Gevinster:
- Evne til at forklare, hvordan 3D-fordelingen af reservoiregenskaber (porøsitet, permeabilitet, vandmætning) er modelleret med AI og geostatistik
- Evne til at lokalisere feature spredning med facies modellering, variogram, kriging og machine learning
- Evne til at verificere reservoirmodeloutput med materialebalance, brøndtest og usikkerhedsscenarier
For at fremstille et olie- eller gasfelt skal vi først bygge en 3D-model af det: hvor reservoirbjergarten er, hvor porøs den er (porøsitet), hvor let væske flyder (permeabilitet/permeabilitet), og hvor meget af porerne er fyldt med kulbrinter (1 − vandmætning). Men vi kan kun måle disse funktioner på de punkter, hvor vi borer brønde; Det enorme volumen mellem brøndene er tomt og skal fyldes. Reservoirkarakterisering er at tage punktmålinger i brønde og udvide dem til hele volumen ved hjælp af geologisk logik og statistik. I denne enhed anvender vi kunstig intelligens og geostatistik (den gren af statistik, der modellerer geografiske data med usikkerhed) i dette formidlingsarbejde. Det uforanderlige princip: hver brønd-til-brønd-værdi er et skøn, ikke en faktisk; Usikkerhed er en del af modellen og testes af fysisk balance.
Grundlæggende koncepter
- Facies: En bjergart med unikke egenskaber, der blev dannet i et bestemt aflejringsmiljø (f.eks. flodkanalsand, marin skifer, revkalksten). Reservoirkvaliteten er tæt knyttet til facies: Kanalen dræner sand godt, men ikke skifer.
- Variogram: Et mål for rumlig kontinuitet, der beskriver, hvordan trækligheden aftager, når afstanden mellem to punkter øges. Det er det grundlæggende værktøj til geostatistik.
- Kriging: En metode, der estimerer værdien på ikke-samplede punkter ved hjælp af variogrammet, sammen med estimeringsusikkerheden.
- Stokastisk simulering: Producerer mange lige så sandsynlige modeller (realiseringer), der er kompatible med dataene, snarere end et enkelt "bedste" gæt; Det synliggør usikkerhed.
- Materialebalance: Bevaringsforhold mellem væsken produceret fra reservoiret, trykfald og resterende volumen; fysisk anker, der uafhængigt tester modelvolumenet.
Tip: Reservoiremodellen er en usikkerhedsfordeling, ikke et enkelt tal. Det korrekte sprog er "P90=35, P50=50, P10=72 millioner tønder", ikke "Reserver 50 millioner tønder". Bed AI om et scenarie/distribution, ikke et enkelt punktestimat.
Hvordan AI og geostatistik arbejder sammen
Klassisk geostatistik (kriging, variogram) er kraftfuld, men kæmper med multivariate, ikke-lineære relationer. Det er her maskinlæring kommer i spil:
- Facies klassificering: Tildeling af facies fra logsættet (overvåget læring); Distribuer derefter indslaget ved hjælp af facies som en guide.
- Attribut-estimering: Estimering af porøsitet mellem brønde fra seismisk attribut + log-forhold (seismisk drevet modellering).
- Udfyldning af huller: Udfyldelse af manglende log varierer rimeligt fra nabobrønde og relationer.
Men maskinlæring kender ikke geologisk logik. Porøsitetskortet produceret af en model er forkert, hvis det ikke er i overensstemmelse med aflejringsmiljøet (f.eks. høj permeabilitet i skiferfacies). Geologisk plausibilitet er det første filter for AI-output.
Trin for trin: Beholdermodel arbejdsgang
- Strukturelt skelet. Etabler geometrien af reservoiret med horisonter og fejl fra seismisk (output fra enhed 3).
- Facies model. Bestem facies i brønde (log + kerne), fordel til volumen med variogram/geologisk tendens. AI fremskynder klassificeringen.
- Funktionsimplementering. Fordel porøsitet, permeabilitet, vandmætning inden for hver facies ved kriging eller maskinlæring; Hvis der er seismik, så få en guide.
- Usikkerhed. Generer et stort antal realiseringer med stokastisk simulering; P90/P50/P10-volumener udsendes.
- Verifikation. Testmodelvolumen med materialebalance og historiematch; Sammenlign med brøndtestpermeabilitet.
Tre minietuier: Efter numrene
Case 1 — Værdi af facies guide. Når porøsitet blev spredt på et sted direkte ved kriging, "lækkede" høj porøsitet ind i lavkvalitets skiferzoner. Da facies-modellen først blev etableret, og porøsiteten blev fordelt inden for facies, blev modellen realistisk, og de stokastiske volumener blev indsnævret: P50-volumen faldt med 12%, men usikkerhedsbåndet indsnævret med 40%. Den korrekte struktur gav både mere realistiske og sikrere resultater.
Tilfælde 2 — Ekstrapolationsfælde. Maskinlæringsmodellen lærte det porøsitet-seismiske forhold godt i regionen, hvor brøndene er koncentreret; men når den blev påført en kantblok uden brønd, faldt den uden for træningsområdet (ekstrapolation) og producerede en urealistisk porøsitet på 28 %. Geologen viste, at den blok var i en anden facies-zone; modellen var ugyldig i det pågældende område. Ekstrapolationsgrænsen er markeret.
Case 3 — Materialebalancekonflikt. En rig 3D-model P50-reserver gav 68 millioner tønder; feltets tidlige produktionstrykfald indikerede dog et system med højst ~45 millioner tønder i materialebalance. Modsigelsen kom, fordi modellen antog afbrudte (isolerede) sandlegemer for at være for forbundne. Forbindelsen blev genovervejet, og modellen blev gjort mindre. Det fysiske anker fikserede den geometriske model.
Svag prompt / stærk prompt
Svag prompt:
Reservoiremodellen og reserven er afledt af disse brønddata.[data]
Kraftig prompt:
Generer en reservoirmodelleringDRAFT-plan fra den (anonymiserede) brønd og seismisk oversigt nedenfor. Regler: - Byg først facies model; Fordel porøsitet/permeabilitet INDENFOR facies. Kulbrinteegenskaber udvaskes til skifer-/lavkvalitetsfacies.- Begrund variogramparametre (retning, rækkevidde) fra geologisk tendens, ikke fra data; Skriv antagelserne TYDELIGT.- Præsenter resultatet som en P90/P50/P10 volumenfordeling, ikke et enkelt tal.- Markér risikoen for ekstrapolering i brøndløse områder.- Skriv hvordan du verificerer med materialebalance/produktionshistorik.Data: [resumé]
Fire kopierbare skabeloner
1) Facies klassifikationsudkast:
Foreslå en tilgang til facies-klassificering fra følgende sæt logfiler. Skriv ned de logfiler, der skal bruges, klassedefinitioner og behovet for kernemærkning. Angiv risikoen for forveksling mellem klasser og den geologiske plausibilitetskontrol. Data: [logsæt]
2) Variogram begrundelse:
Når du etablerer et variogram for disse porøsitetsdata, skal du relatere retnings- og områdevalg til retningen af geologisk nedbør. Forklar risikoen ved at antage isotrop. Angiv grænsen for variogrammets pålidelighed med få data. Data: [porøsitet]
3) Usikkerhedsscenarie:
Generer P90/P50/P10 volumenfordeling for følgende volumen input (areal, tykkelse, porøsitet, mætning, konverteringsfaktor). Spørg efter usikkerhedsintervallet for hvert input, antag det ikke. Ranger den mest indflydelsesrige kilde til usikkerhed (tornado).Input: [værdier]
4) Krydstjek af materialebalance:
Sammenlign følgende 3D-modelvolumen med de givne tidlige produktions- og trykfaldsdata for materialebalance. Hvis der er inkompatibilitet, angiv mulige årsager (forbindelse, akviferunderstøttelse, volumenfejl). Model: [volumen], produktion/tryk: [data]
Reservoir Model Verifikationslag
lag
Hvilke tests
Metode
Geologisk plausibilitet
Konsistens af facies-funktioner
Ekspertgennemgang
brønddata
Overholdelse af punktmåling
Log/kerne sammenligning
brøndtest
Faktisk permeabilitet/tryk
Tryktransient test
Materiale balance
volumen bevaring
Tryk-produktionsforhold
Produktionshistorie
dynamisk adfærd
Historik matching
Almindelige fejl
- Facies springer over. Fordel funktioner uden facies guide og lække kulbrinter med ting.
- Enkeltpunktsforudsigelse. Indberetning af et enkelt antal reserver i stedet for en usikkerhedsfordeling.
- Ekstrapolering. Blindt at anvende modellen på blokke uden for træningsdataområdet.
- Springer materialebalance over. Tester ikke 3D-modellens volumen med fysisk balance.
- Lad variogrammet stå på automatisk. Valg af retning/rækkevidde uden geologisk tendens.
Sammenfattende
- Reservoarkarakterisering er udvidelsen af punktmålinger i boringer til hele volumen med geologi og geostatistik.
- AI og maskinlæring er kraftfulde i facies-klassificering og funktionsforudsigelse; men geologisk plausibilitet er det første filter.
- Distribuer funktioner inden for facies; Rapporter usikkerhed som en P90/P50/P10-fordeling.
- Marker ekstrapolationsgrænserne; Brug ikke modellen blindt uden for træningsområdet.
- Materialebalance og produktionshistorie er fysiske ankre, der tester den geometriske model.
Ansøgningsopgave
Tag porøsitets-/ansigtsdata fra flere brønde (repræsentative) for et felt. Få en modelleringsplan genereret med den kraftfulde prompt. Derefter: (1) kontroller, om porøsiteten er fordelt inden for facies, (2) spørg efter reserven som P90/P50/P10, ikke et enkelt tal, (3) giv groft volumen givet af modellen med en simpel materialebalance (produceret + resterende) logik. Tilføj en ekstrapolationsadvarsel for mindst én brøndløs region.
tjekliste
- [ ] Jeg forstår, at reservoirmodellen er et brønd-til-brønd-estimat og er forbundet med usikkerhed.
- [ ] Jeg distribuerer funktionerne med faciesguiden, jeg lækker dem ikke til facies af lav kvalitet.
- [ ] Jeg rapporterer reserven som en P90/P50/P10-fordeling, ikke et enkelt nummer.
- [ ] Jeg markerer ekstrapolationsgrænserne.
- [ ] Jeg verificerer modelvolumenet med materialebalancen og produktionshistorikken.