自動匹配群體新成員與類似成員的系統(tǒng)、方法及程序產(chǎn)品的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及對烴儲集層進(jìn)行評價，并且更具體地，涉及自動選擇已知的類似儲集 層對新識別的烴儲集層進(jìn)行評價。
【背景技術(shù)】
[0002] 每個新烴儲集層具有基于未知屬性的固有總價值。具體地，固有價值取決于最終 可從儲集層采收的材料總量（生產(chǎn)潛力），以及采收該材料的成本或獲取難度。這些未知的 屬性仍然未知，并且僅可以估計固有價值，直到實際采收材料為止。先前，為了估計價值，一 個或多個專家首先識別和選擇與新儲集層具有某些相似方面的現(xiàn)有儲集層，其被稱為"類 似儲集層"。專家（們）使用所選擇的類似儲集層來估計新儲集層的價值。如錯過被低估 的儲集層而開采被高估的儲集層中的錯誤評價會導(dǎo)致資源浪費。因此，為了使誤差最小化， 已有的趨勢是不再依賴于主觀的專家判斷來主觀地選擇類似儲集層，而是趨向于更客觀的 選擇方法。例如，在對新烴儲集層進(jìn)行評價中已經(jīng)使用了相似度函數(shù)。
[0003] 現(xiàn)今，在本領(lǐng)域中已經(jīng)發(fā)現(xiàn)了相似度函數(shù)的很多用途：用于對對象集合或群體中 的成員進(jìn)行比較，并且選擇那些盡管它們不相同但是可以被識別為相似的對象。確定相似 度函數(shù)參數(shù)的現(xiàn)有技術(shù)方法的典型情況是應(yīng)用專家知識和/或局部搜索方法，如梯度下降 算法和遺傳算法。通常，在無需達(dá)到最相似匹配的情況下，這些方法的共同問題是繼續(xù)依賴 于主觀判斷。
[0004] 現(xiàn)有技術(shù)方法的典型情況是使用儲集層數(shù)據(jù)庫中收集的可用儲集層信息和相似 度函數(shù)來自動識別和選擇類似儲集層。然而，專家（或?qū)＜覀儯┤匀贿x擇相似度函數(shù)中使 用的精確的屬性和權(quán)重來將目標(biāo)（新）儲集層的任何已知屬性與已知儲集層的屬性進(jìn)行比 較。例如，以下提供了人工指定的（例如由專家指定權(quán)重和/或?qū)傩裕┻x擇類似儲集層的 相似度函數(shù)來估計價值的示例：公布的由Rowan發(fā)明的第2011/0118983號美國專利申請 "SystemandMethodforReservoirAnalysisBackground"；以及 2002 年由Bhushan等 人發(fā)表的"ANovelApproachtoIdentifyReservoirAnalogues"，殼牌國際勘探和生產(chǎn)。
[0005] 專家有望選擇最佳屬性和權(quán)重來識別具有與目標(biāo)儲集層最相似的屬性的儲集層 作為類似物。雖然這已經(jīng)自動識別到最終選擇，但是因為專家仍然選擇屬性和權(quán)重，所以該 最終選擇仍然有些主觀。因而，選擇最佳屬性和權(quán)重仍然是主觀的，并且使選擇類似儲集層 成為困難且易出錯的任務(wù)。
[0006] 因此，需要相似度函數(shù)的改進(jìn)的應(yīng)用，以將一個對象與來自相似對象的群體的其 它類似對象進(jìn)行比較；并且更具體地，對用于選擇現(xiàn)有烴儲集層作為類似物的相似度函數(shù) 進(jìn)行自動加權(quán)，來對新儲集層進(jìn)行評價。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的特征在于自動選擇權(quán)重集合和相似度函數(shù)，以用于將新群體成員與現(xiàn)有 群體成員進(jìn)行配對；
[0008] 本發(fā)明的另一特征在于對儲集層特征進(jìn)行自動加權(quán)，以用于選擇針對新發(fā)現(xiàn)的儲 集層的類似儲集層；
[0009] 本發(fā)明的又一特征在于自動選擇最佳的權(quán)重集合，以對用于每個新發(fā)現(xiàn)的儲集層 的儲集層特征進(jìn)行自動加權(quán)，以用于選擇已知儲集層的最佳子集作為類似儲集層來對每個 新發(fā)現(xiàn)的儲集層進(jìn)行評價或估價。
[0010] 本發(fā)明涉及群體比較系統(tǒng)、群體比較方法及其計算機(jī)程序產(chǎn)品。將如烴儲集層的 群體成員、特征和類似成員的存儲列表劃分成針對每個成員的列表。加權(quán)系統(tǒng)自動使用這 些分區(qū)來確定群體成員特征的權(quán)重集合（W*)和相似度函數(shù)。加權(quán)系統(tǒng)可以包括客觀模型， 該客觀模型迭代地、摸索地識別每個群體成員的類似成員，直到所識別的類似成員與所列 出的類似成員相匹配為止。類似成員選擇器使用權(quán)重集合（w*)和相似度函數(shù)來自動選擇 針對每個新群體成員的類似的列出的成員。
[0011] 一種實施方式是群體比較法，其包括：列出群體的成員、每個群體成員的特征以及 一個或多個類似群體成員；對每個成員的特征進(jìn)行加權(quán)，并且將每個成員的特征與每個其 它成員的特征進(jìn)行比較，以識別具有最接近的加權(quán)特征的成員；針對所述每個成員確定所 識別的成員是否與列出的類似群體成員相匹配；返回至對特征進(jìn)行加權(quán)和比較，直到所有 識別的成員與列出的類似群體成員相匹配為止；并且當(dāng)所有成員都匹配時，提供類似成員 的當(dāng)前權(quán)重集合（W*)和相似度函數(shù)；接收包括每個相應(yīng)的新群體成員的特征的新群體成 員描述；以及響應(yīng)于所述當(dāng)前權(quán)重集合（《*)和所述相似度函數(shù)，選擇列出的群體成員的子 集作為每個新群體成員的類似成員。
[0012] 在該實施方式中，加權(quán)和比較包括：將所述群體（I)劃分成針對每個成員（i，其中 ieI) -個分區(qū)，其中，在實施方式中I是儲集層的集合，每個分區(qū)包括兩個較小的群體或 子組。一個子組包括相應(yīng)的成員，而另一子組包括除去相應(yīng)的成員之后剩余的所有其它成 員。群體成員是具有屬性（Pep)的儲集層，每個屬性具有已知值（\并且加權(quán)和比較 包括：將目標(biāo)屬性（n)的所述已知值與所述目標(biāo)屬性的屬性值估計（VieR:各個ieI屬 性nep的估計）進(jìn)行比較，以得出屬性權(quán)重（Wpe[0，i])。根據(jù)實施方式，p是儲集層的 屬性集合。然后，下標(biāo)i和上標(biāo)P分別是所述集合I和P的單獨元素。比較包括：應(yīng)用使比較
差值最小化的客觀模型，所述客觀模型具有形式 群體比較方法 i 還可以包括將以下輸入到所述客觀模型：
各個iGI的屬性pGP的（已知） 值；以及
儲集層ieI與儲集層jeI之間的根據(jù)屬性Pep的距離；并且其 中，儲集層之間被分隔開距離R:ieI并且jeI;并且每個儲集層具有在鄰域閾值內(nèi) 的K個鄰近儲集層，heR:ieI。此外，所述客觀模型受制于屬性估計約束、鄰近距離約束、
權(quán)重約束和鄰近成員約束；其中，屬性估計約束具有形式 .鄰 9 近距離約束具有形式：
Kti+a-yj并且扎>ti+yij;權(quán)重約
束具有形式 以及鄰近成員約束具有形式j(luò)el\{i}yij=K;其中，v.pj _ W it \mm 且ViGI。可以通過以下操作來選擇子集：將確定的所述權(quán)重（W*)應(yīng)用于新群體成員特 征；自動選擇滿足閾值的列出的成員作為所述子集的成員；以及根據(jù)所述子集確定新群體 成員的值。閾值可以為預(yù)選的數(shù)量，所述子集為所述預(yù)選的數(shù)量的列出的成員，其具有最接 近于所述新群體成員的加權(quán)屬性。
[0013] 另一實施方式是儲集層評價方法，其包括：存儲已知儲集層的儲集層數(shù)據(jù)庫、每個 已知儲集層的特征以及所述每個已知儲集層的類似的所述已知儲集層；自動確定已知儲集 層特征的權(quán)重（《*)和相似度函數(shù)，包括：對所述每個已知儲集層的特征進(jìn)行加權(quán)，將所述 每個已知儲集層與每個其它儲集層進(jìn)行比較，以識別具有最接近的加權(quán)特征的儲集層，以 確定所識別的儲集層是否與所述每個已知儲集層的列出的所述類似的已知儲集層匹配，返 回至對特征進(jìn)行加權(quán)，直到所有識別的儲集層與列出的所述類似的已知儲集層匹配為止， 并且當(dāng)所有儲集層都匹配時，提供類似成員的當(dāng)前權(quán)重集合（W*)和相似度函數(shù)；接收包括 每個相應(yīng)的所述新儲集層的特征的新儲集層描述；將確定的所述權(quán)重（《*)應(yīng)用于所述新 儲集層特征；自動選擇滿足閾值的已知儲集層的子集；以及根據(jù)所述子集來確定所述新儲 集層的值。
[0014] 在該實施方式中，自動確定權(quán)重進(jìn)一步包括：將所述已知儲集層（I)劃分成多個 分區(qū)，針對每個已知儲集層（i，其中ieI) -個分區(qū)，每個分區(qū)包括兩個較小的儲集層群 體或子組。一個儲集層子組包括相應(yīng)的已知儲集層（i)，而另一儲集層子組包括除去相應(yīng) 的已知儲集層之后剩余的所有其它已知儲集層。儲集層可以是具有屬性（Pep)的烴儲集 層，每個屬性具有已知值（0f\并且比較所述已知儲集層包括：應(yīng)用客觀模型，所述客觀 模型將目標(biāo)屬性（n)的所述已知值與所述目標(biāo)屬性的屬性值估計（Vier:各個ieI屬 性nep的估計）進(jìn)行比較，以得出屬性權(quán)重（Wpe[0，i])。應(yīng)用所述客觀模型使比較
差值最小化，并且所述客觀模型具有形式 .以及其中，所述客觀 9 模型的輸入包括：
.各個ieI的屬性pep的（已知）值；以及
儲集層ieI與儲集層jeI之間的根據(jù)屬性pep的距離。烴儲集層之間被分隔開距 離R:ieI并且jeI;每個所述烴儲集層具有在鄰域閾值內(nèi)的K個鄰近儲集層， R:ieI;以及所述客觀模型的優(yōu)化受制于屬性估計約束、鄰近距離約束、權(quán)重約束 以及鄰近成員約束。屬性估計約束具有形式
.鄰近距離約束 具有形式：
，dij彡ti+a-yj且dij彡ti+yy權(quán)重約束具有形式：
;鄰近成員約束具有形式j(luò)el\{i}yij=K;其中，v|e|且，e1;以及所 述閾值是預(yù)選的數(shù)量，所述成員選擇單元選擇所述預(yù)選的數(shù)量的已知儲集層，其具有最接 近于所述新儲集層的加權(quán)屬性。
[0015] 另一實施方式是用于比較群體成員的計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品包括 其上存儲有計算機(jī)可讀程序代碼的計算機(jī)可用介質(zhì)，所述計算機(jī)可讀