خصوصیات مخزن، مدلسازی رخساره و زمین آمار

سود:

• توانایی توضیح چگونگی توزیع سه بعدی خواص مخزن (تخلخل، نفوذپذیری، اشباع آب) با هوش مصنوعی و زمین آمار
• امکان مکان یابی گسترش ویژگی با مدل سازی رخساره، واریوگرام، کریجینگ و یادگیری ماشینی
• امکان تایید خروجی مدل مخزن با تعادل مواد، تست چاه و سناریوهای عدم قطعیت

برای ساخت یک میدان نفتی یا گازی، ابتدا باید یک مدل سه بعدی از آن بسازیم: سنگ مخزن کجاست، چقدر متخلخل است (تخلخل)، چقدر سیال به راحتی جریان می‌یابد (نفوذپذیری/نفوذپذیری)، و چه مقدار از منافذ با هیدروکربن‌ها پر شده است (1- اشباع آب). اما ما فقط می توانیم این ویژگی ها را در نقاطی که چاه حفر می کنیم اندازه گیری کنیم. حجم عظیم بین چاه ها خالی است و باید پر شود. خصوصیات مخزن اندازه گیری نقطه ای در چاه ها و گسترش آنها به کل حجم با استفاده از منطق و آمار زمین شناسی است. در این واحد از هوش مصنوعی و زمین آمار (شاخه ای از آمار که داده های مکانی را با عدم قطعیت مدل می کند) در این کار انتشار استفاده می کنیم. اصل تغییرناپذیر: هر ارزش به خوبی یک تخمین است، نه یک ارزش واقعی. عدم قطعیت بخشی از مدل است و با تعادل فیزیکی آزمایش می شود.

مفاهیم اساسی

• رخساره: نوعی سنگ با خواص منحصر به فرد که در یک محیط رسوبی خاص (مانند شن و ماسه کانال رودخانه، شیل دریایی، سنگ آهک صخره ای) تشکیل شده است. کیفیت مخزن ارتباط نزدیکی با رخساره دارد: کانال به خوبی ماسه را تخلیه می کند، اما شیل نیست.
• واریوگرام: معیاری از پیوستگی فضایی است که توضیح می دهد چگونه شباهت ویژگی ها با افزایش فاصله بین دو نقطه کاهش می یابد. این ابزار اساسی زمین آمار است.
• کریجینگ: روشی که ارزش را در نقاط نمونه برداری نشده با استفاده از واریوگرام به همراه عدم قطعیت تخمین تخمین می زند.
• شبیه سازی تصادفی: تولید بسیاری از مدل ها (تحققات) به همان اندازه که با داده ها سازگار هستند، به جای یک حدس "بهترین" عدم قطعیت را قابل مشاهده می کند.
• تعادل مواد: رابطه حفاظتی بین سیال تولید شده از مخزن، افت فشار و حجم باقیمانده. لنگر فیزیکی که به طور مستقل حجم مدل را آزمایش می کند.

نکته: مدل مخزن یک توزیع عدم قطعیت است، نه یک عدد. زبان صحیح "P90=35، P50=50، P10=72 میلیون بشکه" است، نه "ذخیره 50 میلیون بشکه". از هوش مصنوعی یک سناریو/توزیع بخواهید، نه یک تخمین واحد.

چگونه هوش مصنوعی و زمین آمار با هم کار می کنند

زمین آمار کلاسیک (کریجینگ، واریوگرام) قدرتمند است اما با روابط چند متغیره و غیرخطی مبارزه می کند. اینجاست که یادگیری ماشین مطرح می شود:

• طبقه بندی رخساره ها: تخصیص رخساره ها از مجموعه لاگ (یادگیری تحت نظارت). سپس ویژگی را با استفاده از رخساره به عنوان راهنما توزیع کنید.
• تخمین صفت: تخمین تخلخل بین چاهی از ویژگی لرزه ای + رابطه لگاریتم (مدل سازی مبتنی بر لرزه).
• پر کردن شکاف: تکمیل گزارش گمشده به طور منطقی از چاه ها و روابط همسایه متفاوت است.

اما یادگیری ماشینی منطق زمین شناسی را نمی شناسد. نقشه تخلخل تولید شده توسط یک مدل در صورتی که با محیط رسوبی ناسازگار باشد (به عنوان مثال نفوذپذیری بالا در رخساره های شیل) نادرست است. قابل قبول بودن زمین شناسی اولین فیلتر خروجی هوش مصنوعی است.

گام به گام: گردش کار مدل مخزن

1. اسکلت ساختاری. هندسه مخزن با افق ها و گسل های لرزه ای (خروجی از واحد 3) را تعیین کنید.
2. مدل رخساره. تعیین رخساره در چاه ها (log + هسته)، توزیع به حجم با روند واریوگرام/زمین شناسی. هوش مصنوعی طبقه بندی را سرعت می بخشد.
3. استقرار ویژگی توزیع تخلخل، نفوذپذیری، اشباع آب در هر رخساره با کریجینگ یا یادگیری ماشینی. اگر لرزه ای هست راهنمایی بگیرید.
4. عدم قطعیت با شبیه سازی تصادفی تعداد زیادی تحقق ایجاد کنید. ولوم های P90/P50/P10 خروجی هستند.
5. تأیید. حجم مدل تست با تعادل مواد و تطابق تاریخچه. با نفوذپذیری آزمایش چاه مقایسه کنید.

سه مورد کوچک: با اعداد

مورد 1 - راهنمای ارزش رخساره. هنگامی که تخلخل مستقیماً توسط کریجینگ در یک سایت پراکنده شد، تخلخل بالا به مناطق شیل با کیفیت پایین "نشت" کرد. هنگامی که مدل رخساره برای اولین بار ایجاد شد و تخلخل در رخساره ها توزیع شد، مدل واقع بینانه شد و حجم های تصادفی باریک شد: حجم P50 12٪ کاهش یافت، اما نوار عدم قطعیت تا 40٪ کاهش یافت. ساختار صحیح نتایج واقعی تر و مطمئن تری را به همراه داشت.

مورد 2 - تله برون یابی. مدل یادگیری ماشینی رابطه تخلخل- لرزه ای را در منطقه ای که چاه ها متمرکز شده اند، آموخت. اما هنگامی که روی یک بلوک لبه بدون چاه اعمال می شود، خارج از محدوده تمرینی قرار می گیرد (برون یابی) و تخلخل غیر واقعی 28٪ ایجاد می کند. زمین شناس نشان داد که آن بلوک در ناحیه رخساره های مختلف قرار دارد. مدل در آن منطقه نامعتبر بود. حد برون یابی مشخص شده است.

مورد 3 - تعارض تعادل مادی. ذخایر غنی مدل سه بعدی P50 68 میلیون بشکه تولید کرد. با این حال، افت فشار تولید اولیه میدان نشان‌دهنده سیستمی با حداکثر 45 میلیون بشکه تعادل مواد بود. تناقض به این دلیل بود که مدل اجسام شنی جدا شده (ایزوله) را بیش از حد به هم متصل فرض می کرد. اتصال دوباره مورد بررسی قرار گرفت و مدل کوچکتر شد. لنگر فیزیکی مدل هندسی را ثابت کرد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

مدل مخزن و ذخیره از این داده‌های چاه استخراج می‌شوند.[data]

اعلان قدرتمند:

یک طرح DRAFT مدلسازی مخزن از چاه (ناشناس) و خلاصه لرزه ای زیر ایجاد کنید. قوانین: - اولین ساخت مدل رخساره; تخلخل/نفوذپذیری را در داخل رخساره توزیع کنید. شسته شدن ویژگی هیدروکربنی به رخساره های شیل/کیفیت پایین. پارامترهای واریوگرام (جهت، دامنه) را از روند زمین شناسی، نه از داده ها، توجیه کنید. مفروضات را به وضوح بنویسید.- نتیجه را به صورت توزیع حجمی P90/P50/P10 ارائه کنید، نه یک عدد واحد.- خطر برون یابی را در مناطق بدون چاه علامت گذاری کنید.- نحوه تأیید را با تعادل مواد/تاریخچه تولید بنویسید. داده ها: [خلاصه]

چهار قالب قابل کپی

1) پیش نویس طبقه بندی رخساره:

یک رویکرد طبقه‌بندی رخساره را از مجموعه گزارش‌های زیر پیشنهاد کنید. گزارش های مورد استفاده، تعاریف کلاس و نیاز به برچسب گذاری هسته را یادداشت کنید. خطر سردرگمی بین طبقات و بررسی احتمال پذیری زمین شناسی را مشخص کنید. داده ها: [مجموعه ورود]

2) توجیه واریوگرام:

هنگام ایجاد واریوگرام برای این داده‌های تخلخل، انتخاب جهت و محدوده را به جهت بارش زمین‌شناسی مرتبط کنید. خطر فرض ایزوتروپیک را توضیح دهید. حد پایایی واریوگرام را با داده های کم بیان کنید. داده ها: [تخلخل]

3) سناریوی عدم قطعیت:

توزیع حجم P90/P50/P10 را برای ورودی های حجمی زیر (مساحت، ضخامت، تخلخل، اشباع، ضریب تبدیل) ایجاد کنید. محدوده عدم قطعیت هر ورودی را بخواهید، آن را فرض نکنید. تاثیرگذارترین منبع عدم قطعیت (گردباد) را رتبه بندی کنید. ورودی: [مقدار]

4) بررسی متقاطع تعادل مواد:

حجم مدل سه بعدی زیر را با داده های تولید اولیه و افت فشار برای تعادل مواد مقایسه کنید. اگر ناسازگاری وجود دارد، دلایل احتمالی (اتصال، پشتیبانی آبخوان، خطای حجم) را فهرست کنید. مدل: [حجم]، تولید/فشار: [داده]

لایه های تایید مدل مخزن

لایه

چه تست هایی

روش

منطقی بودن زمین شناسی

قوام رخساره-ویژگی

بررسی تخصصی

داده های چاه

انطباق اندازه گیری نقطه ای

مقایسه ورود/هسته

خوب تست کنید

نفوذپذیری/فشار واقعی

تست گذرا فشار

تعادل مواد

حفظ حجم

رابطه فشار و تولید

تاریخچه تولید

رفتار پویا

تطبیق تاریخ

اشتباهات رایج

• رخساره پرش. ویژگی‌ها را بدون راهنمای رخساره و نشتی هیدروکربن‌ها را با چیز توزیع کنید.
• پیش بینی تک نقطه ای گزارش یک تعداد ذخایر به جای توزیع عدم قطعیت.
• برون یابی. اعمال کورکورانه مدل برای بلوک های خارج از محدوده داده های آموزشی.
• رد شدن از تعادل مواد عدم آزمایش حجم مدل سه بعدی با تعادل فیزیکی.
• واریوگرام را به حالت خودکار بگذارید. انتخاب جهت / محدوده بدون روند زمین شناسی.

به طور خلاصه

• خصوصیات مخزن گسترش اندازه گیری نقطه در چاه ها به کل حجم با زمین شناسی و زمین آمار است.
• هوش مصنوعی و یادگیری ماشین در طبقه بندی رخساره ها و پیش بینی ویژگی ها قدرتمند هستند. اما محتمل بودن زمین شناسی اولین فیلتر است.
• توزیع ویژگی ها در رخساره ها؛ عدم قطعیت را به عنوان توزیع P90/P50/P10 گزارش کنید.
• محدودیت های برون یابی را علامت گذاری کنید. کورکورانه از مدل خارج از محدوده آموزشی استفاده نکنید.
• تعادل مواد و تاریخ تولید لنگرهای فیزیکی هستند که مدل هندسی را آزمایش می کنند.

وظیفه کاربردی

داده های تخلخل/ رخساره را از چندین چاه (نماینده) یک میدان بگیرید. یک طرح مدل سازی داشته باشید که با اعلان قدرتمند تولید شده باشد. سپس: (1) بررسی کنید که آیا تخلخل در داخل رخساره ها توزیع شده است یا خیر، (2) ذخیره را به عنوان P90/P50/P10 بخواهید، نه یک عدد واحد، (3) تقریباً حجم ارائه شده توسط مدل را با منطق تعادل مواد ساده (تولید شده + باقیمانده) ارائه دهید. یک هشدار برون یابی برای حداقل یک منطقه بدون چاه اضافه کنید.

چک لیست

• [ ] من می دانم که مدل مخزن یک تخمین خوب است و دارای عدم قطعیت است.
• [ ] من ویژگی ها را با راهنمای رخساره توزیع می کنم، آنها را در رخساره های با کیفیت پایین منتشر نمی کنم.
• [ ] من ذخیره را به عنوان توزیع P90/P50/P10 گزارش می کنم، نه یک عدد.
• [ ] من محدودیت های برون یابی را مشخص می کنم.
• [ ] من حجم مدل را با تراز مواد و سابقه تولید تأیید می کنم.