Kasu:
- Oskus selgitada töövoogu poorsuse, läbilaskvuse ja reservuaari omaduste ennustamisel tehisintellektiga
- Oskus positsioneerida masinõpet kaevulogi tõlgendamisel, faatsiklassifikatsioonil ja tootmise prognoosimisel
- Võimalus kontrollida reservuaari väljundeid füüsiliste piiride, kaevude testimise ja määramatuse analüüsi kaudu
Nafta- või gaasimahuti on nähtamatu vedelike aare, mis on lõksus poorsesse kivimisse miili sügavusel maapinnast. Me ei saa seda otse näha; Me "loeme" seda ainult kaevudest saadud palkide, südamike, seismiliste varjude ja tootmisandmetega. Veehoidla iseloomustamise ülesanne on nende kaudsete mõõtmiste põhjal rekonstrueerida, kui palju vedelikku kivim hoiab (poorsus), kui kergesti see vedelikku vabastab (läbilaskvus) ja milline on reservuaari kolmemõõtmeline struktuur. Tehisintellekt on selles valdkonnas võimas: tõlgendab kaevu palke, klassifitseerib faatsiaid (kivimitüüpide kooslusi), ennustab poorsuse ja läbilaskvuse suhteid ning modelleerib tootmistrende. Kuid veehoidlad, nagu ka teised geoloogilised väljad, on täis ebakindlust ja mitte iga ennustus ei saa olla otsuste aluseks, ilma et see oleks seotud füüsiliste piiride, kaevude testimise ja määramatuse analüüsiga.
Selles üksuses käsitleme veehoidla uurimise kolme tehisintellekti aspekti: puuraugude tõlgendus ja faatsia klassifitseerimine (kivimitüübi ja -omaduste väljavõtmine palkidest), poorsuse-läbilaskvuse prognoosimine (reservuaari kvaliteedi ennustamine) ja toodangu prognoosimine (kui palju kaev tulevikus tootma hakkab). Geostatistika on ka siin selgroog; Kaevude vahelise ruumi täidame variogrammi ja simulatsiooniga. Märkus: nafta- ja gaasisektor on äriliselt väga tundlik; Kõiki proove uuritakse anonüümsete ja representatiivsete väärtustega.
Kaevude palkide tõlgendamine ja faatside klassifikatsioon
Puurkaevu logid on kõverad, mis mõõdavad pidevalt kivimi füüsikalisi omadusi piki puuraugu: gammakiirgust (savisisaldus), eritakistust (vedeliku tüüp – vesi/süsivesinik), tihedust ja neutroneid (poorsus), helitugevust (kivimi kõvadus). Naftageoloog loeb need kõverad kokku ja ekstraheerib kivimi tüübi ja vedeliku igal sügavusel. See on mustrituvastus ja tehisintellekt on selles väga hea: kümnete tuhandete meetrite palkide järjepidev sorteerimine faatsiateks.
Kuid on kaks piiri. Esiteks on logi tõlgendus mudel, mitte mõõtmine; Sama logi võib olla avatud erinevatele faatsilistele tõlgendustele. Teiseks, kui mudel kannab pimesi ühes valdkonnas õpitud log-faatsia suhte teise välja (erinev ladestuskeskkond, erinev diagenees), teeb see tõsiseid vigu. Seetõttu kalibreeritakse faatsia väljund põhiandmetega; Tuum on ankur, mis ühendab logi tõlgenduse põhitõega.
Näpunäide. Enne faatsiamudeli väljundi usaldamist küsige: „Millised kaevud on südamikuga kaetud ja kui täpne on nende kaevude mudel?” küsi. Kinnitamata faatsiahinnang on kontrollimata hüpotees, ükskõik kui usutav see ka ei tunduks.
Poorsus ja läbilaskvus: kõige olulisem eristus
Mahuti kvaliteedi kaks võtit on poorsus ja läbilaskvus ning nende erinevus on tehisintellekti kasutamise üks olulisemaid punkte. Poorsus on kivimi tühimike suhe ja seda saab mõistliku täpsusega tuletada palkidest. Läbilaskvus on see, kui kergesti voolab vedelik läbi kivimi ja seda ei mõõdeta otse palkidest; kuid seda hinnatakse kaudselt. Läbilaskvus on eksponentsiaalselt tundlik väikeste poorsuse muutuste suhtes ja sõltub pooride geomeetriast, pragudest ja tsementeerumisest.
Seetõttu on masinõppega läbilaskvuse ennustamine nii atraktiivne kui ka ohtlik. Mudel õpib teistelt palkidelt poorsust südamikukaevudes ja läbilaskvust; kuid suhe, mida ta õpib, on spetsiifiline sellele faatsile ja sellele rõhu-temperatuuri tingimusele. Ekstrapoleerimine erinevale litoloogiale või südamikuta kaevule (liigub väljaspool õpitud vahemikku) toob kaasa suuri vigu. Läbilaskvuse hindamine peab olema seotud südamiku mõõtmise ja kaevude testimisega (rõhulanguse/paisumise testid annavad tegeliku voolukäitumise).
Ettevaatust. Isegi kui läbilaskvuse hinnang annab "hea välimusega" graafiku, on see ebausaldusväärne, kui seda rakendatakse väljaspool treeningandmete faatsia- ja rõhutingimusi. Mudel õpib korrelatsiooni, mitte füüsilist fakti; alati testida tuuma ja kaevu testimisega.
Tootmisprognoos ja ebakindlus
Kui palju kaev tulevikus toodab, sõltub sellest, kui palju vedelikku mahuti mahutab ja väljastab. Klassikalised meetodid (languskõvera analüüs) laiendavad mineviku tootmistrendi tulevikku; AI rikastab seda suundumust mitme süvendi andmetega ja õpib naaberkaevude mustritest. Kuid toodangu prognoosimine on oma olemuselt ebakindel: reservuaar on heterogeenne, rõhk muutub, töötingimused muutuvad. Seetõttu esitatakse tõenäosusvahemik (madal/keskmine/kõrge stsenaarium), mitte üks "täpne" tootmiskõver.
Geostatistika kannab ka kaevudevahelise mahu täitmisel ebakindlust. Sellised meetodid nagu Gaussi järjestikune simulatsioon annavad ühe "keskmise" mudeli asemel palju võrdselt tõenäolisi mudeleid; Nende mudelite erinevus seisneb ebakindluses endas. Tehisintellekt kiirendab ja tõlgendab neid simulatsioone; kuid tulemuse taandamine ühele arvule loob ebakindluse peitmise kaudu vale kindlustunde.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – ekstrapoleerimisviga. Ühes kohas kolme südamikuga süvendiga treenitud läbilaskvusmudel andis ennustuse, mis näis neljandas süvendis täiuslikuna. Kuid see kaev oli savisemas faatsis ja mudel polnud seda intervalli kunagi näinud; kaevu testimine näitas, et tegelik läbilaskvus oli ligikaudu viiendik hinnangulisest. Mudelit peeti tõsiselt ekslikult "hea välimusega" graafikuks; Kaevu katseankur leidis vea.
Juhtum 2 – faatsia kalibreerimine. Ühes gaasiväljas sorteeris tehisintellekt kiiresti faatsiateks 14 kaevu palgid. Võrreldes kolme südamikuga kaevuga, oli tsoon, mille mudel klassifitseeris "puhta liivakivina", tegelikult purunenud madala kvaliteediga üksus. Südamiku kalibreerimisega koolitati mudel ümber ja reservuaari mahu hinnang viidi realistlikule tasemele.
3. juhtum – stsenaariumi ausus. Tootmisprognoosis andis mudel ühe kõvera ja väljendas kümne aasta toodangut paaritute arvudena. Kui meeskond genereeris järjestikuse simulatsiooni abil madala/keskmise/kõrge stsenaariumi, leidsid nad, et vahemik oli väga lai (kõrge stsenaarium oli ligikaudu kaks korda madalam). See laius näitas, et investeerimisotsuse tegemisel oli vaja täiendavat puurkaevu testimist; Üksik number varjas seda ebakindlust ohtlikult.
Nõrk viip / Tugev viip
Nõrk viip:
Vaadake neid kaevu palke, arvutage läbilaskvus ja öelge, kui palju kaev toodab. [logiandmed]
Võimas viip:
Teie roll: reservuaarigeoloogi assistent. Allolevate palkidega läbilaskvuse ja toodangu jaoks antakse ÜKS TÄPNE NUMBER. Selle asemel:1) Märkige, milliseid kaevusid saab faatsia tõlgendamisel südamikuga kinnitada.2) Selgitage, et läbilaskvuse hinnangut ei saa mõõta otse palkide järgi, millistel tingimustel (faatsia/rõhk) see kehtima hakkab ja südamiku/kaevu testimise vajadus.3) Kehtestage tootmiseks madala/keskmise/kõrge stsenaariumiloogika, mitte üksainus tulemuse allikas. anonüümne; Päris valdkonda/firmat pole.
Neli kopeeritavat malli
1) Log-facies kalibreerimise kontroll:
Selgitage, millised kaevud on faatsia klassifitseerimiseks südamikuga ja kuidas saame nendes kaevudes mudeli täpsust mõõta. Märgi kontrollimata tsoonid kui "testimata"; Ärge usaldage pimesi.
2) Läbilaskvuse kinnitamine:
Läbilaskvuse prognoosimiseks: täpsustage faatsia ja rõhuvahemik, mille jaoks mudel on koolitatud; Märkige, millised kaevud/tsoonid jäävad sellest vahemikust välja (ekstrapoleerimine). Rõhutage, et ennustust ei tohiks nendes tsoonides ilma põhi- ja kaevude testimiseta usaldada. Ära anna täpset numbrit.
3) Tootmisstsenaariumi mustand:
Loob madala, keskmise ja kõrge tootmise stsenaariumi loogika languskõvera/tootmisandmete põhjal. Selgitage, millistel eeldustel iga stsenaarium põhineb ja mida nendevahelised erinevused tähendavad. Ei paku ühtki "täpset" kõverat.
4) Määramatuse simulatsiooni tõlgendus:
Tõlgendage mitme võrdse tõenäosusega geostatistilise mudeli väljundit (nt järjestikune simulatsioon): kui lai on mahuhinnangu jaotus, milline piirkond on kõige ebakindlam ja milliste lisaandmetega (hästi seismiline) seda määramatust vähendatakse? Üheks numbriks taandamine.
Reservuaari spetsifikatsioon, mõõdetavus ja kontrollimine
funktsioon/väljund
Kas seda saab palkidest mõõta?
AI risk
kinnitusankur
poorsus
Tuletatud mõistliku täpsusega
Kalibreerimise triiv
Südamiku poorsus
läbilaskvus
Ei, kaudne oletus
Ekstrapoleerimise viga
Südamiku + kaevu test
faatsia
Kommentaar (mudel)
Transport väljaspool objekti
põhimääratlus
Vedeliku tüüp
Järeldan takistuse järgi
vale kommentaar
Rõhu/proovi testimine
Tootmise prognoos
trendi pikendamine
vale kindlus
Stsenaarium + kaevu test
Vihje: iga reservuaari hinnangu puhul "milline otsene mõõtmine võiks selle ümber lükata?" Testige seda öeldes. Südamik poorsuse jaoks, kaevude test läbilaskvuse jaoks, südamiku määratlus faatsia jaoks. Ennustus, mida otsemõõtmisega ümber lükata ei saa, pole veel kinnitust leidnud.
Levinud vead
- Läbilaskvuse nägemine poorsusena. Läbilaskvust ei mõõdeta otse palkidest; Ekstrapoleerimine annab suuri vigu, tuuma/kaevu testimine on hädavajalik.
- Kasutades faatsiamudelit ilma südamikuta. Faatsia, mida südamik pole kalibreerinud, on kontrollimata hüpotees.
- Õpitud suhte kandmine teise valdkonda. Erinevad ladestuskeskkonnad ja diagenees muudavad logaritmi ja tunnuse suhet.
- Tootmise esitlemine ühe kõveraga. Kui stsenaariumitega ebakindlust ei anta, põhineb investeerimisotsus valekindlusel.
- Simulatsiooni taandamine keskmisele. Mitu mudelit näitavad ebakindlust; Selle taandamine ühele numbrile hävitab teabe.
Kokkuvõttes
- Veehoidla on nähtamatu; Seda loetakse kaudselt koos logide, tuumade, seismiliste ja tootmisandmetega ning iga ennustusega kaasneb ebakindlus.
- Poorsust saab tuletada palkidest; Läbilaskvust ei mõõdeta otse, see peab olema ühendatud südamiku ja kaevu testimisega.
- Fatieside klassifikatsioon on mudel; ebausaldusväärne ilma südamikuga kalibreerimata ja väljapoole transportimata.
- Õpitud suhe on haridustingimustele omane; Ekstrapoleerimine on kõige levinum ja ohtlikum viga.
- Tootmine ja maht on esitatud mitte ühe numbriga, vaid tõenäosusliku stsenaariumi ja simulatsiooniga, kusjuures määramatus on selgelt antud.
Rakenduse ülesanne
Hankige anonüümne kaevu logide (või tüüpiliste väärtuste) komplekt. Laske mudelil "läbilaskvuse kontrollimise" malli abil välja selgitada, millised tsoonid on ekstrapoleerimise ohus; Katsetage, kas see stimuleerib mõnda tsooni, asetades selle teadlikult treeningulatusest välja. Seejärel kasutage ühe kõvera asemel madala/keskmise/kõrge stsenaariumi loomiseks malli "tootmisstsenaariumi mustand" ja kommenteerige lauses vahemiku laiust.
kontrollnimekiri
- [ ] Ma tean poorsuse ja läbilaskvuse mõõdetavuse erinevust ning et läbilaskvus nõuab südamiku/kaevu testimist.
- [ ] Ma ei pea faatsiaklassifikatsiooni usaldusväärseks ilma seda südamikuga kalibreerimata.
- [ ] Tunnistan riski ekstrapoleerida õpitud seos teisele valdkonnale/tingimusele.
- [ ] Tootmist ja mahtu esitan üksiknumbrite asemel tõenäosusstsenaariumide ja simulatsioonidega.
- [ ] "Milline otsene mõõtmine võib iga veehoidla hinnangu ümber lükata?" Testin seda küsimusega.