ĐỒ án THI CUỐI KHÓA MÔN địa THỐNG KÊ

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KỸ THUẬT ĐỊA CHẤT VÀ DẦU KHÍ -o0o - ĐỒ ÁN THI CUỐI KHĨA MƠN ĐỊA THỐNG KÊ SVTH: Trần Thảo Phương Anh (1811456) Phan Tấn Trung (1810623) Lương Thanh Vũ (1810667) GVHD: TS Tạ Quốc Dũng TP Hồ Chí Minh, 2021 MỤC LỤC CHƯƠNG I: REVIEW CÁC BÀI BÁO Bài báo 1: Combined geostatistics and bayesian updating optimize drilling in shale-gas plays (Kết hợp địa thống kê bayesian để tối ưu giếng khoan shale gas play) 1.1 Đặt vấn đề: 1.2 Phương pháp: 1.3 Kết quả: 1.4 Kết luận: Bài báo 2: Optimal well placement in presence of multiple geostatistical realizations (Tối ưu hóa vị trí giếng khoan dựa nhiều cách tính toán địa thống kê) 2.1 Đặt vấn đề: 2.2 Giải pháp: 2.3 Ứng dụng thực tế: 2.4 Kết luận: CHƯƠNG II: PHƯƠNG TRÌNH TÍNH TỐN Mô hình hàm ngẫu nhiên: I II Yêu cầu tính ổn định: 2.1 Định nghĩa tính ổn định: 2.2 Ý nghĩa giả thiết ổn định 10 2.3 Ví dụ giải pháp vấn đề ổn định 10 2.4 Hàm cấu trúc Variogram -γ(h) 12 2.5 Các tính chất hàm cấu trúc – Variogram 13 2.6 Các mơ hình Variogram 14 III Covariance –C(h) 19 3.1 Định nghĩa 19 3.2 Tính chất 19 3.3 Các mơ hình Covariance 20 IV Kriging 20 4.1 Kriging 20 4.1 Simple Kriging (SK) 21 4.2 Ordinary Kriging (OK) 23 4.3 CoKriging 24 4.4 Universal Kriging 27 CHƯƠNG III: ỨNG DỤNG TÍNH TỐN 28 I Dữ liệu giếng: 28 II Phân tích số liệu Excel: 42 III Đồ thị phân phối độ rỗng độ thấm, tương quan độ rỗng độ thấm: 45 IV Đồ thị Variogram độ rỗng, độ thấm Cross Variate: 47 V Lựa chọn mơ hình Cokriging phù hợp với liệu: 50 CHƯƠNG IV: KẾT LUẬN 55 TÀI LIỆU THAM KHẢO 56 DANH MỤC HÌNH ẢNH Hình Khu vực khảo sát Hình 2: Đồ thị phân bố xác suất COS Hình 3: Trình bày giá trị COS quan sát từ vùng Test từ 837 giếng khoan Tác giả dùng đồ thị để đối chiếu với kết từ phương pháp Bayesian-Kringing Hình 4: Giá trị COS giếng khoan Hình 5: Kết thu k Hình 6: Ví dụ trường hợp vị trí giếng tối ưu hóa Các điểm màu đỏ cánh phải vị trí giếng bơm ép, điểm màu đen vị trí giếng khai thác điểm màu vàng vị trí tối ưu Hình 7: Biểu đồ phân tán làm mịn cho 234 liệu độ rỗng/ độ thấm 10 Hình 8: Dữ liệu ổn định không ổn định 11 Hình 9: Chia nhỏ vực nghiên cứu để tính Variogram 11 Hình 10: Chi khu vực lớn thành khu vực nhỏ theo hướng khác 12 Hình 11: Biểu đồ Variogram 14 Hình 12: Biểu đồ Variogram với Sill 16 Hình 13: Mơ hình Variogram kết hợp mơ hình cầu Nugget-effected 18 Hình 14: Covariance Variogram 20 Hình 15: Nhập liệu vào GS+ 42 Hình 16: Đồ thị Q-Q cho độ rỗng 42 Hình 17: Đồ thị Q-Q cho độ thấm 43 Hình 18: Đồ thị Q-Q cho độ thấm chuyển sang ln 43 Hình 19: Đồ thị Q-Q độ rỗng ln độ thấm 44 Hình 20: Đồ thị P-P bậc độ rỗng ln độ thấm 45 Hình 21: Đồ thị phân phối độ rỗng 45 Hình 22: Đồ thị phân phối độ thấm 46 Hình 23: Đồ thị tương quan độ rỗng độ thấm 46 Hình 24: Hướng theo tọa độ độ rỗng 47 Hình 25: Variogram độ rỗng 47 Hình 26: Bán kính hướng phụ theo độ rỗng 48 Hình 27: Hướng theo tọa độ độ thấm 48 Hình 28: Variogram độ thấm 49 Hình 29: Bán kính hướng phụ độ thấm 49 Hình 30: Cross Variogram 50 Hình 31: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Isotropic 50 Hình 32: Tương quan giá trị thực ước tính theo Ordinary Cokriging 51 Hình 33: Tương quan giá trị thực ước tính Standardized Ordinary Cokriging với Variogram Isotropic 51 Hình 34: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Anisotropic 51 Hình 35: Tương quan giá trị thực ước tính theo Ordinary Cokriging với Variogram Anisotropic 52 Hình 36:Tương quan giá trị thực ước tính theo Standardized Ordinary với Variogram Anisotropic 52 Hình 37: Nội suy Cokriging Map 3D 53 Hình 38: Nội suy Cokriging Map 2D 53 Hình 39: Phân bố tướng đá theo tọa độ vẽ MS Excel 54 Hình 40: Bảng liệu nội suy Cokriging từ liệu 289 giếng 54 CHƯƠNG I: REVIEW CÁC BÀI BÁO Bài báo 1: Combined geostatistics and bayesian updating optimize drilling in shalegas plays (Kết hợp địa thống kê bayesian để tối ưu giếng khoan shale gas play) 1.1 Đặt vấn đề: Phát triển chương trình khoan Shale Gas Plays thách thức Việc yêu cầu số lượng lớn giếng, với nhiều giếng khai thác hiệu kinh tế khơng chắn Với số lượng giếng nhấtvà để tập trung vào vùng có tiềm nhất, báo trình bày phương pháp để nâng cao hiệu kinh tế cho vùng shale gas plays 1.2 Phương pháp: Sử dụng mơ hình xác suất thơng qua Chance Of Success (COS) Mục đích báo  Thiết lập định lượng phụ thuộc khơng gian giếng với  Trình bày phương pháp COS  Chứng minh phương pháp thông qua việc phân tích liệu vùng Barnett shale Dữ liệu giếng: Khu vực khảo sát nằm phía đơng Mississippian Barnett Shale bồn trũng Fort Worth bang Texas (hình 1.1) Nghiên cứu khu vực rộng 2100 km2 2901 giếng ngang phân tích, 2064 giếng nằm vũng Training Khu vực chia làm 2, vùng phía nam vùng Training, vùng phía bắc vùng Test Các liệu nghiên cứu vùng Training áp dụng vào vùng Test Hình Khu vực khảo sát Phương pháp cập nhật COS giếng khoan  Bước 1: Trước tiên liệu shale, probability density function (PDF) cho COS nhập cho cell  Bước 2: Vào thời điểm đó, thơng tin giếng đến hình thức thành cơng hay thất bại shale Quy luật Bayes áp dụng để cập nhật vào cell, nơi mà giếng khoan Điều dẫn đến PDF cell với thông tin giếng Trong cell khơng có giếng PDF không đổi  Bước 3: Do phụ thuộc không gian plays, người ta mong đợi cells không cập nhật bước gần cells có thay đổi kể PDF bị ảnh hưởng thay đổi Trong bước phụ thuộc khơng gian tính đến IK sử dụng để cập nhật shale mà không cập nhật bước Sau hoàn thành bước 2, 3, tất shale cập nhật phân bố posterior có sẵn Nếu thơng tin đến sau, posterior sử dụng trước bước lặp lại Áp dụng minh họa cho Barnett shale Thông tin trước khoan, Xác định COS sở tất giếng vùng training giả định COS cho vùng Test Tỷ lệ giếng khoan năm 2011 với lợi nhuận rịng dương với giá khí USD/Mscf 62.5% Do 62.5 xem COS Nguyên tắc maximum entropy sử dụng để phát triển phân bố xác suất COS (hình 2) Phân bố xác suất định cho cell Hình 2: Đồ thị phân bố xác suất COS Variogram for ordinary IK 10 số COS định nghĩa (bảng) Các liệu từ vùng Training sử dụng để phát triển Variogram cho số COS dựa vào liệu thực Hình 3: Trình bày giá trị COS quan sát từ vùng Test từ 837 giếng khoan Tác giả dùng đồ thị để đối chiếu với kết từ phương pháp BayesianKringing Hình 4: Giá trị COS giếng khoan 1.3 Kết quả: Hình 5: Kết thu 1.4 Kết luận: Mối tương quan giếng quan trọng Việc phân tích liệu Barneet Shale cho thấy có đa dạng hiệu giếng khu vực phụ thuộc đáng kể vào giếng lân cận Và phụ thuộc khám phá tiêu chuẩn kỹ thuật địa thống kê để dự đoán hiệu suất giếng Bài báo 2: Optimal well placement in presence of multiple geostatistical realizations (Tối ưu hóa vị trí giếng khoan dựa nhiều cách tính tốn địa thống kê) Clayton V Deutsch, Trung tâm tính tốn Địa thống kê, Khoa Kỹ thuật Xây dựng & Môi trường Đại học Alberta 2.1 Đặt vấn đề: Việc xác định vị trí thời gian khoan giếng khai thác bơm ép đóng vai trò đặc biệt quan trọng kế hoạch phát triển mỏ với mục tiêu tăng tối đa khoảng thời gian khai thác cân bằng, tỷ lệ thu hồi dầu số kinh tế chủ chốt với giảm tần suất bơm ép nước Tuy nhiên, việc xác định vị trí giếng khó khăn với mơ hình cấu trúc vỉa tính chất địa vật lý Trên thực tế, người ta thường dựa kinh nghiệm người kỹ sư mơ dịng chảy để thực u cầu Nhưng có nhiều trường hợp địa thống kê việc xử lý trở nên phức tạp Việc xác định vị trí giếng khoan tối ưu cách thiết lập sở liệu tính tốn nhanh cho kế hoạch giếng thơng số vỉa Sau số liệu cần hiệu chỉnh với vài kết mơ dịng chảy Khi đó, việc tối ưu hóa vị trí giếng khoan thực đồng thời với nhiều trường hợp địa thống kê 2.2 Giải pháp: Việc thiết lập chuỗi trường hợp xác suất xảy chúng trở thành khía cạnh quan trọng để phát triển mơ hình địa thống kê Ta có nL mơ hình địa thống kê vỉa với xác suất tương ứng pl, l=1, …,nL Các ý tưởng bản:  Chạy số mơ dịng chảy với cấu hình giếng khác mơ hình địa chất khác Việc tối ưu hóa dễ dàng với nhiếu mơ dịng chảy hơn; 20 mơ hình khác đưa điểm ban đầu Các mơ hình khác giới hạn kết dự đoán Bảng tổng hợp biểu dịng chảy khác tính từ mơ dịng chảy giếng  Đưa phép đo chất lượng vỉa tĩnh để nắm giếng cục vỉa  Tính phép đo tĩnh mơ hình dùng để mơ dòng chảy bước Hiệu chỉnh phép đo vỉa tĩnh cho biểu dòng chảy khác sử dụng công cụ thống kê cổ điển đa dạng Kết số liệu vỉa tĩnh cho việc mơ dịng chảy tối ưu nhanh chóng  Tối ưu hóa chuỗi vị trí giếng làm tăng tối đa phép đo hiệu chỉnh cho tất trường hợp đồng thời có xét đến xác suất xảy chúng Việc tối ưu Nhập liệu vào Phần mần GS+: Hình 15: Nhập liệu vào GS+ II Phân tích số liệu Excel: Đồ thị Q-Q cho độ rỗng bậc Đồ thị Q-Q cho độ rỗng y = 0.9822x + 4E-15 R² = 0.9638 Đồ thị Q-Q cho độ rỗng -4 -2 -1 -2 -3 -4 Hình 16: Đồ thị Q-Q cho độ rỗng Linear (Đồ thị Q-Q cho độ rỗng) Nhận xét: Đồ thị Q-Q độ rỗng có dạng tuyến tính với hệ số tương quan so với giá trị phân phối chuẩn R2=0.9638 => giá trị độ rỗng sử dụng để tính tốn nội suy phần sau mơ hình CoKriging Đồ thị Q-Q cho độ thấm Đồ thị Q-Q cho độ thấm 10 Đồ thị Q-Q cho độ thấm y = 0.6357x - 3E-16 R² = 0.4037 Linear (Đồ thị Q-Q cho độ thấm) -4 -2 -2 -4 Hình 17: Đồ thị Q-Q cho độ thấm Nhận xét: Đồ thị Q-Q độ thấm đồ thị khơng tuyến tính => Độ thấm khơng tn theo quy luật phân phối chuẩn => chuẩn hóa số liệu (xem đồ thị phía sau) Đồ thị Q-Q cho độ thấm chuyển sang ln Đồ thị Q-Q cho LnP y = 0.9477x - 6E-16 R² = 0.8972 Đồ thị Q-Q cho LnP -4 -2 -1 -2 Linear (Đồ thị Q-Q cho LnP) -3 -4 Hình 18: Đồ thị Q-Q cho độ thấm chuyển sang ln Nhận xét: Đồ thị Q-Q lnP có dạng tuyến tính với hệ số tương quan R2=0.8972 tương đối cao => chuyển sang dạng lnP độ thấm sử dụng để tính tốn nội suy phần sau Đồ thị Q-Q độ rỗng ln độ thấm Đồ thị Q-Q cho độ rỗng LnP y3 = 0.9614x - 4E-15 R² = 0.9243 Đồ thị Q-Q cho độ rỗng LnP -3 -2 -1 -1 Linear (Đồ thị Q-Q cho độ rỗng LnP) -2 -3 Hình 19: Đồ thị Q-Q độ rỗng ln độ thấm Nhận xét: Như đồ thị Q-Q cho độ rỗng đồ thị Q-Q cho lnP ta thấy hai tuân theo quy luật phân phối chuẩn => đồ thị Q-Q cho độ rỗng lnP có tương quan lớn với với hệ số tương quan R2= 0.9243 Đồ thị P-P bậc độ rỗng ln độ thấm Đồ thị P-P cho bậc độ rỗng ln độ thấm 120.00% y = 1.0151x + 0.0123 100.00% R² = 0.9984 Đồ thị P-P bậc độ rỗng ln độ thấm 80.00% 60.00% Linear (Đồ thị P-P bậc độ rỗng ln độ thấm) 40.00% 20.00% 0.00% 0.00% 50.00% 100.00% 150.00% Hình 20: Đồ thị P-P bậc độ rỗng ln độ thấm Nhận xét: Đồ thị P-P độ rỗng độ thấm đồ thị tuyến tính với hệ số tương quan R2=0.998 => Tương quan liệu độ rỗng độ thấm III Đồ thị phân phối độ rỗng độ thấm, tương quan độ rỗng độ thấm: Đồ thị phân bố độ rỗng: Hình 21: Đồ thị phân phối độ rỗng Chuyển liệu độ rỗng theo dạng bậc để phân phối độ rỗng phân phối chuẩn thuận tiện cho việc tính tốn Đồ thị phân bố độ thấm: Hình 22: Đồ thị phân phối độ thấm Chuyển liệu độ thấm dạng ln để liệu đồ thấm dạng phân phối chuẩn Độ thị tương quan liệu độ rỗng độ thấm: Hình 23: Đồ thị tương quan độ rỗng độ thấm Dữ liệu độ rỗng độ thấm có hệ số tương quan R2=0.915 => Giữa độ rộng độ thấm có tương quan lớn với IV Đồ thị Variogram độ rỗng, độ thấm Cross Variate: Đồ thị Variogram độ rỗng: Hình 24: Hướng theo tọa độ độ rỗng Nhìn vào đồ thị Variogram bất đẳng hướng ta thấy hướng liệu vào khoảng 50o so với hướng Y Ta có đồ thị Variogram sau: Hình 25: Variogram độ rỗng Với bán kính hướng chính, hướng phụ hình dưới: Hình 26: Bán kính hướng phụ theo độ rỗng Đồ thị Variogram cho độ thấm: Hình 27: Hướng theo tọa độ độ thấm Nhìn vào hình ta thấy hướng liệu độ thấm khoảng 50o so với hướng thẳng Y Ta có đồ thị Variogram theo độ thấm sau: Hình 28: Variogram độ thấm Với giá trị bán kính hướng hướng phụ sau: Hình 29: Bán kính hướng phụ độ thấm Đồ thị Variogram Cross Variate: Hình 30: Cross Variogram V Lựa chọn mơ hình Cokriging phù hợp với liệu: Mơ hình Simple Cokriging với Variogram Isotropic: Hình 31: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Isotropic Mơ hình Ordinary Cokriging với Variogram Isotropic: Hình 32: Tương quan giá trị thực ước tính theo Ordinary Cokriging Mơ hình Standardized Ordinary Cokriging với Variogram Isotropic: Hình 33: Tương quan giá trị thực ước tính Standardized Ordinary Cokriging với Variogram Isotropic Mơ hình Simple Cokriging với Variogram Anisotropic: Hình 34: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Anisotropic Mơ hình Ordinary Cokriging với Variogram Anisotropic: Hình 35: Tương quan giá trị thực ước tính theo Ordinary Cokriging với Variogram Anisotropic Mơ hình Standardized Ordinary với Variogram Anisotropic: Hình 36:Tương quan giá trị thực ước tính theo Standardized Ordinary với Variogram Anisotropic VI Nhận xét: Từ mơ hình trình bày ta thấy mơ hình Ordinary Cokriging mơ hình phù hợp với liệu có hệ số tương quan giá trị thực giá trị ước tính lớn nhất: R2=0.998 Với mơ hình Ordinary Cokriging chọn ta tiến hành chạy nội suy xuất kết liệu: Hình 37: Nội suy Cokriging Map 3D Hình 38: Nội suy Cokriging Map 2D Phân bố tướng đá theo tọa độ 1200 Y 1000 800 600 FACI1 FACI2 400 200 0 200 400 600 800 1000 1200 X Hình 39: Phân bố tướng đá theo tọa độ vẽ MS Excel Nhận kết quả: Hình 40: Bảng liệu nội suy Cokriging từ liệu 289 giếng CHƯƠNG IV: KẾT LUẬN: Nhìn vào đồ thị theo GS+ ta thấy phân bố giá trị độ rỗng chia làm loại là: độ rộng lớn 10% độ rỗng nhỏ 10%, điều rõ so sánh với kết vẽ theo MS Excel Tuy nhiên GS+ ta thấy chi tiết giá trị phân bố độ rỗng theo dạng chính: màu xanh dương thể giá trị từ 10% trở xuống, màu vàng xanh thể giá trị độ rỗng từ 10% đến 14% màu vàng đến trắng thể giá trị độ rỗng từ 14% trở lên (vùng tầng cát chứa dầu khí khai thác mỏ có độ rỗng tương đối cao khu vực lại) Dựa vào đồ thị nội suy Cokriging độ rỗng có thêm liệu từ tài liệu địa chấn, thăm dị khác ta lựa chọn vị trí tối ưu cho việc lựa chọn giếng khai thác vị trí có độ rỗng cao để tăng hiệu cho trình khai thác sau giúp giảm chi phí đầu tư giếng khai thác với số lượng giếng phù hợp đáp ứng yêu cầu khai thác TÀI LIỆU THAM KHẢO [1] Jay Krishna Thakur, Optimizing Groundwater Monitoring Networks Using Integrated Statistical and Geostatistical Approaches, Berlin, 2015 [2] Vito D'agostino, Giuseppe Passarella, Michele Vurro, "Optimization of a Sampling Well Network Based on Geostatistical Analysis of Hydrochemical Parameters," Italy, 1997 [3] TS Tạ Quốc Dũng, KS Nguyễn Văn Thuận, Địa thống kê ứng dụng dự báo thơng số địa học Hồ Chí Minh, 2016 [4] Mohan Kelkar, GodofredoPere, Applied geostatistics for Reservoir Characterization Texas: Society of Petroleum Engineers, 2002 [5] Clayton V Deutsch, "Optimal Well Placement in Presence of Multiple Geostatistical Realizations " [6] “Combined Geostatistics and Bayesian Updating Optimize Drilling in Shale-Gas Plays” SPE, JPT 10/2014 [7] Lê Minh Nhật, Đinh Văn Lai, “Báo cáo BTL Địa thống kê: Nội suy Kriging vào tối ưu hóa mạng lưới giếng khoan”, Hồ Chí Minh, 12/2017 [8] Michael Pyrcz, GeoDataSets-Master, University of Texas at Austin ... khoảng cách Với giả thi? ??t ổn định thi? ??t lập phân chia liệu phù hợp, nhà địa chất dễ dàng xác định lớp địa chất phương thẳng đứng lẫn phương ngang Trong thực tế, giả thi? ??t thi? ??t lập thỏa hiệp... thi? ??t giá trị trung bình m(u) biết Bằng giả thi? ??t ổn định bậc 1, m(u) giảm thành m Phải biết giá trị m trước sử dụng biểu thức SK Trong thực tiễn, trị trung bình thực tồn cục biết khơng giả thi? ??t... có mặt thơng tin mẫu có theo phương mà giả thi? ??t tĩnh bậc không thoả mãn Trị trung bình cục thay đổi theo hướng phương khơng trước nhằm thi? ??t lập giải thi? ??t tĩnh sử dụng kĩ thuật kriging để ước