[0001] 本发明总体上涉及油气井，并且更具体地涉及自动计算油田或气田中的井和生产平台的优选位置。

[0002] 确定井的位置是勘探和生产管理中的重要步骤。井位在井的整个开采期中影响油气田的性能和服务期限。然而，确定最佳井位或者更良好的井位是一个复杂的问题。例如，地下条件的地质和地质力学影响钻井成本和井可以可靠定位的位置。井眼轨迹还必须避开现有井的井眼轨迹。此外，井具有实际钻进和结构约束。所述约束还存在于地面上，包括但不限于等深约束和地形约束、法定约束和与诸如平台和管道的现有设备有关的约束。最后，财政的不确定性在时间上可能影响不同解决方案的可行性。

[0003] 与开发自动或半自动计算油田开发方案(FDP)相关联的研究活动具有相对悠久的历史。大多数或所有研究认为这种特殊的优化问题是高度组合并且是非线性的。早期的研究(如Rosenwald，G.W.，Green，D.W.，1974，AMethod for Determining the Optimum Location of Wells in a Reservoir UsingMixed-Integer Programming，Society of Petroleum Engineering Journal14(1)，44-54；和Beckner，B.L.，Song X.，1995，Field Development PlanningUsing Simulated Annealing，SPE 30650；和 Santellani，G.，Hansen，B.，Herring，T.，1998， ″Survival of the Fittest ″an Optimized Well Location Algorithm forReservoir Simulation，SPE 39754；以 及 Ierapetritou，M.G.，Floudas，C.A.，Vasantharajan，S.，Cullick，A.S.，1999，A Decomposition Based Approach forOptimal Location of Vertical Wells in American Institute of ChemicalEngineering Journal 45(4)，pp.844-859)基于混合整数规划法。虽然此研究在本领域属于先锋，但是该研究主要集中在垂直井和相对简单的静态模型。近年来，已经对用于计算包括非常规井(即非垂直井)和侧钻的混合遗传算法(“HGA”)技术发表了研究。此研究的示例包括Guiyaguler，B.，Horne，R.N.，Rogers，L.，2000，Optimization of Well Placement in a GulfofMexico Waterjlooding Project，SPE 63221；和Yeten，B.，Durlofsky，L.J.，Aziz，K.，2002，Optimization of Nonconventional Well Type，Location and Trajectory，SPE 77565；以及Badra，O.，Kabir，C.C.，2003，Well Placement Optimization inField Development，SPE 84191；以及Guiyaguler，B.，Horne，R.N.，2004，Uncertainty Assessment of Well Placement Optimization，SPE 87663。虽然HGA技术相对有效，但是基础井模型(underlying well model)仍然相对简单，例如，一段垂直段下降至初始造斜深度(合拢部(heal))，然后任选的造斜段延伸到井底。因为对注入井要考虑时间分量，并且要考虑油藏模型的不确定性，因此基于上述HGA的优化FDP的复杂化在过去几年已经增加。该示例包括Cullick，A.S.，Heath，D.，Narayanan，K.，April，J.，Kelly，J.，2003，Optimizing multiple-field scheduling and production strategy withreduced risk，SPE 84239；和 Cullick，A.S.，Narayanan，K.，Gorell，S.，2005，Optimal Field Development Planning of Well Locations With ReservoirUncertainty，SPE 96986。然而，仍然期望改进的FDP的自动计算。

[0004] 本发明公开一种用于确定油气田中的生产井和注入井的地面位置和地下位置的自动过程。所述过程涉及使用自动化井设计器在静态储层模型上设计多组独立井。然后使用例如最大化采收效益或经济效益的成本函数利用动态流动模拟提高最希望的一组井。所述过程由分级工作流程来表征，所述工作流程开始于通过简单(快速)算法运算的较大群候选目标和排出孔，然后到由复杂(慢速)算法运算的较小群。具体地，当候选群的数量减少时，使用更复杂并且计算强度更大的算法。增加的算法复杂性由于候选群的减少往往使求解时间变少，而也没有显著损害更复杂算法的精度。

[0005] 根据本发明的一个实施例，一种为含有地下资源的油气田的至少一部分计算开发方案的方法包括以下步骤：识别油气田中的目标组群；通过利用第一分析工具选择第一子群来减少此群；通过利用第二分析工具选择目标组中的第二子群来减少第一子群；第二工具比第一分析工具利用更大的分析复杂性；由目标组的第二子群计算FDP；以及以有形形式表现FDP。

[0006] 根据本发明的另一个实施例，一种利用计算机程序编码的、用于为含有地下资源的油气田的至少一部分计算开发方案的计算机可读介质，所述计算机可读介质包括：识别油气田中的目标组群的程序；通过利用第一分析工具选择目标组中的第一子群来减少目标组群的程序；通过利用第二分析工具选择目标组中的第二子群来减少第一子群的程序，且第二工具比第一分析工具利用更大的分析复杂性；由目标组中的第二子群计算FDP的程序；以及以有形形式表现FDP的程序。

[0007] 当结合附图时，从以下详细说明更容易地认识本发明的其它特征和优点。

[0008] 图1是显示自动计算油田或气田中的井和生产平台的位置的流程图；

[0009] 图2显示用于说明本发明的实施例的操作的示例性油气田；

[0010] 图3显示目标选择算法；

[0011] 图4显示图2中的油气田中的目标的位置；

[0012] 图5显示泄流孔选择算法；

[0013] 图6显示储层轨迹选择算法；

[0014] 图7显示在图2的油气田中所选择的泄流孔和储层轨迹；

[0015] 图8显示上覆岩层轨迹选择算法和FDP选择算法；

[0016] 图9显示在图2的油气田中所选择的上覆岩层轨迹和生产平台位置；以及[0017] 图10显示可选的实施例，其中，地质力学模型和设备模型用于进一步改进轨迹组群(population)。

[0018] 图1显示用于自动计算包括油田或气田中的井和生产平台的位置的FDP的技术。工作流程由以下五个主要操作组成：目标(target)选择(100)、泄流孔选择(102)、储层轨迹选择(104)、上覆岩层轨迹选择(106)以及FDP选择(108)。

[0019] 通过由地质模型(110)产生目标组的大初始群(112)来初始化目标选择操作(100)。例如，虽然实际群大小依赖于油气田的复杂性和其它条件，但是可以产生1000个不同的目标组群(112)。群中的每一个单元都是使储层泄流的一组完整的目标，并且每一个目标都由所述目标值的估计来表征。例如，简单值估计与石油原始地质储量(“STOIIP”)相关联。在随后的操作中，随着每一个步骤逐渐识别更经济可行的群子集时，目标组的大初始群的大小逐渐减小。

[0020] 泄流孔选择操作(102)包括由目标群(112)产生泄流孔组群(114)。每一个泄流孔都是组成井眼轨迹中的储层水平控制点的一组有次序的目标。产生的群(114)中的每一个单元都是使储层(一个或多个)泄流的一组完整的泄流孔。每一个泄流孔组都包括来自上述操作中产生的单个目标组的目标。应该注意的是：对单个目标组来说可以产生多个泄流孔组。每一个泄流孔组具有相关联值，所述相关联值可以例如是但不限于STOIIP、初始流量、递减曲线轮廓、或物质平衡轮廓。

[0021] 储层轨迹选择操作(104)包括由泄流孔群(114)产生轨迹组群(116)。具体地，所产生的群(116)中的每一个单元都表示由前述操作(102)中产生的相对应的泄流孔组获得完整目标。每一个井眼轨迹都是连通泄流孔中的目标的连续曲线。在此操作(104)结束时，根据其目标STOIIP值和每一个井眼轨迹的几何结构评价每一个轨迹组的近似经济价值。这些值用于通过利用最大经济价值选择群子集来减小群的大小(即，“最适合的”个体)。例如，通过选择单独子集中“最适合的”10％的单独子集，群的大小可以减小一个数量级，例如，从1000减小到100。

[0022] 在上覆岩层轨迹选择操作(106)中，前述操作(104)中产生的轨迹组的剩余群(116)中的每一个轨迹都可以被修改，以考虑诸如钻进危险的上覆岩层的影响。在此操作(106)结束时，与前述操作中一样，但是却相对于钻进危险，使用STOIIP和几何结构评价每一个轨迹组的近似经济价值。然后相对于经济价值选择“最适合的”个体，并将所述个体编制到用于在下一个操作(108)中使用的群(118)中。例如，通过选择这些个体中“最适合的”10％的个体，可以进一步将群的大小减小另一个数量级，例如，从100减小到10。

[0023] FDP选择操作(108)包括对轨迹组剩余的相对较小的群(118)(例如，10个)执行精确的油藏模拟。使用轨迹几何结构、钻进危险和油藏模拟软件的生产预报评价群中的每一个单元的经济价值。这些值可以用于在剩余的小群中对FDP进行等级排列。可以将具有最大等级的FDP提供为所选择的方案，或者可以将一组最大等级的方案提供为允许计划者考虑没有包括在自动计算中的因素(例如，政治约束)。结果是FDP群(120)。

[0024] 以下相对于图2中所示的示例性油气田说明图1的具体实施例的工作流程。所述油气田包括具有由诸如断层的地下特征定义的边界的不连续油气层(200)。STOIIP由颜色强度来表示，其中，绿色表示较大的STOIIP，而蓝色表示较小的STOIIP。

[0025] 图3和图4更详细地说明了目标组产生和选择的实施例。为了清楚地显示并便于说明，图示的目标(400)相对较小。如上所述，群中的每一个单元都是使储层(一个或多个)泄流的一组完整的目标。执行一系列步骤以识别油藏模型中的可以是潜在井的目标的所有有效单元(cell)，并且产生一列有效单元，即，有效单元表(VCL)。如步骤(300)所示，选择可能的单元。然后，如步骤(302)所示，比较所选择的单元的值与阈值。有效单元由STOIIP的最小值、最小开采潜力和类似选择标准中的一个或多个特征。如果选择的单元是有效的，则将所述选择的单元加到VCL，如步骤(304)所示。持续此过程直到达到单元表的结尾，如步骤(306)所示。然后执行连通体积分析，如步骤(308)所示，且为每一个单元分配体积id。具有相同体积id的单元被认为是液压连续的。用于执行此分析的程序软件工具存在于当前的解释软件(例如Petrel 2007)中。下一个步骤(310、312)与初始化相关联：通过复制VCL产生空目标组群(“TSP”)、空目标组(“TS”)和目标组有效单元表(“TSVCL”)。下一个步骤是随机选择目标，如步骤(314)所示，即，从TSVCL随机选择单元。下一个步骤(316)是解析地识别可以通过在单元的中心处完井(completion)而被泄流的所有液压连续单元。如步骤(318)所示，计算目标成本和目标值。目标值是被泄流的单元的总STOIIP。
目标(目的层)成本是到目标单元的中心的垂直井的成本，然后由所述值减成本给出净值。
如步骤(322)中所确定的，如果净值为正，则将目标加到TS，如步骤(324)中所示。如步骤(322)所确定的，如果净值为负，则不应该将目标加到TS。在这种情况下，如果连续故障(负净值)大于最大值，则测试步骤(324)。如果是真，则控制进行到步骤(330)，否则控制返回到步骤(314)，并从TSVCL选择新目标。如步骤(324)中所示，如果将目标单元加到TS，则从TSVCL除去目标单元和另外的泄流单元，如步骤(326)所示。对TSVCL中的剩余单元重复目标选择(步骤314)，直到没有单元留在TSVCL中，如步骤(328)所示。如步骤(330)中所示，将群化的TS加到TSP。流程返回到步骤(312)，除非TSP已经达到期望的大小或不能发现单一目标组，如步骤(332)中所示。

[0026] 图5和图7中更详细地说明泄流孔选择的实施例。如已经所述产生泄流孔组群，其中所述群中的每一个单元都是泄流储层(一个或多个)的整套泄流孔(显示一组泄流孔(700))。过程初始产生泄流孔组群(“DHSP”)储集层(container)，所述泄流孔组群储集层将包括群泄流孔组(“DHS”)，如步骤(500)中所示。然后，如步骤(502)中所示，在TSP中的每一个TS上循环所述过程，从而选择当前的TS。如步骤(504)所示，通过将TS转换成DHS而产生泄流孔组(“DHS”)。在这种情况下，所产生的TS中的每一个目标都变成单个目标泄流孔(DH)。DH值为目标值。DH成本为到目标的垂直井的成本。如步骤(506)所示，将此初始的DHS加到DHSP。对于当前TS来说，通过随机组合来自现有初始DHS的DH而产生新DHS，如步骤(508)所示。为了将每一个DH组合到新合并的DH以变得有效，在产生的DH中的每一个结点必须比前一个结点深。可以用多种方法计算产生的DH值。计算DH值的一种方法是用于通过DH泄流的可获得的STOIIP。为了有效，其必须处于与DH相同的连通体积中，并且必须比另一个有效DH更靠近当前的DH。初始流量被计算为对油藏模拟软件公式的解析近似。通过将STOIIP与初始流量组合来计算递减曲线轮廓，然后使用简单的递减曲线以产生用于井的轮廓，然后计算净现值(NPV)，或净产量。最后，使用如上所述的STOIIP和初始速度，执行物质平衡计算以产生用于井的生产轮廓以计算NPV。这有效地完成一个单元模拟。DH成本是DH中的每一段和到地面的垂直段的解析计算成本的总和。对于给定TS，重复步骤(508)或直到超过每TS的DHS的最大数量，或者没有发现新的单一DHS，或者没有发现具有正净值的新DHS。重复步骤(502)-(508)，直到TSP为零，如步骤(510)所示。

[0027] 图6和图7更详细地说明储层轨迹选择的实施例。如所述步骤产生轨迹组(TJSP)群，其中所述群中的每一个单元都由先前产生的DHSP中相对应的DHS获得。如步骤(600)中所示，使用Petrel中的现有井眼轨迹优化器计算几何有效轨迹(900)。要注意的是现有井眼轨迹优化器提供诸如平台位置和成本的DH位置和地面约束。为每一个DH产生一个轨迹。为了考虑几何有效轨迹，DH中的每一个结点的位置可以在单元的界限内移动。如步骤(602)中所示，每一个轨迹的值被设定为先前计算的DH值。井眼轨迹优化器的可能扩展将使每一个DHS成为用于优化的初始条件，但是如果这会降低DHS成本则允许调节目标之间的DH连通。如果轨迹成本超过所述值，如步骤(606)中所示，则可以去除此轨迹。轨迹成本还包括地面约束。例如，平台成本可以由测深法来确定，并且与地面设备的距离可以由地面成本图来确定。在最后的步骤(608)中，减小产生的TJSP的大小以提供最高净(值成本)子集。减小可以在因子10的数量级内。

[0028] 图8和图9更详细地说明上覆岩层轨迹选择的实施例。在此实施例中，在先前步骤(608，图6)中产生的TJSP被修改以最优化诸如钻进危险的上覆岩层影响。如步骤(800)中所示，对上覆岩层产生成本张量网格(“CTG”)以限定通过上覆岩层的钻进和结构成本。上覆岩层中的每一个单元目前具有与钻通单元相关联的成本。因为在一个方向钻进成本可以相对便宜，而在另一个方向钻进则相对昂贵，因此成本是张量。例如，如果单元与东西走向断层相关联，则平行于所述断层(东西)钻进则可能昂贵，但垂直于所述断层(南北)钻进则相对便宜。可以利用地质力学模型(例如，OspreyRisk)计算CTG。对于TJSP中的每一个轨迹组(TJS)来说，运行现有井轨迹优化器以计算使用CTG作为目标函数的一部分的新轨迹，如步骤步骤(802)所示。(如步骤(804)所示)，新TJSP的大小被减小以产生最高净(值成本)子集。所述减小可以在因子10的数量级中。

[0029] 对由前述步骤产生的相对较小的TJSP执行FDP选择。所述操作包括精确的油藏模拟。如步骤(806)所示，对TJSP中的每一个TJS执行全油藏模拟。可以表示为净现值(NPV)NVP的储层采出液流的经济价值可以用于对TJSP中单元分等级。如步骤(808)中所示，然后以诸如被打印的有形形成将结果提供到监控器中，并记录在电脑可读介质中。例如，可以提供具有最大净现值和等级的单元。

[0030] 以下参照图10，在可选的实施例中，在计算NPV之前，使用另外的模型和分析工具进一步改进平台优化步骤(1000)中的TJSP。具体地。高端单井风险和成本工具(例如，Osprey Risk)(1002)可以在地质力学模型(1004)上使用，以根据地下应力改进TJSP。此外，集成资产管理工具(例如，Avocet)(1006)可以在设备模型(1008)上使用，以根据诸如与输送管道类似的现有设备的位置的地下约束改进TJSP。在此实施例中，高速油藏模拟软件(例如，FrontSim)(1010)和高精度油藏模拟软件(例如，Eclipse)(1012)在地质模型上运行。还可以使用其它模型和分析工具。

[0031] 上述实施例在单个“确定”地质、地质力学和设备模型上运行。诸如Petrel 2007的现代建模工具允许生成“不确定”地球模型。这里所述的本发明可以在此范围中执行，使得生成“不确定”FDP。不确定地球模型通常通过确定的地球模型的多次实现来说明。因而，不确定FDP的实施例将是通过多次实现的实施例。

[0032] 重要的是认识到由于未知和不可计算的因素，最成功、稳固和有效现实结果可以不同于计算结果。此外，重要的是要注意不同的问题可能要求不同的算法的实现。

[0033] 虽然通过以上示例性实施例说明了本发明，但是本领域的普通技术人员将理解的是在不背离所公开的发明构思的情况下可以对所述实施例进行修改和改变。此外，虽然结合各种具体示例性结构说明了优选的实施例，但是本领域的技术人员将认识到可以使用各种具体结构来实施本系统。因此，除了所附权利要求的保护范围和精神之外，本发明不应该被认为是限制性的。