基于EnKF的致密气藏离散裂缝模型自动历史拟合

近年来,离散裂缝模型是描述裂缝水淹的常用模拟模型,但由于涉及的地质和流体参数较多,手动修改参数工作量大、效率低,而自动化历史拟合是提高离散裂缝模型拟合精度的有效方法。以四川须家河组致密气藏为例,建立了基于集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)的致密气藏离散裂缝模型自动历史拟合方法。将裂缝划分为大、中、小三个级别,大裂缝采用离散裂缝模型,中、小裂缝采用等效介质模型,运用EnKF方法对须家河组X2区块气水生产数据进行了历史拟合,通过自动调整各砂组水体能量和生产井周围孔渗使得生产井的整体拟合符合率达到86%。基于EnKF的离散裂缝自动历史拟合方法为裂缝性致密气藏数值模拟提供了有效借鉴。     

基于流线EnKF油藏自动历史拟合

作为一种油藏参数动态估计的优化算法,将集合卡尔曼滤波EnKF与流线方法相结合,在算法实现过程中,选择具有更高计算精度和更快计算速度的流线模拟器进行预测,将油藏模型自动还原为一系列沿流线的一维模型,使数值弥散和受网格划分的影响达到最小,保持了明显的驱替前缘。采用序贯高斯协模拟方法生成一组地质模型,通过实时观测数据（产量及含水率等）,连续动态更新油藏模型的静态参数（渗透率及孔隙度等）、动态参数（压力及饱和度等）,同时实现流线分布的更新,直观地反映油藏流体在注采井之间的运动轨迹。采用Bayes理论阐述了流线EnKF数学原理,并通过拟合计算一个二维水驱油藏模型,验证了方法的有效性。     

基于单井敏感性局域化EnKF的油藏辅助历史拟合方法

常用的油藏自动历史拟合算法多数存在梯度计算不准确、产生伪相关性等问题,导致参数修正错误、模型反演失真。通过建立一种基于单井动态敏感性的局域化集合卡尔曼滤波（FMM-CL-EnKF）历史拟合方法,解决了传统距离截断方法处理伪相关性时与实际地层状况不匹配的问题。基于程函方程,根据地质模型静态参数场信息,快速追踪压力波从井点到地层网格的传播时间确定各单井动态最大敏感性区域,从而构建局域化矩阵。同时,结合集合卡尔曼滤波（EnKF）方法,实现数据同化方法梯度的矫正,减弱伪相关,通过逐步拟合生产动态达到更新油藏模型和获取最优估计的目的。概念算例和矿场算例的计算结果表明,FMM-CL-EnKF方法在模型集合生产动态拟合效果及反演模型参数场准确性等方面均优于标准EnKF方法。     

协方差局地化方法在自动历史拟合中的应用

集合卡尔曼滤波(EnKF)是自动历史拟合领域应用较为广泛的智能算法。为了解决该算法应用过程中出现的滤波发散问题,文中运用协方差局地化方法,综合考虑先验地质模型的相关半径和观测数据的观测影响半径,计算临界半径长度,并在油藏模型模型中的水平和垂直方向引入局地化相关函数,滤除远距离观测数据产生的相关噪音,降低协方差矩阵计算过程中的伪相关。将改进的算法编程实现并运用理论实例进行验证,并对比反演得到的渗透率场与真实渗透率场,结果表明,改进后的理论在渗透率反演精度方面提高了28%,数据拟合速度提高了16%。反演的渗透率场能够清晰刻画出大孔道,对于优势通道识别、精细油藏描述具有重要意义。     

基于多次数据吸收集合平滑算法的自动油藏历史拟合研究

针对常见历史拟合方法存在计算量大、油藏参数更新异常、油藏模型修正失真等问题.采用集合平滑算法,通过引入集合卡尔曼滤波算法(EnKF)中多次迭代思路,对相同数据重复吸收,推导出多次数据吸收集合平滑算法(ES-MDA)的核心公式,并编写了自动油藏历史拟合软件.以北海布伦特油田海相砂岩油藏为例,将基于ES-MDA算法的油藏自...     

基于贝叶斯理论的四维地震与生产动态数据的油藏历史拟合新方法

针对油藏历史拟合现有方法效率低、准确度差和难以拟合地震数据的不足,研究改进了多次数据吸收的集合平滑（ES-MDA）算法,提出了一种基于四维地震数据和井口生产数据的油藏历史拟合新方法。该方法通过对四维地震数据的粗化与稀疏化处理,并基于岩石物理学模型,建立起油藏状态与地震波响应的数学模型,形成油藏流体—地震属性耦合模拟程序;最后通过对ES-MDA算法的适应性改进,将由四维地震监测获得的纵波波阻抗数据与井口生产数据结合,实现四维地震与井口生产数据的联合历史拟合。对某海相油藏的应用研究表明,基于四维地震数据的油藏历史拟合方法增加了油田生产全过程油藏流体状态约束条件,历史拟合后的地质模型质量得到明显改善。     

通过Kalman集合过滤方法对油藏描述的四维地震数据进行连续同化

本文采用Kalman集合过滤方法对生产数据和时间偏移地震波阻抗数据进行了历史拟合.该方法不依赖于油藏模拟器,对油田孔隙度的预测比对渗透率的预测要好,可以利用一系列的油藏模型作为输入,并且通过不断同化观测数据来更新模型,输出适合不确定性分析的大量历史拟合模型.实例表明,通过EnKF方法将时间偏移地震数据和生产数据结合起来描述油藏特征,可以很好地拟合观测数据,并获得正确的模型.     

单一模型EnKF法更新油藏模型的探讨

近年来，人们开始利用集合卡尔曼滤波（EnKF）进行自动历史拟合，更新油藏模型。实验证明EnKF方法是一种有效的方法。EnKF方法要求一组初始实现，但是在实际应用中往往只有一个油藏或地质模型，这使得直接利用EnKF进行历史拟合，更新油藏模型比较困难。为此，提出了一种由一个模型派生出多个模型来满足EnKF基本要求的随机导航点方法，并试验在尽量少的模型条件下，利用EnKF更新油藏模型。模型实验表明，利用随机点抽样派生出多个模型，再利用EnKF可以实现单一模型更新，最终取得的模型与参考模型具有较好的一致性。     

胜利油田三维地震数据连片处理

胜利油田已经完成了189块三维地震数据的野外采集，为了实现区带地质构造和油气富集规律的整体研究，有必要进行多块三维地震数据的连片处理。本文通过对实际连片处理数据的分析，总结出了一套适合复杂地区三维地震数据连片处理的基本流程。连片处理过程中针对各区块的非一致性，采用了相应的处理方法和手段，使得连片数据相位、极性一致性好，频率、能量(或振幅)区块间拼接带自然合理，超覆、不整合、断裂、尖灭等地质现象得到了较好的反映。从整个资料效果看，全区地质现象丰富，地层齐全，具有较高的信噪比和连续性，为提高地震资料解释精度和钻探成功率打下了良好的基础。     

A Weighted Ensemble Kalman Filter for Automatic History Matching

Abstract

The ensemble Kalman filter (EnKF) performs the initial sampling, forecasting, and assimilation steps for automatic history matching in the petroleum industry. It tunes multiple members sequentially and updates the statistical mean and variance of the model. Many applications have been reported in various publications. The forecasting step is implemented by running the reservoir model simulator. In the assimilation equation, the ensemble mean is calculated through equally weighting all the members. Therefore, the contribution factor to the mean from each member is the same. This paper proposes a modified assimilation equation by introducing a weighting factor for each ensemble member. Both the proposed weighted EnKF and the traditional EnKF are applied to a modified field case of a complex seventeen-layer reservoir. The performances of the weighted EnKF on production history match, forecasting, and field permeability match are better than those from the traditional EnKF. In addition, we investigate the impact of geological uncertainty in the initial ensemble generation on the final matching results. Two scenarios which have the same semivariogram as the reference field are implemented, and their results show that the initial geological information is important to the history matching performance.     

An Automatic History Matching Module with Distributed and Parallel Computing

Abstract

The data assimilation process of adjusting variables in a reservoir simulation model to honor observations of field data is known as history matching and has been extensively studied for a few decades. However, limited success has been achieved due to the high complexity of the problem and the large computational effort required in the real fields. Successful applications of the ensemble Kalman filter (EnKF) to reservoir history matching have been reported in various publications. The EnKF is a sequential method: once new data are available, only these data are used to update all the unknown reservoir properties while previous geological information is unused directly. In this method, multiple reservoir models rather than one single model are implemented, and each model is called a member. Conventionally, the impact of each member on the updating is equally treated. Another approach is the weighted EnKF. During the updating, the method weighs the contribution of each member through the comparison between the simulation response and the measurements. Better matching performance has been found in the weighted EnKF than in the conventional EnKF. To improve computational efficiency, two-level high-performance computing for reservoir history matching process is implemented in this research, distributing ensemble members simultaneously while simulating each member in a parallel style.

An automatic history-matching module based on the weighted EnKF and high-performance computing is developed and validated through a synthetic case operating from primary, waterflooding to flooding of water alternating with gas. The study shows that the weighted EnKF improves the matching results, and the high-performance computing process significantly reduces the history matching execution time.     

用卡尔曼滤波器估计地震波强度

本文将信号保真作为估值问题,应用卡尔曼滤波方法对不同炮检距上的地震反射记录强度给出一种有效估计。经这种方法处理后可直接产生零炮捡距剖面和其它炮检距道的估值,供波阻抗恢复、速度反演、偏移和AVO分析使用。合成记录和野外记录的算例表明:本方法对记录强度随炮检距变与不变的记录,处理结果均具有相近的保真效果。     

基于3D匹配滤波器和伪地震数据算法的多次波自适应相减方法

多次波自适应相减是预测减去法压制多次波的关键步骤。为进一步去除残余多次波,基于常规2D匹配滤波方法,文中引入3D匹配滤波器,同时利用多个预测多次波道集以匹配原始数据。针对3D匹配滤波器可能造成的一次波损伤现象,利用相同的3D匹配滤波器同时拟合多个原始数据道集;同时,引入伪地震数据算法求解对一次波施加Huber范数最小化约束的优化问题,不需满足一次波与多次波正交的假设,能有效分离一次波与多次波。另外,在整个迭代过程中,伪地震数据算法只需利用Cholesky分解算法进行一次矩阵分解,计算效率较高。模型和实际数据的处理结果表明,与基于一次波能量最小化的3D匹配滤波器方法和基于伪地震数据算法的2D匹配滤波器方法相比,所提方法能更好地均衡一次波保护与多次波分离。