一种油气勘探部署项目投资组合优化方法与流程

本发明涉及石油勘探技术领域，尤其涉及一种油气勘探部署项目投资组合优化方法。

背景技术：

勘探目标投资组合分析的根本目的在于为多个勘探目标的优选决策提供依据，其结果可以帮助研究人员挑选出勘探目标的最佳组合，进而尽可能有效地利用勘探投资，降低投资风险，获取最大收益。现代投资组合理论在油气勘探中发挥着越来越重要的作用。对于多个勘探项目来说，在考虑不同约束条件下，例如投资不能超过某个上限、效益不能低于某个下限、风险不能高于某个上限，可能会有多种项目组合方式满足约束条件。那么如何选择满意的组合方式，需要通过不同的投资组合计算方法进行优选，因此在实际应用中也就不断发展出各种投资组合计算方法。

在投资组合优化计算过程中，备选项目之间的相关性分析对投资组合优化结果有很大的影响。这种相关性主要体现在以下两个方面：(1)基于成藏条件的相关性，这种相关性可能是局部的(某几个目标部分成藏条件相关)，也可能是全局的(某几个目标所有成藏条件都相关)；(2)目标之间具有相容性(同一组合中，某个目标出现时另外的一个或几个目标必须出现)或相斥性(在同一组合中，某个目标出现时不允许另一个或几个目标出现)。

但是，现有的投资组合优化计算方法不能有效地处理这种项目相关性。换言之，项目之间的相关性对于投资组合的影响并没有在分析结果中真实地反映出来。

技术实现要素：

针对上述技术问题，本发明提出了一种新的基于贝叶斯网络的油气勘探部署项目投资组合优化方法，其包括以下步骤：

s101、建立体现项目之间相关性的贝叶斯网络；

s102、结合项目的评价条件和项目之间的相关性确定贝叶斯网络中各项目节点的概率值；

s103、对贝叶斯网络中各项目节点的概率进行吉布斯采样，组合体现相关性的勘探部署项目；

s104、建立效益曲线图版来识别最佳的投资组合。

根据本发明的一个实施例，所述步骤s101中，贝叶斯网络的节点代表勘探部署项目，无箭头连接的节点为独立节点，有箭头连接的节点为条件节点，其中，位于箭头起始端的条件节点为父节点，位于箭头终止端的条件节点为受父节点条件限制的节点；节点的概率值表示所代表的勘探部署项目的成功概率。

根据本发明的一个实施例，对于独立节点，其概率值为所代表的勘探部署项目的含油气概率。

根据本发明的一个实施例，对于无父节点的条件节点，其概率值根据所代表的勘探部署项目的评价条件来确定，所述评价条件包括全局和局部评价条件。

根据本发明的一个实施例，对于无父节点的条件节点，其概率值通过以下步骤来确定：

1)识别步骤s101的贝叶斯网络中各条件节点的评价条件；

2)构建包含评价条件及条件节点的贝叶斯网络；

3)计算每个无父节点的条件节点在所代表的勘探部署项目的评价条件均为真的情况下的概率值。

根据本发明的一个实施例，对于有父节点的条件节点，其概率值等于作为其父节点的条件节点均为真的情况下的概率值。

根据本发明的一个实施例，优选通过构建概率树的方式计算各概率值。

根据本发明的一个实施例，所述步骤s103中，在进行吉布斯采样后，从采样结果中进一步筛选出符合预置的约束条件的投资组合。

根据本发明的一个实施例，所述步骤s104中，以投资组合的风险参数为横坐标，净现金流为纵坐标，绘制效益曲线图版来展示步骤s103所选出的投资组合。

根据本发明的一个实施例，所述步骤s104中，在效益曲线图版上利用夏普切线标识出效益前缘曲线，位于效益前缘曲线上的投资组合为优选的投资组合方 案。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

本发明在计算多个评价目标的投资组合时，考虑到各候选目标之间的相关性以及这种相关性对投资组合的影响，在利用贝叶斯网络描述这种相关性不确定性的基础上，对候选目标间的条件概率进行吉布斯采样，并通过预设的约束条件进行投资组合计算，以使在限制条件下的备选组合更加符合勘探开发投资要求，同时又摒弃了大量不符合要求的投资组合计算结果，提高了投资组合优化工作的效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1显示了本发明提供的基于贝叶斯网络的投资组合优选方法的工作流程图；

图2示例性地显示了本发明所建立的体现项目之间相关性的贝叶斯网络；

图3示例性地显示了本发明所建立的包含评价条件及勘探项目节点的贝叶斯网络；

图4a和4b分别显示了本发明示例性地通过概率树计算项目节点a和b的概率的示意图；

图5显示了本发明示例性地通过概率树计算项目节点c的条件概率的示意图；

图6显示了本发明通过吉布斯采样进行项目组合的示例性的列表；

图7示例性地显示了本发明的不同风险的投资组合计算结果的示意图；

图8显示了本发明实施例中初步优选的十四个预探圈闭及其相关参数的列表；

图9显示了本发明实施例中建立的体现十四个项目之间相关性的贝叶斯网络；

图10显示了本发明实施例中包含评价条件及勘探项目节点t1、t2和t6的贝叶斯网络；

图11a和11b分别显示了本发明实施例通过概率树计算项目节点t1和t2的概率的示意图；

图12显示了本发明实施例通过概率树计算项目节点t2的条件概率的示意图；

图13显示了本发明实施例的包含各项目含油气概率和项目间条件概率的贝叶斯网络；

图14显示了本发明实施例设置的投资组合约束条件的列表；

图15显示了本发明实施例所获得的投资组合效益曲线图版；

图16显示了本发明实施例钻探目标投资组合统计分析的列表；

图17显示了本发明实施例所选出的最优的投资组合方案；

图18显示了本发明实施例所选出的最优的投资组合方案的投资比例等各目标权重的列表。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。

图1显示了本发明的基于贝叶斯网络的投资组合优选方法的流程图，其核心思想是建立描述勘探项目之间相关性的贝叶斯网络，结合勘探项目的评价条件计算贝叶斯网络中项目节点的含油气概率和项目之间的条件概率，然后采用吉布斯采样模拟项目间的相关性，并在此基础上进行投资组合计算分析，从中找出满足预设约束条件并符合效益前缘特征的最佳投资组合。

步骤s101：建立体现项目之间相关性的贝叶斯网络。

贝叶斯网络是一种基于概率推理的数学模型，它是通过一些变量的信息来获取其他的概率信息的过程。基于概率推理的贝叶斯网络(bayesiannetwork)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性所引起的故障有很大的帮助。

参与投资组合优选的油气勘探项目之间可能存在一定的相关性，也可能没有相关性；具有相关性的油气勘探项目可能在烃源条件等方面存在关联，也可能在 盖层或储层等方面存在关联性，因此这种关联性具有很大的不确定性。但是，建立贝叶斯网络则可以很好的描述油气勘探目标之间的这种不确定性关联，对候选的勘探目标之间建立起网络关系。

在贝叶斯网络中，节点代表候选的勘探项目。其中，无箭头连接的节点为独立节点，有箭头连接的节点为条件节点。节点间的箭头表示项目之间由某种条件建立起来的联系。其中，位于箭头起始端的条件节点为父节点，位于箭头终止端的条件节点为受父节点(个数无限制)条件限制的节点(也即具有父节点的条件节点)。节点的概率表示其所代表的勘探项目的成功概率(在本发明中，概率值均指成功概率)。其中，受条件限制的节点的概率为在其父节点为真(p＝1)的情况下该节点为真(p＝1)的概率，独立(无相关性)节点的概率为其自身概率，例如为其所代表的勘探项目的含油气概率。在图2示例性的贝叶斯网络中，节点(a、b、c、d、e、f、g、h)分别代表不同的勘探项目，其中：e、f、g、h为独立节点，它们的概率可以直接设置(图2中已分别标出)；a、b、c、d为条件节点(a、b决定c，c进而决定d)，它们的概率有待通过步骤s102在识别与父节点的全局和局部评价条件的基础上间接设置。

步骤s102：根据项目的评价条件和项目间的相关性确定贝叶斯网络中各项目节点的概率值。

如前所述，在贝叶斯网络中，独立节点的概率值可以为所代表的勘探部署项目的含油气概率。对于无父节点的条件节点，其概率值可以根据所代表的勘探部署项目的评价条件来确定，所述评价条件包括全局和局部评价条件。对于有父节点的条件节点，其概率值应当等于作为其父节点的条件节点均为真的情况下的概率值。这意味着，在对方案进行评估时不仅充分考虑了勘探项目的实际情况，而且还充分顾及了项目之间的相关性，评估结果会更加地科学。

具体地，在计算无父节点的条件节点的概率时，首先识别步骤s101的贝叶斯网络中各项目节点的全局和局部评价条件，即判断哪些因素是影响圈闭成功的全局条件(共性因素)，哪些是影响圈闭成功的局部条件(个性因素)，构建包含评价条件及勘探项目条件节点的贝叶斯网络，然后通过构建概率树的方式来推算当所有评价条件均成功和至少一个评价条件失败的情况下条件节点的概率值。最后，再通过构建概率树的方式来推算有父节点的条件节点的概率值。

上述计算过程实质是确定步骤s101的贝叶斯网络中项目节点的含油气概率 以及项目之间的条件概率的过程。

下面以图2所示的贝叶斯网络中的三个勘探项目条件节点a、b、c为例进行说明。

首先识别a、b、c三个勘探项目的全局和局部评价条件。对于油气勘探目标来说，决定其是否取得勘探成功的关键因素通常有“保存”、“储层”和“烃源”三个成藏条件。在图3所示的实施例中，“烃源”成藏条件为三个对象a、b、c的全局评价条件，“保存1”和“储层1”成藏条件为对象a的局部评价条件，“保存2”和“储层1”成藏条件为对象c的局部评价条件，“保存2”和“储层2”成藏条件为对象b的局部评价条件。在此，应当说明的是“保存1”、“储层1”、“保存2”、“储层2”均为示意性的评价条件，可以根据实际项目进行调整。此外，在下文中，利用如图4a、图4b和图5所示的概率树进行计算时，无论表示评价条件的节点还是表示勘探项目的节点，其成功均以灰色表示且表征为“t”，失败均以白色表示且表征为“f”。如图4a所示，已知条件节点a的全局和局部评价条件的概率值，通过构建概率树计算出条件节点a的成功概率为0.364(所有评价条件成功，样本空间ttt)，失败概率为0.636(至少一个评价条件失败，样本空间至少包含一个f)。如图4b所示，已知条件节点b的全局和局部评价条件的概率值，通过构建概率树计算出条件节点b的成功概率为0.36(所有评价条件成功，样本空间ttt)，失败概率为0.64(至少一个评价条件失败，样本空间至少包含一个f)。条件节点a、b的概率值(成功概率)分别表示勘探项目a、b在各自成藏条件下的含油气概率。

同理，也可以计算勘探项目c在“烃源”、“保存2”和“储层1”的成藏条件下的的含油气概率。但是，本发明的目的旨在基于勘探项目之间的相关性优选出最佳的投资组合，因此对于步骤s101的贝叶斯网络中具有父节点的条件节点而言，其概率值应当反映出节点之间的相关性(也即项目之间的相关性)。例如，对于由节点a、b共同决定的节点c而言，其概率值应当是其父节点a、b为真的情况下该节点c为真的概率值。如图5所示，结合a、b的概率情形，通过构建概率树计算不同的ab组合条件下节点c的概率值。其中，条件节点c的为0.131(所有评价条件成功，样本空间tt)，失败概率为0.869(至少一个评价条件失败，样本空间至少包含一个f)。条件节点c的成功概率概率是在充分考虑了三个勘探项目a、b、c之间相关性的情况下得到的概率值，故而称为项目间的条 件概率。

同理，还可以计算图2所示的贝叶斯网络中同样具有父节点的条件节点d的成功概率。

在上述过程中，如果某一全局或局部评价条件已被验证或进行调整，可以相应地将其概率值设置为1或0，重新计算各节点的概率值，如此精确或近似地推理训练贝叶斯网络，确定贝叶斯网络各项目节点含油气概率和项目间的条件概率。

步骤s103：进行吉布斯采样，组合体现相关性的勘探部署项目。

首先说明吉布斯采样的工作原理。

吉布斯采样是生成马尔科夫链的一种方法，生成的马尔科夫链可以用来做蒙特卡洛仿真，从而求得一个较复杂的多元分布。吉布斯采样的具体做法：假设有一个k维的随机向量，现想要构造一条有n个样本的k维向量(n样本马尔科夫序列)，那么(随机)初始化一个k维向量，然后固定这个向量其中的k-1个元素，抽取剩下的那个元素(生成给定后验的随机数)，这样循环k次，就把整个向量更新了一遍，也就是生成了一个新的样本，把这个整体重复n次就得到了一条马尔科夫链。

通过吉布斯采样，在投资组合优化过程中系统在进行组合计算时优先考虑具有相关性的项目，并根据其相关性进行项目组合，使投资组合优化过程更合理、更科学，最终结果也更具有代表性。

在训练贝叶斯网络、确定贝叶斯网络中各项目节点的概率之后，对它们进行多次条件模拟采样。在模拟采样过程中，吉布斯采样每次在充分考虑体现上述步骤所描述的相关性的勘探部署项目的基础上，随机抽取勘探部署项目形成组合(如图6所示的项目组合表所示)。然后根据设置的勘探部署约束条件对这些组合样本进行取舍，筛选出符合勘探部署约束条件的项目组合，计算投资分配比例。

步骤s104：通过建立效益曲线图版来识别最佳的投资组合。

基于步骤s103所选出的充分考虑项目相关性并且符合约束条件的各个勘探项目组合，以这些项目组合的风险参数(例如净现金流方差、净现金流半方差、在险价值或约束在险价值等)为横坐标，净现金流为纵坐标，绘制直观的效益曲线图来展示不同风险的投资组合。在图7所示的实施例中，横坐标为净现金流的方差，纵坐标为净现金流(单位为万元)，图中的每一个点代表一种投资组合方 案，利用夏普切线在图中标出的拟合虚线为效益前缘曲线，线上的实心三角是既满足约束条件又符合效益前缘特征的具有实际指导意义的投资组合方案，而线下的空心矩形代表其他普通的组合方案。供决策者可根据需求从线上的投资组合方案中选出一个最满意的投资组合方案。

实施例

以某油公司第一年度钻探目标优选为例，利用本发明进行钻探目标投资组合优选。

通过对该公司的圈闭库进行筛选，利用净现值和预期收益排序法初步优选出十四个有利目标进行投资组合优化。图8显示了初步优选的十四个预探圈闭及其相关参数的列表。

对于钻探目标组合优选结果，需要满足以下条件：

(1)原油可采资源量不小于800万吨；

(2)税后净现值不小于50000万元；

(3)探井投资不大于50000万元；

(4)天然气圈闭不多于3个；

(5)圈闭t2和t7同时选择；

(6)设计井深大于4000m的圈闭不多于4个。

首先，通过设置油价、产量上下限等不同情景计算十四个钻探目标的净现金流及其分布。

然后，根据组合条件设置钻探目标之间的相关性，建立如图9所示的体现这十四个项目之间相关性的贝叶斯网络。图9中，各个项目节点所标注的概率值是它们各自的含油气概率(参见图8的列表)。正如上文中提及的那样，在贝叶斯网络中，独立节点(t3、t4、t5、t8、t9、t11、t12和t13)的概率为其所代表的项目的含油气概率，而条件节点(t1、t2、t6、t7、t10和t14)的概率考虑到项目之间的相关性需要重新分析计算。

下面，仅以图9所示的贝叶斯网络中的三个勘探项目t1、t2、t6为例，说明在考虑项目相关性的情况下重新计算条件节点t6的概率的过程。

首先，识别三个勘探项目t1、t2、t6的全局和局部评价条件，建立如图10所示的包含评价条件及项目节点的贝叶斯网络。

然后，设置并训练相关项目之间的条件概率。具体地，如图11a和11b所示， 通过构建概率树来计算项目节点t1、t2在其各自评价条件下的概率。由计算结果可知，项目节点t1、t2在其各自评价条件下的概率正是它们各自已知的含油气概率。由此可见，对于图9所示的贝叶斯网络中无父节点的条件节点而言，其概率值也可以直接设置为所代表的勘探项目的含油气概率。接着，如图12所示，通过构建概率树，根据t1、t6的不同组合来计算项目节点t2的概率，也即计算充分考虑了三个勘探项目a、b、c之间相关性的条件概率。

同理，可以获得图9所示的贝叶斯网络中其他的具有父节点的条件节点t7、t10和t14的条件概率。

图13显示了本发明实施例在重新计算后包含了项目的含油气概率和项目间的条件概率的贝叶斯网络。

之后，根据要求设置投资组合约束条件。图14显示了本发明实施例所设置的投资组合约束条件的列表。其中，勾选项是必须满足的约束条件。

最后，通过吉布斯采样来组合体现相关性的勘探部署项目，并进行投资组合计算，根据投资组合计算结果绘制效益曲线图版来识别最佳的投资组合。

具体地，通过蒙特卡洛模拟计算，共产生投资组合4602个，其中满足图14所示的约束条件的投资组合有119个。图15显示了记载了这有效的119个投资组合计算结果的效益曲线图版，其中，横坐标为净现金流方差，纵坐标为净现金流(单位为万元)。利用夏普切线所标识出的拟合虚线即为效益前缘曲线，线上的三角标志代表既满足约束条件又符合效益前缘特征的投资组合方案(仅示出一部分)。图16的列表列出了排列在前面的21个有效的投资组合及其钻探目标组成。但是在本实施例中，最终向决策者推荐的是图17中五角星表征的投资组合方案，包括t2、t4、t7、t10、t11、t12、t14共7个钻探目标。具体地，各钻探目标建议投资比例可参见图18：该组合包含4个石油资源目标和3个天然气目标，勘探投资共计47836.2万元，原油可采资源量为901.9万吨，天然气可采资源量为431.19亿方，税后净现值为52991.9万元。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。