লাভ:
- এআই সহ ছিদ্রতা, ব্যাপ্তিযোগ্যতা এবং জলাধারের বৈশিষ্ট্যগুলির পূর্বাভাস দেওয়ার ক্ষেত্রে কার্যপ্রবাহ ব্যাখ্যা করার ক্ষমতা
- ভাল লগ ইন্টারপ্রিটেশন, ফেসিস শ্রেণীবিভাগ এবং উত্পাদন পূর্বাভাসে মেশিন লার্নিং অবস্থান করার ক্ষমতা
- শারীরিক সীমানা, ভাল পরীক্ষা এবং অনিশ্চয়তা বিশ্লেষণের মাধ্যমে জলাধারের আউটপুট যাচাই করার ক্ষমতা
একটি তেল বা গ্যাসের আধার হল ভূপৃষ্ঠের মাইল নিচে ছিদ্রযুক্ত শিলায় আটকে থাকা তরল পদার্থের একটি অদৃশ্য ভান্ডার। আমরা এটা সরাসরি দেখতে পারি না; আমরা কূপ থেকে প্রাপ্ত লগ, কোর, সিসমিক শ্যাডো এবং উৎপাদন ডেটা দিয়ে এটি শুধুমাত্র "পড়তে" করি। জলাধারের বৈশিষ্ট্য হল এই পরোক্ষ পরিমাপগুলি থেকে পুনর্গঠনের কাজ যে শিলা কতটা তরল ধারণ করে (পোরোসিটি), এটি কত সহজে তরল নির্গত করে (ব্যপ্তিযোগ্যতা), এবং জলাধারটি কী ধরণের ত্রিমাত্রিক কাঠামো। AI এই ক্ষেত্রে শক্তিশালী: ভাল লগগুলি ব্যাখ্যা করা, মুখের শ্রেণীবিভাগ করা (শিলার প্রকারের সমাবেশ), ছিদ্র-ব্যপ্তিযোগ্যতা সম্পর্কের পূর্বাভাস দেওয়া এবং উত্পাদন প্রবণতা মডেলিং। কিন্তু অন্যান্য ভূতাত্ত্বিক ক্ষেত্রগুলির মতো জলাধারগুলিও অনিশ্চয়তায় পূর্ণ, এবং প্রতিটি ভবিষ্যদ্বাণী শারীরিক সীমানা, ভাল পরীক্ষা এবং অনিশ্চয়তা বিশ্লেষণের সাথে যুক্ত না হয়ে সিদ্ধান্তের ভিত্তি হতে পারে না।
এই ইউনিটে আমরা জলাধার অধ্যয়নের তিনটি AI দিক কভার করব: ভাল লগ ব্যাখ্যা এবং মুখের শ্রেণীবিভাগ (লগ থেকে শিলার ধরন এবং বৈশিষ্ট্যগুলি নিষ্কাশন), ছিদ্র-ব্যপ্তিযোগ্যতা পূর্বাভাস (জলাশয়ের মানের পূর্বাভাস), এবং উত্পাদন পূর্বাভাস (ভবিষ্যতে কূপ কতটা উত্পাদন করবে)। জিওস্ট্যাটিস্টিকস এখানেও মেরুদণ্ড; আমরা ভ্যারিওগ্রাম এবং সিমুলেশন দিয়ে কূপের মধ্যে স্থান পূরণ করি। দ্রষ্টব্য: তেল ও গ্যাস খাত বাণিজ্যিকভাবে খুবই সংবেদনশীল; সমস্ত নমুনা বেনামী এবং প্রতিনিধি মান সঙ্গে অধ্যয়ন করা হয়.
ভাল লগ ইন্টারপ্রিটেশন এবং ফেসিস শ্রেণীবিভাগ
ওয়েল লগগুলি হল বক্ররেখা যা অবিরত শিলার ভৌত বৈশিষ্ট্যগুলিকে বোর বরাবর পরিমাপ করে: গামা রশ্মি (কাদামাটির বিষয়বস্তু), প্রতিরোধ ক্ষমতা (তরল প্রকার — জল/হাইড্রোকার্বন), ঘনত্ব এবং নিউট্রন (পোরোসিটি), সোনিক (শিলার কঠোরতা)। একজন পেট্রোলিয়াম ভূতত্ত্ববিদ এই বক্ররেখাগুলি একসাথে পড়েন এবং প্রতিটি গভীরতায় শিলার ধরন এবং তরল বের করেন। এটি প্যাটার্ন স্বীকৃতি, এবং এআই এটিতে খুব ভাল: ধারাবাহিকভাবে কয়েক হাজার মিটার লগগুলিকে চেহারায় সাজানো।
কিন্তু দুটি সীমা আছে। প্রথমত, লগ ব্যাখ্যা একটি মডেল, একটি পরিমাপ নয়; একই লগ বিভিন্ন মুখের ব্যাখ্যার জন্য উন্মুক্ত হতে পারে। দ্বিতীয়ত, মডেলটি যদি অন্ধভাবে লগ-ফ্যাসিস সম্পর্কটিকে এক ক্ষেত্রে শিখেছে অন্য ক্ষেত্রে স্থানান্তর করে (ভিন্ন জমার পরিবেশ, ভিন্ন ডায়াজেনেসিস), এটি গুরুতর ভুল করে। অতএব, মুখের আউটপুট মূল তথ্য দিয়ে ক্রমাঙ্কিত করা হয়; কোর হল নোঙ্গর যা লগ ব্যাখ্যাকে স্থল সত্যের সাথে সংযুক্ত করে।
টিপ: একটি ফেসিস মডেলের আউটপুট বিশ্বাস করার আগে, "কোন কূপগুলিকে কোর করা হয়েছে এবং সেই কূপের মডেলটি কতটা সঠিক?" জিজ্ঞাসা করুন জিজ্ঞাসা একটি অপ্রমাণিত ফ্যাসিস অনুমান একটি অপরীক্ষিত হাইপোথিসিস, তা যতই যুক্তিযুক্ত মনে হোক না কেন।
পোরোসিটি এবং ব্যাপ্তিযোগ্যতা: সবচেয়ে সমালোচনামূলক পার্থক্য
জলাধারের মানের দুটি চাবিকাঠি হল ছিদ্রতা এবং ব্যাপ্তিযোগ্যতা এবং তাদের মধ্যে পার্থক্য হল AI ব্যবহারের সবচেয়ে গুরুত্বপূর্ণ পয়েন্টগুলির মধ্যে একটি। পোরোসিটি হল শিলার অকার্যকর অনুপাত এবং যুক্তিসঙ্গত নির্ভুলতার সাথে লগ থেকে প্রাপ্ত করা যেতে পারে। ব্যাপ্তিযোগ্যতা হল কত সহজে পাথরের মধ্য দিয়ে তরল প্রবাহিত হয় এবং লগ থেকে সরাসরি পরিমাপ করা হয় না; কিন্তু এটা পরোক্ষভাবে অনুমান করা হয়. ব্যাপ্তিযোগ্যতা ছিদ্রের ছোট পরিবর্তনের জন্য দ্রুত সংবেদনশীল এবং ছিদ্র জ্যামিতি, ফাটল এবং সিমেন্টেশনের উপর নির্ভর করে।
এই কারণেই মেশিন লার্নিং এর মাধ্যমে ব্যাপ্তিযোগ্যতার পূর্বাভাস আকর্ষণীয় এবং বিপজ্জনক উভয়ই। মডেলটি মূল কূপের ছিদ্রতা এবং অন্যান্য লগ থেকে ব্যাপ্তিযোগ্যতা শেখে; কিন্তু এটি যে সম্পর্কটি শিখেছে তা সেই চেহারা এবং সেই চাপ-তাপমাত্রার অবস্থার সাথে নির্দিষ্ট। একটি ভিন্ন লিথোলজি বা একটি আনকোরড কূপে এক্সট্রাপোলেশন (শিক্ষিত সীমার বাইরে চলে যাওয়া) বড় ত্রুটির কারণ হবে। ব্যাপ্তিযোগ্যতা অনুমান অবশ্যই মূল পরিমাপ এবং ভাল পরীক্ষার সাথে লিঙ্ক করা উচিত (চাপ ড্রপ/ফুল পরীক্ষা প্রকৃত প্রবাহ আচরণ দেয়)।
সতর্কতা: এমনকি যদি ব্যাপ্তিযোগ্যতার অনুমান একটি "সুদর্শন" গ্রাফ তৈরি করে, তবে প্রশিক্ষণ ডেটার মুখ এবং চাপের অবস্থার বাইরে প্রয়োগ করা হলে তা অবিশ্বস্ত হয়। মডেল একটি পারস্পরিক সম্পর্ক শেখে, একটি শারীরিক সত্য নয়; সর্বদা মূল এবং ভাল পরীক্ষার সাথে পরীক্ষা করুন।
উৎপাদন পূর্বাভাস এবং অনিশ্চয়তা
ভবিষ্যতে একটি কূপ কতটা উত্পাদন করবে তা নির্ভর করে জলাধারটি কতটা তরল রাখে এবং সরবরাহ করে। শাস্ত্রীয় পদ্ধতি (বক্ররেখা বিশ্লেষণ হ্রাস) অতীতের উৎপাদন প্রবণতাকে ভবিষ্যতে প্রসারিত করে; AI এই প্রবণতাকে বহু-ওয়েল ডেটা দিয়ে সমৃদ্ধ করে এবং প্রতিবেশী কূপের নিদর্শন থেকে শেখে। কিন্তু উত্পাদনের পূর্বাভাস সহজাতভাবে অনিশ্চিত: জলাধারটি ভিন্ন, চাপের পরিবর্তন, অপারেটিং অবস্থার পরিবর্তন। অতএব, একটি সম্ভাব্য পরিসর (নিম্ন/মাঝারি/উচ্চ দৃশ্য) উপস্থাপন করা হয়েছে, একটি একক "সঠিক" উৎপাদন বক্ররেখা নয়।
কূপের মধ্যে ভলিউম পূরণ করার সময় ভূ-পরিসংখ্যানও অনিশ্চয়তা বহন করে। পদ্ধতি যেমন অনুক্রমিক গাউসিয়ান সিমুলেশন একটি একক "গড়" মডেলের পরিবর্তে সমানভাবে সম্ভাব্য অনেক মডেল তৈরি করে; এই মডেলগুলির মধ্যে পার্থক্য হল অনিশ্চয়তা নিজেই। কৃত্রিম বুদ্ধিমত্তা এই সিমুলেশনগুলিকে ত্বরান্বিত করে এবং ব্যাখ্যা করে; কিন্তু ফলাফলকে একক সংখ্যায় কমিয়ে অনিশ্চয়তা লুকিয়ে মিথ্যা আত্মবিশ্বাস তৈরি করে।
তিনটি মিনি কেস: সংখ্যা দ্বারা
কেস 1 - এক্সট্রাপোলেশন ত্রুটি। একটি সাইটে তিনটি কোরড কূপের উপর প্রশিক্ষিত ব্যাপ্তিযোগ্যতা মডেলটি একটি ভবিষ্যদ্বাণী দিয়েছে যা চতুর্থ কূপে নিখুঁত প্রদর্শিত হয়েছিল। কিন্তু এই কূপটি একটি কাদামাটির আকারে ছিল এবং মডেলটি কখনও এই ব্যবধান দেখেনি; ভাল পরীক্ষা অনুমানের প্রায় এক-পঞ্চমাংশ হতে প্রকৃত ব্যাপ্তিযোগ্যতা দেখিয়েছে। মডেলটিকে একটি "সুদর্শন" গ্রাফের জন্য গুরুতরভাবে ভুল করা হয়েছিল; ভাল পরীক্ষা নোঙ্গর ত্রুটি ধরা.
কেস 2 — ফ্যাসিস ক্রমাঙ্কন। একটি গ্যাসক্ষেত্রে, কৃত্রিম বুদ্ধিমত্তা দ্রুত 14টি কূপের লগকে ফেসিয়েট করে দেয়। তিনটি কোরড কূপের সাথে তুলনা করা হলে, মডেলটি "পরিষ্কার বেলেপাথর" হিসাবে শ্রেণীবদ্ধ করা অঞ্চলটি আসলে একটি ভাঙা, নিম্নমানের একক ছিল। মূল ক্রমাঙ্কনের সাথে, মডেলটিকে পুনরায় প্রশিক্ষিত করা হয়েছিল এবং জলাধারের আয়তনের অনুমান একটি বাস্তবসম্মত স্তরে নামিয়ে আনা হয়েছিল।
কেস 3 - স্ক্রিপ্টের সততা। একটি উত্পাদন পূর্বাভাসে, মডেলটি একটি একক বক্ররেখা দিয়েছে এবং বিজোড় সংখ্যায় দশ বছরের উত্পাদন প্রকাশ করেছে। যখন দলটি একটি অনুক্রমিক সিমুলেশনের মাধ্যমে একটি নিম্ন/মাঝারি/উচ্চ পরিস্থিতি তৈরি করে, তখন তারা দেখতে পায় যে পরিসরটি খুব প্রশস্ত ছিল (উচ্চ দৃশ্যটি প্রায় দ্বিগুণ কম ছিল)। এই প্রস্থ নির্দেশ করে যে বিনিয়োগের সিদ্ধান্তে অতিরিক্ত ভাল পরীক্ষার প্রয়োজন ছিল; একক সংখ্যা বিপজ্জনকভাবে এই অনিশ্চয়তা আড়াল.
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই কূপের লগগুলি দেখুন, ব্যাপ্তিযোগ্যতা গণনা করুন এবং কূপটি কত উত্পাদন করবে তা আমাকে বলুন। [লগ ডেটা]
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: সহকারী জলাধার ভূতত্ত্ববিদ। নীচের লগগুলির সাথে ব্যাপ্তিযোগ্যতা এবং উত্পাদনের জন্য একক সঠিক নম্বর দেওয়া। পরিবর্তে: 1) ফেসিস ব্যাখ্যা করার সময় কোর দ্বারা কোন কূপগুলি নিশ্চিত করা যেতে পারে তা বলুন। 2) ব্যাখ্যা করুন যে ব্যাপ্তিযোগ্যতা অনুমান সরাসরি লগ থেকে পরিমাপ করা যায় না, কোন পরিস্থিতিতে (ফেসিস/চাপ) এটি বৈধ হবে, এবং কোর/ওয়েল পরীক্ষার প্রয়োজন। 3) একটি নিম্ন/মাঝারি/উচ্চ পরিস্থিতি স্থাপন করুন, একটি একক উৎসের জন্য কার্টেইন লজিক নয়। ফলাফলকে প্রভাবিত করে। ডেটা বেনামী; কোনো বাস্তব ক্ষেত্র/কোম্পানী নেই।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) লগ-ফেসিস ক্রমাঙ্কন পরীক্ষা:
কোন কূপগুলি মুখের শ্রেণীবিভাগের জন্য কোর করা হয় এবং কীভাবে আমরা এই কূপের মডেলের যথার্থতা পরিমাপ করতে পারি তা ব্যাখ্যা করুন। অযাচাইকৃত অঞ্চলগুলিকে "অপরীক্ষিত" হিসাবে চিহ্নিত করুন; অন্ধভাবে বিশ্বাস করবেন না।
2) ব্যাপ্তিযোগ্যতা বৈধতা:
ব্যাপ্তিযোগ্যতা ভবিষ্যদ্বাণীর জন্য: মডেলটি প্রশিক্ষিত যার জন্য মুখ এবং চাপ পরিসীমা নির্দিষ্ট করুন; কোন কূপ/জোন এই সীমার বাইরে রয়েছে চিহ্নিত করুন (এক্সট্রাপোলেশন)। জোর দিন যে এই অঞ্চলগুলিতে মূল এবং ভাল পরীক্ষা ছাড়া ভবিষ্যদ্বাণীকে বিশ্বাস করা উচিত নয়। সঠিক সংখ্যা দিবেন না।
3) উত্পাদন দৃশ্যের খসড়া:
হ্রাস বক্ররেখা/উৎপাদন ডেটা থেকে নিম্ন, মাঝারি, উচ্চ উত্পাদন দৃশ্যকল্প যুক্তি স্থাপন করে। প্রতিটি দৃশ্যকল্প কোন অনুমানের উপর ভিত্তি করে এবং তাদের মধ্যে পার্থক্যের অর্থ কী তা ব্যাখ্যা করুন। কোনো একক "সঠিক" বক্ররেখা অফার করছে না।
4) অনিশ্চয়তা সিমুলেশন ব্যাখ্যা:
একাধিক সমান সম্ভাব্য জিওস্ট্যাটিস্টিক্যাল মডেলের আউটপুট ব্যাখ্যা করুন (যেমন, অনুক্রমিক সিমুলেশন): ভলিউম অনুমানের বিতরণ কতটা বিস্তৃত, কোন অঞ্চলটি সবচেয়ে অনিশ্চিত এবং কোন অতিরিক্ত ডেটা (ভাল, সিসমিক) দিয়ে এই অনিশ্চয়তা সংকুচিত হয়েছে? একটি একক সংখ্যা কমানো.
জলাধার স্পেসিফিকেশন, পরিমাপযোগ্যতা এবং যাচাইকরণ
বৈশিষ্ট্য/আউটপুট
এটা লগ থেকে পরিমাপ করা যাবে?
এআই ঝুঁকি
যাচাইকরণ অ্যাঙ্কর
ছিদ্র
যুক্তিসঙ্গত নির্ভুলতার সাথে প্রাপ্ত
ক্রমাঙ্কন প্রবাহ
কোর porosity
ব্যাপ্তিযোগ্যতা
না, পরোক্ষ অনুমান
এক্সট্রাপোলেশন ত্রুটি
কোর + ভাল পরীক্ষা
চেহারা
মন্তব্য (মডেল)
অফ-সাইট পরিবহন
মূল সংজ্ঞা
তরল প্রকার
আমি প্রতিরোধ ক্ষমতা থেকে অনুমান
ভুল মন্তব্য
চাপ/নমুনা পরীক্ষা
উৎপাদন পূর্বাভাস
প্রবণতা এক্সটেনশন
মিথ্যা নিশ্চিততা
দৃশ্যকল্প + ভাল পরীক্ষা
ইঙ্গিত: জলাধারের প্রতিটি অনুমানের জন্য "কী সরাসরি পরিমাপ এটিকে অস্বীকার করতে পারে?" বলে পরীক্ষা করে দেখুন। ছিদ্রের জন্য কোর, ব্যাপ্তিযোগ্যতার জন্য ভাল পরীক্ষা, মুখের জন্য মূল সংজ্ঞা। একটি ভবিষ্যদ্বাণী যা সরাসরি পরিমাপ দ্বারা খণ্ডন করা যায় না তা এখনও নিশ্চিত করা হয়নি।
সাধারণ ভুল
- ছিদ্র হিসাবে ব্যাপ্তিযোগ্যতা দেখা। ব্যাপ্তিযোগ্যতা লগ থেকে সরাসরি পরিমাপ করা হয় না; এক্সট্রাপোলেশন বড় ত্রুটি দেয়, মূল/ওয়েল পরীক্ষা অপরিহার্য।
- কোর ছাড়াই ফেসিস মডেল ব্যবহার করা। কোর দ্বারা ক্রমাঙ্কিত করা হয়নি এমন একটি মুখগুলি একটি অপরীক্ষিত হাইপোথিসিস।
- শেখা সম্পর্ককে অন্য ক্ষেত্রে নিয়ে যাওয়া। বিভিন্ন জমার পরিবেশ এবং ডায়াজেনেসিস লগ-বৈশিষ্ট্যের সম্পর্ককে পরিবর্তন করে।
- একটি একক বক্ররেখার সাথে উত্পাদন উপস্থাপনা। পরিস্থিতির সাথে যদি অনিশ্চয়তা না দেওয়া হয়, বিনিয়োগের সিদ্ধান্ত মিথ্যা নিশ্চিততার উপর ভিত্তি করে।
- গড় সিমুলেশন কমানো. একাধিক মডেল অনিশ্চয়তা নির্দেশ করে; এটিকে একক সংখ্যায় হ্রাস করা তথ্যকে ধ্বংস করে।
সংক্ষেপে
- জলাধার অদৃশ্য; এটি লগ, কোর, সিসমিক এবং উৎপাদন ডেটা সহ পরোক্ষভাবে পড়া হয় এবং প্রতিটি ভবিষ্যদ্বাণী অনিশ্চয়তা বহন করে।
- পোরোসিটি লগ থেকে প্রাপ্ত করা যেতে পারে; ব্যাপ্তিযোগ্যতা সরাসরি পরিমাপ করা হয় না, এটি অবশ্যই মূল এবং ভাল পরীক্ষার সাথে মিলিত হতে হবে।
- Facies শ্রেণীবিভাগ একটি মডেল; কোর দ্বারা ক্যালিব্রেট করা এবং অফ-সাইট পরিবহন ছাড়া অবিশ্বস্ত।
- শেখা সম্পর্ক শিক্ষাগত অবস্থার জন্য নির্দিষ্ট; এক্সট্রাপোলেশন সবচেয়ে সাধারণ এবং বিপজ্জনক ভুল।
- উত্পাদন এবং আয়তন একটি একক সংখ্যার সাথে নয়, তবে একটি সম্ভাব্য দৃশ্যকল্প এবং সিমুলেশন সহ, অনিশ্চয়তা স্পষ্টভাবে দেওয়া হয়েছে।
আবেদন টাস্ক
ভাল লগ (বা প্রতিনিধি মান) একটি বেনামী সেট পান. "ব্যপ্তিযোগ্যতা বৈধতা" টেমপ্লেটের সাহায্যে মডেলটিকে খুঁজে বের করতে বলুন যে কোন অঞ্চলগুলি এক্সট্রাপোলেশনের ঝুঁকিতে রয়েছে; এটি ইচ্ছাকৃতভাবে প্রশিক্ষণ সীমার বাইরে স্থাপন করে একটি জোনকে উদ্দীপিত করে কিনা তা পরীক্ষা করুন। তারপর, একটি একক বক্ররেখার পরিবর্তে একটি নিম্ন/মাঝারি/উচ্চ দৃশ্যকল্প তৈরি করতে "উৎপাদন দৃশ্যের খসড়া" টেমপ্লেটটি ব্যবহার করুন এবং একটি বাক্যে পরিসরের প্রস্থে মন্তব্য করুন।
চেকলিস্ট
- আমি সচ্ছলতা এবং ব্যাপ্তিযোগ্যতার মধ্যে পরিমাপের পার্থক্য জানি এবং ব্যাপ্তিযোগ্যতার জন্য মূল/ওয়েল টেস্টিং প্রয়োজন।
- [ ] আমি মুখের শ্রেণীবিভাগকে মূলের সাথে ক্যালিব্রেট না করে নির্ভরযোগ্য বলে মনে করি না।
- [] আমি অন্য ক্ষেত্র/পরিস্থিতিতে শেখা সম্পর্ককে এক্সট্রাপোলেট করার ঝুঁকি স্বীকার করি।
- [ ] আমি একক সংখ্যার পরিবর্তে সম্ভাব্য পরিস্থিতি এবং সিমুলেশন সহ উত্পাদন এবং আয়তন উপস্থাপন করি।
- [ ] "কোন প্রত্যক্ষ পরিমাপ প্রতিটি জলাধারের অনুমানকে অস্বীকার করতে পারে?" আমি প্রশ্ন দিয়ে এটা পরীক্ষা.