توصيف الخزان والنفط والغاز والإحصاء الجيولوجي

المكاسب:

• القدرة على شرح سير العمل في التنبؤ بالمسامية والنفاذية وخصائص الخزان باستخدام الذكاء الاصطناعي
• القدرة على وضع التعلم الآلي في تفسير سجل الآبار وتصنيف السحنات والتنبؤ بالإنتاج
• القدرة على التحقق من مخرجات الخزان من خلال الحدود المادية واختبار الآبار وتحليل عدم اليقين

إن خزان النفط أو الغاز هو كنز غير مرئي من السوائل المحبوسة في الصخور المسامية، على بعد أميال تحت السطح. لا يمكننا رؤيته مباشرة. نحن "نقرأها" فقط من خلال السجلات والنوى والظلال الزلزالية وبيانات الإنتاج التي نتلقاها من الآبار. إن توصيف المكمن هو مهمة إعادة بناء من هذه القياسات غير المباشرة مقدار السوائل التي تحتفظ بها الصخور (المسامية)، ومدى سهولة إطلاق السوائل (النفاذية)، ونوع البنية ثلاثية الأبعاد للخزان. يعتبر الذكاء الاصطناعي قويا في هذا المجال: تفسير سجلات الآبار، وتصنيف السحنات (مجموعات من أنواع الصخور)، والتنبؤ بالعلاقات بين المسامية والنفاذية، ونمذجة اتجاهات الإنتاج. لكن الخزانات، مثل المجالات الجيولوجية الأخرى، مليئة بعدم اليقين، ولا يمكن أن يكون كل تنبؤ أساسًا لاتخاذ القرار دون ربطه بالحدود المادية واختبار الآبار وتحليل عدم اليقين.

في هذه الوحدة، سنغطي ثلاثة جوانب للذكاء الاصطناعي لدراسة المكمن: تفسير سجل البئر وتصنيف السحنات (استخراج نوع الصخور وخصائصها من الجذوع)، والتنبؤ بالنفاذية المسامية (التنبؤ بجودة المكمن)، والتنبؤ بالإنتاج (كم سينتج البئر في المستقبل). الإحصاء الجغرافي هو العمود الفقري هنا أيضًا؛ نحن نملأ الفراغ بين الآبار باستخدام مخطط التباين والمحاكاة. ملحوظة: قطاع النفط والغاز حساس للغاية من الناحية التجارية؛ تتم دراسة جميع العينات بقيم مجهولة وتمثيلية.

تفسير سجل الآبار وتصنيف السحنات

سجلات الآبار عبارة عن منحنيات تقيس بشكل مستمر الخواص الفيزيائية للصخور على طول التجويف: أشعة جاما (محتوى الطين)، والمقاومة (نوع السائل - الماء/الهيدروكربون)، والكثافة والنيوترون (المسامية)، والصوتية (صلابة الصخور). يقرأ جيولوجي البترول هذه المنحنيات معًا ويستخرج نوع الصخور والسوائل عند كل عمق. هذا هو التعرف على الأنماط، والذكاء الاصطناعي جيد جدًا في ذلك: فرز عشرات الآلاف من الأمتار من جذوع الأشجار باستمرار إلى سحنة.

ولكن هناك حدان. أولاً، تفسير السجل هو نموذج وليس قياسًا؛ قد يكون نفس السجل مفتوحًا لتفسيرات مختلفة. ثانيًا، إذا نقل النموذج بشكل أعمى علاقة السطوح اللوغاريتمية التي تعلمها في مجال ما إلى مجال آخر (بيئة ترسيب مختلفة، وتكوين مختلف)، فإنه يرتكب أخطاء جسيمة. ولذلك، تتم معايرة مخرجات السحنة مع البيانات الأساسية؛ الجوهر هو المرساة التي تربط تفسير السجل بالحقيقة الأرضية.

نصيحة: قبل الوثوق بمخرجات نموذج السحنة، اسأل "ما هي الآبار التي تم حفرها وما مدى دقة النموذج في تلك الآبار؟" بسأل. إن تقدير السحنات غير المدعم هو فرضية لم يتم اختبارها، بغض النظر عن مدى معقوليتها.

المسامية والنفاذية: التمييز الأكثر أهمية

المفتاحان لجودة الخزان هما المسامية والنفاذية، والفرق بينهما هو أحد أهم نقاط استخدام الذكاء الاصطناعي. المسامية هي نسبة الفراغ في الصخر ويمكن استخلاصها من جذوع الأشجار بدقة معقولة. النفاذية هي مدى سهولة تدفق السوائل عبر الصخور ولا يتم قياسها مباشرة من جذوع الأشجار؛ ولكن يتم تقديره بشكل غير مباشر. تعتبر النفاذية حساسة بشكل كبير للتغيرات الصغيرة في المسامية وتعتمد على هندسة المسام والشقوق والتثبيت.

ولهذا السبب يعد التنبؤ بالنفاذية باستخدام التعلم الآلي أمرًا جذابًا وخطيرًا. يتعلم النموذج المسامية في الآبار الأساسية والنفاذية من جذوع الأشجار الأخرى؛ لكن العلاقة التي تتعلمها خاصة بتلك السحنات وحالة الضغط ودرجة الحرارة تلك. الاستقراء إلى ليثولوجيا مختلفة أو إلى بئر غير محفورة (التحرك خارج النطاق المتعلم) سيؤدي إلى أخطاء كبيرة. يجب أن يرتبط تقدير النفاذية بالقياس الأساسي واختبار البئر (اختبارات انخفاض الضغط/الانتفاخ تعطي سلوك التدفق الفعلي).

تحذير: حتى لو أدى تقدير النفاذية إلى رسم بياني "جيد المظهر"، فإنه لا يمكن الاعتماد عليه إذا تم تطبيقه خارج السحنات وظروف الضغط الخاصة ببيانات التدريب. يتعلم النموذج ارتباطًا، وليس حقيقة فيزيائية؛ قم دائمًا بالاختبار باستخدام الاختبار الأساسي والجيد.

توقعات الإنتاج وعدم اليقين

يعتمد مقدار إنتاج البئر في المستقبل على كمية السوائل التي يحتفظ بها الخزان ويسلمها. تعمل الأساليب الكلاسيكية (تحليل منحنى الانخفاض) على تمديد اتجاه الإنتاج السابق إلى المستقبل؛ يثري الذكاء الاصطناعي هذا الاتجاه ببيانات الآبار المتعددة ويتعلم من أنماط الآبار المجاورة. لكن التنبؤ بالإنتاج غير مؤكد بطبيعته: فالمكمن غير متجانس، ويتغير الضغط، وتتغير ظروف التشغيل. ولذلك، تم عرض نطاق احتمالي (سيناريو منخفض/متوسط/عالي)، وليس منحنى إنتاج "دقيق" واحد.

تحمل الإحصائيات الجيولوجية أيضًا حالة من عدم اليقين عند ملء الحجم بين الآبار. تنتج طرق مثل المحاكاة الغوسية المتسلسلة العديد من النماذج ذات الاحتمالية المتساوية بدلاً من نموذج "متوسط" واحد؛ والفرق بين هذه النماذج هو عدم اليقين نفسه. ويعمل الذكاء الاصطناعي على تسريع هذه المحاكاة وتفسيرها؛ لكن تقليل النتيجة إلى رقم واحد يخلق ثقة زائفة عن طريق إخفاء عدم اليقين.

ثلاث حالات صغيرة: بالأرقام

الحالة 1 - خطأ في الاستقراء. نموذج النفاذية الذي تم تدريبه على ثلاثة آبار محفورة في موقع واحد أعطى تنبؤاً بدا مثالياً في البئر الرابع. لكن هذا البئر كان ذو سطوح طينية ولم يشهد النموذج هذه الفترة من قبل؛ أظهر اختبار البئر أن النفاذية الفعلية تبلغ حوالي خمس التقدير. كان النموذج مخطئًا بشكل خطير باعتباره رسمًا بيانيًا "حسن المظهر"؛ اكتشف مرساة اختبار البئر الخطأ.

الحالة 2 – معايرة السحنات. وفي أحد حقول الغاز، قام الذكاء الاصطناعي بسرعة بفرز سجلات 14 بئرًا إلى سحنة. عند مقارنتها بثلاثة آبار محفورة، فإن المنطقة التي صنفها النموذج على أنها "حجر رملي نظيف" كانت في الواقع وحدة مكسورة ومنخفضة الجودة. ومن خلال المعايرة الأساسية، تمت إعادة تدريب النموذج وتم خفض تقدير حجم الخزان إلى مستوى واقعي.

الحالة 3 - صدق السيناريو. في توقعات الإنتاج، أعطى النموذج منحنى واحدًا وعبّر عن الإنتاج لمدة عشر سنوات بأرقام فردية. عندما أنشأ الفريق سيناريو منخفض/متوسط/عالٍ من خلال محاكاة تسلسلية، وجدوا أن النطاق كان واسعًا جدًا (كان السيناريو المرتفع أقل بمرتين تقريبًا). ويشير هذا العرض إلى أن هناك حاجة إلى اختبار بئر إضافي في قرار الاستثمار؛ لقد أخفى الرقم الوحيد هذا عدم اليقين بشكل خطير.

موجه ضعيف / موجه قوي

حث ضعيف:

انظر إلى سجلات هذه الآبار، واحسب النفاذية، وأخبرني بكم ستنتج البئر. [بيانات السجل]

مطالبة قوية:

دورك: مساعد جيولوجي الخزان. إعطاء رقم واحد بالضبط للنفاذية والإنتاج مع السجلات أدناه. بدلاً من ذلك: 1) حدد الآبار التي يمكن تأكيدها بواسطة اللب عند تفسير السحنات. 2) اشرح أن تقدير النفاذية لا يمكن قياسه مباشرة من السجلات، وتحت أي ظروف (السحنات/الضغط) سيكون صالحًا، والحاجة إلى اختبار اللب/البئر. 3) إنشاء منطق سيناريو منخفض / متوسط ​​/ مرتفع للإنتاج، وليس منحنى واحد. 4) قم بإدراج 4 مصادر لعدم اليقين التي تؤثر على النتيجة. البيانات مجهولة؛ لا يوجد مجال / شركة حقيقية.

أربعة قوالب قابلة للنسخ

1) التحقق من معايرة سطوح السجل:

اشرح ما هي الآبار التي تم حفرها لتصنيف السحنات وكيف يمكننا قياس دقة النموذج في هذه الآبار. وضع علامة على المناطق التي لم يتم التحقق منها على أنها "غير مختبرة"؛ لا تثق بشكل أعمى.

2) التحقق من صحة النفاذية:

للتنبؤ بالنفاذية: حدد السحنات ونطاق الضغط الذي تم تدريب النموذج من أجله؛ وضع علامة على الآبار/المناطق التي تقع خارج هذا النطاق (الاستقراء). أكد على أنه لا ينبغي الوثوق بالتنبؤ دون إجراء اختبارات أساسية وجيدة في هذه المناطق. لا تعطي رقما دقيقا.

3) مسودة سيناريو الإنتاج:

يحدد منطق سيناريو الإنتاج المنخفض والمتوسط ​​والمرتفع من بيانات منحنى الانخفاض/الإنتاج. اشرح الافتراضات التي يستند إليها كل سيناريو وما تعنيه الاختلافات بينهما. لا تقدم أي منحنى "دقيق" واحد.

4) تفسير محاكاة عدم اليقين:

تفسير مخرجات نموذج إحصائي جغرافي متعدد الاحتمالات (على سبيل المثال، المحاكاة التسلسلية): ما مدى اتساع توزيع تقدير الحجم، وما هي المنطقة الأكثر عدم يقين، وبأي بيانات إضافية (حسنًا، زلزالية) يتم تضييق نطاق عدم اليقين هذا؟ التخفيض إلى رقم واحد.

مواصفات الخزان وقابلية القياس والتحقق

الميزة/الإخراج

هل يمكن قياسه من السجلات؟

خطر الذكاء الاصطناعي

مرساة التحقق

المسامية

مشتقة بدقة معقولة

الانجراف المعايرة

المسامية الأساسية

النفاذية

لا، تخمين غير مباشر

خطأ في الاستقراء

الأساسية + اختبار جيد

الوجوه

تعليق (نموذج)

النقل خارج الموقع

التعريف الأساسي

نوع السائل

أستنتج من المقاومة

تعليق خاطئ

اختبار الضغط/العينة

توقعات الإنتاج

تمديد الاتجاه

اليقين الكاذب

السيناريو + اختبار جيد

تلميح: بالنسبة لكل تقدير حول الخزان، "ما هو القياس المباشر الذي يمكن أن يدحض ذلك؟" اختبره بالقول. قلب المسامية، اختبار جيد للنفاذية، تعريف أساسي للسحنة. لم يتم تأكيد التنبؤ الذي لا يمكن دحضه عن طريق القياس المباشر.

الأخطاء الشائعة

• رؤية النفاذية كمسامية. لا يتم قياس النفاذية مباشرة من جذوع الأشجار؛ الاستقراء يعطي أخطاء كبيرة، واختبار الأساسية/البئر أمر ضروري.
• استخدام نموذج السحنات بدون نواة. إن السحنات التي لم تتم معايرتها بواسطة النواة هي فرضية لم يتم اختبارها.
• - نقل العلاقة المستفادة إلى مجال آخر. تعمل البيئة الترسيبية المختلفة والتطور على تغيير العلاقة بين السجل والسمة.
• تقديم الإنتاج بمنحنى واحد. إذا لم يتم تقديم عدم اليقين مع السيناريوهات، فإن قرار الاستثمار يعتمد على يقين كاذب.
• تقليل المحاكاة إلى المتوسط. نماذج متعددة تشير إلى عدم اليقين؛ إن تقليله إلى رقم واحد يؤدي إلى تدمير المعلومات.

في ملخص

• الخزان غير مرئي. تتم قراءتها بشكل غير مباشر باستخدام السجلات والبيانات الأساسية والزلزالية وبيانات الإنتاج وكل توقع يحمل في طياته عدم اليقين.
• يمكن استخلاص المسامية من جذوع الأشجار؛ لا يتم قياس النفاذية بشكل مباشر، بل يجب أن تقترن باختبار القلب والبئر.
• تصنيف السحنات نموذجاً؛ لا يمكن الاعتماد عليها دون معايرتها بواسطة النواة ونقلها خارج الموقع.
• العلاقة المستفادة خاصة بالظروف التعليمية؛ الاستقراء هو الخطأ الأكثر شيوعا وخطورة.
• لا يتم عرض الإنتاج والحجم برقم واحد، ولكن بسيناريو ومحاكاة احتمالية، مع توضيح عدم اليقين بوضوح.

مهمة التطبيق

احصل على مجموعة مجهولة المصدر من سجلات الآبار (أو القيم التمثيلية). اطلب من النموذج معرفة المناطق المعرضة لخطر الاستقراء باستخدام قالب "التحقق من صحة النفاذية"؛ اختبر ما إذا كان يحفز منطقة ما عن طريق وضعها خارج نطاق التدريب عمدًا. بعد ذلك، استخدم قالب "مسودة سيناريو الإنتاج" لإنتاج سيناريو منخفض/متوسط/عالي بدلاً من منحنى واحد والتعليق على عرض النطاق في جملة.

قائمة مرجعية

• [ ] أعرف الفرق في قابلية القياس بين المسامية والنفاذية وأن النفاذية تتطلب اختبارًا أساسيًا/جيدًا.
• [ ] لا أعتبر تصنيف السحنات موثوقًا دون معايرته مع النواة.
• [ ] أدرك خطورة استقراء العلاقة المستفادة بمجال/شرط آخر.
• [ ] أقدم الإنتاج والحجم باستخدام السيناريوهات والمحاكاة الاحتمالية بدلاً من الأرقام الفردية.
• [ ] "ما هو القياس المباشر الذي يمكن أن يدحض تقديرات كل خزان؟" أنا اختباره مع السؤال.