно составлять 0,2 МГц.

При Фурье-анализе, весь период испытаний, необходимый для обеспечения разрешения для заданного шага сетки частот, является инверсией шага сетки частот. Так, например, при шаге сетки 0,5 мГц требуется минимальное общее время выборки около 30 минут, а при шаге сетки 50 мкГц требуется минимальное общее время выборки около 6 часов. Таким образом, уменьшение шага сетки частот может привести к чрезмерному увеличению времени испытания. Шаг сетки частот может выбраться для обеспечения того, чтобы общее время испытания ограничивалось 60 часами или меньше (т.е. с шагом 5 мкГц или выше), предпочтительно, 24 часа или меньше (т.е. с шагом 25 мкГц или выше), более предпочтительно, 6 часами или меньше (т.е. с шагом 50 мкГц или выше).

Количество требуемых частот будет связано с количеством контрольных точек, которые необходимо возбудить. В простейшем случае способ может включать выбор ряда частотных интервалов, которые будут обеспечивать доступные рабочие частоты для общего количества контрольных точек, которые будут возбуждаться. Однако для большого количества контрольных точек необязательно просто разделить доступный диапазон частот на достаточное количество частотных интервалы для обеспечения доступных частот для всех контрольных точек. Для обеспечения возможности испытания больших сетей потока, имеющих много ветвей, без необходимости использования нежелательно малого шага сетки частот, способ может включать группирование контрольных точек и возбуждающих осцилляции в ветвях контрольных точек. Группы контрольных точек могут включать в себя 1-20 контрольных точек, предпочтительно, 1-5 контрольных точек.

Амплитуду осцилляции необходимо задавать для того, чтобы частотный анализ обеспечивал результаты, которые можно отличить от базовой амплитуды изменений частотного спектра для сети потока, например, амплитуда может быть задана на порядок выше, чем амплитуда выбранного диапазона частот в нормальном частотном спектре для сети потока. Амплитуда входных осцилляции может находиться в диапазоне 1-10000 ст.м³/ч, предпочтительно, 1-1000 ст.м³/ч. Ограничения добычи или другие ограничения сети потока могут определять максимум для амплитуды, поскольку увеличение амплитуды может привести к уменьшению добычи. Способ может включать определение базовой амплитуды для выбранного диапазона частот путем определения линии наилучшего соответствия для данных частоты/амплитуды, например, методом наименьших квадратов. Затем амплитуду входных осцилляции можно установить как минимум в три раза больше базовой, предпочтительно, в десять раз больше. Все осцилляции могут применяться с одинаковой амплитудой, которая, например, может быть больше средней базовой амплитуды для всех частот. Это упрощает управление механизмами контрольных точек, используемых для применения осцилляции. В одном предпочтительном варианте реализации изобретения, амплитуды для каждой рабочей частоты изменяются в соответствии с базовыми амплитудами на рабочих частотах. Это может повысить точность, избегая ненужных потерь при добыче. Он позволяет установить точность на желаемый минимум, основанный на базовых амплитудах, без введения чрезмерно больших амплитуд.

Измеряемые параметры потока, такие как давление, скорость потока и/или температура, например, для сети потока добычи нефти и газа, могут включать одно или более из давления в стволе скважины, температуры в стволе скважины, давления на устье скважины, температуры на устье скважины, скорости потока нефти, скорости потока газа и/или скорости потока воды. Способ может включать измерение этих данных, например, с помощью датчиков, установленных для измерения параметров потока в соответствующих каналах потока. Измерения скорости потока для общего потока или разделенного потока (потоков) могут проводится в любой точке ниже по потоку от распределителя добываемой продукции. Предпочтительно, измерения параметров потока выполняются в точке ниже по потоку от сепаратора, который принимает поток из распределителя добываемой продукции. После сепаратора можно проводить дополнительные измерения, так как они могут быть измерениями разделенных потоков.

Этап проведения частотного анализа для определения изменений давления, скорости потока и/или температуры, вызванных приложенными осцилляциями, может включать использование преобразования Фурье, как указано выше, предпочтительно, алгоритма быстрого преобразования Фурье (БПФ). Это позволяет создать график зависимости выходной частоты от амплитуды, из которого можно видеть влияния осцилляции. Предпочтительно, способ включает определение свойств различных ветвей сети потока путем определения значений выходного давления и/или значения скорости потока на рабочих частотах и использование этих амплитуд для определения основных свойств отдельных ветвей или групп ветвей. Базовая амплитуда для измеренного выходного давления/скорости потока может определяться путем удаления точек данных, относящихся к рабочим частотам и их вторым гармоникам, и последующего определения линии наилучшего соответствия для оставшихся результатов, например, посредством анализа методом наименьших квадратов, как указано выше, и эта базовая амплитуда может использоваться для указания точности результатов.

Дальнейшие свойства сети потока затем могут рассчитываться на основании данных о потоке и/или давлении. Например, в случае сети потока добычи нефти и газа, использующей данные, относящиеся к скорости потока нефти и скорости потока воды, можно использовать теорию распространения ошибки для определения обводненности (ОВ) и коэффициента продуктивности (КП). Принимая A_o и A_w за амплитуды скоростей потока нефти и воды, соответственно, получим OB=A_w/(A_o+A_w). Аналогично, КП=А_о/А_р, где А_р - амплитуда внутрискважинного давления. Таким же образом, ГФ=A_g/A_o, где A_g - амплитуда потока газа, а ИКП может быть рассчитан с помощью КП, измеренного в двух рабочих точках, или с использованием второй гармоники, если вход достаточно большой. Любой из этих параметров или любой другой параметр другой сети потока может быть выбран в качестве параметра, который улучшается путем регулировки контрольной точки (точек).

Этап применения осцилляции может включать применение разных частот на разных фазах. Если все осцилляции применяются в фазе, это создает большой пик суммарного воздействия на общую скорость потока объединенных ветвей. Это не проблема во всех сетях потока, например, в сети потока добычи нефти и газа, когда добыча ограничена, так как влияние осцилляции на объем добычи будет одинаковым независимо от фазового соотношения. Однако в некоторых случаях это может иметь неблагоприятный эффект, например, в сети потока добычи нефти и газа, когда добыча ограничена технологическими процессами. Таким образом, в предпочтительном варианте реализации изобретения фазы применяемых осцилляции смещаются, чтобы уменьшить изменения объединенного выходного потока сети потока.

Способ может включать этап измерения уровня второй гармоники для применяемых рабочих частот. Его можно использовать в качестве испытания для проверки нелинейности в системе и, следовательно, справедливости локальной задачи математической оптимизации, поскольку, если интенсивность второй гармоники мала, то это является хорошим показателем отсутствия более высоких гармоник. Кроме того, амплитуду второй гармоники можно использовать в сочетании с амплитудой рабочей частоты для определения параметров полиномиальных моделей более высокого порядка для сети потока.

Этот способ применяется к сети потока добычи нефти и газа. Таким образом, контрольные точки могут представлять собой контрольные точки для управления потоками и/или давлениями скважин в сети потока добычи нефти и газа, например, контрольные точки на устьях скважин и в основании стояка. Предпочтительно, дроссельные клапаны и/или скорости газлифта (как в устье скважины, так и в основании стояка) являются контрольными точками, а на этапе (2) определяются регулировки для этих контрольных точек. Дроссельными клапанами можно легко управлять для постепенного открывания и закрывания, чтобы применить форму сигнала выбранной частоты к скорости потока. Скоростями газлифта также можно легко управлять для постепенного увеличения или уменьшения скорости, чтобы применить форму сигнала выбранной частоты к скорости потока. Предпочтительно определять регулировки, применяемые как с дроссельными клапанами, так и со скоростями газлифта. В способе такого типа существуют особые преимущества для сети добычи нефти и газа, поскольку невозможно управлять рядом переменных, связанных с сетью, в частности, дебитом продукции и природой флюидов, добываемых из нефтяных и газовых скважин. Однако следует понимать, что, хотя имеются конкретные преимущества от использования вышеуказанных способов в сети нефти и газа, они также могут использоваться в других областях. Фактически предполагается, что этот способ обеспечит преимущества для любой сети потока, где есть взаимодействие между множеством контрольных точек и множеством параметров потока, такой как сети теплообмена, обработка углеводородных флюидов и других флюидов, особенно многофазных флюидов, и так далее.

Изобретение распространяется на данные, полученные любым из способов, описанных выше, которые могут, например, содержать уплотненную таблицу данных. Эти данные являются новыми и обладающими признаками изобретения в силу их структуры и содержания, а также благодаря процессу, посредством которого получаются данные. Кроме того, изобретение распространяется на локальную модель или локальные модели, полученные в соответствии с вышеописанными способами. Данные и/или локальная модель (модели) могут храниться, например, в памяти компьютера или на другом носителе данных.

Другим аспектом изобретения является использование данных, полученных любым из способов, описанных выше, например, использование уплотненных данных и/или локальной модели (моделей) при управлении или оценке сети потока.

В соответствии с другим аспектом, в данном изобретении предложено устройство обработки данных для оценки сети потока нефти и газа, содержащей множество ветвей и множество контрольных точек, причем множество контрольных точек находятся в разных ветвях сети потока, при этом устройство содержит: приборо анализа данных, выполненное с возможностью выполнения способа по первому аспекту. Таким образом, прибор анализа данных может быть выполнено с возможностью (1) сбора данных за прошлые периоды и/или оперативных данных, относящихся к состоянию множества контрольных точек в разных ветвях в сети потока и одному или более интересующим параметрам потока в одной или более линиях тока сети потока; (2) определения временных интервалов в данных, в течение которых контрольные точки и параметр (параметры) потока находятся в устойчивом состоянии; и (3) извлечения статистических данных, представляющих некоторые или все интервалы устойчивого состояния, определенные на этапе (2), чтобы таким образом представлять исходные данные с этапа (1) в компактном виде.

Контрольные точки и параметр (параметры) потока могут быть такими, как описано выше касательно первого аспекта. Регулировки могут быть такими, как описано выше касательно первого аспекта изобретения. Устройство может быть выполнено с возможностью выполнения любого или всех этапов способа, изложенных выше касательно первого аспекта и его дополнительных признаков.

Таким образом, прибор анализа данных может быть выполнено с возможностью генерирования уплотненной таблицы данных, необязательно, в виде уплотненной базы данных, как описано выше, которая может, например, содержать таблицу данных устойчивого состояния вместе с таблицей данных производного устойчивого состояния. Устройство обработки данных может содержать подходящие устройства хранения данных для хранения уплотненной таблицы данных. Устройство обработки данных также может хранить некоторые или все собранные данные, по меньшей мере временно.

Изобретение также может обеспечивать устройство обработки данных для осуществления способа любого из других аспектов способа, рассмотренных выше.

Таким образом, в одном альтернативном аспекте обеспечивается устройство обработки данных для оценки сети потока нефти и газа, содержащей множество ветвей и множество контрольных точек, причем множество контрольных точек находятся в разных ветвях сети потока; при этом устройство содержит: прибор анализа данных, выполненное с возможностью выполнения этапа (1) и этапа (2), как указано выше, и только необязательного этапа (3); для определения соотношений между состоянием контрольной точки (точек) и параметром (параметрами) потока путем генерирования одной или более локальных моделей для системы на основании состояния контрольной точки (точек) и параметра (параметров) потока, а также интервалов устойчивого состояния добычи; и, предпочтительно, для использования указанных соотношений при оценке факторов, относящихся к производительности сети потока.

В другом альтернативном аспекте обеспечивается устройство обработки данных для оценки сети потока нефти и газа, содержащей множество ветвей и множество контрольных точек, причем множество контрольных точек находятся в разных ветвях сети потока; при этом устройство содержит: прибор анализа данных, выполненное с возможностью сбора данных за прошлые периоды и/или оперативных данных, относящихся к состоянию множества контрольных точек в разных ветвях в сети потока и одному или более параметрам потока в одной или более линиях тока сети потока; определения регулировок, сделанных в одной или более контрольных точках, которые приводят к изменениям одного или более параметров потока; определения соотношений между состоянием контрольной точки (точек) и параметра (параметров) потока путем генерирования одной или боле локальных моделей для системы на основании состояния контрольной точки (точек) и параметра (параметров) потока до и после регулировок; и использования указанных соотношений при оценке факторов, относящихся к производительности сети потока.

Устройство обработки данных может содержать контроллер для управления состоянием контрольных точек. Контроллер может управлять состоянием контрольных точек для применения регулировок путем отправки сигналов управления на контрольные точки. В некоторых предпочтительных вариантах реализации изобретения устройство содержит контрольные точки, которые могут находиться в точках, распределенных по всей сети потока. В альтернативном варианте, контрольные точки могут быть частью другого устройства, и при этом управляться контроллером напрямую или косвенно.

Контроллер и прибор анализа данных могут быть отдельными устройствами или могут быть объединены в одно устройство, например компьютерное устройство для управления сетью потока и анализа данных сети потока.

В соответствии с еще одним аспектом, в данном изобретении предложен компьютерный программный продукт, содержащий команды для выполнения в устройстве обработки данных, выполненном с возможностью приема данных, связанных с контрольными точками и параметрами потока в сети потока; в котором команды при выполнении конфигурируют устройство обработки данных для осуществления способа, описанного в первом аспекте выше, или в любом из альтернативных аспектов способа, описанных выше.

Компьютерный программный продукт может конфигурировать устройство для выполнения этапов способа как в любом или всех предпочтительных признаках, указанных выше. Устройство обработки данных может содержать признаки, как описано выше для устройства по второму аспекту или по любому из альтернативных аспектов устройства, описанных выше.

Некоторые предпочтительные варианты реализации изобретения описаны ниже, только в качестве примера, со ссылкой на прилагаемые фигуры, где:

На фиг. 1 показана схема, иллюстрирующая предлагаемую систему оценки сетей потока, включая примеры приложений для системы;

На фиг. 2 показана типовая сеть потока, которая представлена в виде системы добычи нефти и газа;

На фиг. 3 приведен график, иллюстрирующий один месяц измеренных данных скорости отгружаемого газа и настроек дроссельного клапана для двух скважин в системе добычи по фиг. 2;

На фиг. 4 показано определение интервалов абсолютных данных устойчивого состояния в данных по фиг. 3 в соответствии с типовой системой оптимизации;

На фиг. 5 показана линейная модель для прогнозирования будущих изменений в добыче газа из будущих изменений в настройках дроссельного клапана по фиг. 3;

На фиг. 6 показана мера неопределенности линейной модели по фиг. 5;

На фиг. 7 сравнивается прогнозирование линейной модели по фиг. 5 с реальными данными, возникающими в результате изменений одного и того же дроссельного клапана; и

На фиг. 8 показана в увеличенном масштабе часть фиг. 7.

Ключевой проблемой в нефтяных промысловых работах является определение текущей стратегии добычи. То же самое относится к управлению другими подобными сетями потока. Принятие высококачественных решений при повседневных операциях является ключевым для обеспечения безопасной и эффективной работы сложных систем добычи. Технология быстро развивается и количество данных, поступающих от датчиков и систем управления в нефтедобывающем предприятии, увеличивается с каждым годом. Это открыло окно возможностей для автоматизации процессов, которые сегодня требуют значительного вмешательства человека. Предлагаемая в данном документе система предназначена стать надежным механизмом для содействия принятию эффективных решений в такой сложной производственной среде. Сочетание опыта оператора и инженера по добыче с этой технологией позволяет получить доступ к имеющемуся в настоящее время неиспользованному производственному потенциалу. Система описана со ссылкой на операции на нефтяном месторождении, но следует понимать, что те же принципы применяются и в других отраслях.

Испытание скважин является обязательным требованием для всех нефтяных платформ. Рассмотрим следующий пример системы добычи с 4-6 скважинами, соединенными в сборный трубопровод. В этой системе единственным способом измерения параметров скважины каждой нефтяной скважины является либо создание параллельной и отдельной испытательной системы добычи, либо закрытие одной скважины за раз. На многих месторождениях, в связи с обязательным испытанием скважин, каждая скважина в среднем закрыта два дня в году. Еще более приоритетной задачей является оптимизация объема добычи. Поэтому несколько крупных игроков в отрасли специализируются на испытании скважин и оптимизации добычи, внедряя передовые технологии датчиков и мощные модели оптимизации, которые позволяют свести к минимуму время простоя и увеличить добычу. Однако эти модели требуют частого обслуживания с высокой степенью вмешательства человека. Кроме того, они не могут измерять ключевые параметры скважин для каждой отдельной скважины до того, как они соединятся в сборный трубопровод. Таким образом, необходимо найти способ проведения испытаний скважин во время непрерывной работы.

Из-за огромной сложности системы многофазных потоков, в настоящее время решения по оптимизации уже доступны на современных имитаторах. Таким образом, программное обеспечение для оптимизации известного уровня техники уязвимо для неточностей в имитаторах и поэтому для точной имитации системы добычи полагается на глубокие знания опытных инженеров по добыче. Поскольку время играет существенную роль при ежедневном планировании добычи, то данные, вводимые в имитаторы, часто устаревшие и неточные. Таким образом, программное обеспечение для оптимизации известного уровня техники, используемое нефтяными компаниями, потребляет много времени, является неточным и во многих случаях неправильным. Типичный поток данных и процесс принятия решений, более или менее общий для всех нефтяных компаний, выглядит следующим образом:

1. Потоки данных поступают в реальном времени из системы управления и датчиков на установке по добыче, расположенной, например, на суше.

2. Оперативные данные хранятся в базе данных реального времени.

3. Модель реальной прикладной задачи создается посредством анализа данных, при этом модель настраивается инженером-специалистом, чтобы обеспечить правильное отражение ситуации.

4. Программное обеспечение использует алгоритм математический оптимизации в сочетании с моделью, чтобы в итоге получить рекомендацию, которую инженер по добыче может применить к системе добычи.

Подход к оптимизации известного уровня техники включает в себя ручной ввод значительного объема данных инженером по добыче между этапами 2 и 3 для улучшения наборов малодостоверных данных, а для выполнения сложных алгоритмов оптимизации требуются этапы 3 и 4.

Из-за сложности, нехватки компетентных специалистов и риска человеческих ошибок некоторые нефтяные компании не могут использовать свое программное обеспечение. Они вынуждены использовать компромиссный подход, когда инженер делает квалифицированные предположения на основании потока оперативных данных без использования расчетной модели или модели оптимизации. Без эффективной системы поддержки принятия решений могут появляться большие скрытые производственные потери. Таким образом, нефтяные компании нуждаются в более простом и более автоматизированном программном обеспечении для оптимизации, которое обеспечивает эффективную поддержку принятия решений без значительного, трудоемкого и подверженного ошибкам вмешательства человека.

Типовая система, описанная в данном документе, может анализировать и обрабатывать данные датчиков, чтобы автоматизировать динамические «наилучшие» рекомендации для специалистов, принимающих решения, и рассчитывать основные параметры скважины для отдельных скважин без остановки добычи. Обеспечивающие преимущество признаки включают в себя: эксперименты в реальном времени для улучшения информационного наполнения данных, лучшее использование оперативных данных и данных о добыче за прошлые периоды, простые автоматически обновляемые модели и умное упрощение задачи оптимизации добычи. Эти предложения дополняют и развивают достижения, описанные в документах WO 2013/072490 и WO 2014/170425 в отношении оптимизации добычи и испытаний скважин. Такую технологию можно реализовать как решение реального времени, которое обеспечивает непрерывную работу во время испытания скважины и получение рекомендаций в режиме реального времени для ежедневной оптимизации.

Система принимает данные за прошлые периоды и оперативные данные из установки по добыче и сохраняет данные в базе данных. Эти данные анализируются для автоматического получения рекомендаций по регулировкам переменных добычи и/или предложений для экспериментов в реальном времени, которые могут быть аналогичны описанным в документах WO 2013/072490 и WO 2014/170425, но также могут включать альтернативные испытания, например, с использованием различных типов возбуждений. Такие рекомендации предоставляются пользователю, который может быть инженером по добыче и/или оператором, и они могут опираться на свое мнение при реализации рекомендаций. Необходимые изменения добычи и/или эксперименты реализуются через существующие системы управления для установки по добыче, а реакция параметров добычи на изменения/эксперименты записывается для использования в дальнейших циклах процесса. Таким образом, система может использоваться для итерационных улучшений и непрерывной оптимизации.

Предлагаемый поток данных и процесс принятия решений проиллюстрирован на фиг. 1 с использованием добычи нефти и газа в качестве примера. Нефтяные компании ежедневно сохраняют большие объемы данных о своих системах добычи в своих базах данных реального времени. Эти данные дают нефтяным компаниям ценную информацию и возможность оптимально управлять системой добычи. Однако, как правило, они используют свои системы добычи равномерно с небольшими и незначительными изменениями. Таким образом, огромное количество данных не обязательно означает высокое информационное наполнение. Регулируя переменные управления системой добычи чаще и с большими изменениями, инженеры по добыче могут улучшить информационное наполнение данных. Технология, описанная в данном документе, может обеспечивать предложения по таким регулировкам. В них будут содержаться изменения, которые могут быть внесены в относящиеся к скважине переменные управления, такие как дроссели, скорости газлифта и/или электрические центробежные насосы, чтобы улучшить относящуюся к скважине информацию в потоке данных. Предлагаемые изменения могут варьироваться от одноступенчатых изменений до испытания на полные осцилляции.

Когда несколько скважин испытываются с использованием технологии осцилляции, каждой скважине может быть предоставлен свой собственный уникальный сигнал, распознаваемый во всей системе добычи. Этот уникальный сигнал получается путем создания синусоидальной волны, которая движется через систему добычи, с помощью введения точных изменений, например, в настройку дросселя конкретной скважины. Частоты синусоидальной волны каждой скважины отличаются, в результате чего их можно отделить друг от друга, когда поток из всех скважин объединяется ниже по потоку. Предлагаемая технология способна извлекать эту информацию, применяя обычный частотный анализ.

Предложенная система обрабатывает как данные за прошлые периоды, хранящиеся в базе данных реального времени, так и оперативные данные, передающиеся в базу данных. Цель состоит в том, чтобы собирать и хранить нужную информацию о системе добычи в более компактном виде в так называемой уплотненной базе данных. Статистический анализ используется для расчета статистической информации для интервалов устойчивого состояния добычи, то есть интервалов, когда данные представляют состояние сети потока в абсолютном устойчивом состоянии, когда нет изменений в системных элементах управления (например, без изменения дроссельных клапанов в сети нефти и газа). Ниже подробно описан способ определения интервалов устойчивого состояния добычи. Такая информация обеспечивает связь между абсолютными значениями переменных управления и абсолютными значениями среднего объема добычи для значений интервалов устойчивого состояния. Там, где происходят изменения, можно получить информацию о производном состоянии системы. Например, когда в системные элементы управления были введены осцилляции или повторяющиеся ступенчатые изменения, для получения информации о производном устойчивого состояния можно применить частотный анализ, например, преобразование Фурье. В таких ситуациях информация об абсолютном значении недоступна для относящихся к скважине измерений, но производная информация может быть полезной для отражения влияния на выходные данные системы, возникающего из-за изменения системных переменных управления. В этой ситуации сохраняется информация о производном состоянии. Вся созданная информация, представляющая интерес, хранится в уплотненной базе данных, в специализированных таблицах данных устойчивого состояния и таблицах данных производного устойчивого состояния. Это эффективно сжатая форма данных, отображающая представляющую интерес информацию в исходных данных, но в целом требующая гораздо меньше данных. Таким образом, больший объем данных за прошлые периоды/записанных данных может храниться и обрабатываться с гораздо меньшей нагрузкой на хранилище данных и требуемые возможности обработки данных.

Информация в уплотненной базе данных позволяет идентифицировать и регулировать простые управляемые данными линейные или квадратичные модели входа-выхода в нескольких приложениях на основе моделей. Модели обеспечивают представление аспектов сети потока и позволяют спрогнозировать, как предлагаемые изменения переменных управления будут влиять на производительность сети потока. Основываясь на последней информации, добавленной в уплотненную базу данных, модели входа-выхода приложений непрерывно обновляются.

Улучшение добычи представляет собой приложение высокоуровневого типа. В то время как известные стратегии оптимизации используют передовые имитаторы и нацелены на немедленную выдачу глобально оптимального решения, информация в уплотненной базе данных может использоваться для создания локальных моделей входа-выхода с акцентом на производную информацию. Эти модели могут быть либо сугубо управляемыми данными, либо могут быть дополнены физическими моделями первого порядка, такими как законы сохранения (например, сохранения массы). Затем такая модель может использоваться для оптимизации добычи в окрестности текущей рабочей точки, чтобы обеспечить новую и улучшенную рабочую точку.

Использование непрерывной оценки параметров и калибровок моделей обеспечивает также другие приложения на основе моделей, которые в противном случае были бы громоздкими или подвержены большим ошибкам. Например, может быть выполнена возможная аппроксимация оценки скорости и/или газового фактора (ГФ) и обводненности (ОВ) благодаря лучшей точности в связанной со скважиной информации (и современных моделях ограничений). Это позволяет проводить эффективную оценку/вычисление параметров, которую до этого времени можно было выполнять только путем построения параллельной и отдельной испытательной системы добычи или путем закрытия одной скважины за раз.

Основные признаки типовой системы, использующей сеть добычи нефти и газа, представлены на фиг. 1. Инженер по добыче устанавливает для сети переменные управления. На этапе 1 изменения в условиях эксплуатации и/или эксперименты приводят к возбуждению системы. Предлагаемая система использует уже установленное в системе добычи оборудование и программное обеспечение для получения данных от датчиков и передачи этих данных в базу данных реального времени на этапах 2 и 3. Следует понимать, что, хотя на фигуре показаны значения показаний дросселей из трех скважин, на самом деле обычно может быть гораздо большее скважин, и могут быть записаны другие данные, помимо показаний дросселей, например, скорости потока, давление, скорость газлифта и так далее. Этапы 1-3 включают оборудование, которое уже может быть установлено как часть сети добычи нефти и газа.

Алгоритмы, которые описаны ниже, используются на этапе 4 для непрерывной оценки базы данных реального времени и хранения информации о случае абсолютного устойчивого состояния и случае производного устойчивого состояния в так называемых случаях (или образцах) в уплотненной базе данных. Постоянно обновляемое содержимое уплотненной базы данных обеспечивает автоматизированную (устойчивое состояние) идентификацию модели входа-выхода и настройку между этапами 4 и 5, например, для получения локальных моделей оптимизации, локальных моделей параметров и локальных моделей дебита продукции. Некоторые из возможных применений таких моделей входа-выхода показаны на этапах 6а и 6b и могут включать в себя оптимизацию добычи, оценки параметров (ГФ, ОВ), оценки скорости и создание испытаний. Создание испытаний относится к предложениям испытаний на осцилляции и/или ступенчатых изменений с целью улучшения информационного наполнения в потоке данных. С целью повышения производительности системы могут быть предложены другие изменения.

Приложения для способа, показанного на фиг. 1, можно разделить на приложения на основе уплотненной базы данных, как на этапе 6а, и приложения, построенные на локальных моделях, как на этапе 6b.

На этапе 6а показаны следующие возможности.

Агрегатор данных

Позволяет экспортировать все или части базы данных агрегированной информации, например, в Excel или другое программное обеспечение. Экспорт можно выполнить для всех предыдущих производственных конфигураций, средних значений и другой статистической информации для всех соответствующих измерений, которые могут быть экспортированы в Excel для дальнейшего анализа. Уплотненные данные также можно экспортировать, например, для настройки параметров модели в, например, программное обеспечение для моделирования, такое как GAP, K-Spice ++.

Оптимизатор испытания скважины

Скважины обычно испытывают с использованием специализированных испытательных нефтегазопроводов с соответствующим испытательным сепаратором. Во время таких испытаний скважин инженер по добыче может контролировать статистическую информацию для текущего интервала устойчивого состояния, а обновленная информация о неопределенности и стабильности может использоваться для динамического определения оптимальной длительности испытания скважины. Можно использовать анализ устойчивого состояния, чтобы выяснить, когда стабильность и неопределенность случаев достигла приемлемых уровней и, следовательно, автоматически завершить испытание.

Оптимизатор испытания на вычет

Подводные скважины без специализированных испытательных нефтегазопроводов обычно испытывают путем испытания скважин на вычет. Это означает, что испытательная скважина останавливается, а результирующее изменение в общем нефтегазопроводе используется для расчета вклада испытательной скважины. Инженер по добыче может контролировать статистическую информацию для интервалов устойчивого состояния до и после останова, чтобы убедиться в достаточно высоком качестве информации и оптимизировать время останова скважины. Как во время предварительного останова, так и во время интервала останова можно в реальном времени обновлять статистику по интервалу устойчивого состояния по мере прохождения времени и поступления новых данных. Такая статистика реального времени для интервала устойчивого состояния может использоваться для принятия решения, когда выполнить останов и когда выполнить пуск, чтобы испытание было как можно короче, но с приемлемой неопределенностью в параметрах.

Оценка настройки добычи

Данные из уплотненной информационной базы данных могут использоваться для визуализации обзора изменений/различий между различными интервалами устойчивого состояния или настройками добычи. Такая визуализация может выявить нужную информацию и уменьшить необходимость ручной проверки в базе данных за прошлые периоды. Кроме того, такое приложение может использоваться для оценки влияния последнего изменения, внесенного в контрольные точки, в режиме реального времени (в некоторой степени точно так же, как и для приложения оптимизатора испытания на вычет). Из-за колебаний данных о добыче требуется время, чтобы определить влияние изменения на контрольные точки с приемлемой степенью определенности. Статистика, извлеченная из последнего временного интервала, то есть интервала от последнего изменения в контрольных точках до настоящего/текущего времени, может обновляться и непрерывно повторно вычисляться в реальном времени с новыми данными. Благодаря этому, как правило, с течением времени получаются лучшие оценки параметров потока с меньшей неопределенностью. Сопоставляя постоянно обновляемую статистику текущего временного интервала в данных, во время которых контрольные точки и параметр (параметры) потока находятся в устойчивом состоянии, с предыдущим временным интервалом или любым более ранним временным интервалом, можно в режиме реального времени оценивать влияние изменения настроек управления. Если изменение контрольных точек оказало плохое/неблагоприятное влияние на сеть потока нефти и газа, такое приложение должно позволить понять это раньше, чем при использовании известных решений, и, следовательно, сократить время, в течение которого система добычи работает неэффективно,

Производственная поисковая система

Уплотненная база данных может быть выполнена с возможностью доступа для подходящей поисковой системы, чтобы инженер по добыче мог искать в уплотненной информационной базе данных определенные настройки, характеристики или события.

Управляемое данными прогнозирование аварии

Пользователь может легко изучить реакцию системы добычи на изменения настроек управления, просмотрев данные за прошлые периоды, содержащиеся в уплотненной базе данных.

На этапе 6b фигуры показаны следующие приложения.

Балансировка ограничений

Локальные модели построены на уплотненной базе данных с целью балансировки между различными ограничениями в системе. Это означает, что одновременно рассматривается только одно узкое место/ограничение, чтобы обеспечить упрощенный подход к оптимизации. Например, эксплуатационные скважины могут ранжироваться на основании их вклада в цель (например, независимо от того, что должно быть максимизировано) по сравнению с вкладом в ограничение (например, любое узкое место, ограничивающее добычу).

Оптимизация добычи

Локальные модели построены на уплотненной базе данных с целью оптимизации добычи. Это означает, что одновременно рассматриваются множество узких мест/ограничений.

Нормальная работа скважины

Локальные модели могут использоваться для автоматического обнаружения аномальных выпадающих значений на основании информации в уплотненной базе данных. Например, алгоритм может определять, что изменения давления и температуры выходят за пределы «нормального», то есть не соответствуют изменениям согласно данным за прошлые периоды.

Создание испытания системы добычи

Уплотненную базу данных можно использовать для вычисления оптимальных экспериментов, т.е. изменений в элементах управления, в результате чего уплотненная база данных может дополняться новыми и дополнительными данными. Предполагается, что другие приложения будут иметь лучшие и более полные данные, например, что оценки ГФ улучшены или локальная модель входа-выхода имеет меньшую неопределенность своих параметров.

Инженер по добыче получает рекомендации на этапах 6а и 6b и может выбрать реализацию подходящих регулировок для переменных управления системы добычи. Такие изменения затем становятся новыми возбуждениями на этапе 1 для повторного цикла.

Предложенный способ, в качестве примера, описан более подробно ниже со ссылкой на установку по добыче нефти и газа. Добывающее предприятие обычно состоит из многочисленных скважин, объединенных в несколько коллекторов/распределителей, как подводных, так и надводных, и каждый подводный коллектор далее направляет поток в надводное строение через одну или несколько труб стояка. Иногда надводные скважины могут направляться в один из нескольких верхних распределителей. Кроме того, подводные скважины, объединенные в подводный коллектор, иногда могут направляться в один из нескольких стояков, соединенных с этим коллектором. Для других конфигураций, при нормальной добыче скважина всегда направляет добытую продукцию в один конкретный распределитель или стояк.

Некоторые из приведенных ниже описаний ссылаются на конкретную систему, показанную на фиг. 2. Такая типовая система добычи имеет шесть коллекторов, распределенных по трем стоякам V, О и G. Стояк V имеет один коллектор с четырьмя буровыми окнами V1-V4. Стояк О имеет три коллектора, каждый с четырьмя буровыми окнами O1-O4, O5-O8 и O9-O12. На стояке G имеется один коллектор с четырьмя буровыми окнами G1-G4 и один коллектор с одним буровым окном G5. В данном примере коллекторы в стояке G имеют в основном газовые скважины, а остальные коллекторы имеют больше нефтяных скважин.

На конце каждого стояка находится сепаратор. Во время нормальной добычи поток из газовых скважин на коллекторе G1-4 и G5 подается через стояк G в сепаратор G, поток из нефтяных скважин коллектора O1-4, O5-8 и O9-12 подается через стояк О в сепаратор О и поток из скважин коллектора V1-4 подается через стояк V в сепаратор V. На фиг. 2 отмечены все точки измерения для системы. Сепаратор G содержит измерения газа и жидкости, сепаратор О содержит измерение воды, а сепаратор V содержит все три измерения газа, нефти и воды. Кроме того, два измерения экспорта измеряют суммарную добычу нефти и газа из всей системы.

В таких системах добычи, как системы добычи нефти и газа, генерируется огромное количество сырых данных. Непрерывный поток данных из системы управления и датчиков передается в базы данных реального времени и сохраняется. Однако данные обычно содержат шумы измерения, пики, переходные периоды, флуктуации системы и другие неустановленные эффекты, которые не позволяют сходу определить главную суть данных. Таким образом, для большинства нефтяных компаний большинство этих данных остаются неиспользованными.

Предлагаемый способ обрабатывает имеющиеся данные о системе добычи для сбора нужной информации и создания высококачественной уплотненной информационной базы данных. Данные о системе добычи хранятся в базе данных реального времени. Данные пополняются «алгоритмом наблюдения», то есть простым вычислением или тому подобным, который может обеспечивать виртуальные измерения для добавления к данным реального времени. Все вместе эти данные, которые, следовательно, могут содержать данные за прошлые периоды (полученные ранее), а также данные реального времени (оперативные), формируют источник данных. Следует отметить, что более старые данные, собранные до реализации предлагаемого в настоящее время способа, могут использоваться так же, как и новые «свежие» данные, например данные, собранные во время постоянного выполнения данного способа, и обеспечивают входные данные для изменений в работе системы.

Алгоритм анализирует и вычисляет высококачественную информацию на основании источника данных, а также сохраняет ее в новой уплотненной базе данных, которая представляет собой сжатое представление полезной информации, извлеченной, намного позже, из исходной базы данных. Процесс будет автоматизирован, поэтому оперативные данные, передающиеся в базу данных реального времени, будут постоянно оцениваться, а новая информация будет добавляться в уплотненную базу данных.

Количество источников информации (датчиков) изменяется в зависимости от систем добычи. Источники информации могут быть разделены на два типа: сигналы управления и выходные измерения. Сигналы управления обычно могут включать в себя положение дросселя, скорости газлифта и настройки маршрутов. Эти элементы управления могут напрямую регулироваться инженером, и в соответствии с внесенными в них изменениями будут изменяться выходные измерения. Обычно на забое скважины, на устье скважины и на каждом конце трубы стояка имеются датчики давления и температуры. Система добычи часто имеет один из нескольких сепараторов, разделяющих поток на нефть, газ и воду при постоянном давлении. Продукция, собираемая в сепараторе, может вытекать из труб стояка, надводных скважин или и того, и другого. Во время нормального дебита продукции информацию можно получить только после сепарации и, как правило, только для нескольких скважин. Однако после регулярного испытания скважины обычно находятся относящиеся к скважине дебиты продукции. Во время испытания скважина либо закрывается и измеряется разница в суммарной добыче до и после, либо скважина направляется в испытательный сепаратор, в котором измеряется относящийся к скважине дебит продукции.

Перед выполнением сложных математических и статистических анализов данных база данных может быть пополнена виртуальными измерениями, полученными с помощью простых вычислений или «алгоритмов наблюдений». Могут использоваться несколько типов расчетов или алгоритмов наблюдений, таких как уравнения баланса масс, модели ограничений и фильтры Кальмана.

Уравнения баланса масс: когда известна топология системы добычи, уравнения баланса масс могут использоваться для создания виртуальных измерений для однофазных потоков продукции, которые не измеряются. Чтобы это было возможно, должно присутствовать достаточное количество других измерений потока, чтобы система уравнений имела одно возможное решение. Такая ситуация существует для системы добычи по фиг. 2. Рассмотрим суммарные потоки нефти, которые собираются в объединенный экспортный поток. Более продвинутый алгоритм наблюдения рассчитывает поток нефти и воды из стояка G, учитывая измерения жидкости и газа на выходе из сепаратора G. Это также позволяет рассчитать поток нефти и газа из стояка О с помощью уравнений баланса масс. Таким образом, виртуальные измерения создаются для потока нефти и воды из стояка G и потока нефти, газа и воды из стояка О. Если между измерениями имеется сдвиг по времени, его следует учитывать в уравнениях баланса масс алгоритма наблюдения.

Также должно быть возможно использование уравнений баланса масс для создания виртуальных измерений для многофазного потока, однако следует выполнить некоторые требования. Условия давления и температуры должны быть подобными для всех измерений, а углеводородные составы в объединенных потоках должны быть идентичными.

Модели ограничений: такие модели могут использоваться для оценки дебитов продукции через дроссель скважины. Модель ограничений в качестве входных данных обычно принимает измерения, такие как давление и температура вокруг дросселя, и возвращает оценки добычи нефти, газа и воды через дроссели. Однако модели ограничений являются сложными. Кроме того, для моделей обычно требуется информация о некоторых характеристиках флюида и т.д., которая не всегда доступна. В зависимости от того, является ли поток несжимаемым или сжимаемым, а также субкритическим или критическим, нужно использовать различные варианты моделей. Если доступна модель ограничений и необходимые измерения и информация, можно создать виртуальные измерения для относящихся к скважине дебитов продукции.

Можно привести пример для системы добычи, показанной на фиг. 2. Чтобы получить представление о полном наборе фаз, добываемых из каждого стояка, для расчета отсутствующих надводных измерений используется алгоритм наблюдения. Алгоритм наблюдения рассчитывает поток нефти и воды из стояка G с учетом измерений жидкости и газа на выходе из сепаратора G. Это также позволяет рассчитать поток нефти и газа из стояка О с помощью уравнений баланса масс. Другими словами, граничные условия для каждого из стояков со связанными скважинами постоянны, т.е. давление в пласте-коллекторе и в сепараторе постоянное, а на выходе из каждого стояка имеется информация о потоке нефти, газа и воды. Таким образом, три стояка со связанными скважинами можно рассматривать как три различные изолированные подсистемы и, например, для каждого стояка можно построить модели автономной системы.

В этом контексте источник данных означает базу данных, используемую для создания уплотненной базы данных. Это означает, что все данные за прошлые периоды и оперативные данные доступны для всех сигналов управления, всех выходных измерений и всех возможных виртуальных измерений, вычисленных алгоритмом наблюдения, например, скоростей потока из стояка, которые не измеряются. Данные из источника данных обрабатываются алгоритмами интеллектуального анализа данных в базах данных для создания уплотненной базы данных.

Алгоритмы интеллектуального анализа данных в базах данных преобразуют большие объемы данных для реальных и виртуальных измерений в уплотненные данные, содержащие только нужную и важную информацию. В данном документе описываются два различных алгоритма интеллектуального анализа данных в базах данных: алгоритм извлечения абсолютного устойчивого состояния и алгоритм извлечения производного устойчивого состояния. Алгоритмы анализируют данные для соответствующих сигналов управления системами добычи для отображения интервалов определенных спецификаций. Для всех интервалов рассчитывается статистическая или производная информация о соответствующих выходных измерениях. Если система добычи состоит из двух или нескольких подсистем, алгоритмы выполняются для каждой подсистемы.

Некоторые системы можно разделить на несколько подсистем с постоянными граничными условиями. Постоянные граничные условия означают постоянные давления на всех границах и измерения скорости на всех граничных выходах. Первое условие гарантирует, что изменения давлений внутри подсистем не взаимодействуют, а это означает, что на дебиты продукции из подсистемы влияют только изменения, внесенные в сигналы управления подсистемы. Второе условие гарантирует, что суммарные дебиты продукции из подсистемы известны в любое время. Граничные условия задаются либо реальными измерениями, либо виртуальными измерениями, полученными с помощью алгоритма наблюдения. Примером такой подсистемы является группа скважин, объединенных в данную трубу стояка, направляющую поток в отдельный сепаратор. Граничное условие задается измерениями скорости на выходе из сепаратора и постоянными давлениями в пласте-коллекторе и на входе сепаратора. Если систему можно разделить на несколько изолированных подсистем, то это может быть полезно для оптимизации добычи, оценок параметров и других вычислений.

Алгоритм извлечения устойчивого состояния отображает временные интервалы абсолютного устойчивого состояния добычи. Говоря об абсолютном устойчивом состоянии добычи подразумевается, что все переменные управления для интересующей подсистемы остаются стабильными. Для каждого интервала статистическая информация о соответствующих выходных измерениях подсистемы определяется посредством статистического анализа. Алгоритм извлечения производного устойчивого состояния отображает временные интервалы вынужденных осцилляции или другие ступенчатые изменения в переменных управления для подсистемы. Интервал представляет интерес только в том случае, если доступна информация о производном устойчивом состоянии, но информация об абсолютном значении устойчивого состояния отсутствует. Это означает, что производную информацию нельзя определить посредством конечной разности. Таким образом, для каждого такого интервала производная информация находится с помощью частотного анализа.

Информация об одном интервале называется случаем. Определены два типа случаев: случай (абсолютного) устойчивого состояния и случай производного устойчивого состояния. Для каждой соответствующей подсистемы существует одна таблица, в которой хранятся все случаи устойчивого состояния, и одна таблица данных, в которой хранятся все случаи производного устойчивого состояния. Для каждого выполнения оба алгоритма поддерживают таблицу данных соответствующей подсистемы и добавляют новые случаи. При первом выполнении алгоритмы оценивают все доступные данные о добыче за прошлые периоды. Впоследствии алгоритмы будут постоянно выполняться для оценки новых оперативных данных, доступных через источник данных, и «на лету» корректировать новые случаи. Новые оперативные данные могут быть дополнены путем добавления новых алгоритмов наблюдений по сравнению с более старыми данными за прошлые периоды. Оба алгоритма реализуются в два этапа, где на первом этапе определяются интервалы для сбора данных, а на втором этапе собирается нужная информация из выбранных интервалов.

С учетом источника данных реальных и виртуальных измерений из динамической подсистемы, случай устойчивого состояния обнаруживается путем анализа интервалов устойчивого состояния и извлечения соответствующей статистики. Для определения устойчивого состояния может требоваться, чтобы все контрольные точки были стабильными, например, чтобы не было изменений в настройках контрольных точек. Хотя контрольные точки были сохранены стабильными, параметры потока все еще могут находиться в процессе перехода. Кроме того, если существуют переменные, не охватываемые состоянием контрольных точек, и одна из этих переменных изменяется и влияет на параметры потока, то система будет считаться не находящейся в устойчивом состоянии. Для определения интервала устойчивого состояния может требоваться, чтобы ожидаемое значение соответствующего параметра (параметров) потока не изменялось значительно со временем в течение этого интервала. Для определения интервала устойчивого состояния может, в качестве альтернативы или дополнительно, требоваться, чтобы соответствующий параметр (параметры) потока возникал (возникали) из слабо стационарного процесса (процессов), в результате чего моменты вплоть до второго порядка зависят только от разностей по времени. Помимо всего прочего, последнее требование означает, что ожидаемое значение параметра (параметров) потока не должно значительно меняться со временем в течение этого интервала.

Для данного стохастического процесса X={X_t}, его автоковариационная функция задается выражением γ_x(s,t)=cov(X_s,X_t)=Е[(X_s-μ_s)(X_t-μ_t)], где μ_t=Е(X_t) - средняя функция для времени t и s. B случае белого шума, γ(s,t)=0 при s≠t.

Процесс считается слабо стационарным, если:

a) ожидаемое значение μ_t является константой и не зависит от времени, и

b) автоковариационная функция γx(s,t) зависит от s и t только через их разность |s-t|.

В типовом способе, определение того, что параметр потока не изменяется значительно со временем для заданного временного интервала, может включать подгонку прямых и квадратичных линий под все точки данных для параметра потока в течение интервала. Прямая линия будет иметь постоянный член и линейный член. Квадратичная линия будет иметь постоянный член, линейный член и квадратичный член. Линейные и квадратичные члены и/или линии могут использоваться для определения того, можно ли считать параметр потока устойчивым.

Это означает, что если параметр потока содержит значения, которые осциллируют около некоторого ожидаемого значения в течение всего интервала, т.е., если полный интервал следует разделить, например, на два интервала, то ожидаемые значения для каждого меньшего интервала будут приблизительно равны ожидаемому значению полного интервала. Если параметры потока имеют значения измерений с шумом, который осциллирует около ожидаемого значения, которое изменяется во время интервала, интервал не определяется как устойчивое состояние. Если в течение интервала в выходных измерениях скважины и системы добычи не обнаружены существенные/заметные изменения, интервал определяется как интервал устойчивого состояния и сохраняется в таблице данных случая устойчивого состояния. Если относящиеся к скважине сигналы управления оставались стабильными в течение достаточно длительного времени, оцениваются выходные сигналы, созданные в течение этого периода. Затем по точкам выборки для всех релевантных сигналов проводятся статистические анализы. Типичная информация, сохраняемая в случае устойчивого состояния, представляет собой общую информацию об интервалах, такую как время начала и продолжительность, и статистическую информацию для каждого сигнала/измерений, такую как среднее значение, медиана, дисперсия, постоянный член, линейный член, коэффициент детерминации R-квадрат, количество точек выборки. Если в течение этого интервала скважина подвергается испытанию в параллельной испытательной системе добычи, статистическая информация из выходного измерения этой скважины также является частью информации, которая сохраняется в данные случая устойчивого состояния. Случай добавляется в таблицу данных устойчивого состояния подсистемы. Ниже описан пример со ссылкой на фиг. 3 и фиг. 4.

С учетом базы данных измерений из динамической подсистемы, случай производного устойчивого состояния обнаруживается путем анализа интервалов, в которых управляемые изменения были вызваны системными элементами управления, и извлекается соответствующая производная информация. Случай производного устойчивого состояния определяется для временных интервалов, в которых некоторые сигналы управления подсистемы осциллировали/изменялись, а все остальные сигналы управления оставались стабильными. Эта информация сохраняется в случае производного устойчивого состояния, только если доступна производная информация, но информация об абсолютном значении устойчивого состояния отсутствует. Примером являются испытания на осцилляции. Во время таких испытаний предполагаемые и своевременные изменения на регулярных частотах и постоянных амплитудах вводятся в один или более сигналов управления, в то время как все остальные сигналы управления остаются стабильными. Информация об абсолютном значении устойчивого состояния касательно относящихся к скважине дебитов продукции в измерениях не доступна, однако по данным может выполняться частотный анализ для сбора производной информации (то есть, информации о градиенте) об относящихся к скважине дебитах продукции. Типичная информация, сохраняемая в случае производного устойчивого состояния, представляет собой общую и производную информацию об этом интервале. Общая информация включает в себя время начала и значения уставок всех сигналов управления. Производная информация включает в себя информацию о том, из каких сигналов управления в какие выходные измерения существуют производные значения, а также то, что они содержат значения неопределенности. Случай добавляется в таблицу данных производного устойчивого состояния подсистемы.

Ниже приведены два алгоритма интеллектуального анализа данных. Оба алгоритма разработаны с возможностью применения к данным за прошлые периоды, однако они также могут выполняться с использованием оперативных данных. Извлечение производного/градиента дается только для экспериментов по осцилляциям. Это объясняется тем, что эксперименты по осцилляциям представляют собой только ситуацию, известную о данной точке, которая дает производную информацию об относящихся к скважине измерениях, когда информация об абсолютном значении недоступна.

Алгоритм интеллектуального анализа данных в базах данных. Извлечение устойчивого состояния.

Данный алгоритм содержит два этапа. На первом этапе создаются интервалы, для которых будет собираться статистическая информация, а на втором этапе собирается статистическая информация.

Этап 1. Создание интервала

Существует два подхода для нахождения перечня интервалов, в которых должна собираться статистика. Первый подход заключается в том, чтобы разделить промежутки времени на одинаковые подинтервалы (альтернативный вариант 1). Длительность таких интервалов может составлять, например, от 1 до 24 часов, обычно она составляет от 2 до 6 часов. Второй (альтернативный вариант 2) состоит в том, чтобы сначала идентифицировать все ступенчатые изменения, примененные к системе, а затем удалить области, в которых имеется высокая вероятность возникновения переходных процессов.

Альтернативный вариант 1. Разбиение на постоянные интервалы

Определяется время начала, время окончания и идеальная длительность подинтервала. На основании этой информации алгоритм вычисляет количество интервалов и длительность каждого интервала.

Выход: Все интервалы задаются с указанием времени начала, времени окончания и продолжительности интервала.

Альтернативный вариант 2. Разбиение с распознаванием переходного процесса

Определяется время начала, время окончания, идеальная длительность подинтервала, минимальная продолжительность интервала, время установления, необходимое для стабилизации системы после ступенчатого воздействия, время для удаления в конце стабильного интервала и набор кусочно-постоянных сигналов. На основании этой информации алгоритм определяет области, в которых имеется высокая вероятность возникновения переходных процессов, и эти области удаляются из набора данных. Для разделения остальных областей в наборе данных используется альтернативный вариант 1.

Выход: Все интервалы, на которых все сигналы управления остаются стабильными на протяжении всего интервала, задаются с указанием времени начала, времени окончания и продолжительности интервала.

Этап 2. Сбор статистики

Для каждого интервала, определенного на этапе 1, находится требуемая информация и статистика. Общая информация об интервалах включает в себя время начала, время окончания и продолжительность. Кроме того, для каждого сигнала генерируется статистическая информация. Для одного такого сигнала получается статистическая информация для данного сигнала/измерений, такая как среднее значение, медиана, дисперсия, постоянный член, линейный член, коэффициент детерминации R-квадрат, количество точек выборки. Если линейный член достаточно мал (приблизительно равен 0), т.е. прямая линия примерно параллельна оси времени, то параметр потока не находится в процессе перехода. В таком случае информация, найденная для интервала, добавляется в случай, который сохраняется в таблице данных случая устойчивого состояния соответствующей подсистемы.

Выход: Одна таблица с информацией об интервале и одна таблица на сигнал со статистической информацией, относящейся к каждому интервалу.

Алгоритм интеллектуального анализа данных в базах данных. Извлечение производного/градиента из экспериментов по осцилляциям.

Данный алгоритм содержит два этапа. На первом этапе обнаруживаются/создаются интервалы, для которых будет собираться статистическая и производная информация, а на втором этапе собирается производная и статистическая информация.

Этап 1. Обнаружение интервала

На данном этапе оцениваются переменные управления (устьевые дроссели и газлифтные дроссели), чтобы идентифицировать интервалы в данных, в которых были проведены эксперименты по возбуждению.

Определяется время начала и окончания поиска. Определяется минимальное количество периодов и максимальное изменение амплитуды для возбуждаемой переменной управления. Как правило, может потребоваться минимум два периода. Максимальные амплитуды могут быть установлены на уровне около 15% от диапазона переменной управления (например, 15% от открытия дросселя), с типичными значениями в диапазоне 0,5-5%.

Кроме того, для интервала, который должен быть квалифицирован как эксперимент по возбуждению, должны выполняться следующие требования.

1. Каждая возбужденная переменная управления:

изменялась в виде синусоиды посредством ступенчатых изменений или осцилляции

возбуждалась за минимальное количество периодов

возбуждалась с амплитудой, которая не изменялась больше, чем на заданный максимум

2. Все возбуждаемые переменные управления возбуждаются на разных частотах, но с одинаковым временем начала и окончания

3. Все остальные переменные управления оставались стабильными в течение интервала

На основании этой информации и требований алгоритм определяет интервалы, на которых проводились эксперименты по возбуждению.

Выход: Все интервалы экспериментов по возбуждению задаются с указанием времени начала, времени окончания и продолжительности.

Этап 2. Сбор производной информации

Для каждого интервала, определенного на этапе 1, требуемая общая информация собирается вместе с производной информацией. Для сбора производной информации об относящихся к скважине дебитах продукции, по данным каждого интервала выполняется частотный анализ, например, быстрое преобразование Фурье. Общая информация включает в себя время начала и значения уставок всех сигналов управления. Производная информация предусмотрена для сигналов управления и выходных измерений. Информация, предусмотренная для сигналов управления, указывает, в каком направлении обеспечиваются производные значения, то есть направление сигнала управления. С учетом этого производного направления полученные производные значения обеспечиваются для каждого выходного измерения. Производные для каждого выходного измерения содержат неопределенность.

Выход: Одна таблица с информацией об интервале и одна таблица на сигнал со статистической информацией, относящейся к каждому интервалу.

Пример 1а. Создание таблицы данных случая устойчивого состояния

Для системы добычи, показанной на фиг. 2, была создана таблица данных случая устойчивого состояния. В этом конкретном примере один месяц данных из базы данных реального времени используется для построения таблицы данных случая со случаями, которые включают данные одного выходного измерения, экспорта газа и двух сигналов управления: дросселей скважин G1 и G5. На фиг. 3 показан используемый набор данных. Это реальные данные о добыче в период с 20.04.2014 по 20.05.2014. На верхнем графике показано измерение экспорта газа, а на нижним графике показаны настройки дросселя скважин G1 и G5 в течение этого периода, которые в данном примере называются скважинами 1 и 2, соответственно. За это время не произошло изменений в настройках дросселей остальных скважин подсистемы, поэтому в данном примере все эти скважины можно не учитывать.

Данные слева от вертикальной линии 10 использовались для сбора данных и создания таблицы данных устойчивого состояния с помощью алгоритма интеллектуального анализа данных: извлечение случая устойчивого состояния. Интервалы случая устойчивого состояния, найденные на этапе 1: создание интервала с помощью алгоритма проиллюстрировано на фиг. 4. Интервалы представляют собой различные области 12, разделенные вертикальными линиями. Следует отметить, что при изменении переменных управления, то есть при регулировании дросселей для скважин 1 и 2, интервалы устойчивого состояния отсутствуют. Для каждого такого интервала на этапе 2 выполняется следующее. Сбор статистики алгоритма рассчитывает статистическую информацию об измерении экспорта газа и сигналах управления скважины 1 и скважины 2. Информация сохраняется в виде случаев в таблице данных случая устойчивого состояния. Таблица 1 представляет собой небольшую выдержку из результирующей таблицы данных случая устойчивого состояния. Для случая 1 представлена статистическая информация для измерения экспорта газа и сигнала управления скважины 1.

Таблица 2 отображает структуру типовой таблицы данных случая производного устойчивого состояния, которая может быть создана для аналогичных данных, показанных на фиг. 3 и фиг. 4. Общая информация включает в себя время начала и значения уставок всех сигналов управления. Производная информация предусмотрена для сигналов управления и выходных измерений. Информация, предусмотренная для сигналов управления, указывает, в каком направлении обеспечиваются производные значения, то есть направление сигнала управления. С учетом этого производного направления полученные производные значения обеспечиваются для каждого выходного измерения. Производные для каждого выходного измерения содержат неопределенность.

Были определены два типа таблиц данных, таблицы данных устойчивого состояния и таблицы данных производного устойчивого состояния. Количество таблиц данных каждого типа определяется топологией системы добычи. Для каждой возможной подсистемы системы добычи может существовать одна таблица данных устойчивого состояния и одна таблица данных производного устойчивого состояния. Все таблицы данных сохраняются в уплотненной базе данных.

В таблице данных устойчивого состояния подсистемы сохраняются случаи устойчивого состояния для соответствующей подсистемы. Случай устойчивого состояния определяется для временных интервалов, в которых сигналы управления сохраняются постоянными и все остальные измерения подсистемы стабильны. Информация о случае сохраняется в одной строке таблицы данных.

В таблице данных производного устойчивого состояния подсистемы сохраняются случаи производного устойчивого состояния для соответствующей подсистемы. Случай производного устойчивого состояния определяется для временных интервалов, в которых некоторые сигналы управления подсистемы осциллировали/изменялись, а все остальные сигналы управления оставались стабильными. Эта информация сохраняется в случае производного устойчивого состояния, только если доступна производная информация, а информация об абсолютном значении устойчивого состояния отсутствует. Информация о случае сохраняется в одной строке таблицы данных.

В данном примере уплотненная база данных служит основой данных для четырех приложений на основе моделей. Возможны и другие приложения, как показано на фиг. 1. Приложения используют данные из уплотненной базы данных для построения локальных моделей входа-выхода с особым акцентом на производную информацию. Четыре приложения на основе модели:

Оптимизация добычи

Создание испытания

Оценка параметра (ГФ, ОВ)

Оценка скорости

Улучшение добычи представляет собой приложение высокоуровневого типа. Может быть выполнена возможная аппроксимация оценки скорости и/или ГФ и ОВ благодаря лучшей точности в связанной со скважиной информации (и современных моделях ограничений).

При инициировании приложения требуется определенная информация: 1) постановка задачи, то есть, какое приложение использовать, соответствующие части системы добычи, соответствующие сигналы управления, выходные измерения и 2) интересующая рабочая точка с учетом 1. Детали определяются пользователем с помощью графического интерфейса или самим приложением с помощью планировщика/триггера. На основании этой информации или на основании других критериев выбора, все релевантные данные случая в заданной доверительной области около рабочей точки собираются из соответствующих таблиц данных в уплотненной базе данных с помощью алгоритма обхода содержимого/сканирования уплотненной базы данных (УБД). Данные отправляются в алгоритм построения модели, который идентифицирует соответствующие модели входа-выхода, которые должны быть построены с учетом данных (случаи устойчивого состояния/набор образцов). Затем, с помощью методов регрессии, создаются простые линейные или квадратичные модели входа-выхода, действующие в пределах доверительной области. Такие модели могут быть или сугубо управляемыми данными, или они могут быть дополнены физическими моделями первого порядка и законами сохранения (например, сохранения массы).

Полученные в результате модели входа-выхода объединяются с использованием структурной информации в постановке задачи. После этого полная модель используется в алгоритме для обеспечения некоторого относящегося к приложению выхода. Основные признаки, которые являются общими для всех приложений, подробно описаны ниже для приложения оптимизации добычи и приложения создания испытаний. Данное пояснение дано специально для совместной работы этих двух приложений. Однако, в принципе, оно относится ко всем четырем приложениям и может быть легко перефразировано для всех.

В качестве входных данных в данном подходе используется информация о топологии системы добыче, интересующей рабочей точке и цели оптимизации, ограничениях и переменных. При инициировании приложения оптимизации добычи определяются некоторые детали: 1) постановка задачи, то есть, какие части системы нужно оптимизировать, а также цель, ограничения и переменные и 2) интересующая рабочая точка. Информация может определяться пользователем приложения. На основании этой информации определяются соответствующие переменные и необходимые модели входа-выхода.

На основании постановки задачи все соответствующие данные в пределах определенной доверительной области около предоставленной рабочей точки собираются из соответствующих таблиц данных в уплотненной базе данных. Затем, с использованием метода регрессии, могут быть построены простые линейные или квадратичные модели входа-выхода, действующие в пределах доверительной области. Модели, основанные на данных, могут быть дополнены первопринципными методами (например, законом сохранения массы) для улучшения возможностей прогнозирования. Такие модели могут быть или сугубо управляемыми данными, или они могут быть дополнены физическими моделями первого порядка и законами сохранения (например, сохранения массы).

Целевая функция и ограничения объединяются с результирующими моделями входа-выхода в локальной модели оптимизации. Затем такая модель может использоваться для оптимизации добычи в окрестности текущей рабочей точки, чтобы обеспечить новую и улучшенную рабочую точку. Затем выполняется алгоритм оптимизации для получения предложения об изменении в условиях эксплуатации, которое может улучшить добычу. Существуют три важных различия между данным подходом и обычными подходами существующего уровня техники. 1). В отличие от традиционных способов оптимизации, данный способ представляет собой подход к оптимизации добычи, который сфокусирован на меньших, ступенчатых улучшениях дебитов продукции, а не на одном большом шаге к оптимальному решению. Это является существенным отличием от известных подходов к оптимизации в области оптимизации добычи нефти и делает концепцию оптимизации добычи в реальном времени более надежной и приемлемой, чем известный подход к оптимизации. 2) Не менее важным, чем задача оптимизации, для решения которой мы стремимся найти наилучшее возможное решение, являет «устойчивое состояние». Это означает, что для временного горизонта решения (например, от 12 часов до 2 недель), условия пласта-коллектора могут считаться постоянными, то есть моделироваться с использованием постоянных КП, ГФ и ОВ для каждой скважины, а динамикой системы трубопроводов можно пренебречь и считать ее устойчивым состоянием. Данные о добыче могут быть сжаты на (около) 99%-99,99% в агрегированные случаи устойчивого состояния (образцы устойчивого состояния) в УБД. После этого УБД будет содержать в данных о добыче (агрегированную и сжатую) информацию, относящуюся к задаче оптимизации устойчивого состояния добычи, которую данный способ стремиться решить/оптимизировать. 3) Вместо того, чтобы инженер (по добыче) инициировал рабочий процесс оптимизации, система оптимизируется в фоновом режиме и предоставляет решение, когда потенциальное преимущество изменения системы в этой новой рабочей точке превышает определенный порог, то есть, вместо того, чтобы человек активно принимал решения провести оптимизацию, это делается автоматически и оптимизированное решение предоставляется только тогда, когда оно потенциально может привести к улучшению добычи.

Инициирование приложения оптимизации выполняется посредством двух разных каналов. Первый представляет собой триггер или планировщик. Триггер запускает приложение оптимизации при возникновении новых данных, например, новых данных в уплотненной базе данных, или новой текущей рабочей точки или в соответствии с настройками времени, например, времени после последней оптимизации или некоторого расписания. Конечно же триггер не имеет такого же понимания задачи, как люди, фактически работающие на системе добычи. Вот почему важен второй канал -графический интерфейс. В этом случае заинтересованный пользователь инициирует приложение оптимизации, возможно, для небольшого изменения того, что уже было оптимизировано триггером, или для другой рабочей точки.

Чтобы инициировать приложение оптимизации для желаемой оптимизации, требуются два типа информации об этой конкретной оптимизации. 1) Информация о системе добычи (например, подсистемах и скважинах) и 2) информация о задаче оптимизации (например, целевая функция и ограничения). Это позволяет идентифицировать релевантные измерения и переменные решения и, таким образом, определить основные модели входа-выхода.

Наиболее общие и интуитивно понятные варианты оптимизации сохраняются внутри триггера. Вариант оптимизации задает, какие подсистемы и скважины должны быть оптимизированы и для какой целевой функции и ограничений. В соответствии с новыми данными и временем будет инициирован конкретный вариант оптимизации.

Заинтересованный пользователь может адаптировать оптимизацию, изменяя комбинации подсистем и скважин, а также цели и ограничения.

Пример 2

Инженер хочет выполнить оптимизацию добычи из стояка G и стояка О системы добычи по фиг. 2.

Цель состоит в максимальном увеличении суммарной добычи нефти при сохранении пропускной способности по газу.

Необходимые переменные

Добыча нефти и газа для стояка О

Добыча нефти и газа для стояка G

Настройки дросселей для всех скважин Требуемые модели входа-выхода

Добыча нефти и газа для стояка О с учетом изменений в настройках дросселей для скважин в стояке О

Добыча нефти и газа для стояка G с учетом изменений в настройках дросселей для скважин в стояке О

Приложение оптимизации зависит от ввода рабочей точки в качестве входных данных, чтобы иметь возможность выбирать правильные данные (случаи устойчивого состояния/набор образцов) для построения модели и для выполнения оптимизации. Рабочая точка определяет центр области для выбора данных и построения модели, а также начальную точку оптимизации. В большинстве случаев рабочая точка будет содержать информацию о текущих настройках подсистемы добычи. Однако в некоторых ситуациях это могут быть не текущие, а некоторые другие настройки подсистемы добычи, то есть виртуальная рабочая точка.

Рабочая точка содержит ту же информацию, что и случай устойчивого состояния. При каждом изменении настроек добычи может быть получена новая текущая рабочая точка. После стабилизации всех измерений с помощью алгоритма 1 находится необходимая информация.

Виртуальная рабочая точка может понадобится в случаях, если, например, инженер планирует в ближайшее время изменить настройки добычи и хочет оптимизировать эти настройки до того, как произойдет изменение, или, например, если алгоритм оптимизации предлагает повторную маршрутизацию (что является большим изменением). В последнем случае было бы сложно или невозможно выполнить экстраполяцию достаточно далеко, чтобы построить локальную модель вокруг текущей рабочей точки. Таким образом, новые/другие локальные модели, основанные на старых данных, то есть виртуальная рабочая точка, должны быть построены, чтобы понять, какой система (вероятно) станет, когда будет выполнена повторная маршрутизация.

Простые модели идентифицируются и строятся из комбинации соответствующих случаев/образцов устойчивого состояния и случаев/образцов производного устойчивого состояния, извлеченных из базы данных уплотненных случаев. Алгоритм выбора случая (2) ищет уплотненную базу данных для всех соответствующих случаев и из каждого случая копирует только нужную информацию для данного приложения.

В постановке задачи задаются целевая функция, ограничения и переменные. Из этого ясно, для каких подсистем нужна информация и для каких выходных измерений должны быть построены модели. Данная рабочая точка и доверительная область являются основными факторами для определения того, какие случаи являются релевантными. Например, для одной конкретной подсистемы выбираются все случаи, лежащие в доверительной области, центр которой находится в рабочей точке. Данные для основных выходных измерений и для входных переменных управления копируются из каждого случая.

Доверительная область может быть определена несколькими различными способами, причем основным моментом доверительной области является то, что случаи, для которых данные извлекаются, напоминают рабочую точку в некотором заданном пространственном измерении, например, значения переменных управления или некоторые значения выходных измерений. Доверительная область может задаваться посредством, например:

1. Максимального расстояния между значениями показаний дросселя случая и рабочей точки, на скважину или в целом

2. Максимальной разницы в суммарной добыче стояка случая и рабочей точки

3. Максимальной разницы в давлении стояка случая и рабочей точки

4. И т.п.

Алгоритм обхода содержимого/сканирования уплотненной базы данных Выбор случая.

Данный алгоритм выполняется для каждой соответствующей подсистемы, указанной в постановке задачи. На основании уплотненной таблицы (таблиц) данных для подсистемы алгоритм создает временную таблицу данных с соответствующей информацией о случае из этапов 1 и 2.

Для каждой существенной/релевантной подсистемы этапы 1 и 2 завершаются.

Этап 1. Определение случаев, которые лежат в области отбора

Каждый случай в уплотненной таблице (таблицах) данных подсистемы оценивается с использованием области отбора в качестве основы для сравнения. Если случай лежит в границах области отбора, случай помечается/запоминается алгоритмом как важный/релевантный.

Этап 2. Создание временной таблицы данных упрощенного случая

Создается временная таблица данных упрощенного случая. В ней сохраняются сведения обо всех случаях, отмеченных/запомненных как релевантные/важные. Информация сохраняется для всех входных сигналов, но только для релевантных/существенных выходных измерений, указанных в постановке задачи.

Выход: Одна временная таблица данных упрощенного случая для каждой участвующей подсистемы

Построение моделей входа-выхода с помощью алгоритма регрессии

Для оптимизации системы добычи требуются модели, описывающие поведение системы. Ниже описаны свойства таких моделей системы и способы их построения. Постановка задачи оптимизации содержит информацию о целевой функции, ограничениях и переменных, при этом находится рабочая точка и все соответствующие данные извлекаются/копируются из УБД с помощью алгоритма выбора случая (2). Следующим этапом в приложении оптимизации является использование этой информации для построения локальных моделей входа-выхода, необходимых для выполнения желаемой оптимизации.

Модель системы или модель входа-выхода отображает некоторое выходное измерение подсистемы для всех или некоторых входных сигналов подсистемы. Например, модель входа-выхода, которая оценивает суммарную добычу нефти из подсистемы нефтяного стояка, зависит от настроек дросселей для всех скважин подсистемы. Все данные, необходимые для построения моделей, передаются из алгоритма выбора случая (2). Алгоритм построения модели определяет, какие модели должны строиться на основании этих данных. Общее количество моделей входа-выхода, которые необходимо построить, определяется количеством подсистем и количеством выходных измерений на подсистему, для которой информация содержится в данных.

Типичная модель входа-выхода задается уравнением (1), приведенным ниже, q_o (u) будет обозначать линейную модель для, например, суммарной добычи нефти с учетом всего сигнала управления u_i для общего количества n сигналов управления. Модели строятся с помощью алгоритма регрессии. Структура модели для одного конкретного измерения зависит от количества и геометрии линейных независимых случаев/образцов, предоставленных алгоритмом выбора случая для данного конкретного измерения/выхода. Полученная модель будет представлять собой линейную модель, построенную для всех или некоторых сигналов управления. Модель может быть полностью линейной или может содержать некоторую кривизну. Если содержится кривизна, нелинейные члены представляют собой либо квадратичные члены, либо члены из физических законов первого порядка, а в некоторых ситуациях являются и тем, и другим. Когда определена структура модели, параметры a_oi для всех n сигналов управления и параметра b_o должны быть найдены посредством регрессии по числу случаев t, причем каждый случай обеспечивает измерение суммарной добычи нефти для заданной конфигурации i дросселей u*ⁱ. С учетом всех имеющихся случаев можно составить линейную систему уравнений, и все параметры a_i для всех n сигналов управления и b модели (1) можно найти с помощью регрессии.

Параметры модели (1) находятся с помощью регрессии посредством, например, обычного метода наименьших квадратов (ОМНК) для системы уравнений (2). ОМНК представляет собой один из многих возможных методов регрессии для получения параметров моделей входа-выхода с учетом данных в УБД.

Другая возможность заключается в построении и получении параметров для дифференциальной модели входа-выхода без постоянного члена, такой как модель, приведенная в (3). В данном документе, сдвиг координат u-u* выполняется так, что текущая рабочая точка u* становится исходной, а постоянный член опускается. Получается система уравнений (4). Вариант подгонки модели, подходящий для такой системы уравнений, представляет собой, например, регрессию с помощью исходной, или РПИ для краткости. РПИ также относится к регрессии, получаемой методами наименьших квадратов.

Линейные модели входа-выхода не собирают информацию о потенциальной кривизне функции или измерения, которые они аппроксимируют. Квадратичную модель можно рассматривать как простейшую нелинейную модель, которая собирает информацию о некоторой кривизне. Для получения переопределенной системы уравнений, полностью квадратичная модель измерения с учетом наборов сигналов потребует больше линейно независимых случаев, чем соответствующая линейная модель. Другая возможность состоит в использовании линейных моделей с некоторой кривизной. Для линейных моделей с кривизной в некоторых пространственных измерениях требуется меньше случаев, чем необходимо для полной квадратичной модели, но больше случаев, чем для определяющих линейные модели. Как правило, желательно построить точные линейные модели, а затем расширить их с помощью информации о кривизне, если данные предполагают, что для некоторых пространственных измерений модель должна быть нелинейной. Модели минимальной нормы Фробениуса представляют собой линейные модели с кривизной, причем стратегия их построения основана на нахождении линейно независимых случаев для линейной модели и расширении этой модели кривизной путем включения большего числа случаев. Способ предполагает, что имеет смысл строить модели, для которых норма гессиана умеренная. Это связано с тем, что граница ошибки зависит от нормы гессиана модели. Построение модели минимальной нормы Фробениуса включает в себя минимизацию нормы Фробениуса гессиана модели.

В тексте ниже описывается подход к тому, как достичь наилучшей возможной модели для одного конкретного измерения. Вкратце, подход проверяет, можно ли построить линейную модель одного конкретного выходного измерения для всех входных сигналов управления. Если это невозможно, входные сигналы управления с плохими данными исключаются и выполняется попытка построить линейную модель с учетом оставшихся входных сигналов управления. Если можно построить какую-либо линейную модель, подход проверяет, имеется ли достаточное количество данных и имеет ли смысл добавлять в модель некоторую кривизну, либо с использованием некоторых квадратичных членов, либо некоторых членов, основанных на физических законах первого порядка.

Алгоритм построения модели. Построение моделей входа-выхода с помощью регрессии.

Для каждого выходного измерения попытайтесь построить модель входа-выхода с помощью этапов 1 и 2, описанных ниже.

Исходная информация о выходном измерении.

Цель: построить наилучшие возможные модели для выходного измерения, например, суммарной добычи нефти из подсистемы стояка G.

Данные: все случаи данных из УБД, относящиеся к этому измерению, предоставляются алгоритмом выбора случая. Каждый случай содержит информацию о соответствующем измерении с показателями неопределенности и соответствующими значениями входных сигналов управления.

Этап 1. Структура линейной модели

Часть 1. Проверяется, можно ли с помощью регрессии построить линейную модель для всех входных сигналов управления

С учетом доступных данных и инструментов регрессии подход проверяет, возможно ли оценить линейное соотношение между конкретным выходным измерением и всеми входными сигналами управления. Система уравнений должна быть окончательно переопределена таким образом, чтобы все параметры в линейной модели можно было найти посредством регрессии с некоторой степенью неопределенности. Если это не так, из-за плохих или недостаточных данных в одном или нескольких пространственных измерениях, некоторые входные сигналы управления должны быть исключены из процесса построения модели.

Часть 2. Исключение сигналов управления

Если в одном или нескольких пространственных измерениях недостаточно данных, сигналы управления с очень малым возбуждением необходимо исключить, в результате чего для выходного измерения можно построить упрощенную линейную модель с учетом подмножества входных переменных управления. При исключении сигналов управления также могут уменьшиться имеющиеся случаи в других пространственных измерениях. (Например, предпочтительно, во всех остальных случаях исключенные входные сигналы управления должны иметь одинаковое значение). В целях устойчивости, система уравнений регрессии должна быть окончательно переопределена таким образом, чтобы все параметры в упрощенной линейной модели можно было найти посредством регрессии и с некоторой степенью неопределенности.

Выход:

Наилучшая возможная линейная модель входа-выхода

Этап 2. Проверяется, имеет ли смысл добавлять кривизну

Если имеется достаточное количество случаев и в данных явно присутствует кривизна с учетом переменных управления, включенных в линейную модель, может добавляться кривизна. В одном или нескольких измерениях, в зависимости от геометрии в данных, кривизна может быть представлена квадратичными членами или членами законов физики первого порядка. Система уравнений в регрессии должна быть окончательно переопределена для результирующей линейной модели с кривизной таким образом, чтобы все параметры в упрощенной линейной модели можно было найти посредством регрессии с некоторой степенью неопределенности. Если это невозможно, линейная модель остается без изменений.

Выход:

Наилучшая возможная модель входа-выхода для конкретного выходного измерения.

Модели входа-выхода, найденные с помощью алгоритма построения модели, выступают в качестве входных данных для локальной модели оптимизации. Если переменные управления исключены из некоторых или всех моделей входа-выхода, такие сигналы управления должны быть либо константами, либо быть исключены из локальной модели оптимизации.

Если качество данных плохое, то некачественные модели входа-выхода (или их отсутствие) выступают в качестве входных данных для локальной модели оптимизации. В таких случаях может быть неудобно или невозможно проводить оптимизацию добычи Тогда полезно знать, что локальная модель оптимизации также выступает в качестве входных данных для алгоритма создания испытания. Основываясь на низком качестве данных, используемых для построения модели, этот алгоритм предлагает ступенчатые испытания или испытания на осцилляции, которые должны способствовать увеличению и улучшению информации о конкретных сигналах управления. Такие испытания должны привести к более высокому качеству данных и, таким образом, к высококачественным моделям входа-выхода.

Пример 1b. Пример построения моделей входа-выхода с помощью алгоритма регрессии

Данный пример представляет собой продолжение приведенного выше примера 1а, который касается создания таблицы данных устойчивого состояния. Как и в предыдущем примере, используются реальные данные о добыче для системы добычи по фиг. 2 в период с 20.04.2014 по 20.05.2014. Аналогично предыдущему примеру, на верхнем графике показано измерение экспорта газа, а на нижним графике показаны настройки дросселя скважин 1 и 2 в течение этого периода, причем за это время не произошло изменений в настройках дросселей остальных скважин системы. Вертикальная линия 10 на фиг. 3 использовалась в качестве конечной точки для обработки данных по примеру 1а. Теперь данная линия рассматривается как линия отсечки между периодом сбора данных и созданием таблицы данных устойчивого состояния и периодом, для которого нужно выполнить прогноз. Данные, расположенные слева от этой линии (20.04.2014-16.05.2014), использовались для создания таблицы данных случая устойчивого состояния, см. пример 1а, которая в данном примере использовалась для построения линейной модели, чтобы спрогнозировать, что происходит справа от линии (16.05.2014-20.05.2014). Таким образом, имеются реальные данные для сравнения с прогнозом, чтобы проверить точность прогнозирования.

Линейная модель строится для прогнозирования влияния на добычу газа на основании изменений в настройках дросселей скважины G1 и скважины G2. Рабочая точка рассчитывается исходя из интервала устойчивого состояния с временем окончания, соответствующим отсечке, показанной вертикальной линией. Для дросселей скважины 1 и скважины 2 определяется доверительная область. Более подробное описание того, как это можно сделать, приведено ниже. Доверительная область гарантирует, что случаи, выбранные из таблицы данных устойчивого состояния с помощью алгоритма выбора, имеют значения показаний дросселя от 35% до 45%, как для скважины 1, так и для скважины 2. Все случаи, найденные алгоритмом выбора, предоставляются алгоритму построения модели, который строит линейную модель с помощью методов регрессии. Полученная линейная модель проиллюстрирована на фиг. 5 и 6. На фиг. 5 линейная модель построена в двух пространственных измерениях, черные точки на фигуре представляют собой случаи устойчивого состояния, для которых была построена модель. Таким образом, линейная модель представляет собой плоскость, которая подгоняется по всем точкам данных из случаев устойчивого состояния. На фиг. 6 проиллюстрированы показатели неопределенности линейной модели. Первая линия 14 представляет линейную модель изменений дросселя скважины 1, а вторая линия 16 представляет влияние изменений дросселя скважины 2 на суммарный экспорта газа. Затенение вокруг линий представляет собой доверительный интервал в 90% от прогнозов линейной модели. Должно быть понятно, что чем дальше отдаляться от точки пересечения, которая является центром линейной модели, тем менее точным будет становится прогнозирование. Однако при небольших изменениях, близких к значениям устойчивого состояния, используемым для создания линейной модели, точно должна быть высокой.

На фиг. 7 и 8 показаны результаты использования линейной модели для прогнозирования изменения добычи газа при регулировании дросселей двух скважин. Модель была настроена на изменения значений показаний дросселя, которые эквивалентны фактическим изменениям записанных данных, чтобы проверить точность прогнозирования. Как видно из сравнения измеренных данных 18 и прогнозирования 20, если из измеренных данных убирать шумы, прогнозирование 20 будет точно следовать фактическим данным. Таким образом, линейная модель является точной, по меньшей мере для небольших изменений. Поскольку база данных для линейной модели может постоянно обновляться после любых изменений, она всегда может обеспечить точное прогнозирование для небольших изменений, которые необходимо сделать в будущем.

Теперь можно построить локальную задачу оптимизации. Постановка задачи содержит информацию о цели, ограничениях и переменных. Алгоритм регрессии обеспечивает локальные модели входа-выхода с неопределенностью параметров, которая оценивает влияние изменений, вносимых в систему добычи.

Проиллюстрирован пример простейшей задачи оптимизации для системы добычи, показанной на фиг. 2. Задача оптимизации становится простой моделью частично целочисленного линейного программирования. Например, нужно максимально увеличить суммарную добычу нефти из стояка О и стояка G при сохранении максимальной надводной пропускной способности по газу. Существует верхний предел разрешенного количества изменений в системных элементах управления, а сумма общего изменения сигналов управления должна находиться в некоторой (доверительной) области. Существуют две подсистемы: стояки О и G, в наборе подсистем S каждая подсистема имеет набор скважин I^s. Набор фаз Р содержит фазу нефти, обозначенную индексом о, и газа, обозначенную индексом g. Дебит продукции фазы р для системы s представлен переменной q_ps, а сигнал управления для скважины i представлен переменной u_i.

Цель состоит в том, чтобы максимально увеличить добычу нефти из обоих стояков, Δq_o1+Δq_o2 задаваемую целевой функцией, как определено в уравнении (5). Дельта перед переменной указывает, что оптимизируется изменение из текущего значения.

Модели, как в уравнении (6), обеспечивают локальные модели системы входа-выхода для суммарной добычи нефти и газа из каждой подсистемы. Модели представляют собой модели линейных изменений, обеспечивающие изменение добычи, Δq_ps, для системы s фаз р, дающие изменения в соответствующих сигналах управление, Δu_s для системы s. Структура моделей и параметров a_ps с показателями неопределенности обеспечивается алгоритмом построения модели, то есть регрессией, описанной в предыдущем разделе. Модели также обеспечивают показатели неопределенности, учитывая неопределенность в параметрах a_ps.

Существует общая надводная пропускная способность по газу, С_р. Уравнение (7) гарантирует, что эта пропускная способность не будет превышена. Следует отметить, что правые части неравенств представляют собой постоянные члены, т.е., текущее снижение системного предела.

Может потребоваться ограничить количество изменений, которые предлагает оптимизация. Ограничения, определяемые уравнениями (8)-(10), и двоичная переменная x_i, обеспечивают, что допускаются только изменения в числе переменных управления. представляет собой максимально возможное изменение сигнала управления Δu_i для скважины i.

Кроме того, допускаются только изменения на заданную степень, ограниченную доверительной областью, задаваемой максимальным изменением значений переменной управления . Это требование обеспечивается неравенством уравнения (11).

На основе локальной модели оптимизации можно выполнять алгоритмы оптимизации, основанные на производной, чтобы найти предлагаемые изменения в переменных управления, которые приведут к улучшению добычи. Дается одно или несколько предложений.

Предложения могут быть представлены в различных форматах; в данном документе описаны два необязательных или альтернативных варианта. Альтернативный вариант 1) представляет собой список предлагаемых изменений сигнала управления. Список предоставляется вместе с общими ожидаемыми изменениями дебитов продукции с показателями неопределенности. Альтернативный вариант 2) также обеспечивает список, однако этот список значительно расширен. Поскольку показатели неопределенности доступны для всех переменных, для обеспечения ранжированного списка предлагаемых изменений сигналов управления могут использоваться статистические методы. Изменения должны быть реализованы в точном таком же порядке, как указано в этом списке. Каждое изменение обеспечивается ожидаемым изменением суммарных дебитов продукции с показателями неопределенности. Кроме того, обеспечиваются общие ожидаемые изменения суммарных дебитов продукции с показателями неопределенности. Все изменения должны быть реализованы, чтобы гарантировать увеличение добычи нефти. Альтернативный вариант 2 гарантирует, что скважины, о которых имеется наибольшая информация, регулируются/изменяются в правильном порядке, по сравнению с наиболее неопределенными скважинами, для достижения соответствующих пропускных способностей.

Предложения предоставляются инженеру/оператору по добыче, который решает, будет ли какое-либо из предложений реализовано в реальной системе. Или он может полагаться на свои интуицию и использовать это предложение для реализации скорректированной стратегии, основанной на предложении.

Локальная модель системы уравнения (6) построена на основе задачи регрессии в уравнении (2). Полезность алгоритма оптимизации в значительной степени зависит от качества (или отсутствия) локальной модели входа-выхода (6). Можно использовать несколько подходов для количественной оценки степени качества уравнения (6) и для определения возможности построения модели. Такая оценка выполняется путем изучения свойств случаев устойчивого состояния/набора образцов, выбранных с помощью алгоритма обхода содержимого/сканирования УБД. В частности, рассматривается, как в уравнении (2) охватывает область с интересующей регрессией и где предполагается использовать локальную модель входа-выхода. Если модель линейна, то хороший интервал представляется аффинной независимостью выбранных случаев/точек выборки. Если уравнение (6) представляет собой нелинейную модель, то способ обеспечения сбалансированности скважины может быть более сложным. Он может быть основан на известных способах, относящихся к определению сбалансированности.

Алгоритм испытания будет предлагать эксперименты по добыче/изменения, которые будут создавать новые случаи устойчивого состояния в УБД. Целью будет оптимизация сбалансированности/аффинной независимости в уравнении (2) (или, например, полиномиального пространства для нелинейной полиномиальной модели), в результате чего, в качестве уравнения (6), после эксперимента может быть создана лучшая модель, потенциально позволяющая алгоритму оптимизации предложить лучшие стратегии добычи.

Уплотненная база данных служит основой данных для четырех приложений на основе моделей. Еще одним таким приложением является оценка параметров. Наиболее интересными параметрами являются относящиеся к скважине ГФ и ОВ. Относящиеся к скважине ГФ и ОВ для подсистемы можно найти с помощью моделей входа-выхода для суммарного потока нефти, газа и воды из подсистемы с учетом всех (или нескольких) сигналов управления этой подсистемы. Такие модели можно построить посредством описанного выше подхода и эти модели будут подобны модели входа-выхода, задаваемой уравнением (1).

Таким образом, для приложения оценки параметров применяется следующая процедура, как описано выше, и то же самое применимо ко всем приложениям на основе моделей. При инициировании оценки параметров требуется определенная информация: 1) постановка задачи, то есть, соответствующие части системы добычи, соответствующие сигналы управления, выходные измерения и 2) интересующая рабочая точка, описанная выше. Детали определяются пользователем с помощью графического интерфейса или самим приложением с помощью планировщика/триггера. На основании этой информации все релевантные данные случая в заданной доверительной области около рабочей точки собираются из правильных таблиц данных в уплотненной базе данных с помощью алгоритма обхода содержимого/сканирования УБД, описанного выше. Данные отправляются в алгоритм построения модели, описанный выше, который идентифицирует соответствующие модели входа-выхода, которые должны быть построены с учетом данных.

Тогда простые локальные линейные модели входа-выхода, подходящие для приложения оценки параметров, представляют собой модели входа-выхода для суммарного потока нефти, газа и воды из подсистемы с учетом всех (или нескольких) сигналов управления этой подсистемы. С помощью этих моделей можно найти относящиеся к скважине предельные ГФ и ОВ.

Примерами таких моделей являются модели, определяемые уравнениями (12)-(14). q_p(u) обозначает линейные модели для потока фаз р (нефти, о, газа, g, и воды, w) из подсистемы с учетом сигналов управления u_i для всех скважин i подсистемы, то есть, общего количества n сигналов управления. Каждый случай обеспечивает измерение потока фазы р для заданной конфигурации i дросселей u*ⁱ. Каждая модель, по одной для каждой фазы р, находится отдельно с помощью регрессии по числу t случаев, и потом находятся параметры a_pi для всех n сигналов управления и параметр b_p для соответствующей фазы р.

Предельные ГФ и ОВ для скважины i, обозначенные gor_i и wc_i, соответственно, затем могут быть рассчитаны с помощью связанных параметров a_pi, заданных фазами р посредством уравнений (19) и (20).

Уплотненная база данных служит основой данных для четырех приложений на основе моделей. Одним из таких приложений является оценка скорости.

Благодаря испытаниям на осцилляции и ступенчатым испытаниям, предлагаемым описанной в данном документе технологией, точность связанной со скважиной информации в уплотненной базе данных постоянно повышается. Это позволяет использовать приложения на основе моделей, которые в противном случае были бы громоздкими или подвержены большим ошибкам. Таким образом, благодаря лучшей точности в связанной со скважиной информации (и современных моделях ограничений) можно выполнить относящиеся к скважине оценки скорости.

Ниже дано краткое описание способа. Постановка задачи и рабочая точка обеспечиваются посредством графического интерфейса или триггера. С учетом эту информации находится соответствующая информация в уплотненной базе данных. Измененная версия алгоритма построения модели: постройте модели входа-выхода с помощью регрессии, а затем используйте данные для построения относящихся к скважине моделей, которые выполняют оценку дебитов продукции для каждой скважины.

Модели можно построить для всех соответствующих выходных измерений. Линейная модель, разработанная в данной работе, представляет собой линеаризацию дросселя одного измерения около текущей рабочей точки, как задано уравнениями (17)-(20).

Измерение и, следовательно, модель измерения могут зависеть от нескольких переменных, таких как открытие дросселя и газлифт (u, q_GL), давления и температуры на дросселе выше по потоку и ниже по потоку (p_u, p_d, T_u, T_d), ГФ и ОВ. Слабо зависимые переменные, такие как ГФ, могут быть объединены с константами. Линейно зависимые переменные могут быть обнаружены и объединены с использованием, например, метода главных компонент. Тогда один остается одна компонента с - вектором с полезными переменными, возможно/желательно только с переменными управления, то есть переменными дросселя и газлифта. Далее в по тексту мы опираемся на это упрощение. В моделях, описанных в данном документе, х содержит только переменные управления для положения дросселя, то есть одну переменную управления для каждой скважины.

В данном документе представлены два типа линейных моделей. Уравнения (21) представляют собой модель типа 1. Модель типа 1 является моделью для относящегося к скважине выходного сигнала с учетом значения всех переменных управления сети добычи. Для каждой скважины будет иметься одна такая модель, например, одна из таких моделей может представлять количество нефти, добытой из скважины j, с учетом настроек переменных управления сети добычи. Уравнения (23) представляют собой модель типа 2. Представляет модель для измерения сети с учетом переменных управления сети добычи. Такая модель может суммировать нефть, полученную из сети, как скважину с учетом всех настроек переменных управления. Уравнение (22) представляет собой закон сохранения массы и справедливо только в том случае, если типы моделей представляют дебиты продукции. Векторы и матрицы определены в уравнениях (22)-(27), а представляет собой набор всех скважин j.

Если модели обоих типов представляют дебиты продукции, применяется уравнение (22) и модели в (21) и (23) являются зависимыми. Обе модели содержат одинаковые параметры модели. Затем параметры модели в матрице А и векторе b решаются все одновременно для всех моделей методом интерполяции или регрессии/наименьших квадратов. В противном случае модели независимы, а параметры модели могут быть найдены для каждой модели независимо с помощью интерполяции или регрессии.

Применяются данные из случаев устойчивого состояния и производного состояния, хранящиеся в уплотненной базе данных. Производные случаи, полученные из испытаний на осцилляции, обычно содержат одно или более значений углового коэффициента a_ji.

В зависимости от измерения количество случаев с информацией о сигнале варьируется. Информация о суммарных дебитах продукции, за небольшим исключением, всегда является частью случая. Таким образом, обычно имеется достаточное количество независимых случаев для построения модели, например, суммарной добычи нефти. Однако дебиты нефти из определенной скважины можно найти только в определенные моменты времени и только немногие случаи доступны с информацией об этих измерениях. Таким образом, поиск параметров модели одновременно для этих моделей может стать проблемой, если в каждой скважине имеется мало информации.

В данном документе приведена альтернативная линейная модель. Эта модель также учитывает настройки времени, маршрутизации и включения/выключения. Полученные в результате модели представлены уравнениями (28)-(32).

Возможные расширения для построения модели:

Построение модели

Оценки и улучшения модели

Алгоритмы улучшения модели

Расчет сбалансированности: Методы без производных должны гарантировать некоторую форму управления геометрией наборов образцов, в которых оценивается функция. Примером измерения геометрии является константа сбалансированности ∧ -, которая должна поддерживаться умеренно малой и ограничиваться сверху при построении моделей интерполяции.

Задача улучшения добычи:

Список с ранжированными предложенными поправками

Включить ограничение, основанное на клиновом методе: Клиновый метод повторяет подход к созданию точек, которые одновременно обеспечивают достаточное увеличение модели/целевой функции, а также удовлетворяют условию сбалансированности ∧ -. На каждой итерации задача оптимизации в пошаговом расчете дополняется дополнительным ограничением, которое не позволяет новой точке лежать вблизи некоторого множества.

Управление доверительной областью. Усложненный метод изменения радиуса доверительной области

1. Соответствующие определения

Базис

Положительным базисом в Rⁿ является положительно независимый набор, положительный интервал которого представляет собой Rⁿ.

Рассмотрим набор образцов Y={у⁰, у¹, …, у^р} из вещественной функции ƒ(yⁱ). Каждая точка выборки состоит из переменных в n+1 пространственных измерениях и имеется р+1 точек выборки. Используя эти точки выборки, функцию ƒ(yⁱ) можно аппроксимировать моделью m(x) где ƒ(yⁱ)=m(yⁱ). Можно выразить линейную модель вещественной функции следующим образом: . Используемый в качестве базиса для полиномиального пространства линейных полиномов первой степени, полиномиальный базис ф={1,x₁, …, x_n}.

Сбалансированность

Рассмотрим набор образцов Y={у⁰, у¹, …, у^р}. Точки выборки состоят из переменных в n+1 пространственных измерениях и имеется р+1 точек выборки. Вещественная функция ƒ(yⁱ) аппроксимируется моделью m(yⁱ), которая представляет собой полином степени d

m(yⁱ)=ƒ(yⁱ), i=0, …, n

Полиномиальный базис φ имеет степень 1. М записывается как М(φ,Y), чтобы выделить зависимость М от базиса φ и набора образцов У.

Интерполяция

Набор Y={у⁰, у¹, …, у^р=n} сбалансирован для полиномиальной интерполяции в Rⁿ, если соответствующая матрица М(φ,Y) не является особенной для некоторого базиса φ в .

Линейная регрессия

Набор Y={у⁰, у¹, …, y^p} сбалансирован для полиномиальной регрессии методом наименьших квадратов в Rⁿ, если соответствующая матрица М(φ,Y) имеет полный столбцовый ранг для некоторого базиса φ в .

∧ - Сбалансированность

∧ - сбалансированность представляет собой константу сбалансированности, которая отражает, насколько хорошо набор образцов охватывает область с интересующей интерполяцией/регрессией. ∧ - сбалансированность зависит от набора образцов, рассматриваемой области и полиномиального пространства, для которого выбирается интерполяция.

Интерполяция

Значение ∧ - сбалансированности можно рассматривать как расстояние до линейной независимости. Если ∧=1, набор образцов идеальный. При увеличении ∧ - сбалансированности модель ухудшается. По мере увеличения А система, представленная векторами φ(yⁱ). становится все более линейно зависимой. Фактическое расстояние до сингулярности зависит от выбора φ(yⁱ). Оно не зависит от масштабирования набора образцов или сдвига в координатах.

Регрессия

∧ - сбалансированность может определяться в случае регрессии для случаев, в которых количество точек выборки остается постоянным. Большинство свойств ∧ - сбалансированности, характерных для случая интерполяции, легко распространяются на случай регрессии. Сильная сбалансированность определяется в том случае, когда количество точек выборки может увеличиваться, и отражает, насколько хорошо точки выборки распределяются в пространстве для образования сбалансированных подмножеств.

Модель минимальной нормы Фробениуса

Как правило, в рамках оптимизации без производных, которая использует неполную интерполяцию, желательно построить точные линейные модели, а затем улучшить их с помощью информации о кривизне, ожидая, что фактическая точность модели будет лучше, чем фактическая точность сугубо линейной модели. Сбалансированность в понимании минимальной нормы Фробениуса подразумевает сбалансированность в понимании линейной интерполяции или регрессии и, как результат, сбалансированность для квадратичной недопределенной интерполяции в понимании минимальной нормы.

Алгоритмы улучшения модели

Такие алгоритмы могут быть реализованы на основе известных методов улучшения модели. Первая категория алгоритмов связана с несбалансированными наборами данных, а ее цель состоит в построении сбалансированных интерполяционных или регрессионных наборов. Вторая категория алгоритмов улучшает и поддерживает ∧ - сбалансированность уже сбалансированных наборов данных. Алгоритмы основаны на построении полиномиальных базисов Лагранжа или других (аналогичных) полиномиальных базисов и использовании их в качестве инструкции для модификации наборов образцов.

Доверительная область

Функция может оцениваться моделью. Модель должна строиться вокруг текущей точки и с некоторой степенью произвольности следует принять решение об области, содержащей текущую точку, в которой, как полагается, модель будет более или менее правильно представлять функцию. Такая область называется доверительной областью.

В данном случае использование доверительной области имеет два цели:

1. Модель

Определяет окрестность, в которой отбираются точки для построения модели. Модели, такие как модели полиномиальной интерполяции или регрессии, не обязательно становятся лучше при уменьшении радиуса доверительной области.

2. Оптимизация

Ограничивает размер шага в окрестности, в которой, как предполагается, модель хорошо работает.

Определим сначала модель m_k(х), целью которой является аппроксимация функции (суммарные добычи или давления) в подходящей окрестности x_k, доверительной области. Доверительную область можно определить как набор всех точек

где Δ_k называется радиусом доверительной области.

Норма, определяющая доверительную область, может изменяться, чтобы максимально эффективно использовать геометрию исходной задачи.

Управление традиционной доверительной областью:

1. Методы, основанные на производной доверительной области В методах, основанных на производных, при соответствующих условиях радиус доверительной области становится отделенным от нуля, когда итерации сходятся к локальному минимизатору; поэтому ее радиус может оставаться неизменным или приближаться к оптимальному.

2. Методы, не основанные на производной доверительной области Фактическое уменьшение целевой функции сравнивается с прогнозируемым уменьшением модели. Если сравнение хорошее, выполняется новый шаг и увеличивается радиус доверительной области. Если сравнение плохое, новый шаг отклоняется, а радиус доверительной области уменьшается. При оптимизации без производных важно сохранить радиус доверительной области сопоставимым с некоторой степенью стационарности, в результате чего, когда степень стационарности близка к нулю, модели становятся более точными.

1. Способ оценки сети потока нефти и газа, включающий:

(1) сбор данных за прошлые периоды и/или оперативных данных, относящихся к состоянию множества контрольных точек в разных ветвях в сети потока и одному или более интересующим параметрам потока в одной или более линиях тока сети потока;

(2) определение временных интервалов в данных, в течение которых контрольные точки и параметр (параметры) потока находятся в устойчивом состоянии; и

(3) извлечение статистических данных, представляющих некоторые или все интервалы устойчивого состояния, определенные на этапе (2), для представления исходных данных с этапа (1) в сжатом виде.

2. Способ по п. 1, отличающийся тем, что определение временного интервала устойчивого состояния для контрольной точки (точек) и параметра (параметров) потока требует периода времени, превышающего заданный минимум, в течение которого значения контрольной точки не выходили за пределы определенного порога.

3. Способ по п. 1 или 2, отличающийся тем, что определение интервала устойчивого состояния требует, чтобы ожидаемое среднее значение параметра (параметров) потока не изменялось значительно со временем в течение предполагаемого интервала устойчивого состояния.

4. Способ по п. 3, отличающийся тем, что ожидаемое среднее значение параметра потока считается значительно не изменяющимся со временем, если среднее значение для первой части предполагаемого интервала устойчивого состояния, по сравнению со средним значением для второй части, изменяется не более чем на 10%, предпочтительно не более чем на 5%.

5. Способ по любому из предшествующих пунктов, отличающийся тем, что этап (2) включает определение трех или более отдельных временных интервалов в данных, в течение которых контрольные точки и параметр (параметры) потока находятся в устойчивом состоянии.

6. Способ по любому из предшествующих пунктов, отличающийся тем, что определение интервала устойчивого состояния требует, чтобы соответствующий параметр (параметры) потока возникал (возникали) из слабо стационарного процесса (процессов), в результате чего моменты вплоть до второго порядка зависят только от временной разности.

7. Способ по любому из предшествующих пунктов, отличающийся тем, что определение того, что для заданного временного интервала имеется устойчивое состояние, включает аппроксимацию прямыми и параболами всех точек данных для параметра потока в течение интервала, причем прямая линия имеет постоянный член и линейный член, а парабола будет иметь постоянный член, линейный член и квадратичный член, и при этом линейные и квадратичные члены и/или линии используются для определения того, можно ли считать параметр потока устойчивым состоянием.

8. Способ по любому из предшествующих пунктов, отличающийся тем, что определение устойчивого состояния включает требование, чтобы контрольные точки не изменялись в течение минимального времени до 12 ч до момента, когда может начинаться временной интервал устойчивого состояния.

9. Способ по любому из предшествующих пунктов, отличающийся тем, что период времени для потенциального интервала устойчивого состояния не продолжается после момента, когда будут внесены новые изменения в любую из контрольных точек.

10. Способ по любому из предшествующих пунктов, включающий использование данных за прошлые периоды и, необязательно, включающий использование как данных за прошлые периоды, так и оперативных данных.

11. Способ по любому из предшествующих пунктов, отличающийся тем, что способ повторяется и/или выполняется непрерывно, чтобы обеспечить постоянную оценку сети потока.

12. Способ по любому из предшествующих пунктов, отличающийся тем, что этап (1) включает сбор данных, измеренных непосредственно в отношении состояния контрольной точки (точек) и параметра (параметров) потока, и, необязательно, сбор данных, полученных с использованием алгоритмов наблюдений в отношении измеренных данных, упомянутых выше.

13. Способ по любому из предшествующих пунктов, отличающийся тем, что этап (3) включает сбор статистических данных в табличной форме и, необязательно, хранение указанных данных.

14. Способ по п. 13, отличающийся тем, что на этапе (3) представляется сжатая таблица данных, и способ включает, на этапе (2), определение множества областей данных, в которых все контрольные точки и все параметры потока находятся в устойчивом состоянии, а затем, на этапе (3), получение статистики, представляющей каждый из интервалов устойчивого состояния, и сбор указанной статистики в сжатую базу данных.

15. Способ по п. 14, отличающийся тем, что сжатая таблица данных содержит информацию об интервалах устойчивого состояния, такую как время начала, продолжительность, и/или статистическую информацию, такую как одно или более из среднего значения, медианы, дисперсии, постоянного члена, линейного члена, коэффициента детерминации R-квадрат и/или количества точек выборки.

16. Способ по любому из предшествующих пунктов, включающий использование интервалов устойчивого состояния, определенных на этапе (2), при оценке факторов, связанных с производительностью сети потока.

17. Способ по п. 16, отличающийся тем, что статистические данные, полученные на этапе (3), используются для определения соотношений между состоянием контрольных точек и параметров потока, а также для обеспечения создания локальной модели для представления указанных соотношений.

18. Способ по любому из предшествующих пунктов, отличающийся тем, что контрольные точки представляют собой любые устройства, выполненные с возможностью применять управляемую регулировку к сети потока, в частности, регулировку потока флюида внутри сети, такие как один или более из: клапанов управления потоком, насосов, компрессоров, форсунок газлифта, дроссельных устройств и т.д.

19. Способ по любому из предшествующих пунктов, отличающийся тем, что измеряемый параметр (параметры) потока представляет собой любой параметр, на который влияет регулировка (регулировки), применяемая в контрольной точке (точках), такой как одно или более из: давления, расхода (по объему или по скорости потока), уровня потока, температуры, соотношения газа к жидкости, пропорций определенных компонентов в потоке, плотности, рН и т.д.

20. Способ по любому из предшествующих пунктов, включающий определение регулировок, сделанных в одной или более контрольных точках, которые приводят к изменениям одного или более параметров потока, и определение соотношений между состоянием контрольной точки (точек) и параметра (параметров) потока путем генерирования одной или более локальных моделей для системы, на основании состояния контрольной точки (точек) и параметра (параметров) потока, до и после регулировок.

21. Способ по любому из предшествующих пунктов, отличающийся тем, что один или более параметров потока относятся к одной или более линиям тока, в которые объединены потоки более чем одной из различных ветвей в сети потока.

22. Способ по любому из предшествующих пунктов, включающий применение репрезентативных статистических данных устойчивого состояния сети потока, полученных, в том числе от датчиков из «зоны нечувствительности» для создания базы сжатых данных из состояния сети потока, представленной необязательно в табличной форме при управлении или оценке сети потока нефти и газа.

23. Применение локальной модели, полученной способом по пп. 17, 20, для определения состояния сети потока и управления ею.

24. Устройство обработки данных для оценки сети потока нефти и газа, содержащей множество ветвей и множество контрольных точек, причем множество контрольных точек находятся в разных ветвях сети потока, при этом устройство выполнено с возможностью приема данных, связанных с контрольными точками и параметрами потока в сети потока, и содержит прибор анализа данных, выполненный с возможностью выполнения способа по любому из пп. 1-21.

25. Компьютерный программный продукт, содержащий команды для выполнения устройством обработки данных, при этом команды при выполнении настраивают устройство обработки данных для выполнения способа по любому из пп. 1-21.