Материальный баланс - это приложение сохранения массы к резервуару. Материальный баланс газа является одним из надежных способов оценки начальных запасов газа (GIIP).

В промышленности для расчета запасов GIIP используется объемный метод. Они оцениваются по пересечению оси x графика P/Z (среднее пластовое давление/коэффициент сжимаемости) и Gp (кумулятивная добыча газа). Если вы хотите узнать больше о материальном балансе газа, то вот ссылка: «Газовые запасы и извлекаемые объемы — PetroWiki (spe.org)

Мы используем показатель R2 в качестве нашей метрики для окончательной доработки наиболее подходящей линейной модели.

Методология, которую мы собираемся увидеть, была успешно протестирована на одном смоделированном примере и одном случае на морском месторождении, что дало результаты с высокой точностью (оценка R2).

Итак, начнем…

Поскольку переменные связаны линейно и их можно увидеть на графике ниже, это можно выразить как:

h(x)=B0 + B1x;

ГИИП=- B0/ B1

Шаг 1: мы готовим входной вектор характеристик (x) совокупную добычу газа в BCM и выход y (P/Z) из набора данных.

Шаг 2. Подбираем линейную модель с помощью библиотеки Python Scikit-learn.

Шаг 3: мы используем коэффициент детерминации, также известный как показатель R 2, в качестве нашей оценочной метрики.

В нашем моделированном случае у нас есть оценка 0,954 ив случае оффшорного месторождения у нас есть оценка 0,946. сильный>

Поскольку параметры модели (-B0/B1) имеют большое значение для запасов GIIP, мы хотим получить высокую оценку модели и, следовательно, более точную оценку запасов газа.

Советы из области знаний о нефти и практическом применении коллекторов сухого газа:

а). Исходные данные следует считать более точными, так как со временем оценка среднего пластового давления в газовых скважинах требует длительного времени закрытия (из-за плохой проницаемости, скин-фактора и т. д.). Но, как вы можете догадаться, это происходит нечасто, поскольку влияет на приток денежных средств.

b). Удаление отклоняющихся точек данных, которые не соответствуют линейной модели, и тем самым улучшение R2_score.

Вывод состоит в том, что мы должны отдавать больший приоритет исходным точкам данных и удалять некоторые ошибочные точки, чтобы лучше соответствовать модели и тем самым улучшать нашу метрическую оценку.

Шаг 4.Рассчитайте расстояние каждой точки набора данных от линии линейной модели, установив библиотекуFastLine.

Шаг 5. Теперь мы удалим точки данных, которые находятся дальше от линии линейной модели, используя среднее значение и стандартное отклонение (S.D) расстояний, и мы сохраним исходные точки данных.

Мы возьмем диапазон значений как индексов данных, так и расстояния от линии, чтобы удалить точки. Мы будем использовать нашу метрику R2_score, чтобы выбрать оба гиперпараметра для окончательной доработки линейной модели. Мы делаем функцию поиска по сетке, и ниже приведен фрагмент кода:

Шаг 6. Мы выбираем модель с максимальной оценкой R2 из функции поиска по сетке.

Используя эту методологию, мы улучшили показатель R2 до 0,998 в моделируемом случае и 0,987 в случае морского месторождения с 0,954 и 0,946 соответственно.

Теперь у нас есть алгоритм, который автоматически выводит линейную модель с высокой оценкой для данного набора данных. Используйте его для получения грубой и быстрой оценки запасов, а затем инженер может дополнительно улучшить метрическую оценку.