سود:
- توانایی توضیح گردش کار در پیش بینی تخلخل، نفوذپذیری و خواص مخزن با هوش مصنوعی
- توانایی قرار دادن یادگیری ماشین در تفسیر چاه لاگ، طبقهبندی رخساره و پیشبینی تولید
- توانایی بررسی خروجی های مخزن از طریق مرزهای فیزیکی، آزمایش چاه و تجزیه و تحلیل عدم قطعیت
مخزن نفت یا گاز گنجینه ای نامرئی از سیالات است که در سنگ های متخلخل، کیلومترها زیر سطح به دام افتاده اند. ما نمی توانیم مستقیماً آن را ببینیم. ما آن را فقط با سیاههها، هستهها، سایههای لرزهای و دادههای تولیدی که از چاهها دریافت میکنیم، "خوانده" میکنیم. توصیف مخزن وظیفه بازسازی از این اندازهگیریهای غیرمستقیم است که سنگ چقدر سیال را نگه میدارد (تخلخل)، چقدر آسان سیال را آزاد میکند (نفوذپذیری)، و نوع ساختار سهبعدی مخزن است. هوش مصنوعی در این زمینه قدرتمند است: تفسیر سیاهههای مربوط به چاه، طبقه بندی رخساره ها (مجموعه انواع سنگ)، پیش بینی روابط تخلخل و نفوذپذیری، و مدل سازی روند تولید. اما مخازن، مانند سایر میدانهای زمینشناسی، مملو از عدم قطعیت هستند و هر پیشبینی نمیتواند مبنایی برای تصمیمگیری باشد، بدون اینکه به مرزهای فیزیکی، آزمایش چاه و تجزیه و تحلیل عدم قطعیت مرتبط باشد.
در این واحد ما سه جنبه هوش مصنوعی مطالعه مخزن را پوشش خواهیم داد: تفسیر لاگ چاه و طبقهبندی رخساره (استخراج نوع سنگ و خواص از کندهها)، پیشبینی تخلخل-نفوذ (پیشبینی کیفیت مخزن)، و پیشبینی تولید (میزان تولید چاه در آینده). زمین آمار در اینجا نیز ستون فقرات است. فضای بین چاه ها را با واریوگرام و شبیه سازی پر می کنیم. توجه: بخش نفت و گاز از نظر تجاری بسیار حساس است. همه نمونه ها با مقادیر ناشناس و معرف بررسی می شوند.
تفسیر چاه و طبقه بندی رخساره ها
سیاهههای چاه منحنی هایی هستند که به طور مداوم خواص فیزیکی سنگ را در امتداد حفره اندازه گیری می کنند: اشعه گاما (محتوای رس)، مقاومت (نوع سیال - آب/هیدروکربن)، چگالی و نوترون (تخلخل)، صوتی (سختی سنگ). یک زمین شناس نفت این منحنی ها را با هم می خواند و نوع سنگ و سیال را در هر عمق استخراج می کند. این تشخیص الگو است و هوش مصنوعی در آن بسیار خوب است: مرتباً دهها هزار متر از سیاههها را به صورت رخساره مرتب میکند.
اما دو محدودیت وجود دارد. اولاً، تفسیر گزارش یک مدل است، نه یک اندازه گیری. همان گزارش ممکن است برای تفسیرهای مختلف رخساره باز باشد. ثانیاً، اگر مدل کورکورانه رابطه لگ- رخساره ای را که در یک زمینه آموخته است به حوزه دیگری (محیط رسوبی متفاوت، دیاژنزهای مختلف) منتقل کند، اشتباهات جدی مرتکب می شود. بنابراین، خروجی رخساره با داده های اصلی کالیبره می شود. هسته لنگری است که تفسیر log را به حقیقت زمین متصل می کند.
نکته: قبل از اعتماد کردن به خروجی یک مدل رخساره، بپرسید "کدام چاه ها مغزه شده اند و مدل در آن چاه ها چقدر دقیق است؟" بپرسید یک تخمین رخساره تایید نشده یک فرضیه آزمایش نشده است، مهم نیست که چقدر قابل قبول به نظر می رسد.
تخلخل و نفوذپذیری: بحرانی ترین تمایز
دو نکته کلیدی کیفیت مخزن تخلخل و نفوذپذیری است که تفاوت آنها یکی از مهمترین نکات استفاده از هوش مصنوعی است. تخلخل نسبت فضای خالی سنگ است و می توان آن را با دقت معقولی از کنده ها بدست آورد. نفوذپذیری به آسانی جریان یافتن سیال از میان سنگ است و مستقیماً از کنده ها اندازه گیری نمی شود. اما به طور غیر مستقیم تخمین زده می شود. نفوذپذیری به طور تصاعدی به تغییرات کوچک در تخلخل حساس است و به هندسه منافذ، ترک ها و سیمان شدن بستگی دارد.
به همین دلیل است که پیشبینی نفوذپذیری با یادگیری ماشین هم جذاب و هم خطرناک است. این مدل تخلخل در چاه های هسته و نفوذپذیری را از سیاهههای مربوط یاد می گیرد. اما رابطه ای که می آموزد مخصوص آن رخساره و آن شرایط فشار و دما است. برون یابی به یک سنگ شناسی متفاوت یا به یک چاه بدون هسته (حرکت خارج از محدوده آموخته شده) منجر به خطاهای بزرگی خواهد شد. تخمین نفوذپذیری باید با اندازهگیری هسته و آزمایش چاه مرتبط باشد (آزمایشهای افت فشار/تورم رفتار جریان واقعی را نشان میدهند).
احتیاط: حتی اگر تخمین نفوذپذیری نمودار "خوبی" تولید کند، اگر خارج از رخساره ها و شرایط فشار داده های آموزشی اعمال شود غیر قابل اعتماد است. مدل یک همبستگی را می آموزد، نه یک واقعیت فیزیکی. همیشه با تست اصلی و خوب تست کنید.
پیش بینی تولید و عدم قطعیت
اینکه یک چاه در آینده چقدر تولید می کند بستگی به مقدار مایعی دارد که مخزن در خود نگه می دارد و می رساند. روشهای کلاسیک (تحلیل منحنی نزولی) روند تولید گذشته را به آینده گسترش میدهند. هوش مصنوعی این روند را با داده های چند چاهی غنی می کند و از الگوهای چاه همسایه می آموزد. اما پیشبینی تولید ذاتاً نامشخص است: مخزن ناهمگن است، فشار تغییر میکند، شرایط عملیاتی تغییر میکند. بنابراین، یک محدوده احتمالی (سناریوی کم / متوسط / زیاد) ارائه شده است، نه یک منحنی تولید "دقیق".
زمین آمار همچنین در هنگام پر کردن حجم بین چاه ها عدم قطعیت را به همراه دارد. روشهایی مانند شبیهسازی گاوسی متوالی، بسیاری از مدلهای به همان اندازه محتمل را به جای یک مدل «متوسط» تولید میکنند. تفاوت بین این مدل ها خود عدم قطعیت است. هوش مصنوعی این شبیه سازی ها را تسریع و تفسیر می کند. اما کاهش نتیجه به یک عدد، با پنهان کردن عدم قطعیت، اعتماد به نفس کاذب ایجاد می کند.
سه مورد کوچک: با اعداد
مورد 1 - خطای برون یابی. مدل نفوذپذیری آموزشدیده بر روی سه چاه هستهای در یک سایت، پیشبینیای را ارائه کرد که در چاه چهارم کامل به نظر میرسید. اما این چاه در یک رخساره رسی قرار داشت و مدل هرگز این فاصله را ندیده بود. آزمایش چاه نفوذپذیری واقعی را در حدود یک پنجم تخمین نشان داد. مدل به طور جدی با یک نمودار "خوب ظاهر" اشتباه شد. لنگر آزمایش چاه خطا را تشخیص داد.
مورد 2 - کالیبراسیون رخساره. در یک میدان گازی، هوش مصنوعی به سرعت سیاهه های 14 چاه را به صورت رخساره طبقه بندی کرد. در مقایسه با سه حلقه چاه هسته ای، منطقه ای که مدل به عنوان "ماسه سنگ تمیز" طبقه بندی کرد، در واقع یک واحد شکسته و با کیفیت پایین بود. با کالیبراسیون هسته، مدل دوباره آموزش داده شد و برآورد حجم مخزن به سطح واقعی کاهش یافت.
مورد 3 - صداقت فیلمنامه. در یک پیشبینی تولید، مدل یک منحنی واحد ارائه میکند و تولید ده ساله را با اعداد فرد بیان میکند. هنگامی که تیم یک سناریوی کم/متوسط/بالا را از طریق یک شبیهسازی متوالی ایجاد کرد، متوجه شد که محدوده بسیار وسیع است (سناریوی بالا تقریباً دو برابر کمتر بود). این عرض نشان داد که آزمایش چاه اضافی در تصمیم سرمایه گذاری مورد نیاز است. عدد واحد به طرز خطرناکی این عدم قطعیت را پنهان کرد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
به این سیاهههای چاه نگاه کنید، نفوذپذیری را محاسبه کنید و به من بگویید که چاه چقدر تولید می کند. [داده های ثبت نام]
اعلان قدرتمند:
نقش شما: دستیار زمین شناس مخزن. دادن یک عدد دقیق برای نفوذپذیری و تولید با سیاهههای مربوط به زیر. درعوض: 1) بیان کنید که کدام چاه ها می توانند توسط هسته در هنگام تفسیر رخساره تأیید شوند. 2) توضیح دهید که تخمین نفوذپذیری را نمی توان مستقیماً از سیاهه ها اندازه گیری کرد، در چه شرایطی ( رخساره / فشار) معتبر خواهد بود و نیاز به آزمایش هسته / چاه. 3) یک منطق سناریویی کم / متوسط / زیاد برای تولید ایجاد کنید. نتیجه.داده ناشناس است. بدون زمینه / شرکت واقعی.
چهار قالب قابل کپی
1) بررسی کالیبراسیون Log-facies:
توضیح دهید که کدام چاه ها برای طبقه بندی رخساره ها هسته دارند و چگونه می توانیم دقت مدل را در این چاه ها اندازه گیری کنیم. مناطق تأیید نشده را به عنوان "تست نشده" علامت گذاری کنید. کورکورانه اعتماد نکن
2) اعتبار سنجی نفوذپذیری:
برای پیشبینی نفوذپذیری: رخساره و محدوده فشاری که مدل برای آن آموزش داده شده را مشخص کنید. علامت گذاری کنید که کدام چاه ها/مناطق خارج از این محدوده هستند (برون یابی). تاکید کنید که نباید به پیش بینی بدون آزمایش هسته ای و خوب در این مناطق اعتماد کرد. عدد دقیق نده
3) پیش نویس سناریوی تولید:
منطق سناریوی تولید کم، متوسط و بالا را از دادههای منحنی/تولید کاهش میدهد. توضیح دهید که هر سناریو بر چه مفروضاتی استوار است و تفاوت بین آنها به چه معناست. ارائه هیچ منحنی "دقیق".
4) تفسیر شبیه سازی عدم قطعیت:
خروجی یک مدل زمین آماری چندگانه با احتمال یکسان را تفسیر کنید (به عنوان مثال، شبیه سازی متوالی): توزیع تخمین حجم چقدر گسترده است، کدام منطقه نامشخص ترین است، و با چه داده های اضافی (خوب، لرزه ای) این عدم قطعیت کاهش می یابد؟ کاهش به یک عدد.
مشخصات مخزن، قابلیت اندازه گیری و تأیید
ویژگی/خروجی
آیا می توان آن را از روی سیاهههای مربوط اندازه گیری کرد؟
خطر هوش مصنوعی
لنگر تایید
تخلخل
با دقت معقول به دست آمده است
رانش کالیبراسیون
تخلخل هسته
نفوذپذیری
نه، حدس غیر مستقیم
خطای برون یابی
تست هسته + چاه
صورت
نظر (مدل)
حمل و نقل خارج از محل
تعریف اصلی
نوع سیال
من از مقاومت استنباط می کنم
نظر اشتباه
تست فشار/نمونه
پیش بینی تولید
گسترش روند
یقین کاذب
سناریو + تست خوب
نکته: برای هر برآورد روی مخزن "چه اندازه گیری مستقیم می تواند این را رد کند؟" آن را با گفتن تست کنید. هسته برای تخلخل، تست چاه برای نفوذپذیری، تعریف هسته برای رخساره. پیشبینیای که نمیتوان آن را با اندازهگیری مستقیم رد کرد، هنوز تأیید نشده است.
اشتباهات رایج
- نفوذپذیری را به عنوان تخلخل ببینیم. نفوذپذیری مستقیماً از سیاهههای مربوط اندازه گیری نمی شود. برون یابی خطاهای بزرگی می دهد، آزمایش هسته/چاه ضروری است.
- استفاده از مدل رخساره بدون هسته رخساره ای که توسط هسته کالیبره نشده است، یک فرضیه آزمایش نشده است.
- انتقال رابطه آموخته شده به حوزه دیگری. محیط رسوبی و دیاژنز متفاوت رابطه log-trait را تغییر می دهد.
- ارائه تولید با یک منحنی واحد. اگر عدم قطعیت با سناریوها ارائه نشود، تصمیم سرمایه گذاری بر اساس اطمینان کاذب است.
- کاهش شبیه سازی به میانگین مدل های متعدد نشان دهنده عدم قطعیت است. کاهش آن به یک عدد اطلاعات را از بین می برد.
به طور خلاصه
- مخزن نامرئی است. این به طور غیر مستقیم با سیاهههای مربوط، هسته، لرزه نگاری و داده های تولید خوانده می شود و هر پیش بینی دارای عدم قطعیت است.
- تخلخل را می توان از سیاهههای مربوط به دست آورد. نفوذپذیری مستقیماً اندازه گیری نمی شود، باید با آزمایش هسته و چاه همراه شود.
- طبقه بندی رخساره یک مدل است. غیر قابل اعتماد بدون کالیبره شدن توسط هسته و حمل و نقل خارج از محل.
- رابطه آموخته شده مختص شرایط آموزشی است. برون یابی رایج ترین و خطرناک ترین اشتباه است.
- تولید و حجم نه با یک عدد، بلکه با یک سناریوی احتمالی و شبیه سازی، با عدم قطعیت به وضوح ارائه شده است.
وظیفه کاربردی
مجموعهای ناشناس از گزارشهای چاه (یا مقادیر معرف) دریافت کنید. از مدل بخواهید با الگوی "اعتبار سنجی نفوذپذیری" دریابد که کدام مناطق در معرض خطر برون یابی هستند. با قرار دادن عمدی آن در خارج از محدوده تمرین، بررسی کنید که آیا یک منطقه را تحریک می کند یا خیر. سپس، از الگوی «پیشنویس سناریو تولید» برای تولید یک سناریوی کم/متوسط/بالا به جای یک منحنی استفاده کنید و در مورد عرض محدوده در یک جمله نظر دهید.
چک لیست
- [ ] من تفاوت در اندازهگیری بین تخلخل و نفوذپذیری را میدانم و این که نفوذپذیری به آزمایش هسته/چاه نیاز دارد.
- [ ] من طبقه بندی رخساره را بدون کالیبره کردن آن با هسته قابل اعتماد نمی دانم.
- [ ] من خطر برون یابی رابطه آموخته شده را به یک زمینه/شرط دیگر تشخیص می دهم.
- [ ] من تولید و حجم را با سناریوهای احتمالی و شبیه سازی به جای اعداد واحد ارائه می کنم.
- [ ] "چه اندازه گیری مستقیمی می تواند تخمین هر مخزن را رد کند؟" با سوال تستش میکنم