自动匹配群体新成员与类似成员的系统、方法及程序产品的制作方法
自动匹配群体新成员与类似成员的系统、方法及程序产品的制作方法
【技术领域】
[0001] 本发明涉及对烃储集层进行评价，并且更具体地，涉及自动选择已知的类似储集 层对新识别的烃储集层进行评价。
【背景技术】
[0002] 每个新烃储集层具有基于未知属性的固有总价值。具体地，固有价值取决于最终 可从储集层采收的材料总量（生产潜力），以及采收该材料的成本或获取难度。这些未知的 属性仍然未知，并且仅可以估计固有价值，直到实际采收材料为止。先前，为了估计价值，一 个或多个专家首先识别和选择与新储集层具有某些相似方面的现有储集层，其被称为"类 似储集层"。专家（们）使用所选择的类似储集层来估计新储集层的价值。如错过被低估 的储集层而开采被高估的储集层中的错误评价会导致资源浪费。因此，为了使误差最小化， 已有的趋势是不再依赖于主观的专家判断来主观地选择类似储集层，而是趋向于更客观的 选择方法。例如，在对新烃储集层进行评价中已经使用了相似度函数。
[0003] 现今，在本领域中已经发现了相似度函数的很多用途：用于对对象集合或群体中 的成员进行比较，并且选择那些尽管它们不相同但是可以被识别为相似的对象。确定相似 度函数参数的现有技术方法的典型情况是应用专家知识和/或局部搜索方法，如梯度下降 算法和遗传算法。通常，在无需达到最相似匹配的情况下，这些方法的共同问题是继续依赖 于主观判断。
[0004] 现有技术方法的典型情况是使用储集层数据库中收集的可用储集层信息和相似 度函数来自动识别和选择类似储集层。然而，专家（或专家们）仍然选择相似度函数中使 用的精确的属性和权重来将目标（新）储集层的任何已知属性与已知储集层的属性进行比 较。例如，以下提供了人工指定的（例如由专家指定权重和/或属性）选择类似储集层的 相似度函数来估计价值的示例：公布的由Rowan发明的第2011/0118983号美国专利申请 "SystemandMethodforReservoirAnalysisBackground"；以及 2002 年由Bhushan等 人发表的"ANovelApproachtoIdentifyReservoirAnalogues"，壳牌国际勘探和生产。
[0005] 专家有望选择最佳属性和权重来识别具有与目标储集层最相似的属性的储集层 作为类似物。虽然这已经自动识别到最终选择，但是因为专家仍然选择属性和权重，所以该 最终选择仍然有些主观。因而，选择最佳属性和权重仍然是主观的，并且使选择类似储集层 成为困难且易出错的任务。
[0006] 因此，需要相似度函数的改进的应用，以将一个对象与来自相似对象的群体的其 它类似对象进行比较；并且更具体地，对用于选择现有烃储集层作为类似物的相似度函数 进行自动加权，来对新储集层进行评价。
【发明内容】
[0007] 本发明的特征在于自动选择权重集合和相似度函数，以用于将新群体成员与现有 群体成员进行配对；
[0008] 本发明的另一特征在于对储集层特征进行自动加权，以用于选择针对新发现的储 集层的类似储集层；
[0009] 本发明的又一特征在于自动选择最佳的权重集合，以对用于每个新发现的储集层 的储集层特征进行自动加权，以用于选择已知储集层的最佳子集作为类似储集层来对每个 新发现的储集层进行评价或估价。
[0010] 本发明涉及群体比较系统、群体比较方法及其计算机程序产品。将如烃储集层的 群体成员、特征和类似成员的存储列表划分成针对每个成员的列表。加权系统自动使用这 些分区来确定群体成员特征的权重集合（W*)和相似度函数。加权系统可以包括客观模型， 该客观模型迭代地、摸索地识别每个群体成员的类似成员，直到所识别的类似成员与所列 出的类似成员相匹配为止。类似成员选择器使用权重集合（w*)和相似度函数来自动选择 针对每个新群体成员的类似的列出的成员。
[0011] 一种实施方式是群体比较法，其包括：列出群体的成员、每个群体成员的特征以及 一个或多个类似群体成员；对每个成员的特征进行加权，并且将每个成员的特征与每个其 它成员的特征进行比较，以识别具有最接近的加权特征的成员；针对所述每个成员确定所 识别的成员是否与列出的类似群体成员相匹配；返回至对特征进行加权和比较，直到所有 识别的成员与列出的类似群体成员相匹配为止；并且当所有成员都匹配时，提供类似成员 的当前权重集合（W*)和相似度函数；接收包括每个相应的新群体成员的特征的新群体成 员描述；以及响应于所述当前权重集合（《*)和所述相似度函数，选择列出的群体成员的子 集作为每个新群体成员的类似成员。
[0012] 在该实施方式中，加权和比较包括：将所述群体（I)划分成针对每个成员（i，其中 ieI) -个分区，其中，在实施方式中I是储集层的集合，每个分区包括两个较小的群体或 子组。一个子组包括相应的成员，而另一子组包括除去相应的成员之后剩余的所有其它成 员。群体成员是具有属性（Pep)的储集层，每个属性具有已知值（\并且加权和比较 包括：将目标属性（n)的所述已知值与所述目标属性的属性值估计（VieR:各个ieI属 性nep的估计）进行比较，以得出属性权重（Wpe[0，i])。根据实施方式，p是储集层的 属性集合。然后，下标i和上标P分别是所述集合I和P的单独元素。比较包括：应用使比较
差值最小化的客观模型，所述客观模型具有形式 群体比较方法 i 还可以包括将以下输入到所述客观模型：
各个iGI的属性pGP的（已知） 值；以及
储集层ieI与储集层jeI之间的根据属性Pep的距离；并且其 中，储集层之间被分隔开距离R:ieI并且jeI;并且每个储集层具有在邻域阈值内 的K个邻近储集层，heR:ieI。此外，所述客观模型受制于属性估计约束、邻近距离约束、
权重约束和邻近成员约束；其中，属性估计约束具有形式 .邻 9 近距离约束具有形式：
Kti+a-yj并且扎>ti+yij;权重约
束具有形式 以及邻近成员约束具有形式jel\{i}yij=K;其中，v.pj _ W it \mm 且ViGI。可以通过以下操作来选择子集：将确定的所述权重（W*)应用于新群体成员特 征；自动选择满足阈值的列出的成员作为所述子集的成员；以及根据所述子集确定新群体 成员的值。阈值可以为预选的数量，所述子集为所述预选的数量的列出的成员，其具有最接 近于所述新群体成员的加权属性。
[0013] 另一实施方式是储集层评价方法，其包括：存储已知储集层的储集层数据库、每个 已知储集层的特征以及所述每个已知储集层的类似的所述已知储集层；自动确定已知储集 层特征的权重（《*)和相似度函数，包括：对所述每个已知储集层的特征进行加权，将所述 每个已知储集层与每个其它储集层进行比较，以识别具有最接近的加权特征的储集层，以 确定所识别的储集层是否与所述每个已知储集层的列出的所述类似的已知储集层匹配，返 回至对特征进行加权，直到所有识别的储集层与列出的所述类似的已知储集层匹配为止， 并且当所有储集层都匹配时，提供类似成员的当前权重集合（W*)和相似度函数；接收包括 每个相应的所述新储集层的特征的新储集层描述；将确定的所述权重（《*)应用于所述新 储集层特征；自动选择满足阈值的已知储集层的子集；以及根据所述子集来确定所述新储 集层的值。
[0014] 在该实施方式中，自动确定权重进一步包括：将所述已知储集层（I)划分成多个 分区，针对每个已知储集层（i，其中ieI) -个分区，每个分区包括两个较小的储集层群 体或子组。一个储集层子组包括相应的已知储集层（i)，而另一储集层子组包括除去相应 的已知储集层之后剩余的所有其它已知储集层。储集层可以是具有属性（Pep)的烃储集 层，每个属性具有已知值（0f\并且比较所述已知储集层包括：应用客观模型，所述客观 模型将目标属性（n)的所述已知值与所述目标属性的属性值估计（Vier:各个ieI属 性nep的估计）进行比较，以得出属性权重（Wpe[0，i])。应用所述客观模型使比较
差值最小化，并且所述客观模型具有形式 .以及其中，所述客观 9 模型的输入包括：
.各个ieI的属性pep的（已知）值；以及
储集层ieI与储集层jeI之间的根据属性pep的距离。烃储集层之间被分隔开距 离R:ieI并且jeI;每个所述烃储集层具有在邻域阈值内的K个邻近储集层， R:ieI;以及所述客观模型的优化受制于属性估计约束、邻近距离约束、权重约束 以及邻近成员约束。属性估计约束具有形式
.邻近距离约束 具有形式：
，dij彡ti+a-yj且dij彡ti+yy权重约束具有形式：
;邻近成员约束具有形式jel\{i}yij=K;其中，v|e|且，e1;以及所 述阈值是预选的数量，所述成员选择单元选择所述预选的数量的已知储集层，其具有最接 近于所述新储集层的加权属性。
[0015] 另一实施方式是用于比较群体成员的计算机程序产品，所述计算机程序产品包括 其上存储有计算机可读程序代码的计算机可用介质，所述计算机可读 程序代码使计算机执 行所述代码以：对群体的每个成员的特征或属性进行加权，并且将每个成员与每个其它成 员进行比较，以识别具有最接近的加权特征的成员，所述列表包括每个群体成员的特征以 及一个或多个类似群体成员；确定所识别的成员是否与所述每个成员的列出的类似群体成 员匹配；返回至对特征进行加权和比较，直到所有识别的成员与列出的类似的群体成员匹 配为止；以及当所有成员都匹配时，提供类似成员的当前权重集合（W*)和相似度函数；接 收包括每个相应的新群体成员的特征的新群体成员描述；以及响应于所述当前权重集合 (W*)和所述相似度函数，选择列出的群体成员的子集作为每个新群体成员的类似成员。
[0016] 又一实施方式是用于评价储集层的计算机程序产品，所述计算机程序产品包括其 上存储有计算机可读程序代码的计算机可用介质，所述计算机可读程序代码使计算机执行 所述代码以：根据存储在储集层数据库中的数据来自动确定已知储集层特征的权重（W*) 和相似度函数，针对所述每个已知储集层所述储集层数据库列出已知储集层、每个已知储 集层的特征以及类似的所述已知储集层，自动确定权重（W*)包括：对所述每个已知储集层 的特征进行加权，将所述每个已知储集层与每个其它储集层进行比较，以识别具有最接近 的加权特征的储集层，确定所识别的储集层是否与所述每个已知储集层的列出的所述类似 的已知储集层匹配，返回至对特征进行加权，直到所有识别的储集层与列出的所述类似的 已知储集层匹配为止，并且当所有储集层都匹配时，提供类似成员的当前权重集合（W*)和 相似度函数；接收包括每个相应的所述新储集层的特征的新储集层描述；将所确定的所述 权重（W*)应用于所述新储集层特征；自动选择满足阈值的已知储集层的子集；以及根据所 述子集确定所述新储集层的值。
【附图说明】
[0017] 参考附图，根据下面对本发明的优选实施方式的详细描述，将更好地理解上述及 其它目的、方面和优点，在附图中：
[0018] 图1示出了根据本发明的优选实施方式的用于自动将新群体成员（例如新发现的 烃储集层）与现有群体成员进行配对的优选估价系统的示例；
[0019] 图2A和图2B示出了用于自动选择应用于最佳相似度函数中的属性和权重的属性 加权系统的示例；
[0020] 图3示出了优选系统如何使用所确定的最佳权重集合来对来自储集层数据库的 邻近储集层进行加权并且选择类似储集层以对新候选者进行评价的示例。
【具体实施方式】
[0021]如本领域技术人员将意识到的，本发明的各个方面可以被实现为系统、方法或计 算机程序产品。因此，本发明的各个方面可以采取如下形式：完全硬件实施方式、完全软件 实施方式（包括固件、常驻软件、微代码等）或者在本文中通常可以都称为"电路"、"模块" 或"系统"的将软件方面与硬件方面相结合的实施方式。此外，本发明的方面可以采取如下 形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其 上实现的计算机可读程序代码。
[0022]可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机 可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如（但不限于）电子的、 磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计 算机可读存储介质的更具体的示例（非穷尽列举）将包括以下各项：具有一根或多根电线 的电气连接、便携式计算机软盘、硬盘、随机存取存储器（RAM)、只读存储器（ROM)、可擦除 可编程只读存储器（EPROM或闪速存储器）、光纤、便携式光盘只读存储器（CD-ROM)、光存储 装置、磁存储装置或前述的任意适当的组合。在本文件的上下文中，计算机可读存储介质可 以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备 或装置使用的程序的任意有形介质。
[0023] 计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中 如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用 多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读 信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令 执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播 或传输。
[0024] 可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意 合适的介质来传送实现在计算机可读介质上的程序代码。
[0025] 用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语 言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++ 等；以及常规过程编程语言如"C"编程语言或类似的编程语言。程序代码可以作为独立软 件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分 地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可 以将远程计算机通过包括局域网（LAN)或广域网（WAN)的任意类型的网络连接至用户计算 机，或者可以与外部计算机进行连接（例如通过使用因特网服务供应商的因特网）。
[0026] 下面参照根据本发明的实施方式的方法、设备（系统）和计算机程序产品的流程 图图例和/或框图来描述本发明的各个方面。将要理解的是，流程图图例和/或框图的每 个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机 程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以 产生机器，使得（经由计算机或其它可编程数据处理设备的处理器执行的）指令创建用于 实现流程图和/或框图块或块中指定的功能/动作的装置。
[0027] 还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备 或其它装置以特定方式运行的计算机可读介质中，使得在计算机可读介质中存储的指令产 生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
[0028] 计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置 上，以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实 现的过程，使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框 图块或块中指定的功能/动作的过程。
[0029] 现在转到附图，并且更具体地转到图1，其示出了根据本发明的优选实施方式的基 于使用已编目和特征化的现有群体成员进行自动配对来确定针对新群体成员（例如新发 现的烃储集层）的评价的估价系统1〇〇的示例。估价系统1〇〇包括以有线或无线方式彼 此耦接并且通过网络108如局域网（LAN)、因特网、内联网或其组合彼此进行通信的计算机 102、104、106 (在该示例中有3个）。通常，计算机102、104、106包括：一个或多个处理器如 中央处理单元（CPU) 110、存储器112以及具有列出已知或现有群体成员、成员特征和先前 识别的类似成员的目录的本地存储器114,如储集层数据库。
[0030] 在该示例中，优选系统100首先自动确定在相似度函数中应用程序的针对所有现 有群体成员的特征或属性的权重集合（《*)。优选地，系统1〇〇基于将实际值与从所有其它 群体成员得出的估算价值进行比较，以及使实际与估算之间的差最小化来找到产生每个群 体成员的最小评价误差的权重集合和相似度函数。然后，当发现新烃储集层并且对其进行 特征化时，优选系统1〇〇将已加权的相似度函数应用于新发现的烃储集层，以识别类似的 现有储集层。该系统使用所识别的类似储集层来估计每个新发现的储集层的价值。可以 从以下直接接收新储集层数据：远程连接的传感器116或者自动或人工进入联网的计算机 102、104、106中的一个或多个。
[0031] 优选地，存储器114中的储集层数据库包括现有储集层的群体的属性。这些属性 可以包括如地质方面、岩石物理参数、储集层空间或体积物理属性以及开发方案，以提取最 佳权重。地质方面可以包括如地质年代、岩性、沉积环境以及成岩和构造发展史。岩石物理 参数可以包括如总厚度、有效厚度与总厚度的比值（net-to-grossratio)、产层厚度（pay thickness)、孔隙度、含烃饱和度以及渗透率。储集层空间或体积物理属性可以包括如深 度、压力、温度、原始流体含量、油重力、相对渗透率、残余饱和度和驱动机制。开发方案可以 包括如井孔间距、完井和增产、人工升举、流体注入和注入量。
[0032] 最初，优选系统100将优化模型应用于存储器114中的储集层数据库中列举的现 有群体成员或储集层，从而自动选择权重和相似度函数。具体地，每个列出的成员还具有先 前被识别为类似物如类似储集层的其它列出的成员的子集。优化模型迭代地、摸索地识别 每个成员的类似储集层，并且在每次迭代中，将结果与每个储集层的已知子集进行比较。通 过使比较结果中的差或误差最小化，优化模型选择最佳权重集合和相似度函数以应用于新 的、先前未知的成员（储集层）。 此后，当发现新储集层时，系统1〇〇使用所选择的权重和相 似度函数来选择类似储集层以估计价值。
[0033] 图2A和图2B示出了根据本发明的优选实施方式的用于自动选择用于对相似度函 数因子进行加权以识别类似储集层的属性权重集合的属性加权系统120的示例。交叉验证 预处理器122对（例如来自图1的存储器114的）储集层数据库进行划分以创建分区124， 每个储集层一个单独的分区。然后，将自动加权单元126应用于单独的分区124,加权单元 126生成现有储集层（i，其中iGI)的群体（I)的最佳权重集合（w*) 128,该最佳权重集 合（w*) 128最佳地描述了该群体（I)的相似度函数。在该示例中，自动加权单元126应用 优化模型1260,其受制于约束1262至约束1272,以得出最佳的权重集合（w*) 128。
[0034] 首先，交叉验证预处理器122分割或划分数据库114中的整个储集层群体（I)，识 别具有每个分区的每个储集层的一个分区，每个分区包括两个较小储集层群体或子组。一 个储集层子组包括单一验证数据集（U})中的各个储集层（i，其中ieI);并且，对于留 一交叉验证（L00CV)而言，另一储集层子组或集合包括所有其它储集层（、=I\{i})。每 个储集层的细节或属性（Pi)属于储集层属性集合（P)。对于每个单独的储集层（ieI)而 言，每个属性（Pep)具有已知值
优选的属性加权系统120选择目标属性 (1〇，并且使用剩余的储集层属性作为集合（？。=?\{11})来预测目标属性（11)。
[0035] 两个储集层（i和j)具有它们之间的2范数单变量距离（\其中，
.储集层ieI与储集层jgI之间的根据属性pgp的距离。这些单变量 馨 距离（的加权平均为dijGR:个体iGI与个体jGI之间的距离。每个储集层具有 在邻域阈值内的邻近储集层，tieR:邻域阈值个体ieI。每个储集层为（真或"1"）或 者不为（假或"〇"）最近邻，即yije{0，1}表示jeI是否为ieI的K个最近邻中的一 个。因此，将每个储集层视为具有作为比较集合的其它储集层的单一集合，交叉验证预处理 器122识别分区124,每个储集层一个分区。
[0036] 优选地，优选的自动加权单元126使用k最近邻（k-NN)算法来确定属性估计值 (Vi)。然后，自动加权单元126将每个候选集合的已知目标属性值（f)与该属性估计值进 行比较，以得出最佳权重。优选地，自动加权单元126使用优化模型1260 (例如各种公知的 搜索技术中的任何搜索技术）来找到使比较差值最小化如
的混合 整数解。这样的公知的适当的技术包括所谓的如分支定界法、分支切割法、列生成法。然而， 优选地，自动加权单元126应用混合整数二次规划（MIQP)模型如CPLEX(www-〇l.ibm.com/ software/integration/optimization/cplex-optimizer)来石角定最优方案。
[0037]自动加权单元126的输入包括储集层的已知属性值和储集层 之间的已知2范数单变量距离（\自动加权单元126根据原始输入数据 if的单调变换来确定与^两者。因此，
以及
对于特定个体和目标属性，受制于属性 0 估计约束1262、邻近距离约束1264至1268,加权约束1270以及邻近成员约束1272,自动加 权单元126对经加权的2范数距离函数进行优化，并且内在地确定近邻和目标估计。
[0038] 优选地，自动加权单元126基于所有其它储集层使用优化模型1260作为全局最优 相似度函数来得出使每个储集层的预测误差最小化的最佳权重集合（w*) 128。在该特定示 例中，目标属性的已知值与预测值之间的差表示估计误差。个体估计误差的平方和表示总 体估计误差。优选地，可预测目标值具有零误差，即平方和为0。因此，减小总体估计误差直 到将误差最小化为止的迭代选择得出最佳权重集合（wpe[0，1]:与属性PeP相关联）。 因此，优选的自动加权单元126使每个储集层的总体误差最小化，以得出最佳权重128和可 应用于所有储集层的唯一相似度函数。可以将该最佳权重集合（《*) 128和可应用的相似度 函数应用于随后发现的新储集层以自动识别类似储集层。
[0039] 图3示出了优选系统（图1中的100)如何使用自动确定的最佳权重集合（w*) 128 来对（例如来自存储器114的）储集层数据库的邻近储集层进行加权以用于对任意（一个 或多个）新候选者132进行评价的示例。系统100在相似度函数中应用最佳权重（w*) 128， 以确定候选储集层与其它列出的储集层之间的相似度，并且自动选择134子集类似的（即 最相似的）储集层。因此，例如子集可以是预定义数量的储集层，或者可以如以加权二进位 和的形式选择的那些列出的高于阈值的储集层。例如样本平均估计器、K-nn或线性回归的 估计器模型136根据类似储集层子集134来确定目标储集层132的先前未知值138。
[0040] 因此，优选系统100有利地自动选择属性、权重和最佳相似度函数，用于识别针对 新成员如烃储集层的群体的类似成员。因此，优选系统和方法保证制定最佳相似度函数，用 于基于现有可用数据并且使用最近邻算法对每个特定目标属性进行估计。因此，用户如专 家不再人工作出这些决定和选择，并且结果如类似烃储集层变得不太主观。
[0041] 虽然已经根据优选实施方式对本发明进行了描述，但是本领域的技术人员将认识 到，本发明可以在所附权利要求的精神和范围内实施修改。旨在使所有这样的变型和修改 落入所附权利要求的范围内。因此，示例和附图将被视为说明性的而非限制性的。
【主权项】
1. 一种群体比较系统，包括： 群体存储器，其存储群体成员列表和针对每个群体成员的一个或多个特征； 自动加权系统，其自动确定群体成员特征的权重（《*)和针对所述每个群体成员识别 一个或多个其它类似群体成员的相似度函数； 新群体成员输入端，其接收包括每个相应的新群体成员的特征的新群体成员描述；以 及 类似成员选择器，其响应于所述确定的权重（W*)和所述相似度函数，选择列出的群体 成员的子集作为每个新群体成员的类似成员。2. 根据权利要求1所述的群体比较系统，其中，每个列出的群体成员具有一个或多个 先前识别的类似群体成员，并且所述自动加权单元包括： 交叉验证预处理器，其将所述群体划分成多个分区；以及 客观模型，其自动选择属性权重，以针对每个列出的群体成员从其它所述列出的群体 成员中选择与所述多个先前识别的群体成员相同的成员。3. 根据权利要求2所述的群体比较系统，其中，所述交叉验证预处理器将所述群体（I) 划分成针对每个成员（i，其中i e I) -个分区，每个分区包括两个子组，一个子组包括所 述每个成员（i)，而另一个子组包括除去相应的所述每个成员之后剩余的所有其它成员（Ii=。4. 根据权利要求2所述的群体比较系统，其中，所述群体成员是具有属性（p e P)的储 集层，每个属性具有已知值\并且所述客观模型将目标属性（η)的所述已知值与所 述目标属性的属性值估计（Vie R :各个i e I属性n e ρ的估计）进行比较，以得出属性 权重（Wpe [〇，1])。5. 根据权利要求4所述的群体比较系统，其中，所述客观模型使比较差值最小化，并且 所述客观模型具有以下形式：6. 根据权利要求4所述的群体比较系统，其中，两个储集层（i和j)被分隔开2范数单 变量距离< L并且所述客观模型的输入包括：各个i e I的属性ρ e P的（已知）值；以及 储集层i e I与储集层j e I之间的根据属性p e p的距离。7. 根据权利要求6所述的群体比较系统，其中， 储集层被分隔开距离ClijE R :i e I且j e I ; 每个储集层具有在邻域阈值内的K个邻近储集层，he R :i e I ;以及 所述客观模型的优化受制于属性估计约束、邻近距离约束、权重约束和邻近成员约束。8. 根据权利要求7所述的群体比较系统，其中， 属性估计约束具有形式邻近距离约束具有形式：并且^ij ^ t i+yij! 权重约束具有形式： 以及 邻近成员约束具有形式：其中，vie I且WGI。9. 根据权利要求1所述的群体比较系统，所述类似成员选择器包括： 成员选择单元，其将确定的所述权重（《*)应用于新群体成员特征，并且自动选择满足 阈值的列出的成员作为所述子集的成员；以及 估计器，其根据所述子集确定所述新群体成员的值。10. 根据权利要求9所述的群体比较系统，其中，所述阈值为预选的数量，所述成员选 择单元选择所述预选的数量的列出的成员，其具有最接近于所述新群体成员的加权属性。11. 一种储集层评价系统，包括： 储集层存储器，其存储已知储集层的储集层数据库和每个已知储集层的特征； 自动加权系统，其自动确定已知储集层特征的权重（w*)和针对所述每个已知储集层 识别一个或多个其它类似储集层的相似度函数； 新储集层输入端，其接收包括每个相应的所述新储集层的特征的新储集层描述； 类似储集层选择单元，其将确定的所述权重（《*)应用于所述新储集层特征 ，并且自动 选择满足阈值的已知储集层的子集；以及 估计器，其根据所述子集确定所述新储集层的值。12. 根据权利要求11所述的储集层评价系统，其中，每个已知储集层具有一个或多个 先前识别的类似储集层，并且所述自动加权单元包括： 交叉验证预处理器，其将所述已知储集层划分成多个分区；以及 客观模型，其自动选择属性权重，以针对每个已知储集层从其它已知储集层中选择与 所述多个先前识别的类似储集层相同的成员。13. 根据权利要求12所述的储集层评价系统，其中，所述交叉验证预处理器将所述已 知储集层（I)划分成针对每个已知储集层（i，其中i e I) -个分区，每个分区包括两个储 集层子组，一个储集层子组包括所述每个已知储集层（i)，而另一个储集层子组包括除去相 应的所述每个已知储集层之后剩余的所有其它已知储集层（Ii= I\{i})。14. 根据权利要求13所述的储集层评价系统，其中，所述储集层是具有属性（p e P)的 烃储集层，每个属性具有已知值\并且所述客观模型将目标属性（n)的所述已知值 与所述目标属性的属性值估计（Vie R:各个i e I属性η e ρ的估计）进行比较，以得出 属性权重（wpe [〇，1])。15. 根据权利要求14所述的储集层评价系统，其中，两个储集层（i和j)被分隔开2 范数单变量距离（h所述客观模型使比较差值最小化，并且所述客观模型具有以下形 式：并且其中，所述客观模型的输入包括：,各个i e I的属性p e p的（已知）值；以及 ? :储集层i e I与储集层j e I之间的根据属性p e p的距离。16. 根据权利要求15所述的储集层评价系统，其中， 所述烃储集层被分隔开距离due R :i e I且j e I ; 每个所述烃储集层具有在邻域阈值内的K个邻近储集层，he R :i e I ;以及 所述客观模型的优化受制于属性估计约束、邻近距离约束、权重约束和邻近成员约束。17. 根据权利要求16所述的储集层评价系统，其中， 所述属性估计约束具有形式邻近距离约束具有形式：且 ^ij ^ t i+yij! 权重约束具有形式：邻近成员约束具有形式/ 其中，Vi El且胃Gi;以及 所述阈值为预选的数量，所述成员选择单元选择所述预选的数量的已知储集层，其具 有最接近于所述新储集层的加权属性。18. -种用于比较群体成员的计算机程序产品，所述计算机程序产品包括其上存储有 计算机可读程序代码的计算机可用介质，所述计算机可读程序代码包括： 用于存储群体成员列表以及每个群体成员的一个或多个特征的计算机可读程序代码 装置； 用于自动确定群体成员特征的权重（《*)和针对所述每个群体成员识别一个或多个其 它类似群体成员的相似度函数的计算机可读程序代码装置； 用于接收包括每个相应的新群体成员的特征的新群体成员描述的计算机可读程序代 码装置；以及 响应于所述确定的权重（《*)和所述相似度函数，选择列出的群体成员的子集作为每 个新群体成员的类似成员的计算机可读程序代码装置。19. 根据权利要求18所述的用于比较群体成员的计算机程序产品，其中，用于存储的 计算机可读程序代码装置还针对每个列出的群体成员指示一个或多个先前识别的类似群 体成员，并且用于自动确定权重的计算机可读程序代码装置包括： 用于将所述群体（I)划分成多个分区的计算机可读程序代码装置，针对每个成员（i， 其中i e I) -个分区，每个分区包括两个子组，一个子组包括所述每个成员（i)，而另一个 子组包括除去相应的所述每个成员之后剩余的所有其它成员（Ii= I\{i});以及 用于自动选择属性权重的计算机可读程序代码装置，以针对每个列出的群体成员从其 它所述列出的群体成员中选择与所述多个先前识别的群体成员相同的成员。20. 根据权利要求19所述的用于比较群体成员的计算机程序产品，其中，所述群体成 员是烃储集层，并且用于自动选择的计算机可读程序代码装置包括用于将目标属性（η ) 的已知值与所述目标属性的属性值估计（Vie R :各个i e I属性η e ρ的估计）进行比 较以得出属性权重（wpe [〇，1])的计算机可读程序代码装置。21. 根据权利要求20所述的用于比较群体成员的计算机程序产品，其中，用于自动选 择的计算机可读程序代码装置进一步包括： 用于针对被分隔开距离he R :i e I且j e I的储集层使所述比较差值最小化并具 有以下形式的计算机可读程序代码装置：其中，两个储集层（i和j)被分隔开2范数单变量距离（\每个储集层具有在邻域 阈值内的K个邻近储集层，R :i e I ;以及 用于接收包括以下输入的计算机可读程序代码装置： 等e ,1〗：各个i e I的属性P e p的（已知）值；以及 € [0,1]:储集层i e I与储集层j e I之间的根据属性p e p的距离。22. 根据权利要求21所述的用于比较群体成员的计算机程序产品，其中，用于自动选 择的计算机可读程序代码装置的优化受制于属性估计约束、邻近距离约束、权重约束和邻 近成员约束，其中， 属性估计约束具有形式：邻近距离约束具有形式：并且^ij ^ ? 权重约束具有形式 ·以及 9 邻近成员约束具有形式其中，ViemV/ei。23. -种用于评价储集层的计算机程序产品，所述计算机程序产品包括其上存储有计 算机可读程序代码的计算机可用介质，所述计算机可读程序代码包括： 用于存储已知储集层的储集层数据库、每个已知储集层的特征并针对所述每个已知储 集层指示一个或多个其它所述已知储集层作为类似储集层的计算机可读程序代码装置； 用于将所述群体（I)划分成多个分区的计算机可读程序代码装置，针对每个成员（i， 其中i e I) -个分区，每个分区包括两个子组，一个子组包括所述每个成员（i)，而另一个 子组包括除去相应的所述每个成员之后剩余的所有其它成员（Ii= I\{i});以及 用于选择属性权重的计算机可读程序代码装置，以针对每个列出的群体成员从其它所 述列出的群体成员中选择与所述多个先前识别的群体成员相同的成员； 用于确定已知储集层特征的权重集合（w*)和针对所述每个已知储集层独立识别所述 类似储集层的相似度函数的计算机可读程序代码装置； 用于接收包括每个相应的所述新储集层的特征的新储集层描述的计算机可读程序代 码装置； 用于将确定的所述权重（《*)应用于所述新储集层特征并自动选择满足阈值的已知储 集层的子集的计算机可读程序代码装置；以及 用于根据所述子集确定所述新储集层的值的计算机可读程序代码装置。24. 根据权利要求23所述的用于比较群体成员的计算机程序产品，其中，所述群体成 员是具有属性（p e P)的烃储集层，每个属性具有已知值（\并且用于确定的计算机可 读程序代码装置包括： 用于将目标属性（η)的所述已知值与所述目标属性的属性值估计（Vie R :各个i e I 属性n e p的估计）进行比较以得出属性权重（Wpe [〇, 1])的计算机可读程序代码装置； 以及 用于对用于比较的计算机可读程序代码装置进行邻近距离约束、权重约束和邻近成员 约束的计算机可读程序代码装置，其中， 属性估计约束具有形式：邻近距离约束具有形式：许且^ij ^ t i+yij! 权重约束具有形式 以及 邻近成员约束具有形式：7 其中，W GIfivZe L25. 根据权利要求24所述的用于比较群体成员的计算机程序产品，其中，用于自动选 择的计算机可读程序代码装置进一步包括： 用于针对间隔距离he R :i e I且j e I的储集层使所述比较差值最小化并具有以 下形式的计算机可读程序代码装置：其中，两个储集层（i和j)被分隔开2范数单变量距离（\每个储集层具有在邻域 阈值内的K个邻近储集层，R :i e I ;以及 用于接收包括以下输入的计算机可读程序代码装置： e [0,1]:各个i e I的属性p e p的（已知）值，以及 續€ 储集层i e I与储集层j e I之间的根据属性p e p的距离。
【专利摘要】群体比较系统、方法及其计算机程序产品。将如烃储集层的群体成员、特征和类似成员的存储列表划分成每个成员的列表。加权系统自动使用所述划分来确定群体成员特征的权重集合(w*)和相似度函数。加权系统可以包括客观模型，该客观模型迭代地、摸索地识别每个群体成员的类似成员，直到所识别的类似成员与所列出的类似成员匹配为止。类似成员选择器使用权重集合(w*)和相似度函数来自动选择每个新群体成员的类似的列出的成员。
【IPC分类】G01V99/00
【公开号】CN104903753
【申请号】CN201380064340
【发明人】穆罕默德·艾哈迈德·赫加齐, 索尼娅·马里耶特·恩比德罗兹, 伊拉里奥·马丁罗德里格斯, 布鲁诺·达·科斯塔·弗拉克, 达维·米歇尔·瓦拉当, 比安卡·扎德罗子兹尼
【申请人】雷普索尔有限公司, 国际商业机器公司
【公开日】2015年9月9日
【申请日】2013年12月12日
【公告号】CA2893812A1, EP2932313A2, US20140163901, WO2014090954A2, WO2014090954A3
【技术领域】
[0001] 本发明涉及对烃储集层进行评价，并且更具体地，涉及自动选择已知的类似储集 层对新识别的烃储集层进行评价。
【背景技术】
[0002] 每个新烃储集层具有基于未知属性的固有总价值。具体地，固有价值取决于最终 可从储集层采收的材料总量（生产潜力），以及采收该材料的成本或获取难度。这些未知的 属性仍然未知，并且仅可以估计固有价值，直到实际采收材料为止。先前，为了估计价值，一 个或多个专家首先识别和选择与新储集层具有某些相似方面的现有储集层，其被称为"类 似储集层"。专家（们）使用所选择的类似储集层来估计新储集层的价值。如错过被低估 的储集层而开采被高估的储集层中的错误评价会导致资源浪费。因此，为了使误差最小化， 已有的趋势是不再依赖于主观的专家判断来主观地选择类似储集层，而是趋向于更客观的 选择方法。例如，在对新烃储集层进行评价中已经使用了相似度函数。
[0003] 现今，在本领域中已经发现了相似度函数的很多用途：用于对对象集合或群体中 的成员进行比较，并且选择那些尽管它们不相同但是可以被识别为相似的对象。确定相似 度函数参数的现有技术方法的典型情况是应用专家知识和/或局部搜索方法，如梯度下降 算法和遗传算法。通常，在无需达到最相似匹配的情况下，这些方法的共同问题是继续依赖 于主观判断。
[0004] 现有技术方法的典型情况是使用储集层数据库中收集的可用储集层信息和相似 度函数来自动识别和选择类似储集层。然而，专家（或专家们）仍然选择相似度函数中使 用的精确的属性和权重来将目标（新）储集层的任何已知属性与已知储集层的属性进行比 较。例如，以下提供了人工指定的（例如由专家指定权重和/或属性）选择类似储集层的 相似度函数来估计价值的示例：公布的由Rowan发明的第2011/0118983号美国专利申请 "SystemandMethodforReservoirAnalysisBackground"；以及 2002 年由Bhushan等 人发表的"ANovelApproachtoIdentifyReservoirAnalogues"，壳牌国际勘探和生产。
[0005] 专家有望选择最佳属性和权重来识别具有与目标储集层最相似的属性的储集层 作为类似物。虽然这已经自动识别到最终选择，但是因为专家仍然选择属性和权重，所以该 最终选择仍然有些主观。因而，选择最佳属性和权重仍然是主观的，并且使选择类似储集层 成为困难且易出错的任务。
[0006] 因此，需要相似度函数的改进的应用，以将一个对象与来自相似对象的群体的其 它类似对象进行比较；并且更具体地，对用于选择现有烃储集层作为类似物的相似度函数 进行自动加权，来对新储集层进行评价。
【发明内容】
[0007] 本发明的特征在于自动选择权重集合和相似度函数，以用于将新群体成员与现有 群体成员进行配对；
[0008] 本发明的另一特征在于对储集层特征进行自动加权，以用于选择针对新发现的储 集层的类似储集层；
[0009] 本发明的又一特征在于自动选择最佳的权重集合，以对用于每个新发现的储集层 的储集层特征进行自动加权，以用于选择已知储集层的最佳子集作为类似储集层来对每个 新发现的储集层进行评价或估价。
[0010] 本发明涉及群体比较系统、群体比较方法及其计算机程序产品。将如烃储集层的 群体成员、特征和类似成员的存储列表划分成针对每个成员的列表。加权系统自动使用这 些分区来确定群体成员特征的权重集合（W*)和相似度函数。加权系统可以包括客观模型， 该客观模型迭代地、摸索地识别每个群体成员的类似成员，直到所识别的类似成员与所列 出的类似成员相匹配为止。类似成员选择器使用权重集合（w*)和相似度函数来自动选择 针对每个新群体成员的类似的列出的成员。
[0011] 一种实施方式是群体比较法，其包括：列出群体的成员、每个群体成员的特征以及 一个或多个类似群体成员；对每个成员的特征进行加权，并且将每个成员的特征与每个其 它成员的特征进行比较，以识别具有最接近的加权特征的成员；针对所述每个成员确定所 识别的成员是否与列出的类似群体成员相匹配；返回至对特征进行加权和比较，直到所有 识别的成员与列出的类似群体成员相匹配为止；并且当所有成员都匹配时，提供类似成员 的当前权重集合（W*)和相似度函数；接收包括每个相应的新群体成员的特征的新群体成 员描述；以及响应于所述当前权重集合（《*)和所述相似度函数，选择列出的群体成员的子 集作为每个新群体成员的类似成员。
[0012] 在该实施方式中，加权和比较包括：将所述群体（I)划分成针对每个成员（i，其中 ieI) -个分区，其中，在实施方式中I是储集层的集合，每个分区包括两个较小的群体或 子组。一个子组包括相应的成员，而另一子组包括除去相应的成员之后剩余的所有其它成 员。群体成员是具有属性（Pep)的储集层，每个属性具有已知值（\并且加权和比较 包括：将目标属性（n)的所述已知值与所述目标属性的属性值估计（VieR:各个ieI属 性nep的估计）进行比较，以得出属性权重（Wpe[0，i])。根据实施方式，p是储集层的 属性集合。然后，下标i和上标P分别是所述集合I和P的单独元素。比较包括：应用使比较
差值最小化的客观模型，所述客观模型具有形式 群体比较方法 i 还可以包括将以下输入到所述客观模型：
各个iGI的属性pGP的（已知） 值；以及
储集层ieI与储集层jeI之间的根据属性Pep的距离；并且其 中，储集层之间被分隔开距离R:ieI并且jeI;并且每个储集层具有在邻域阈值内 的K个邻近储集层，heR:ieI。此外，所述客观模型受制于属性估计约束、邻近距离约束、
权重约束和邻近成员约束；其中，属性估计约束具有形式 .邻 9 近距离约束具有形式：
Kti+a-yj并且扎>ti+yij;权重约
束具有形式 以及邻近成员约束具有形式jel\{i}yij=K;其中，v.pj _ W it \mm 且ViGI。可以通过以下操作来选择子集：将确定的所述权重（W*)应用于新群体成员特 征；自动选择满足阈值的列出的成员作为所述子集的成员；以及根据所述子集确定新群体 成员的值。阈值可以为预选的数量，所述子集为所述预选的数量的列出的成员，其具有最接 近于所述新群体成员的加权属性。
[0013] 另一实施方式是储集层评价方法，其包括：存储已知储集层的储集层数据库、每个 已知储集层的特征以及所述每个已知储集层的类似的所述已知储集层；自动确定已知储集 层特征的权重（《*)和相似度函数，包括：对所述每个已知储集层的特征进行加权，将所述 每个已知储集层与每个其它储集层进行比较，以识别具有最接近的加权特征的储集层，以 确定所识别的储集层是否与所述每个已知储集层的列出的所述类似的已知储集层匹配，返 回至对特征进行加权，直到所有识别的储集层与列出的所述类似的已知储集层匹配为止， 并且当所有储集层都匹配时，提供类似成员的当前权重集合（W*)和相似度函数；接收包括 每个相应的所述新储集层的特征的新储集层描述；将确定的所述权重（《*)应用于所述新 储集层特征；自动选择满足阈值的已知储集层的子集；以及根据所述子集来确定所述新储 集层的值。
[0014] 在该实施方式中，自动确定权重进一步包括：将所述已知储集层（I)划分成多个 分区，针对每个已知储集层（i，其中ieI) -个分区，每个分区包括两个较小的储集层群 体或子组。一个储集层子组包括相应的已知储集层（i)，而另一储集层子组包括除去相应 的已知储集层之后剩余的所有其它已知储集层。储集层可以是具有属性（Pep)的烃储集 层，每个属性具有已知值（0f\并且比较所述已知储集层包括：应用客观模型，所述客观 模型将目标属性（n)的所述已知值与所述目标属性的属性值估计（Vier:各个ieI属 性nep的估计）进行比较，以得出属性权重（Wpe[0，i])。应用所述客观模型使比较
差值最小化，并且所述客观模型具有形式 .以及其中，所述客观 9 模型的输入包括：
.各个ieI的属性pep的（已知）值；以及
储集层ieI与储集层jeI之间的根据属性pep的距离。烃储集层之间被分隔开距 离R:ieI并且jeI;每个所述烃储集层具有在邻域阈值内的K个邻近储集层， R:ieI;以及所述客观模型的优化受制于属性估计约束、邻近距离约束、权重约束 以及邻近成员约束。属性估计约束具有形式
.邻近距离约束 具有形式：
，dij彡ti+a-yj且dij彡ti+yy权重约束具有形式：
;邻近成员约束具有形式jel\{i}yij=K;其中，v|e|且，e1;以及所 述阈值是预选的数量，所述成员选择单元选择所述预选的数量的已知储集层，其具有最接 近于所述新储集层的加权属性。
[0015] 另一实施方式是用于比较群体成员的计算机程序产品，所述计算机程序产品包括 其上存储有计算机可读程序代码的计算机可用介质，所述计算机可读 程序代码使计算机执 行所述代码以：对群体的每个成员的特征或属性进行加权，并且将每个成员与每个其它成 员进行比较，以识别具有最接近的加权特征的成员，所述列表包括每个群体成员的特征以 及一个或多个类似群体成员；确定所识别的成员是否与所述每个成员的列出的类似群体成 员匹配；返回至对特征进行加权和比较，直到所有识别的成员与列出的类似的群体成员匹 配为止；以及当所有成员都匹配时，提供类似成员的当前权重集合（W*)和相似度函数；接 收包括每个相应的新群体成员的特征的新群体成员描述；以及响应于所述当前权重集合 (W*)和所述相似度函数，选择列出的群体成员的子集作为每个新群体成员的类似成员。
[0016] 又一实施方式是用于评价储集层的计算机程序产品，所述计算机程序产品包括其 上存储有计算机可读程序代码的计算机可用介质，所述计算机可读程序代码使计算机执行 所述代码以：根据存储在储集层数据库中的数据来自动确定已知储集层特征的权重（W*) 和相似度函数，针对所述每个已知储集层所述储集层数据库列出已知储集层、每个已知储 集层的特征以及类似的所述已知储集层，自动确定权重（W*)包括：对所述每个已知储集层 的特征进行加权，将所述每个已知储集层与每个其它储集层进行比较，以识别具有最接近 的加权特征的储集层，确定所识别的储集层是否与所述每个已知储集层的列出的所述类似 的已知储集层匹配，返回至对特征进行加权，直到所有识别的储集层与列出的所述类似的 已知储集层匹配为止，并且当所有储集层都匹配时，提供类似成员的当前权重集合（W*)和 相似度函数；接收包括每个相应的所述新储集层的特征的新储集层描述；将所确定的所述 权重（W*)应用于所述新储集层特征；自动选择满足阈值的已知储集层的子集；以及根据所 述子集确定所述新储集层的值。
【附图说明】
[0017] 参考附图，根据下面对本发明的优选实施方式的详细描述，将更好地理解上述及 其它目的、方面和优点，在附图中：
[0018] 图1示出了根据本发明的优选实施方式的用于自动将新群体成员（例如新发现的 烃储集层）与现有群体成员进行配对的优选估价系统的示例；
[0019] 图2A和图2B示出了用于自动选择应用于最佳相似度函数中的属性和权重的属性 加权系统的示例；
[0020] 图3示出了优选系统如何使用所确定的最佳权重集合来对来自储集层数据库的 邻近储集层进行加权并且选择类似储集层以对新候选者进行评价的示例。
【具体实施方式】
[0021]如本领域技术人员将意识到的，本发明的各个方面可以被实现为系统、方法或计 算机程序产品。因此，本发明的各个方面可以采取如下形式：完全硬件实施方式、完全软件 实施方式（包括固件、常驻软件、微代码等）或者在本文中通常可以都称为"电路"、"模块" 或"系统"的将软件方面与硬件方面相结合的实施方式。此外，本发明的方面可以采取如下 形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其 上实现的计算机可读程序代码。
[0022]可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机 可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如（但不限于）电子的、 磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计 算机可读存储介质的更具体的示例（非穷尽列举）将包括以下各项：具有一根或多根电线 的电气连接、便携式计算机软盘、硬盘、随机存取存储器（RAM)、只读存储器（ROM)、可擦除 可编程只读存储器（EPROM或闪速存储器）、光纤、便携式光盘只读存储器（CD-ROM)、光存储 装置、磁存储装置或前述的任意适当的组合。在本文件的上下文中，计算机可读存储介质可 以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备 或装置使用的程序的任意有形介质。
[0023] 计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中 如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用 多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读 信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令 执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播 或传输。
[0024] 可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意 合适的介质来传送实现在计算机可读介质上的程序代码。
[0025] 用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语 言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++ 等；以及常规过程编程语言如"C"编程语言或类似的编程语言。程序代码可以作为独立软 件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分 地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可 以将远程计算机通过包括局域网（LAN)或广域网（WAN)的任意类型的网络连接至用户计算 机，或者可以与外部计算机进行连接（例如通过使用因特网服务供应商的因特网）。
[0026] 下面参照根据本发明的实施方式的方法、设备（系统）和计算机程序产品的流程 图图例和/或框图来描述本发明的各个方面。将要理解的是，流程图图例和/或框图的每 个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机 程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以 产生机器，使得（经由计算机或其它可编程数据处理设备的处理器执行的）指令创建用于 实现流程图和/或框图块或块中指定的功能/动作的装置。
[0027] 还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备 或其它装置以特定方式运行的计算机可读介质中，使得在计算机可读介质中存储的指令产 生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
[0028] 计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置 上，以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实 现的过程，使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框 图块或块中指定的功能/动作的过程。
[0029] 现在转到附图，并且更具体地转到图1，其示出了根据本发明的优选实施方式的基 于使用已编目和特征化的现有群体成员进行自动配对来确定针对新群体成员（例如新发 现的烃储集层）的评价的估价系统1〇〇的示例。估价系统1〇〇包括以有线或无线方式彼 此耦接并且通过网络108如局域网（LAN)、因特网、内联网或其组合彼此进行通信的计算机 102、104、106 (在该示例中有3个）。通常，计算机102、104、106包括：一个或多个处理器如 中央处理单元（CPU) 110、存储器112以及具有列出已知或现有群体成员、成员特征和先前 识别的类似成员的目录的本地存储器114,如储集层数据库。
[0030] 在该示例中，优选系统100首先自动确定在相似度函数中应用程序的针对所有现 有群体成员的特征或属性的权重集合（《*)。优选地，系统1〇〇基于将实际值与从所有其它 群体成员得出的估算价值进行比较，以及使实际与估算之间的差最小化来找到产生每个群 体成员的最小评价误差的权重集合和相似度函数。然后，当发现新烃储集层并且对其进行 特征化时，优选系统1〇〇将已加权的相似度函数应用于新发现的烃储集层，以识别类似的 现有储集层。该系统使用所识别的类似储集层来估计每个新发现的储集层的价值。可以 从以下直接接收新储集层数据：远程连接的传感器116或者自动或人工进入联网的计算机 102、104、106中的一个或多个。
[0031] 优选地，存储器114中的储集层数据库包括现有储集层的群体的属性。这些属性 可以包括如地质方面、岩石物理参数、储集层空间或体积物理属性以及开发方案，以提取最 佳权重。地质方面可以包括如地质年代、岩性、沉积环境以及成岩和构造发展史。岩石物理 参数可以包括如总厚度、有效厚度与总厚度的比值（net-to-grossratio)、产层厚度（pay thickness)、孔隙度、含烃饱和度以及渗透率。储集层空间或体积物理属性可以包括如深 度、压力、温度、原始流体含量、油重力、相对渗透率、残余饱和度和驱动机制。开发方案可以 包括如井孔间距、完井和增产、人工升举、流体注入和注入量。
[0032] 最初，优选系统100将优化模型应用于存储器114中的储集层数据库中列举的现 有群体成员或储集层，从而自动选择权重和相似度函数。具体地，每个列出的成员还具有先 前被识别为类似物如类似储集层的其它列出的成员的子集。优化模型迭代地、摸索地识别 每个成员的类似储集层，并且在每次迭代中，将结果与每个储集层的已知子集进行比较。通 过使比较结果中的差或误差最小化，优化模型选择最佳权重集合和相似度函数以应用于新 的、先前未知的成员（储集层）。 此后，当发现新储集层时，系统1〇〇使用所选择的权重和相 似度函数来选择类似储集层以估计价值。
[0033] 图2A和图2B示出了根据本发明的优选实施方式的用于自动选择用于对相似度函 数因子进行加权以识别类似储集层的属性权重集合的属性加权系统120的示例。交叉验证 预处理器122对（例如来自图1的存储器114的）储集层数据库进行划分以创建分区124， 每个储集层一个单独的分区。然后，将自动加权单元126应用于单独的分区124,加权单元 126生成现有储集层（i，其中iGI)的群体（I)的最佳权重集合（w*) 128,该最佳权重集 合（w*) 128最佳地描述了该群体（I)的相似度函数。在该示例中，自动加权单元126应用 优化模型1260,其受制于约束1262至约束1272,以得出最佳的权重集合（w*) 128。
[0034] 首先，交叉验证预处理器122分割或划分数据库114中的整个储集层群体（I)，识 别具有每个分区的每个储集层的一个分区，每个分区包括两个较小储集层群体或子组。一 个储集层子组包括单一验证数据集（U})中的各个储集层（i，其中ieI);并且，对于留 一交叉验证（L00CV)而言，另一储集层子组或集合包括所有其它储集层（、=I\{i})。每 个储集层的细节或属性（Pi)属于储集层属性集合（P)。对于每个单独的储集层（ieI)而 言，每个属性（Pep)具有已知值
优选的属性加权系统120选择目标属性 (1〇，并且使用剩余的储集层属性作为集合（？。=?\{11})来预测目标属性（11)。
[0035] 两个储集层（i和j)具有它们之间的2范数单变量距离（\其中，
.储集层ieI与储集层jgI之间的根据属性pgp的距离。这些单变量 馨 距离（的加权平均为dijGR:个体iGI与个体jGI之间的距离。每个储集层具有 在邻域阈值内的邻近储集层，tieR:邻域阈值个体ieI。每个储集层为（真或"1"）或 者不为（假或"〇"）最近邻，即yije{0，1}表示jeI是否为ieI的K个最近邻中的一 个。因此，将每个储集层视为具有作为比较集合的其它储集层的单一集合，交叉验证预处理 器122识别分区124,每个储集层一个分区。
[0036] 优选地，优选的自动加权单元126使用k最近邻（k-NN)算法来确定属性估计值 (Vi)。然后，自动加权单元126将每个候选集合的已知目标属性值（f)与该属性估计值进 行比较，以得出最佳权重。优选地，自动加权单元126使用优化模型1260 (例如各种公知的 搜索技术中的任何搜索技术）来找到使比较差值最小化如
的混合 整数解。这样的公知的适当的技术包括所谓的如分支定界法、分支切割法、列生成法。然而， 优选地，自动加权单元126应用混合整数二次规划（MIQP)模型如CPLEX(www-〇l.ibm.com/ software/integration/optimization/cplex-optimizer)来石角定最优方案。
[0037]自动加权单元126的输入包括储集层的已知属性值和储集层 之间的已知2范数单变量距离（\自动加权单元126根据原始输入数据 if的单调变换来确定与^两者。因此，
以及
对于特定个体和目标属性，受制于属性 0 估计约束1262、邻近距离约束1264至1268,加权约束1270以及邻近成员约束1272,自动加 权单元126对经加权的2范数距离函数进行优化，并且内在地确定近邻和目标估计。
[0038] 优选地，自动加权单元126基于所有其它储集层使用优化模型1260作为全局最优 相似度函数来得出使每个储集层的预测误差最小化的最佳权重集合（w*) 128。在该特定示 例中，目标属性的已知值与预测值之间的差表示估计误差。个体估计误差的平方和表示总 体估计误差。优选地，可预测目标值具有零误差，即平方和为0。因此，减小总体估计误差直 到将误差最小化为止的迭代选择得出最佳权重集合（wpe[0，1]:与属性PeP相关联）。 因此，优选的自动加权单元126使每个储集层的总体误差最小化，以得出最佳权重128和可 应用于所有储集层的唯一相似度函数。可以将该最佳权重集合（《*) 128和可应用的相似度 函数应用于随后发现的新储集层以自动识别类似储集层。
[0039] 图3示出了优选系统（图1中的100)如何使用自动确定的最佳权重集合（w*) 128 来对（例如来自存储器114的）储集层数据库的邻近储集层进行加权以用于对任意（一个 或多个）新候选者132进行评价的示例。系统100在相似度函数中应用最佳权重（w*) 128， 以确定候选储集层与其它列出的储集层之间的相似度，并且自动选择134子集类似的（即 最相似的）储集层。因此，例如子集可以是预定义数量的储集层，或者可以如以加权二进位 和的形式选择的那些列出的高于阈值的储集层。例如样本平均估计器、K-nn或线性回归的 估计器模型136根据类似储集层子集134来确定目标储集层132的先前未知值138。
[0040] 因此，优选系统100有利地自动选择属性、权重和最佳相似度函数，用于识别针对 新成员如烃储集层的群体的类似成员。因此，优选系统和方法保证制定最佳相似度函数，用 于基于现有可用数据并且使用最近邻算法对每个特定目标属性进行估计。因此，用户如专 家不再人工作出这些决定和选择，并且结果如类似烃储集层变得不太主观。
[0041] 虽然已经根据优选实施方式对本发明进行了描述，但是本领域的技术人员将认识 到，本发明可以在所附权利要求的精神和范围内实施修改。旨在使所有这样的变型和修改 落入所附权利要求的范围内。因此，示例和附图将被视为说明性的而非限制性的。
【主权项】
1. 一种群体比较系统，包括： 群体存储器，其存储群体成员列表和针对每个群体成员的一个或多个特征； 自动加权系统，其自动确定群体成员特征的权重（《*)和针对所述每个群体成员识别 一个或多个其它类似群体成员的相似度函数； 新群体成员输入端，其接收包括每个相应的新群体成员的特征的新群体成员描述；以 及 类似成员选择器，其响应于所述确定的权重（W*)和所述相似度函数，选择列出的群体 成员的子集作为每个新群体成员的类似成员。2. 根据权利要求1所述的群体比较系统，其中，每个列出的群体成员具有一个或多个 先前识别的类似群体成员，并且所述自动加权单元包括： 交叉验证预处理器，其将所述群体划分成多个分区；以及 客观模型，其自动选择属性权重，以针对每个列出的群体成员从其它所述列出的群体 成员中选择与所述多个先前识别的群体成员相同的成员。3. 根据权利要求2所述的群体比较系统，其中，所述交叉验证预处理器将所述群体（I) 划分成针对每个成员（i，其中i e I) -个分区，每个分区包括两个子组，一个子组包括所 述每个成员（i)，而另一个子组包括除去相应的所述每个成员之后剩余的所有其它成员（Ii=。4. 根据权利要求2所述的群体比较系统，其中，所述群体成员是具有属性（p e P)的储 集层，每个属性具有已知值\并且所述客观模型将目标属性（η)的所述已知值与所 述目标属性的属性值估计（Vie R :各个i e I属性n e ρ的估计）进行比较，以得出属性 权重（Wpe [〇，1])。5. 根据权利要求4所述的群体比较系统，其中，所述客观模型使比较差值最小化，并且 所述客观模型具有以下形式：6. 根据权利要求4所述的群体比较系统，其中，两个储集层（i和j)被分隔开2范数单 变量距离< L并且所述客观模型的输入包括：各个i e I的属性ρ e P的（已知）值；以及 储集层i e I与储集层j e I之间的根据属性p e p的距离。7. 根据权利要求6所述的群体比较系统，其中， 储集层被分隔开距离ClijE R :i e I且j e I ; 每个储集层具有在邻域阈值内的K个邻近储集层，he R :i e I ;以及 所述客观模型的优化受制于属性估计约束、邻近距离约束、权重约束和邻近成员约束。8. 根据权利要求7所述的群体比较系统，其中， 属性估计约束具有形式邻近距离约束具有形式：并且^ij ^ t i+yij! 权重约束具有形式： 以及 邻近成员约束具有形式：其中，vie I且WGI。9. 根据权利要求1所述的群体比较系统，所述类似成员选择器包括： 成员选择单元，其将确定的所述权重（《*)应用于新群体成员特征，并且自动选择满足 阈值的列出的成员作为所述子集的成员；以及 估计器，其根据所述子集确定所述新群体成员的值。10. 根据权利要求9所述的群体比较系统，其中，所述阈值为预选的数量，所述成员选 择单元选择所述预选的数量的列出的成员，其具有最接近于所述新群体成员的加权属性。11. 一种储集层评价系统，包括： 储集层存储器，其存储已知储集层的储集层数据库和每个已知储集层的特征； 自动加权系统，其自动确定已知储集层特征的权重（w*)和针对所述每个已知储集层 识别一个或多个其它类似储集层的相似度函数； 新储集层输入端，其接收包括每个相应的所述新储集层的特征的新储集层描述； 类似储集层选择单元，其将确定的所述权重（《*)应用于所述新储集层特征 ，并且自动 选择满足阈值的已知储集层的子集；以及 估计器，其根据所述子集确定所述新储集层的值。12. 根据权利要求11所述的储集层评价系统，其中，每个已知储集层具有一个或多个 先前识别的类似储集层，并且所述自动加权单元包括： 交叉验证预处理器，其将所述已知储集层划分成多个分区；以及 客观模型，其自动选择属性权重，以针对每个已知储集层从其它已知储集层中选择与 所述多个先前识别的类似储集层相同的成员。13. 根据权利要求12所述的储集层评价系统，其中，所述交叉验证预处理器将所述已 知储集层（I)划分成针对每个已知储集层（i，其中i e I) -个分区，每个分区包括两个储 集层子组，一个储集层子组包括所述每个已知储集层（i)，而另一个储集层子组包括除去相 应的所述每个已知储集层之后剩余的所有其它已知储集层（Ii= I\{i})。14. 根据权利要求13所述的储集层评价系统，其中，所述储集层是具有属性（p e P)的 烃储集层，每个属性具有已知值\并且所述客观模型将目标属性（n)的所述已知值 与所述目标属性的属性值估计（Vie R:各个i e I属性η e ρ的估计）进行比较，以得出 属性权重（wpe [〇，1])。15. 根据权利要求14所述的储集层评价系统，其中，两个储集层（i和j)被分隔开2 范数单变量距离（h所述客观模型使比较差值最小化，并且所述客观模型具有以下形 式：并且其中，所述客观模型的输入包括：,各个i e I的属性p e p的（已知）值；以及 ? :储集层i e I与储集层j e I之间的根据属性p e p的距离。16. 根据权利要求15所述的储集层评价系统，其中， 所述烃储集层被分隔开距离due R :i e I且j e I ; 每个所述烃储集层具有在邻域阈值内的K个邻近储集层，he R :i e I ;以及 所述客观模型的优化受制于属性估计约束、邻近距离约束、权重约束和邻近成员约束。17. 根据权利要求16所述的储集层评价系统，其中， 所述属性估计约束具有形式邻近距离约束具有形式：且 ^ij ^ t i+yij! 权重约束具有形式：邻近成员约束具有形式/ 其中，Vi El且胃Gi;以及 所述阈值为预选的数量，所述成员选择单元选择所述预选的数量的已知储集层，其具 有最接近于所述新储集层的加权属性。18. -种用于比较群体成员的计算机程序产品，所述计算机程序产品包括其上存储有 计算机可读程序代码的计算机可用介质，所述计算机可读程序代码包括： 用于存储群体成员列表以及每个群体成员的一个或多个特征的计算机可读程序代码 装置； 用于自动确定群体成员特征的权重（《*)和针对所述每个群体成员识别一个或多个其 它类似群体成员的相似度函数的计算机可读程序代码装置； 用于接收包括每个相应的新群体成员的特征的新群体成员描述的计算机可读程序代 码装置；以及 响应于所述确定的权重（《*)和所述相似度函数，选择列出的群体成员的子集作为每 个新群体成员的类似成员的计算机可读程序代码装置。19. 根据权利要求18所述的用于比较群体成员的计算机程序产品，其中，用于存储的 计算机可读程序代码装置还针对每个列出的群体成员指示一个或多个先前识别的类似群 体成员，并且用于自动确定权重的计算机可读程序代码装置包括： 用于将所述群体（I)划分成多个分区的计算机可读程序代码装置，针对每个成员（i， 其中i e I) -个分区，每个分区包括两个子组，一个子组包括所述每个成员（i)，而另一个 子组包括除去相应的所述每个成员之后剩余的所有其它成员（Ii= I\{i});以及 用于自动选择属性权重的计算机可读程序代码装置，以针对每个列出的群体成员从其 它所述列出的群体成员中选择与所述多个先前识别的群体成员相同的成员。20. 根据权利要求19所述的用于比较群体成员的计算机程序产品，其中，所述群体成 员是烃储集层，并且用于自动选择的计算机可读程序代码装置包括用于将目标属性（η ) 的已知值与所述目标属性的属性值估计（Vie R :各个i e I属性η e ρ的估计）进行比 较以得出属性权重（wpe [〇，1])的计算机可读程序代码装置。21. 根据权利要求20所述的用于比较群体成员的计算机程序产品，其中，用于自动选 择的计算机可读程序代码装置进一步包括： 用于针对被分隔开距离he R :i e I且j e I的储集层使所述比较差值最小化并具 有以下形式的计算机可读程序代码装置：其中，两个储集层（i和j)被分隔开2范数单变量距离（\每个储集层具有在邻域 阈值内的K个邻近储集层，R :i e I ;以及 用于接收包括以下输入的计算机可读程序代码装置： 等e ,1〗：各个i e I的属性P e p的（已知）值；以及 € [0,1]:储集层i e I与储集层j e I之间的根据属性p e p的距离。22. 根据权利要求21所述的用于比较群体成员的计算机程序产品，其中，用于自动选 择的计算机可读程序代码装置的优化受制于属性估计约束、邻近距离约束、权重约束和邻 近成员约束，其中， 属性估计约束具有形式：邻近距离约束具有形式：并且^ij ^ ? 权重约束具有形式 ·以及 9 邻近成员约束具有形式其中，ViemV/ei。23. -种用于评价储集层的计算机程序产品，所述计算机程序产品包括其上存储有计 算机可读程序代码的计算机可用介质，所述计算机可读程序代码包括： 用于存储已知储集层的储集层数据库、每个已知储集层的特征并针对所述每个已知储 集层指示一个或多个其它所述已知储集层作为类似储集层的计算机可读程序代码装置； 用于将所述群体（I)划分成多个分区的计算机可读程序代码装置，针对每个成员（i， 其中i e I) -个分区，每个分区包括两个子组，一个子组包括所述每个成员（i)，而另一个 子组包括除去相应的所述每个成员之后剩余的所有其它成员（Ii= I\{i});以及 用于选择属性权重的计算机可读程序代码装置，以针对每个列出的群体成员从其它所 述列出的群体成员中选择与所述多个先前识别的群体成员相同的成员； 用于确定已知储集层特征的权重集合（w*)和针对所述每个已知储集层独立识别所述 类似储集层的相似度函数的计算机可读程序代码装置； 用于接收包括每个相应的所述新储集层的特征的新储集层描述的计算机可读程序代 码装置； 用于将确定的所述权重（《*)应用于所述新储集层特征并自动选择满足阈值的已知储 集层的子集的计算机可读程序代码装置；以及 用于根据所述子集确定所述新储集层的值的计算机可读程序代码装置。24. 根据权利要求23所述的用于比较群体成员的计算机程序产品，其中，所述群体成 员是具有属性（p e P)的烃储集层，每个属性具有已知值（\并且用于确定的计算机可 读程序代码装置包括： 用于将目标属性（η)的所述已知值与所述目标属性的属性值估计（Vie R :各个i e I 属性n e p的估计）进行比较以得出属性权重（Wpe [〇, 1])的计算机可读程序代码装置； 以及 用于对用于比较的计算机可读程序代码装置进行邻近距离约束、权重约束和邻近成员 约束的计算机可读程序代码装置，其中， 属性估计约束具有形式：邻近距离约束具有形式：许且^ij ^ t i+yij! 权重约束具有形式 以及 邻近成员约束具有形式：7 其中，W GIfivZe L25. 根据权利要求24所述的用于比较群体成员的计算机程序产品，其中，用于自动选 择的计算机可读程序代码装置进一步包括： 用于针对间隔距离he R :i e I且j e I的储集层使所述比较差值最小化并具有以 下形式的计算机可读程序代码装置：其中，两个储集层（i和j)被分隔开2范数单变量距离（\每个储集层具有在邻域 阈值内的K个邻近储集层，R :i e I ;以及 用于接收包括以下输入的计算机可读程序代码装置： e [0,1]:各个i e I的属性p e p的（已知）值，以及 續€ 储集层i e I与储集层j e I之间的根据属性p e p的距离。
【专利摘要】群体比较系统、方法及其计算机程序产品。将如烃储集层的群体成员、特征和类似成员的存储列表划分成每个成员的列表。加权系统自动使用所述划分来确定群体成员特征的权重集合(w*)和相似度函数。加权系统可以包括客观模型，该客观模型迭代地、摸索地识别每个群体成员的类似成员，直到所识别的类似成员与所列出的类似成员匹配为止。类似成员选择器使用权重集合(w*)和相似度函数来自动选择每个新群体成员的类似的列出的成员。
【IPC分类】G01V99/00
【公开号】CN104903753
【申请号】CN201380064340
【发明人】穆罕默德·艾哈迈德·赫加齐, 索尼娅·马里耶特·恩比德罗兹, 伊拉里奥·马丁罗德里格斯, 布鲁诺·达·科斯塔·弗拉克, 达维·米歇尔·瓦拉当, 比安卡·扎德罗子兹尼
【申请人】雷普索尔有限公司, 国际商业机器公司
【公开日】2015年9月9日
【申请日】2013年12月12日
【公告号】CA2893812A1, EP2932313A2, US20140163901, WO2014090954A2, WO2014090954A3
最新回复(0)