用于组成的储层模拟中的相平衡计算的基于机器学习的模型
阅读说明：本技术 用于组成的储层模拟中的相平衡计算的基于机器学习的模型 (Machine learning based model for phase equilibrium computation in compositional reservoir simulation ) 是由 维奈·拉曼 托德·R·弗格森 于 2019-01-23 设计创作，主要内容包括：公开了与针对用于相平衡计算的基于机器学习的代理模型进行训练有关的技术。在一种实施方式中,基于对从储层的一个或多个区域获得的井下流体的样本所进行的一个或多个压力、体积或温度(PVT)实验的结果,确定储层的一个或多个区域中的每个区域的状态方程(EOS)。基于储层的所述一个或多个区域之间的插值,确定井下流体的样本的组成并且进行空间映射。使用已确定的EOS针对井下流体的经空间映射的组成进行一个或多个PVT实验模拟,以创建储层的组成数据库。使用组成数据库对一种或多种机器学习算法进行训练,并且将经训练的一种或多种机器学习算法用于预测相稳定性和执行用于组成的储层模拟的快速计算。(Techniques related to training for machine learning-based proxy models for phase balance calculations are disclosed. In one embodiment, an equation of state (EOS) for each of one or more regions of a reservoir is determined based on results of one or more pressure, volume, or temperature (PVT) experiments performed on samples of downhole fluid obtained from the one or more regions of the reservoir. Based on interpolation between the one or more regions of the reservoir, a composition of the sample of downhole fluid is determined and spatially mapped. One or more PVT experimental simulations are performed for the spatially mapped composition of the downhole fluid using the determined EOS to create a composition database of the reservoir. One or more machine learning algorithms are trained using the composition database, and the trained one or more machine learning algorithms are used to predict phase stability and perform fast calculations for reservoir simulation of composition.)
优先权要求
本申请要求于2018年1月25日递交的美国专利申请No.15/879,793的优先权，其全部内容通过引用并入本文。
技术领域
本公开涉及组成的储层模拟，更具体地涉及相态性质计算。
背景技术
热力学计算通常被用在组成的储层模拟中。所述计算可以包括：碳氢化合物相的稳定性分析，然后在稳定性分析中发现碳氢化合物相处于两相区域时进行分相计算。稳定性分析和分相计算都可以是迭代过程。它们可以在组成的储层模拟的其他迭代计算之中(例如，在残差计算和雅可比计算中)执行。
发明内容
本公开描述了包括用于对用于相平衡计算的基于机器学习的代理模型进行训练的计算机实现的方法、计算机程序产品和计算机系统的方法及系统。
在一种实施方式中，基于对从储层的一个或多个区域获得的井下流体的样本所进行的一个或多个压力、体积或温度(PVT)实验的结果，确定储层的一个或多个区域中的每个区域的状态方程(EOS)。确定井下流体的样本的组成(composition)。基于储层的所述一个或多个区域之间的插值，对已确定的井下流体的样本的组成进行空间映射。使用已确定的EOS针对井下流体的经空间映射的组成进行一个或多个PVT实验模拟，以创建储层的组成数据库。使用组成数据库对一种或多种机器学习算法进行训练，并且将经训练的一种或多种机器学习算法用于预测相稳定性和执行用于组成的储层模拟的快速计算。
之前描述的实施方式可以使用以下来实现：一种计算机实现的方法；存储用于执行计算机实现的方法的计算机可读指令的非暂时性计算机可读介质；以及包括计算机存储器的计算机实现的系统，该计算机存储器与硬件处理器互操作地耦合，该硬件处理器被配置为执行计算机实现的方法/非暂时性计算机可读介质上存储的指令。
在本说明书中描述的主题可以在特定实施方式中实现，从而实现以下优点中的一个或多个。首先，基于机器学习的代理模型的训练更快，因为它基于通过模拟储层内部发生的物理过程(例如，消耗)而生成的储层特有的组成数据库。其次，代理模型更准确，更有效。第三，代理模型使用更少的存储器，因为仅存储了最相关的连接线(tie-line)，这些连接线表示在针对储层的采油过程期间可能发生的物理过程。其他优点对于本领域普通技术人员将是明显的。
在
具体实施方式
、权利要求书和附图中阐述本说明书的主题的一个或多个实施方式的细节。通过具体实施方式、权利要求书和附图，所述主题的其他特征、方面和优点将变得明显。
附图说明
图1是示出根据本公开的一些实施方式的组成的储层模拟的示例方法的流程图。
图2是示出根据本公开的一些实施方式的使用机器学习的单步调整方法的临界性质的示例映射图的示意图。
图3是示出根据本公开的一些实施方式的使用机器学习的另一单步调整方法的临界性质的示例映射图的示意图。
图4是示出根据本公开的一些实施方式的针对超临界相态性质和亚临界相态性质两者开发的基于机器学习的代理模型的示例方法的流程图。
图5是示出根据本公开的一些实施方式的开发使用不同机器学习算法的用于组成模拟的代理模型的示例的示意图。
图6是示出根据本公开的一些实施方式的用于提供与所描述的算法、方法、功能、处理、流程相关联的计算功能和如本公开中所描述的过程的示例计算机系统的框图。
图7A是示出根据本公开的一些实施方式的临界温度与偏心因子之间的示例关系曲线的示意图。
图7B是示出根据本公开的一些实施方式的临界压力-偏心因子之间的示例关系曲线的示意图。
各附图中相似的附图标记和标志指示相似的要素。
具体实施方式
以下具体实施方式描述了对用于相平衡计算的基于机器学习的代理模型进行训练，并且被呈现为使得本领域技术人员能够在一个或多个具体实施方式的上下文中做出和使用所公开的主题。对所公开的实施方式的各种修改、改变和置换可以被实现并且对本领域普通技术人员而言将显而易见，并且在不背离本公开的范围的情况下，在本公开中所定义的一般原理可被应用于其他实施方式和应用。在一些实例中，可以省略不必要的细节以获得对所描述的主题的理解，从而不会因不必要的细节而使一个或多个所描述的实施方式变得模糊，因为这样的细节在本领域普通技术人员的技能范围内。本公开并非意在限于所描述的或示出的实施方式，而应赋予与所描述的原理和特征一致的最宽范围。
热力学计算通常被用在组成的储层模拟中。所述计算可以包括：碳氢化合物相的稳定性分析，然后在稳定性分析中发现碳氢化合物相处于两相区域时进行分相计算。稳定性分析和分相(phase-split)计算都可以是迭代过程。它们可以在组成的储层模拟的其他迭代计算之中(例如，在残差计算和雅可比计算中)执行。
本公开描述了用于评估热力学性质的技术及其用于计算残差和雅可比行列式的变形。所述技术基于机器学习方法来开发用于进行非迭代的稳定性分析和分相计算的代理模型。机器学习方法可以使用在储层上采样的流体的组成数据和基于对采样流体进行的实验的实验数据来调整储层的不同区域所特有的状态方程(EOS)。然后可以基于组成数据样本和实验数据来创建区域特有的拟成分(pseudo-components)的数据库。示例实验可以包括差异分离(DL)、恒定质量膨胀(CME)和密度测量。然后使用组成映射图来创建用于对机器学习算法进行训练的组成数据库，以执行快速而准确的组成的储层模拟。
用于开发基于机器学习的代理模型的工作流可以包括四个高级别的阶段。首先，将关于压力、体积、温度(PVT)实验的可用数据用于调整EOS。对于储层的不同部分或区域而言是独特的区域特有的拟成分被形成并且被存储在拟成分数据库中。其次，使用井下流体采样和插值技术来执行流体组成的空间映射，以创建储层特有的组成映射图。第三，将区域特有的经调整的EOS用于针对用于从组成映射图中采样的流体组成的DL试验、恒定蒸汽消耗(CVD)试验、以及膨胀试验进行模拟。第四，将模拟的结果用于对机器学习算法进行训练。然后，机器学习算法可以提供在组成的储层模拟中使用的对热力学性质的预测。
图1是示出根据本公开的一些实施方式的储层组成仿真的示例方法100的流程图。为了表述的清楚，以下描述总体上在本说明书的其他附图的背景中描述方法100。然而，应理解，方法100在适当时可以例如由任意合适的系统、环境、软件和硬件，或系统、环境、软件和硬件的合适的组合来执行。在一些情况下，方法100的各步骤可以并行、组合、循环或以任意顺序运行。
方法100在102处开始。在104处，执行数据采集和分类。在一些实施方式中，要采集的数据可以包括关于针对基于储层中的不同井位置处的井下流体分析而获得的流体进行的实验的可用数据。对已采集的数据进行分类，并且用于对与实验数据匹配的EOS进行调整。
在106处，执行EOS的逐区域的调整。EOS的逐区域的调整可以基于诸如DL、CME之类的实验的结果、以及针对基于井下流体分析所获得的采样流体进行的流体测量结果。EOS的逐区域的调整可以包括：通过利用使用EOS执行的PVT模拟的结果将来自PVT实验的数据进行回归来确定成分的临界性质。PVT实验可以包括针对基于井下流体分析所获得的采样流体进行的DL、CME和流体密度测量。示例EOS可以包括Peng-Robinson EOS和Soave-Redlich-Kwong EOS。临界性质可以包括临界温度(Tc)、临界压力(Pc)和偏心因子(ω)。
具有大于10且小于45的CN的纯净的成分i的临界温度、临界压力和偏心因子之间的关系可以表示为：
以及
其中参数AT、BT、AP和BP是通过使用公式(1)和(2)拟合CN大于10且小于45的纯净的成分的Tc和Pc而确定的拟合参数。CN大于10的较重成分可以集中在一起作为单个成分。
简单地参考图7A和图7B。图7A是示出根据本公开的一些实施方式的临界温度与偏心因子之间的示例关系曲线700A的示意图。图7B是示出根据本公开的一些实施方式的临界压力-偏心因子之间的示例关系曲线700B的示意图。示例关系700A、700B针对CN大于10且小于45的纯净的成分形成。如图7A所示，偏心因子(ω)710A与临界温度Tc成正比。如图7B所示，偏心因子(ω)710B与临界压力Pc成反比。
拟成分的临界温度(Tc,mix)、临界压力(Pc,mix)与偏心因子(ωmix)之间的关系的可以表示为：
以及
在一步调整中，参数ωmix被调整为与DL和CME的实验结果相匹配。拟成分的临界参数Tc,mix和Pc,mix分别从公式(3)和(4)获得。可以针对临界温度和临界压力使用对数混合规则、并且针对偏心因子使用线性混合规则来得到公式(3)和(4)。在一些情况下，可以执行调整过程的附加步骤。基于单步调整获得的Tc,mix、Pc,mix和ωmix的值可以被用作初始估计值，以进一步减少实验结果与模拟之间的误差。
对于包含CN大于45的成分的重质原油，可以通过使用至少两个拟成分来扩展相同的一步调整策略。所述至少两个拟成分中的一个拟成分可以表示CN>45的成分。其他拟成分可以表示10<CN<45的纯净的成分。在一些情况下，可以将类似于公式1和公式2的两个附加公式用于与CN>45的较重成分相对应的拟成分。
简单地参考图2，图2是示出根据本公开的一些实施方式的使用机器学习的单步调整方法的临界性质的示例映射图200的示意图。可以为人工神经网络(ANN)设计用于计算偏心因子ωmix的隐层210。可以基于公式(3)和(4)获得临界参数Tc,mix和Pc，mix。ANN算法的输入220是储层中的对应区域的空间坐标x、y和h。输出230是CN大于10的拟成分的偏心因子。
再次参考图1，在一些实施方式中，可以获得区域特有的经回归的拟成分，并且将其存储在区域特有的拟成分数据库108中，用于在110处进行PVT性质预测。例如，对于Ghawar油田的地段1的位置(x1，y1，h1)的附近的区域获得的区域特有的拟成分可以被存储为“PSC-地段1-Ghawar”。在一些情况下，使用区域特有的拟成分的地段1的PVT性质预测110可能比使用采用所有可用的PVT数据获得的通用拟成分的预测更准确。在110之后，方法100在112处停止。
在一些实施方式中，可以使用诸如Pedersen分割方法、Lohrenz分割方法、Katz分割方法、Whitson分割方法和Ahmed分割方法之类的其他调整技术来创建用于预测临界性质的拟成分数据库108和ANN。例如，Pedersen分割方法可以使用指数函数对重馏分的摩尔分数分布进行建模
其中MWn表示分子量，而zn表示CN为n的较重成分的摩尔分数。参数A和B是通过区域特有的EOS的调整而获得的。参数A和B表示拟合参数，所述参数描述集中的拟成分中的较重纯净的成分的分布。在一些情况下，较重成分是CN大于10的那些成分。可以使用图3所示的ANN回归来获得示例3D映射图。
图3是示出根据本公开的一些实施方式的使用机器学习的另一单步调整方法的临界性质的示例映射图300的示意图。机器学习算法(例如，ANN)的隐层310的输入320是储层中的对应的井位置的空间坐标x、y和h。使用ANN回归来计算临界性质A和B的输出330。可以使用公式(5)来获得较重成分的摩尔分数分布。拟成分的临界性质Tc、Pc和ω可以基于使用较重成分的摩尔分数分布的混合规则来获得。机器学习算法310可以获取由于储层上的成分的划分而引起的重馏分在储层上的分布的变化。
在114处，使用诸如ANN和最小二乘支持向量机(LS-SVM)之类的机器学习技术或其他技术(包括基于机器学习的回归分析)，利用EOS调整的结果来创建拟成分的临界性质(Tc(x，y，h)和Pc(x，y，h)以及ω(x，y，h))的映射图。方法100从114进行到116。
在116处，创建储层特有的组成映射图。在一些实施方式中，通过执行储层上的组成的空间映射来创建储层特有的组成映射图。空间映射可以采用两步执行。首先，从储层中的各个井位置或区域采集关于井下流体组成分析的可用数据。其次，可以使用与热力学一致的技术在采样位置之间执行插值。因此，所创建的组成映射图是储层特有的。
例如，可以使用距离倒数权重(IDW)方法沿表面的深度h来执行插值技术。使用IDW，在空间位置(x，y)处的成分i的摩尔分数zi可以表示为：
其中N是所采样的井位置或区域的数量，而wk是IDW函数，其可以表示为
zi,k是在具有由(xk,yk,h)给定的空间坐标的位置k处采样的成分i的摩尔分数，并且p＝2，其中p表示幂参数，该幂参数确定单个数据点对其他数据点施加影响的最大距离。热平衡原理可以用于在位置(x，y)处沿着深度h获得组成，以提供热力学一致性。在一些实施方式中，孔隙中的流体可以连通并且被重力引起的组成梯度影响。因此，基于在深度h0处的整体组成的信息，可以使用沿着深度表示为以下化学势的等式来计算在深度h处的整体组成
μi(h)-μi(h0)＝Mi.g.(h-h0) (8),
成分i的化学势μi是压力、温度和所有流体组成的函数，其中将流体静压头假设为沿着深度的压力变化。Mi表示成分i的分子量。使用区域特有的经调整的EOS来获得化学势，其中g表示重力加速度常数。以这种方式，使用插值技术和热平衡原理的组合来创建储层特有的组成映射图。方法100从116进行到118。
在118处，可以使用DL、CVD、CME或膨胀试验的模拟来创建储层特有的组成数据库120。可以基于储层特有的组成映射图来生成储层特有的组成数据库120。储层特有的组成数据库可以用于对机器学习算法进行训练，以针对相稳定性做出预测，并执行用于组成的储层模拟的快速计算。组成数据库的开发可能取决于采油过程的性质。例如，在注水过程中，油可能被水替换，并且由于消耗过程而发生组成变化。而且，特定区域的油可以与相邻区域的油(液相或气相)进行混合。
在一些实施方式中，DL试验可以描述在油储层中发生的消耗过程(对于气储层，可以使用CVD试验)。可以通过对DL试验进行模拟来获取由于油储层中的消耗过程而引起的整体组成的变化。可以使用区域特有的经调整的EOS来对针对经空间映射的组成(包括采样组成和经插值的组成)的DL试验进行模拟。可以在储层特有的组成数据库中存储DL试验的所有阶段的流体组成。而且，在DL试验的每个阶段，可以基于针对每种成分使用摩尔平衡的之前阶段来存储由液相或气相的累积或消耗而产生的附加的所有流体组成。在液相或气相的添加或消耗之后，成分i的总流体组成可以表示为：
其中xi是添加或消耗的液相的摩尔分数，β是气相分数，fl是添加或消耗的液相的分数，yi是添加或消耗的气相的摩尔分数，fg是添加或消耗的气相的分数，zi是在DL试验的给定阶段处的流体的整体组成。在DL试验的每个阶段使用快速计算获得液相组成xi和气相组成yi。而且，fl和fg可以在-1到1之间变化(在DL试验的每个阶段)，并且可以使用公式(9)在
在122处，使用储层特有的组成数据库120和区域特有的经调整的EOS来训练用于进行相稳定性试验和快速计算的机器学习算法。可以使用储层特有的组成数据库120和经过在106处的逐区域调整的EOS来训练机器学习算法。在一些实施方式中，将储层划分成网格块，并求解离散的偏微分方程(PDE)以进行组成的储层模拟。PDE可以获取通过多孔介质的组成流。机器学习算法可以被用作组成的储层模拟中的快速计算的代理模型。该算法可以使用网格块的整体组成、压力、温度和对应的空间坐标作为输入。空间坐标可以用于确定表示重馏分的拟成分。在一些实施方式中，在储层上存在重馏分的分布的变化，并且可以执行EOS的区域特有的调整以获取该变化。
参照图4，图4是示出根据本公开的一些实施方式的针对超临界和亚临界相态性质两者开发的基于机器学***衡。在416之后，方法400在418处停止。否则，在420处对相进行识别。如果识别到两个亚临界相，则可以将这些相分类成液相和气相。在422处使用机器学习来计算液相性质，并且在424处使用机器学习来计算气相性质。在422或424之后，方法400在426处停止。
方法400可以通过使用空间坐标和储层特有的组成数据库来提高组成的储层模拟的准确性。在一些实施方式中，在408、414和420处的决策可以通过用于分类的有监督的机器学习算法来执行。可以使用用于回归的有监督的机器学习算法来执行其他计算步骤。
对于仅包括亚临界相的流体，可以将以下算法用于在当前时间步长t处的稳定性分析和分相计算。给定网格块在之前的时间步长(t-1)处的相的状态。
1、获得用于包括以下参数的基于机器学***衡Ki值)、蒸汽***分数(β)、液体压缩系数(ZL)和气体压缩系数(ZG)。
代理模型可以表示为：
Pb＝f1({zi},T) (10),
Pd＝f2({zi},T) (11),
Ki＝f3({zi},T) (12),
β＝f4({zi},{Ki},T) (13),
ZL＝f5({xi},T) (14),
ZG＝f6({yi},T) (15)。
其中zi是整体组成(i＝1至nc，其中nc是成分的总数)，T是温度，xi是液相的组成，yi是气相的组成。代理模型{fi}i＝1至6可以基于用于回归的机器学习技术(例如，ANN和支持向量回归)而获得。在一些情况下，在开发代理模型f3和f4时没有必要满足0<β<1。
2、使用来自前一个时间步长t-1的信息来检查在时间步长t-1处的碳氢化合物相是处于单相区域还是两相区域。如果其处于单相区域，则检查相是液相还是气相。
3、如果在时间步长t-1处，网格块处于液相，则使用基于机器学习的代理模型(公式(10))、使用在当前时间步长t处的整体组成和温度来计算在当前时间步长处的流体的泡点并且检查是否是
4、如果在前一时间步长t-1处，网格块处于气相，则使用基于机器学习的代理模型(公式(11))、使用在当前时间步长t处的整体组成和温度来获得在当前时间步长t处的流体的露点并且检查是否是
5、如果在前一时间步长t–1处，网格块是在两相，则使用基于机器学***衡分布系数Ki。使用基于机器学习的代理模型(公式(13))来获得蒸汽***分数。
6、检查是否满足0<β<1。如果是，则进行热力学性质及其导数的计算。否则，检查是否满足β<0.。如果是，则将网格块的当前状态标记为液态，并且进行热力学性质计算。检查是否满足>1。如果是，则将网格块的当前状态标记为气态，然后进行气相的热力学性质计算。
7、获得热力学性质。代理模型f5可以用于计算液体密度，而代理模型f6可以用于计算气体密度。相的粘度可以基于作为相密度的函数的粘度的解析表达式而获得。
8、使用解析表达式和来自步骤7的热力学性质的计算值来获得热力学性质的导数。所述导数也可以从经训练的基于机器学习的代理模型获得。
9、构造雅可比矩阵，并且使用从步骤7和步骤8获得的热力学性质及其导数来计算残差。
参照图5，图5是示出根据本公开的一些实施方式的开发使用不同机器学习算法的用于组成模拟的代理模型的示例500的示意图。在505处，对储层中的所有网格块{x，y，h}的对应的空间坐标进行采样。在520处，从储层特有的组成数据库515中查询落入所采样的空间坐标附近的组成。使用所查询到的组成所模拟的DL试验的结果也可以从数据库中获得。在510处，可以使用如在图2和图3的描述中所讨论的ANN来获得拟成分的偏心因子ωmix或{A，B}。在525处，在储层的不同区域对包括储层温度Tres和储层压力Pres的储层性质进行采样。在530处，使用区域特有的经调整的EOS来执行热力学计算。在535处，将热力学计算的结果用于对基于机器学习的代理模型进行训练。机器学习算法的输入可以包括储层温度Tres、储层压力Pres、表示整体组成的成分的摩尔分数的集合{zi}、拟成分的偏心因子ωmix或{A，B}。机器学习算法的输出可以包括：超临界相和亚临界相的分类；如果流体组成为亚临界，则使用有监督机器学习的单相和两相的分类；使用有监督机器学习的液相和气相的分类；以及，在单相是不稳定的情况下的包括使用有监督机器学习的回归的快速计算。
所述监督算法可以预测成分i的平衡Ki值(分布系数)。两种有监督机器学习算法的输入都是成分的摩尔分数的集合{zi}、储层压力Pres、储层温度Tres和可以量化储层中的重馏分的分布的参数(例如，ωmix或{A，B})。在一些实施方式中，机器学习算法的结果还可以用于生成用于进行热力学计算的接近于实际解的初始猜测。
再次参考图1，在124处，根据基于机器学习的代理模型来执行组成的储层模拟。在124之后，方法100在126处停止。
图6是示出根据实施方式的用于提供与所描述的算法、方法、功能、处理、流程相关联的计算功能和如本公开中所描述的过程的示例计算机系统600的框图。所示出的计算机602旨在包括任意计算设备(例如，服务器、台式计算机、膝上型/笔记本计算机、无线数据端口、智能电话、个人数据助理(PDA)、平板计算设备)、这些设备内的一个或多个处理器、或任何其他合适的处理设备(包括计算设备的物理实例或虚拟实例(或两者))。另外，计算机602可以包括以下的计算机，该计算机包括可以接受用户信息的输入设备(例如，键区、键盘、触摸屏或其他设备)和传递与计算机602的操作相关联的信息(包括数字数据、视觉或音频信息(或信息的组合)或图形类型用户界面(UI)(或GUI))的输出设备。
计算机602可以用作用于执行本公开中描述的主题的计算机系统的客户端、网络组件、服务器、数据库或其他持久性装置)或任何其他组件的角色(或角色的组合)。所示出的计算机602可通信地与网络630耦合。在一些实施方式中，计算机602的一个或多个组件可以被配置为：在包括基于云计算的环境、本地环境、全局环境、或其他环境的环境(或环境的组合)之内操作。
从高层面来看，计算机602是可操作为接收、发送、处理、存储或管理与所描述的主题相关联的数据和信息的电子计算设备。根据一些实施方式，计算机602还可以包括应用服务器、电子邮件服务器、web服务器、缓存服务器、流传输数据服务器、或其他服务器(或服务器的组合)，或可通信地与其耦合。
计算机602可以通过网络630从(例如，在另一个计算机602上执行的)客户端应用接收请求，并通过使用适当的软件应用处理所接收的请求来响应所接收的请求。另外，还可以从内部用户(例如，从命令控制台或通过其他适当的访问方法)、外部或第三方、其他自动化应用以及任何其他适当的实体、个人、系统或计算机向计算机602发送请求。
计算机602的组件中的每个组件能够使用系统总线603通信。在一些实施方式中，计算机602的任意或所有组件、硬件或软件(或硬件和软件的组合)可以使用应用编程接口(API)612或服务层613(或API 612和服务层613的组合)通过系统总线603或接口604(或两者的组合)彼此进行接***互。API 612可以包括针对例程、数据结构和对象类的规范。API612可以独立于或依赖于计算机语言并且可以指代完整接口、单个功能或甚至是一组API。服务层613向计算机602或可通信地耦合到计算机602的(无论是否被示出的)其他组件提供软件服务。计算机602的功能对于使用该服务层的所有服务消费者可以是可访问的。软件服务(例如，由服务层613提供的软件服务)通过已定义的接口提供可重用的、已定义的业务功能。接口可以是以JAVA、C++或以可扩展标记语言(XML)格式或其他合适格式提供数据的其他合适语言所编写的软件。尽管被示为计算机602的集成组件，但是备选实施方式可以将API 612或服务层613示为相对于计算机602的其他组件或可通信地耦合到计算机602的其他组件(无论是否被示出)的独立组件。而且，在不脱离本公开的范围的情况下，API 612或服务层613的任意或所有部分可以被实现为另一软件模块、企业应用或硬件模块的子模块或副模块。
计算机602包括接口604。尽管在图6中被示为单个接口604，但是可以根据计算机602的特定需要、期望或特定实施方式而使用两个或更多个接口604。接口604被计算机602用于与被连接到分布式环境中的(无论是否被示出的)网络630的其他系统通信。通常，接口604包括被编码在软件或硬件(或软件和硬件的组合)中且可操作地与网络630通信的逻辑。更具体地，接口604可以包括支持与通信相关联的一个或多个通信协议的软件，使得网络630或接口的硬件可操作地在所示出的计算机602内部和外部传送物理信号。
计算机602包括处理器605。尽管在图6中被示为单个处理器605，但是可以根据计算机602的特定需要、期望或特定实施方式而使用两个或更多个处理器。通常，处理器605执行指令并操纵数据以执行计算机602的操作和如本公开中所描述的任何算法、方法、功能、处理、流程和过程。
计算机602还包括：数据库606，其可以为计算机602或可以被连接到网络630的(无论是否被示出的)其他组件(或两者的组合)保存数据。例如，数据库606可以是存储与本公开一致的数据的内部存储器、传统的或其他类型的数据库。在一些实施方式中，根据计算机602的特定需要、期望或特定实现和所描述的功能，数据库606可以是两个或更多个不同数据库类型的组合(例如，混合的内部存储器和传统数据库)。尽管在图6中被示为单个数据库606，但是根据计算机602的特定需要、期望或特定实施方式和所描述的功能，可以使用(相同的或组合的类型的)两个或更多个数据库。虽然数据库606被示为计算机602的集成组件，但是在备选实施方式中，数据库606可以在计算机602的外部。
计算机602还包括：存储器607，其为计算机602和可以被连接到网络630(无论是否被示出)的其他组件(或两者的组合)保存数据。存储器607可以存储与本公开一致的任意数据。在一些实现中，根据计算机602的特定需要、期望或特定实现和所描述的功能，存储器607可以是两个或更多个不同类型的存储器的组合(例如，半导体和磁存储器的组合)。尽管在图6中被示为单个存储器607，但是根据计算机602的特定需要、期望或特定实施方式和所描述的功能，可以使用(相同的或组合的类型的)两个或更多个存储器607。虽然存储器607被示出为计算机602的集成组件，但是在备选实施方式中，存储器607可以在计算机602的外部。
应用608是提供根据计算机602的特定需要、期望或特定实施方式的功能(尤其是关于本公开中所描述的功能)的算法软件引擎。例如，应用608可以用作一个或多个组件、模块或应用。此外，尽管被示为单个应用608，但是应用608可以被实现为计算机602上的多个应用608。另外，虽然被示出为与计算机602集成，但是在备选实施方式中，应用608能够在计算机602的外部。
计算机602还可以包括电源614。电源614可以包括被配置为用户或非用户可更换的可再充电或不可再充电电池。在一些实施方式中，电源614可以包括电力转换或管理电路(包括再充电、备用或其他电力管理功能)。在一些实施方式中，电源614可以包括电源插头，以允许计算机602***墙上插座或其他电源以例如为计算机602供电或为可再充电电池充电。
可以存在与包含计算机602的计算机系统相关联或在其外部的任意数量的计算机602，每个计算机602通过网络630进行通信。此外，术语“客户端”、“用户”和其他适当的术语可以适当地互换使用而不脱离本公开的范围。而且，本公开考虑许多用户可以使用一个计算机602，或者一个用户可以使用多个计算机602。
所描述的主题的实施方式可以单独或组合地包括一个或多个特征。
例如，在第一实施方式中，一种计算机实现的方法，包括：基于对从储层的一个或多个区域获得的井下流体的样本所进行的一个或多个压力、体积或温度PVT实验的结果，确定所述储层的一个或多个区域中的每个区域的状态方程EOS；确定所述井下流体的所述样本的组成；基于所述储层的所述一个或多个区域之间的插值，对已确定的所述井下流体的所述样本的组成进行空间映射；使用已确定的EOS针对所述井下流体的经空间映射的组成进行一个或多个PVT实验模拟，以创建所述储层的组成数据库；使用所述组成数据库训练一种或多种机器学习算法；以及使用经训练的一种或多种机器学习算法来预测相稳定性和执行用于组成的储层模拟的快速计算。
前述和其他所述实施方式能够各自可选地包括以下特征中的一个或多个：
可与以下任意特征组合的第一特征，其中，所述一个或多个PVT实验包括差异分离试验、恒定质量膨胀试验、恒定蒸汽消耗试验、膨胀试验或流体密度测量中的至少一项。
可与以上或以下任意特征组合的第二特征，其中，确定所述EOS包括：通过对来自PVT实验的数据进行回归来确定井下流体的一种或多种拟成分的临界性质。
可与以上或以下任意特征组合的第三特征，其中，所述临界性质包括临界温度、临界压力或偏心因子中的至少一项，并且其中，所述偏心因子是基于井下流体的对应区域的空间坐标确定的。
可与以上或以下任意特征组合的第四特征，其中，确定多个较重拟成分的偏心因子或描述多个较重成分的分布的参数，并且其中，每个较重拟成分具有大于或等于10的碳数。
可与以上或以下任意特征组合的第五特征，其中，确定临界性质还包括：使用人工神经网络或最小二乘支持向量机算法中的至少一种来确定所述偏心因子。
可与以上或以下任意特征组合的第六特征，还包括：将已确定的组成和通过对所述一个或多个PVT实验进行模拟而生成的组成存储到组成数据库中。
可与以上或以下任意特征组合的第七特征，其中，使用距离倒数加权方法在所述一个或多个区域之间沿着恒定深度的表面执行插值。
可与以上或以下任意特征组合的第八特征，其中，对已确定的井下流体的组成进行空间映射包括：使用整体组成是已知的储层的对应区域的深度与不同区域的深度之间的化学势的等式来计算组成。
可与以上或以下任意特征组合的第九特征，还包括：针对所述储层的所述一个或多个区域中的每个区域创建拟成分数据库，其中，所述拟成分数据库用于PVT性质预测和分析。
在第二实施方式中，一种存储一个或多个指令的非暂时性计算机可读介质，所述指令能够由计算机系统执行以执行包括以下的操作：基于对从储层的一个或多个区域获得的井下流体的样本所进行的一个或多个压力、体积或温度PVT实验的结果，确定所述储层的一个或多个区域中的每个区域的状态方程EOS；确定所述井下流体的所述样本的组成；基于所述储层的所述一个或多个区域之间的插值，对已确定的所述井下流体的所述样本的组成进行空间映射；使用已确定的EOS针对所述井下流体的经空间映射的组成进行一个或多个PVT实验模拟，以创建所述储层的组成数据库；使用所述组成数据库训练一种或多种机器学习算法；以及使用经训练的一种或多种机器学习算法来预测相稳定性和执行用于组成的储层模拟的快速计算。
前述和其他所述实施方式能够各自可选地包括以下特征中的一个或多个：
可与以下任意特征组合的第一特征，其中，所述一个或多个PVT实验包括差异分离试验、恒定质量膨胀试验、恒定蒸汽消耗试验、膨胀试验或流体密度测量中的至少一项。
可与以上或以下任意特征组合的第二特征，其中，确定所述EOS包括：通过对来自PVT实验的数据进行回归来确定井下流体的一种或多种拟成分的临界性质。
可与以上或以下任意特征组合的第三特征，其中，所述临界性质包括临界温度、临界压力或偏心因子中的至少一项，并且其中，所述偏心因子是基于井下流体的对应区域的空间坐标确定的。
可与以上或以下任意特征组合的第四特征，其中，确定多个较重拟成分的偏心因子或描述多个较重成分的分布的参数，并且其中，每个较重拟成分具有大于或等于10的碳数。
可与以上或以下任意特征组合的第五特征，其中，确定临界性质还包括：使用人工神经网络或最小二乘支持向量机算法中的至少一种来确定所述偏心因子。
可与以上或以下任意特征组合的第六特征，还包括：将已确定的组成和通过对所述一个或多个PVT实验进行模拟而生成的组成存储到组成数据库中。
可与以上或以下任意特征组合的第七特征，其中，使用距离倒数加权方法在所述一个或多个区域之间沿着恒定深度的表面执行插值。
可与以上或以下任意特征组合的第八特征，其中，对已确定的井下流体的组成进行空间映射包括：使用整体组成是已知的储层的对应区域的深度与不同区域的深度之间的化学势的等式来计算组成。
可与以上或以下任意特征组合的第九特征，还包括：针对所述储层的所述一个或多个区域中的每个区域创建拟成分数据库，其中，所述拟成分数据库用于PVT性质预测和分析。
在第三实施方式中，一种计算机实现的系统，包括：一个或多个计算机；以及一个或多个计算机存储设备，与所述一个或多个计算机可操作地耦合，并且具有存储指令的有形非暂时性机器可读介质，所述指令在由所述一个或多个计算机执行时执行包括以下的操作：基于对从储层的一个或多个区域获得的井下流体的样本所进行的一个或多个压力、体积或温度PVT实验的结果，确定所述储层的一个或多个区域中的每个区域的状态方程EOS；确定所述井下流体的所述样本的组成；基于所述储层的所述一个或多个区域之间的插值，对已确定的所述井下流体的所述样本的组成进行空间映射；使用已确定的EOS针对所述井下流体的经空间映射的组成进行一个或多个PVT实验模拟，以创建所述储层的组成数据库；使用所述组成数据库训练一种或多种机器学习算法；以及使用经训练的一种或多种机器学习算法来预测相稳定性并执行用于组成的储层模拟的快速计算。
前述和其他所述实施方式能够各自可选地包括以下特征中的一个或多个：
可与以下任意特征组合的第一特征，其中，所述一个或多个PVT实验包括差异分离试验、恒定质量膨胀试验、恒定蒸汽消耗试验、膨胀试验或流体密度测量中的至少一项。
可与以上或以下任意特征组合的第二特征，其中，确定所述EOS包括：通过对来自PVT实验的数据进行回归来确定井下流体的一种或多种拟成分的临界性质。
可与以上或以下任意特征组合的第三特征，其中，所述临界性质包括临界温度、临界压力或偏心因子中的至少一项，并且其中，所述偏心因子是基于井下流体的对应区域的空间坐标确定的。
可与以上或以下任意特征组合的第四特征，其中，确定多个较重拟成分的偏心因子或描述多个较重成分的分布的参数，并且其中，每个较重拟成分具有大于或等于10的碳数。
可与以上或以下任意特征组合的第五特征，其中，确定临界性质还包括：使用人工神经网络或最小二乘支持向量机算法中的至少一种来确定所述偏心因子。
可与以上或以下任意特征组合的第六特征，还包括：将已确定的组成和通过对所述一个或多个PVT实验进行模拟而生成的组成存储到组成数据库中。
可与以上或以下任意特征组合的第七特征，其中，使用距离倒数加权方法在所述一个或多个区域之间沿着恒定深度的表面执行插值。
可与以上或以下任意特征组合的第八特征，其中，对已确定的井下流体的组成进行空间映射包括：使用整体组成是已知的储层的对应区域的深度与不同区域的深度之间的化学势的等式来计算组成。
可与以上或以下任意特征组合的第九特征，还包括：针对所述储层的所述一个或多个区域中的每个区域创建拟成分数据库，其中，所述拟成分数据库用于PVT性质预测和分析。
在本说明书中描述的主题和功能操作的实施方式可以在数字电子电路中、在有形地被实现的计算机软件或固件中、在计算机硬件中实现，包括在本说明书中公开的结构及其结构等同物、或它们中的一个或多个的组合中实现。所描述的主题的软件实现可以被实现为一个或多个计算机程序，即，在有形非暂时性计算机可读计算机存储介质上编码的计算机程序指令的一个或多个模块，所述计算机程序用于由数据处理装置执行或者用于控制数据处理装置的操作。备选地或附加地，程序指令可以被编码在人工生成的传播信号(例如，机器生成的电、光或电磁信号)中/上，所述信号被生成以对信息进行编码，以传输给合适的接收器装置，以供数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或计算机存储介质的组合。配置一个或多个计算机意味着一个或多个计算机安装有硬件、固件或软件(或硬件、固件和软件的组合)，以便当软件由一个或多个计算机执行时，执行特定的计算操作。
术语“实时”、“实时(快速)(RFT)”、“接近实时(NRT)”、“准实时”或类似术语(如本领域的普通技术人员所理解的)意味着动作和响应在时间上接近，使得个人感知动作和响应基本上同时发生。例如，在个人做出了访问数据的动作之后对数据显示的响应(或用于启动显示)的时间差可以小于1ms、小于1秒或小于5秒。尽管所请求的数据不需要被即时显示(或启动以显示)，但是考虑到所描述的计算系统的处理限制和例如采集、精确测量、分析、处理、存储或传输这些数据所需的时间，在没有任何有意的延迟的情况下显示(或启动以显示)这些数据。
术语“数据处理装置”、“计算机”或“电子计算机设备”(或本领域普通技术人员所理解的等效物)是指数据处理硬件，并且包括用于处理数据的各种装置、设备和机器，例如包括可编程处理器、计算机、或多个处理器或计算机。所述装置还可以是或还包括专用逻辑电路，例如，中央处理单元(CPU)、FPGA(就地可编程门阵列)或ASIC(专用集成电路)。在一些实施方式中，数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合)可以基于硬件或基于软件(或基于硬件和基于软件的组合)。所述装置可以可选地包括为计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统或执行环境的组合的代码。本公开考虑带有或不带有传统操作系统(LINUX、UNIX、WINDOWS、MACOS、ANDROID、IOS、或任何其他合适的传统操作系统)的数据处理装置的使用。
可以以任何形式的编程语言来写计算机程序(计算机程序也可以称作或被描述为程序、软件、软件应用、模块、软件模块、脚本或代码)，所述编程语言包括：编译或解释语言、或者声明或过程语言，并且计算机程序可以以任何形式来部署，包括作为单独的程序或者作为适合于在计算环境中使用的模块、组件、子例程、或其他单元。计算机程序可以(但无需)与文件系统中的文件相对应。程序可以被存储在保存其他程序或数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中、存储在专用于所讨论的程序的单个文件中、或者存储在多个协同文件中(例如，存储一个或多个模块、子程序或代码部分的文件)。计算机程序可以被部署为在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互联的多个计算机上执行。
尽管各图中所出示的程序的部分被示为通过各种对象、方法或其他过程实现各个特征和功能的各个模块，但是在适当时程序可以替代地包括多个子模块、第三方服务、组件、库等。相反，各种组件的特征和功能在适当时可以被组合成单个组件。可以统计地、动态地或者统计地且动态地确定用于进行计算确定的阈值。
本说明书中描述的方法、过程和逻辑流可以由一个或多个可编程计算机来执行，所述一个或多个可编程计算机执行一个或多个计算机程序，以通过操作输入数据并且生成输出来执行功能。方法、处理或逻辑流也可以由专用逻辑电路(例如，CPU、FPGA或ASIC)来执行，并且所述装置也可以被实现为专用逻辑电路(例如，CPU、FPGA或ASIC)。
适于计算机程序的执行的计算机可以基于通用或专用微处理器、二者或任何其他类型的CPU。通常，CPU将从存储器接收指令和数据并向存储器写入指令和数据。计算机的必不可少的元件是用于执行指令的CPU和用于存储指令和数据的一个或多个存储器装置。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备(例如，磁盘、磁光盘或光盘)，或可操作地耦合以便从所述一个或更多个大容量存储设备接收或向其发送数据或两者。然而，计算机不需要具有这些设备。而且，计算机可以嵌入在另一设备中，例如，移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏机、全球定位系统(GPS)接收器或便携式存储设备(例如，通用串行总线(USB)闪存驱动器)，这仅是举几个例子。
适于存储计算机程序指令和数据的(适当地暂时性或非暂时性的)计算机可读介质可以包括所有形式的永久性/非永久性或易失性/非易失性存储器、介质和存储器设备，例如包括半导体存储器设备，例如随机(RAM)、只读存储器(ROM)、相变存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存设备；磁设备，磁带、盒式磁带、磁带盒、内部/可移动盘；磁光盘；以及光学存储器设备，例如数字视频光盘(DVD)、CD-ROM、DVD+/-R、DVD-RAM、DVD-ROM、HD-DVD和BLURAY以及其他光学存储器技术。存储器可以存储各种对象或数据，包括：高速缓存器、类(class)、框架、应用、模块、备份数据、作业、web页、web面模板、数据结构、数据库表、存储动态信息的知识库、以及包括任意参数、变量、算法、指令、规则、约束或引用的任何其他适当的信息。另外，存储器可以包括任何其他适当的数据，例如，日志、策略、安全或访问数据、报告文件等。处理器和存储器可以由专用逻辑电路来补充或者并入到专用逻辑电路中。
为了提供与用户的交互，本说明书中描述的主题的实施方式可以被实现在计算机上，该计算机具有用于向用户显示信息的显示设备(例如，CRT(阴极射线管)、LCD(液晶显示器)、LED(发光二极管)或等离子监视器)和用户可以向计算机提供输入的键盘和指示设备(例如，鼠标、轨迹球或轨迹板)。还可以使用触摸屏(例如，具有压敏性的平板计算机表面、使用电容或电感测的多点触摸屏或其他类型的触摸屏)向计算机提供输入。其他类型的设备也可以被用于提供与用户的交互；例如，提供给用户的反馈可以是任意形式的传感反馈，例如，视觉反馈、听觉反馈或触觉反馈；以及可以以任意形式(包括声音、语音或触觉输入)来接收来自用户的输入。另外，计算机可以通过向用户使用的设备发送文档或者从该设备接收文档来与用户交互；例如，通过响应于从用户客户端设备上的web浏览器接收到的请求而向所述web浏览器发送网页。
术语“图形用户界面”或GUI可以以单数或复数形式使用，以描述一个或更多个图形用户界面以及特定图形用户界面的每一次显示。因此，GUI可以表示任意图形用户界面，包括但不限于web浏览器、触摸屏或处理信息并且有效地向用户呈现信息结果的命令行界面(CLI)。通常，GUI可以包括多个用户界面(UI)要素，其中一些或全部与web浏览器相关联，诸如交互式字段、下拉列表和按钮。这些和其他UI元素可以与web浏览器的功能相关或表示web浏览器的功能。
本说明书中描述的主题的实施方式可以被实施在计算系统中，该计算系统包括后端组件(例如，数据服务器)、或包括中间件组件(例如，应用服务器)、或包括前端组件(例如，具有用户通过其可以与本说明书中描述的主题的实施方式交互的图形用户界面或者web浏览器的客户端计算机)、或者一个或多个此类后端组件、中间件组件或前端组件的任意组合。系统的组件可以通过有线或无线数字数据通信(或数据通信的组合)的介质或任意形式(例如通信网络)互相连接。通信网络的示例包括局域网(LAN)、无线电接入网络(RAN)、城域网(MAN)、广域网(WAN)、全球微波接入互操作性(WIMAX)、使用例如802.11a/b/g/n或802.20(或802.11x和802.20的组合或与本公开一致的其他协议)的网络(WLAN)、互联网的全部或一部分、或一个或多个位置处的任意其他通信系统(或通信网络的组合)。网络可以在网络地址之间传输例如互联网协议(IP)分组、帧中继帧、异步传输模式(ATM)小区、语音、视频、数据或其他合适信息(或通信类型的组合)。
计算系统可以包括客户端和服务器。客户端和服务器一般相互远离并且通常通过通信网络交互。客户端和服务器的关系通过在相应计算机上运行并且相互具有客户端-服务器关系的计算机程序来产生。
尽管本说明书包含许多具体的实现细节，但是这些不应被解释为对任意实施方式的范围或可以要求保护的范围上的限制，而是作为可以专用于特定实施方式的特征的描述。在分离的实施方式的上下文中在本说明书中描述的特定特征也可以在单个实施方式中组合实现。相反，在单个实施方式的上下文中描述的各种特征也可以在多个实施方式中分开地或以任何合适的子组合来实现。而且，虽然前述特征可以被描述为在某些组合中起作用并且甚至最初也如此要求保护，但是来自所要求保护的组合的一个或多个特征在一些情况下可以从组合中删除，并且所要求保护的组合可以针对子组合或子组合的变体。
已经描述了本主题的特定实施方式。对于本领域技术人员显而易见的是，所描述的实施方式的其他实施方式、改变和置换在下文的权利要求的范围内。尽管在附图和权利要求中以特定顺序描述了操作，但这不应被理解为：为了实现期望的结果，需要按所示的特定次序或按顺序次序来执行这些操作，或者需要执行所有示出的操作(一些操作可以被看作是可选的)。在一些情况下，多任务或并行处理(或者多任务和并行处理的组合)可能是有利的并且在认为适当时执行。
此外，在前述的实现中的各种系统模块和组件的分离或集成不应被理解为在所有实施方式中要求这样的分离或集成，并且应该理解的是，所描述的程序组件和系统一般可以一起集成在单个软件产品中或封装为多个软件产品。
因此，之前所描述的示例实施方式不限定或限制本公开。其他变化、替换和改变也是可能的，没有脱离本公开的精神和范围。
此外，任何要求保护的实施方式被视为至少适用于计算机实施的方法；存储用于执行计算机实现的方法的计算机可读指令的非暂时性计算机可读介质；以及计算机系统，该系统包括与硬件处理器可互操作地耦合的计算机存储器，所述硬件处理器被配置为执行计算机实现的方法或存储在非暂时性计算机可读介质上的指令。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：轴向集成泵结构的模块化系统