Gevinster:
- Evne til at forklare arbejdsgangen i at forudsige porøsitet, permeabilitet og reservoiregenskaber med AI
- Evne til at positionere maskinlæring i brøndlogfortolkning, faciesklassificering og produktionsforudsigelse
- Evne til at verificere reservoiroutput gennem fysiske grænser, brøndtest og usikkerhedsanalyse
Et olie- eller gasreservoir er et usynligt skattekammer af væsker fanget i porøse sten, miles under overfladen. Vi kan ikke se det direkte; Vi "læser" det kun med de logfiler, kerner, seismiske skygger og produktionsdata, vi modtager fra brøndene. Reservoirkarakterisering er opgaven med at rekonstruere ud fra disse indirekte målinger, hvor meget væske bjergarten rummer (porøsitet), hvor let den frigiver væske (permeabilitet), og hvilken slags tredimensionel struktur reservoiret er. AI er stærk på dette område: fortolkning af brøndlogs, klassificering af facies (samlinger af bjergarter), forudsigelse af porøsitet-permeabilitetsforhold og modellering af produktionstendenser. Men reservoirer er ligesom andre geologiske felter fulde af usikkerhed, og ikke enhver forudsigelse kan være grundlag for beslutninger uden at være knyttet til fysiske grænser, brøndtest og usikkerhedsanalyser.
I denne enhed vil vi dække tre AI-aspekter af reservoirundersøgelse: brøndlogfortolkning og faciesklassificering (ekstraktion af stentype og egenskaber fra logfiler), forudsigelse af porøsitet-permeabilitet (forudsigelse af reservoirkvalitet) og produktionsforudsigelse (hvor meget brønden vil producere i fremtiden). Geostatistik er også her rygraden; Vi fylder mellemrummet mellem brøndene med variogram og simulering. Bemærk: olie- og gassektoren er meget kommercielt følsom; Alle prøver er undersøgt med anonyme og repræsentative værdier.
Brøndlogfortolkning og faciesklassificering
Brøndlogs er kurver, der kontinuerligt måler bjergartens fysiske egenskaber langs boringen: gammastråle (lerindhold), resistivitet (væsketype - vand/kulbrinte), tæthed og neutron (porøsitet), sonisk (stenshårdhed). En petroleumsgeolog læser disse kurver sammen og udtrækker bjergarten og væsken i hver dybde. Dette er mønstergenkendelse, og AI er meget god til det: konsekvent sortering af titusindvis af meter log i facies.
Men der er to grænser. For det første er logfortolkningen en model, ikke en måling; Den samme log kan være åben for forskellige facies-fortolkninger. For det andet, hvis modellen blindt overfører log-facies-forholdet, den har lært i et felt, til et andet felt (forskelligt aflejringsmiljø, forskellig diagenese), begår den alvorlige fejl. Derfor er facies output kalibreret med kernedata; Kernen er det anker, der forbinder logfortolkningen med sandheden.
Tip: Inden du stoler på outputtet fra en facies-model, så spørg "hvilke brønde er blevet kerne, og hvor nøjagtig er modellen i disse brønde?" spørge. Et ubekræftet facies-estimat er en uafprøvet hypotese, uanset hvor plausibel den kan virke.
Porøsitet og permeabilitet: Den mest kritiske skelnen
De to nøgler til reservoirkvalitet er porøsitet og permeabilitet, og forskellen mellem dem er et af de vigtigste punkter ved brug af AI. Porøsitet er klippens hulrumsforhold og kan udledes af træstammer med rimelig nøjagtighed. Permeabilitet er, hvor let væske strømmer gennem klippen og ikke måles direkte fra træstammer; men det estimeres indirekte. Permeabilitet er eksponentielt følsomt over for små ændringer i porøsitet og afhænger af poregeometri, revner og cementering.
Det er derfor, at forudsigelse af permeabilitet med maskinlæring er både attraktivt og farligt. Modellen lærer porøsitet i kernebrønde og permeabilitet fra andre logs; men forholdet, det lærer, er specifikt for den facies og den tryk-temperatur-tilstand. Ekstrapolering til en anden litologi eller til en brønd uden kerne (bevæger sig uden for det indlærte område) vil resultere i store fejl. Permeabilitetsestimering skal kobles til kernemåling og brøndtest (trykfalds-/svulmtests giver faktisk strømningsadfærd).
Forsigtig: Selvom permeabilitetsestimatet producerer en "godt udseende" graf, er den upålidelig, hvis den anvendes uden for træningsdataens facies og trykforhold. Modellen lærer en sammenhæng, ikke en fysisk kendsgerning; test altid med kerne- og brøndtest.
Produktionsprognose og usikkerhed
Hvor meget en brønd producerer i fremtiden afhænger af, hvor meget væske reservoiret rummer og afgiver. Klassiske metoder (analyse af faldkurve) udvider den tidligere produktionstendens ind i fremtiden; AI beriger denne trend med multibrøndsdata og lærer af nabobrøndmønstre. Men produktionsprognosen er i sagens natur usikker: Reservoiret er heterogent, trykændringer, driftsbetingelser ændres. Derfor præsenteres et probabilistisk interval (lavt/middel/højt scenarie), ikke en enkelt "nøjagtig" produktionskurve.
Geostatistik er også forbundet med usikkerhed ved udfyldning af volumen mellem brønde. Metoder såsom sekventiel Gauss-simulering producerer mange lige så sandsynlige modeller snarere end en enkelt "gennemsnitlig" model; Forskellen mellem disse modeller er selve usikkerheden. Kunstig intelligens accelererer og fortolker disse simuleringer; men at reducere resultatet til et enkelt tal skaber falsk tillid ved at skjule usikkerhed.
Tre minietuier: Efter numrene
Tilfælde 1 — Ekstrapolationsfejl. Permeabilitetsmodellen trænet på tre borede brønde på ét sted gav en forudsigelse, der virkede perfekt på den fjerde brønd. Men denne brønd var mere leret, og modellen havde aldrig set dette interval; brøndtest viste, at den faktiske permeabilitet var omkring en femtedel af estimatet. Modellen blev alvorligt forvekslet med en "god udseende" graf; Brøndtestankeret fangede fejlen.
Tilfælde 2 — Facies-kalibrering. I et gasfelt sorterede kunstig intelligens hurtigt loggene fra 14 brønde i facies. Sammenlignet med tre kerneboringer var den zone, som modellen klassificerede som en "ren sandsten", faktisk en brudt enhed af lav kvalitet. Med kernekalibrering blev modellen genoptrænet, og reservoirvolumen-estimatet blev bragt ned på et realistisk niveau.
Case 3 - Manuskriptærlighed. I en produktionsprognose gav modellen en enkelt kurve og udtrykte ti-årig produktion i ulige tal. Da holdet genererede et lav/medium/høj scenarie gennem en sekventiel simulering, fandt de ud af, at rækkevidden var meget bred (det høje scenarie var cirka dobbelt så lavt). Denne bredde indikerede, at yderligere brøndtest var påkrævet i investeringsbeslutningen; Det enkelte nummer skjulte farligt denne usikkerhed.
Svag prompt / stærk prompt
Svag prompt:
Se på disse brøndlogfiler, beregn permeabiliteten og fortæl mig, hvor meget brønden vil producere. [logdata]
Kraftig prompt:
Din rolle: Assisterende reservoirgeolog. Giver ENKELTE NØJAGTIG NUMMER for permeabilitet og produktion med logfilerne nedenfor. I stedet:1) Angiv hvilke brønde, der kan bekræftes af kerne, når der foretages facies-fortolkning.2) Forklar, at permeabilitetsestimatet ikke kan måles direkte fra logfiler, under hvilke forhold (facies/tryk) det vil være gyldigt, og behovet for kerne-/brøndtest.3) Etabler en lav/middel/høj scenarielogik for produktion, ikke en enkelt usikker kilde, som er en anonym kilde.4) Listen er en anonym kilde. Intet reelt felt/virksomhed.
Fire kopierbare skabeloner
1) Log-facies kalibreringskontrol:
Forklar hvilke brønde der er kerne til facies klassificering og hvordan vi kan måle modellens nøjagtighed i disse brønde. Marker ikke-verificerede zoner som "ikke testet"; Stol ikke blindt på.
2) Permeabilitetsvalidering:
For permeabilitetsforudsigelse: angiv de facies og trykområde, som modellen er trænet til; Marker hvilke brønde/zoner der ligger uden for dette interval (ekstrapolation). Understreg, at forudsigelsen ikke bør stoles på uden kerne- og brøndtest i disse zoner. Giv ikke et nøjagtigt tal.
3) Udkast til produktionsscenarie:
Etablerer lav, medium, høj produktionsscenarielogik fra nedgangskurve/produktionsdata. Forklar hvilke antagelser hvert scenarie er baseret på, og hvad forskellene mellem dem betyder. Tilbyder ingen enkelt "præcis" kurve.
4) Fortolkning af usikkerhedssimulering:
Fortolk outputtet af en flere lige så sandsynlige geostatistisk model (f.eks. sekventiel simulering): hvor bred er fordelingen af volumen-estimatet, hvilket område er mest usikkert, og med hvilke yderligere data (nå, seismisk) er denne usikkerhed indsnævret? Reduktion til et enkelt tal.
Reservoirspecifikation, målbarhed og verifikation
funktion/output
Kan det måles ud fra logs?
AI risiko
verifikationsanker
porøsitet
Udledt med rimelig nøjagtighed
Kalibreringsdrift
Kerneporøsitet
permeabilitet
Nej, indirekte gæt
Ekstrapolationsfejl
Core + brønd test
facies
Kommentar (model)
Off-site transport
kernedefinition
Væsketype
Jeg udleder af resistivitet
forkert kommentar
Tryk/prøvetestning
Produktionsprognose
trendudvidelse
falsk sikkerhed
Scenarie + brøndtest
Tip: For hvert estimat på reservoiret "hvilken direkte måling kunne modbevise dette?" Test det ved at sige. Kerne for porøsitet, brøndtest for permeabilitet, kernedefinition for facies. En forudsigelse, der ikke kan tilbagevises ved direkte måling, er endnu ikke blevet bekræftet.
Almindelige fejl
- Ser permeabilitet som porøsitet. Permeabilitet måles ikke direkte fra træstammer; Ekstrapolering giver store fejl, kerne/brøndtest er essentielt.
- Brug af facies-modellen uden kerne. En facies, der ikke er blevet kalibreret af kernen, er en uafprøvet hypotese.
- Bære det tillærte forhold til et andet felt. Forskellige aflejringsmiljøer og diagenese ændrer log-træk-forholdet.
- Præsentation af produktion med en enkelt kurve. Hvis der ikke er givet usikkerhed med scenarier, er investeringsbeslutningen baseret på falsk sikkerhed.
- Reduktion af simuleringen til middelværdien. Flere modeller indikerer usikkerhed; At reducere det til et enkelt tal ødelægger information.
Sammenfattende
- Reservoiret er usynligt; Den læses indirekte med logs, kerne-, seismiske og produktionsdata, og enhver forudsigelse er forbundet med usikkerhed.
- Porøsitet kan afledes fra træstammer; Permeabilitet måles ikke direkte, det skal kombineres med kerne- og brøndtest.
- Facies klassificering er en model; upålidelig uden at blive kalibreret af kerne og transporteret off-site.
- Den indlærte relation er specifik for uddannelsesforhold; Ekstrapolering er den mest almindelige og farligste fejl.
- Produktion og volumen præsenteres ikke med et enkelt tal, men med et sandsynlighedsscenarie og simulering, med usikkerhed klart angivet.
Ansøgningsopgave
Få et anonymiseret sæt brøndlogfiler (eller repræsentative værdier). Få modellen til at finde ud af, hvilke zoner der er i risiko for ekstrapolering med skabelonen "permeabilitetsvalidering". Test, om den stimulerer en zone ved bevidst at placere den uden for træningsområdet. Brug derefter "produktionsscenarieudkast"-skabelonen til at producere et lavt/medium/højt scenarie i stedet for en enkelt kurve og kommentere bredden af intervallet i en sætning.
tjekliste
- [ ] Jeg kender forskellen i målbarhed mellem porøsitet og permeabilitet, og at permeabilitet kræver kerne/brøndtest.
- [ ] Jeg betragter ikke facies-klassificering som pålidelig uden at kalibrere den med kerne.
- [ ] Jeg anerkender risikoen ved at ekstrapolere den tillærte relation til et andet felt/tilstand.
- [ ] Jeg præsenterer produktion og volumen med probabilistiske scenarier og simuleringer i stedet for enkelte tal.
- [ ] "Hvilken direkte måling kunne modbevise hvert reservoirestimat?" Jeg tester det med spørgsmålet.