Cải thiện quyết định FDP trong điều kiện khan hiếm dữ liệu: Phương pháp Metropolis thích ứng nhằm ước lượng phân vị của chiều dày hiệu dụng
Tóm tắt
Trong giai đoạn đầu của kế hoạch phát triển mỏ (FDP), các quyết định thường được đưa ra dựa trên số lượng mẫu vỉa ít ỏi, khiến cho phương pháp bảng tính truyền thống (thường áp dụng phân bố loga chuẩn lognormal) trở nên thiếu tin cậy và phụ thuộc vào ý kiến chủ quan của người phân tích. Nghiên cứu dưới đây giới thiệu phương pháp Metropolis–Adaptive Distribution Range-Constrained (M-ADRC), một hướng tiếp cận thực tế kết hợp Metropolis–Hastings (MH) với phương pháp giới hạn thích ứng (adaptive constraints) nhằm mục đích tạo ra quần thể tổng hợp có tính đại diện dựa trên số mẫu nhỏ.
Quy trình này kết hợp: (i) áp đặt giới hạn tham số dựa vào kiến thức chuyên môn, (ii) hiệu chỉnh thích ứng tham số của MH, (iii) cơ chế tự động chuyển đổi giữa hai phân bố Pearson III và lognormal, và (iv) phương pháp vòng lặp thích ứng cho các mẫu có độ chệch (bias) cực đoan.
Sử dụng bộ dữ liệu chiều dày hiệu dụng (net-pay) của một mỏ khí ở Đông Nam Á, các quần thể tổng hợp tạo ra từ M-ADRC và phương pháp bảng tính loga chuẩn truyền thống được đối chứng với nhau trên nhiều mẫu net-pay. Kết quả cho thấy M-ADRC đạt khoảng cách Wasserstein thấp hơn đáng kể và sai số trung bình Swanson nhỏ hơn; đồng thời phương pháp này có thể đạt ngưỡng Wasserstein “xuất sắc” chỉ với tám mẫu, khoảng một nửa so với yêu cầu cỡ mẫu tối thiểu của phương pháp bảng tính.
M-ADRC nhẹ về tính toán, được xây dựng trên mã nguồn mở hoàn toàn và không đòi hỏi phần cứng chuyên dụng. Phương pháp cung cấp sẵn các thiết lập mặc định, có khả năng kiểm tra chẩn đoán và phân tích độ nhạy, cho phép kỹ sư vỉa áp dụng mà không cần kinh nghiệm chuyên sâu để tinh chỉnh. M-ADRC tạo ra các phân vị giả lập có độ tin cậy hơn trong điều kiện cỡ mẫu nhỏ, làm giảm rủi ro của vấn đề dữ liệu đầu vào có độ chệch cao trong FDP và tăng độ tin cậy của các quyết định phát triển mỏ. Các hạn chế của quy trình hiện tại như giới hạn của loại phân bố, khả năng đối phó với độ chệch cực đoan, và tích hợp thuộc tính địa không gian sẽ được xem xét trong nghiên cứu tiếp theo.
Các tài liệu tham khảo
C. Karacaer and M. Onur, "Analytical probabilistic reserve estimation by volumetric method and aggregation of resources", SPE Hydrocarbon Economics and Evaluation Symposium, Calgary, Alberta, Canada, 24 - 25 September 2012. DOI: 10.2118/162875-MS.
B.C. Craft, M.F. Hawkins, and Ronald E. Terry, Applied petroleum reservoir engineering, second edition. Prentice Hall PTR, 1991.
Paul F. Worthington, “Net pay: What is it? What does it do? How do we quantify it? How do we use it?”, SPE Reservoir Evaluation & Engineering, Volume 13, Issue 5, pp. 812 - 822, 2010. DOI: 10.2118/123561-PA.
Tian Yang, Yingchang Cao, Yanzhong Wang, Keyu Liu, Chen He, and Shaomin Zhang, “Determining permeability cut-off values for net pay study of a low-permeability clastic reservoir: A case study of the Dongying Sag, eastern China”, Journal of Petroleum Science and Engineering, Volume 178, pp. 262 - 271, 2019. DOI: 10.1016/j.petrol.2019.03.030.
Annan Boah Evans, Abraham Aidoo Borsah, Chukwugozie Jekwu Ejeh, Asamoah Emmanuel, and Daniel Ocran, “Mapping of porosity, permeability and thickness distribution: Application of geostatistical modeling for the Jubilee oilfield in Ghana”, Scientific & Academic Publishing, Volume 9, Issue 2, pp. 27 - 49, 2019. DOI: 10.5923/j.geo.20190902.01.
Biswajit Thander, Anirbid Sircar, and G.P. Karmakar, “Hydrocarbon resource estimation: Application of Monte Carlo simulation”, IJLTEMAS, Volume III, Issue IV, pp. 30 - 47, 2014.
P.F. Worthington, “An electrical analog facility for hydrocarbon reservoirs”, SPE Annual Technical Conference and Exhibition, Dallas, Texas, 9 - 12 October 2005. DOI: 10.2118/96718-MS.
Mohammad Bakhtiyari, Jafar Qajar, Amir Torghabeh, and Ali Dehghan Abnavi, “Rock typing and uncertainty assessment in geological and petrophysical properties by integrating electrofacies, hydraulic flow units, and geostatistical techniques in the Kangan gas field, Zagros basin”, Acta Geophysica, Volume 72, pp. 2323 - 2347, 2023. DOI: 10.1007/s11600-023-01214-1.
GhojehBeyglou and MohammadHossein, “Geostatistical modeling of porosity and evaluating the local and global distribution”, Journal of Petroleum Exploration and Production Technology, Volume 11, pp. 4227 - 4241, 2021. DOI: 11. 10.1007/s13202-021-01308-w.
Mattia Aleardi, “Analysis of different statistical models in probabilistic joint estimation of porosity and litho-fluid facies from acoustic impedance values”, Geosciences, Volume 8, Issue 11, 2018. DOI: 10.3390/geosciences8110388.
Nicholas Metropolis, Arianna W. Rosenbluth, Marshall N. Rosenbluth, Augusta H. Teller, and Edward Teller, “Equation of state calculations by fast computing machines”, The Journal of Chemical Physics, Volume 21, Issue 6, pp. 1087 - 1092, 1953. DOI:10.1063/1.1699114.
T. Cui, C. Fox, and M.J. O'Sullivan, “Bayesian calibration of a large-scale geothermal reservoir model by a new adaptive delayed acceptance Metropolis Hastings algorithm”, Water Resources Research, Volume 47, Issue 10, 2011. DOI: 10.1029/2010WR010352.
Zhe Ban, Ali Ghaderi, Nima Janatian, and Carlos F. Pfeiffer, “Parameter estimation for a gas lifting oil well model using Bayes' rule and the Metropolis-Hastings algorithm”, Modeling, Identification and Control, Volume 43, Issue 2, pp. 39 - 53, 2022. DOI: 10.4173/mic.2022.2.1.
Silpakorn Dachanuwattana, Wei Yu, and Kamy Sepehrnoori, “An efficient MCMC history matching workflow using fit-for-purpose proxies applied in unconventional oil reservoirs”, Journal of Petroleum Science and Engineering, Volume 176, pp. 381 - 395, 2019. DOI: 10.1016/j.petrol.2019.01.070.
Sufia Khatoon, Jyoti Phirani, and Supreet Singh Bahga, “Accelerated Bayesian inference-based history matching of petroleum reservoirs using polynomial chaos expansions”, Inverse Problems in Science and Engineering, Volume 29, Issue 13, pp. 3086 - 3116, 2021. DOI: 10.1080/17415977.2021.1973455.
Zhen Zhang, Xupeng He, Marwah AlSinan, Hyung Kwak, and Hoteit Hussein, "Robust method for reservoir simulation history matching using bayesian inversion and long-short-term memory network-based Proxy", SPE Journal, Volume 28, pp. 983 - 1007. DOI: 10.2118/203976-PA.
Eckhard Limpert, Werner A. Stahel, and Markus Abbt, “Log-normal distributions across the sciences: Keys and clues”, BioScience, Volume 51, Issue 5, pp. 341 - 352, 2001. DOI: 10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2.
A.G. Journel, “The lognormal approach to predicting local distributions of selective mining unit grades”, Mathematical Geology, Volume 12, Issue 4, pp. 285 - 303, 1980. DOI: 10.1007/BF01029417.
William W.S. Chen, and Samuel Kotz, “The riemannian structure of the three-parameter gamma distribution”, Applied Mathematics, Volume 4, Issue 3, pp. 514 - 522, 2013. DOI: 10.4236/am.2013.43077.
Abdalrhman Abrahim Milad, Ibrahim Adwan, Sayf A. Majeed, Zubair Ahmed Memon, Munder Bilema, Hend Ali Omar, Maher G.M. Abdolrasol, Aliyu Usman, and Nur Izzi Md Yusoff, “Development of a hybrid machine learning model for asphalt pavement temperature prediction”, IEEE Access, Volume 9, pp. 158041 - 158056, 2021. DOI: 10.1109/ACCESS.2021.3129979.
Jeffrey S. Rosenthal, “Optimal proposal distributions and adaptive MCMC”, Handbook of Markov Chain Monte Carlo, 2011.
Babak Naghavi, James F. Cruise, and Kishore Arora, “Comparative evaluation of three estimators of the log Pearson type 3 distribution”, Transportation Research Record 1279, pp. 103 - 112.
A. Hurst, G.C. Brown, and R. Swanson, “Swanson's 30-40-30 rule”, AAPG Bulletin, Volume 84, Issue 12, pp. 1883 - 1891, 2000. DOI: 10.1306/8626C70D-173B-11D7-8645000102C1865D.
Caoxiong Li, Mian Lin, Lili Ji, and Wenbin Jiang, “Multiphase flow in tight sandstone: An improved application for 3D intermingled fractal model”, Journal of Petroleum Science and Engineering, Volume 177, pp. 403 - 414, 2019. DOI: 10.1016/j.petrol.2019.02.030.
Sarah Lee, “Monte carlo simulation in petroleum engineering: A comprehensive guide to uncertainty analysis and risk assessment”, 2025. [Online]. Available: www.numberanalytics.com/blog/monte-carlo-simulation-petroleum-engineering.
Li Li, Jie Yu, Tao Huang, Lina Tang, Dan Wei, Mingyu Li, and Xin Nie, “Integrated net pay cut-off evaluation workflow for tight sandstone reservoirs: A case study of the linxing gas field, ordos basin”, Frontiers in Earth Science, Volume 13, 2025. DOI: 10.3389/feart.2025.1488079.
Kevin P. Murphy, Machine learning: A probabilistic perspective. The MIT Press Cambridge, Massachusetts London, England, 2012.
Oracle, Crystal Ball User’s Guide, 11.1.2.4.850, 2017[Online]. Available: https://docs.oracle.com/cd/E57185_01/CYBUG/CYBUG.pdf.
Mehdi Qassamipour, Elnaz Khodapanah, and Seyyed Alireza Tabatabaei-Nezhad, “A comprehensive method for determining net pay in exploration/development wells”, Journal of Petroleum Science and Engineering, Volume 196, 2021, DOI: 10.1016/j.petrol.2020.107849.
Céline Scheidt and Jef Caers, "Uncertainty quantification in reservoir performance using distances and Kernel methods - Application to a West Africa deepwater turbidite reservoir", SPE Journal, Volume 14, Issue 4, pp. 680 - 692, 2009. DOI: 10.2118/118740-PA.
1. Tác giả giao bản quyền bài viết (tác phẩm) cho Tạp chí Dầu khí, bao gồm quyền xuất bản, tái bản, bán và phân phối toàn bộ hoặc một phần tác phẩm trong các ấn bản điện tử và in của Tạp chí Dầu khí.
2. Bằng cách chuyển nhượng bản quyền này cho Tạp chí Dầu khí, việc sao chép, đăng hoặc sử dụng một phần hay toàn bộ tác phẩm nào của Tạp chí Dầu khí trên bất kỳ phương tiện nào phải trích dẫn đầy đủ, phù hợp về hình thức và nội dung như sau: tiêu đề của bài viết, tên tác giả, tên tạp chí, tập, số, năm, chủ sở hữu bản quyền theo quy định, số DOI. Liên kết đến bài viết cuối cùng được công bố trên trang web của Tạp chí Dầu khí được khuyến khích.
