(57) 1. Вычислительная система для моделирования поведения коллектора углеводородов с целью управления потоком текучей среды внутри коллектора, которая содержит
модуль анализа, анализирующий данные добычи нефтяного месторождения посредством выполнения программных команд, которые включают оптимальную регрессионную модель, представляющую нагнетательные и добывающие скважины, характеристики потока текучей среды которых сильно коррелируют с характеристиками текучей среды интересующей скважины; выполняющий программные команды, использующие метод критерия ограниченной информации для определения пар скважин, которые вносят статистически значимую информацию в оптимальную регрессионную модель; выполняющий программные команды, в результате которых получают статистическую модель коллектора, элементы которой являются произведением соответствующих элементов оптимальной регрессионной модели и матрицы значимости; и
средство управления и/или воздействия для корректировки потока текучей среды коллектора в одной или более представляющих интерес скважинах для управления потоком текучей среды в ответ на реакцию статистической модели коллектора, составленной модулем анализа.
2. Система по п.1, отличающаяся тем, что средство управления регулирует производительность одной или более скважин.
3. Система по п.1 или 2, отличающаяся тем, что средство управления регулирует вытеснение или схему нагнетания в нагнетательной скважине.
4. Система по любому из предшествующих пунктов, отличающаяся тем, что средство управления выполнено с возможностью выявления положения загущающих скважин, а затем и управления ими.
5. Система по любому из предшествующих пунктов, отличающаяся тем, что средство управления выполнено с возможностью автоматического управления одной или более скважинами.
6. Система по любому из предшествующих пунктов, отличающаяся тем, что средство управления выполнено с возможностью управления закачиванием воды, газа или другой текучей среды в коллектор.
7. Система по п.6, отличающаяся тем, что текучей средой является углекислый газ.
8. Система по любому из предшествующих пунктов, отличающаяся тем, что метод ограниченной информации включает байесовский метод.
9. Система по любому из предшествующих пунктов, отличающаяся тем, что матрица значимости является бинарной матрицей значимости.
10. Система по любому из предшествующих пунктов, отличающаяся тем, что для создания оптимальной регрессионной модели для нагнетательных и добывающих скважин используется множественная линейная регрессионная модель.
11. Система по п.10, отличающаяся тем, что множественная линейная регрессионная модель:
(e) определяет модель прогнозируемой среднеквадратичной ошибки для заданного временного интервала;
(f) минимизирует прогнозируемую среднеквадратичную ошибку для получения формальной множественной линейной регрессионной модели;
(g) осуществляет поиск оптимальной регрессионной модели на основании предлагаемой стратегии выбора наилучшей модели, причем данная стратегия заключается в автоматическом прямом переборе вариантов модельного пространства прицельно по всем возможным парам скважин, используя модифицированный байесовский информационный критерий (BIC); и
(h) получает оптимальную регрессионную модель, когда (a) R2 превышает заданное значение, в то время как BIC еще возрастает, (b) R2 уменьшается или (с) достигается заданное количество итераций.
12. Система по любому из предшествующих пунктов, отличающаяся тем, что временной интервал составляет один месяц.
13. Система по пп.1, 10 и 11, отличающаяся тем, что оптимальная регрессионная модель определяется из массива множественных линейных регрессионных моделей, причем разработана стратегия выбора наилучшей модели в режиме прицельного автоматического перебора вариантов модельного пространства с целью сравнения различных моделей с использованием модифицированного байесовского информационного критерия (BIC).
14. Система по пп.1, 10 и 11, отличающаяся тем, что для небольших коллекторов с малым количеством нагнетательных скважин используется информационный критерий Акайке (AIC).
15. Система по п.13, отличающаяся тем, что модель с наибольшим значением BIC выбирается при одновременно возрастающем коэффициенте детерминации (R2).
16. Система по любому из предшествующих пунктов, отличающаяся тем, что полный байесовский анализ применяется к байесовской динамической линейной модели (DLM), основанной на методе Монте-Карло с использованием цепей Маркова (MCMC), причем DLM имеет те же прогнозирующие параметры, что и прогнозирующие параметры, определенные в оптимальной регрессионной модели.
17. Система по п.16, отличающаяся тем, что полный байесовский анализ дополнительно включает:
(h) определение байесовской DLM, в которой DLM модель имеет те же прогнозирующие параметры, что и прогнозирующие параметры, определенные в оптимальной регрессии, с соответствующими случайными ошибками, взаимно независимыми и распределенными по нормальному закону с нулевым математическим ожиданием, и конечными дисперсиями;
(i) использование допущения априорного распределения для неизвестных параметров для DLM модели, где соответствующие дисперсии имеют распределения хи-квадрат;
(j) использование функции правдоподобия неизвестных параметров;
(k) вычисление плотностей совместных апостериорных распределений неизвестных параметров;
(l) вычисление соответствующих плотностей полного условного распределения каждого параметра в моделях;
(m) применение алгоритма выборочного метода Гиббса для непосредственного получения плотностей полного апостериорного распределения неизвестных параметров; и
(n) получение матрицы значимости, исходя из плотности апостериорного распределения коэффициента регрессии, причем если плотность апостериорного распределения коэффициента регрессии имеет центр в нуле, то этот коэффициент наиболее вероятно равен нулю, в противном случае этот коэффициент равен единице.
18. Система по п.16, отличающаяся тем, что предлагаемая байесовская DLM относится к модели квадратичного роста, в которой случайные ошибки соответствуют уровню, росту и изменению роста для основного процесса давления во время t.
19. Система по п.16, отличающаяся тем, что выборочный метод Гиббса и MCMC схема для моделирования предоставляют плотности полного условного апостериорного распределения полных неизвестных параметров.
20. Система по любому из предшествующих пунктов, отличающаяся тем, что оптимальная регрессионная модель, полученная из множественной линейной регрессионной модели, является вещественной матрицей.
21. Система по любому из предшествующих пунктов, отличающаяся тем, что матрица значимости, полученная из полного байесовского анализа, является бинарной.
| 
