Gains :
- Capacité à expliquer le flux de travail de prévision de la porosité, de la perméabilité et des propriétés du réservoir avec l'IA
- Capacité à positionner l'apprentissage automatique dans l'interprétation des journaux de puits, la classification des faciès et la prévision de la production
- Capacité à vérifier les débits des réservoirs à travers les limites physiques, les tests de puits et l'analyse des incertitudes
Un réservoir de pétrole ou de gaz est un trésor invisible de fluides piégés dans une roche poreuse, à des kilomètres sous la surface. Nous ne pouvons pas le voir directement ; Nous le « lisons » uniquement avec les journaux, les carottes, les ombres sismiques et les données de production que nous recevons des puits. La caractérisation du réservoir consiste à reconstruire à partir de ces mesures indirectes la quantité de fluide que la roche retient (porosité), la facilité avec laquelle elle libère du fluide (perméabilité) et le type de structure tridimensionnelle du réservoir. L’IA est puissante dans ce domaine : interprétation des diagraphies de puits, classification des faciès (assemblages de types de roches), prévision des relations porosité-perméabilité et modélisation des tendances de production. Mais les réservoirs, comme d’autres domaines géologiques, sont remplis d’incertitudes, et toutes les prévisions ne peuvent pas servir de base à une décision sans être liées aux limites physiques, aux tests de puits et à l’analyse des incertitudes.
Dans cette unité, nous aborderons trois aspects de l'IA de l'étude des réservoirs : l'interprétation des diagraphies de puits et la classification des faciès (extraction du type de roche et des propriétés des diagraphies), la prédiction de la porosité-perméabilité (prédiction de la qualité du réservoir) et la prévision de la production (la quantité que le puits produira dans le futur). Ici aussi, la géostatistique est l’épine dorsale ; Nous remplissons l'espace entre les puits avec un variogramme et une simulation. Remarque : le secteur pétrolier et gazier est très sensible sur le plan commercial ; Tous les échantillons sont étudiés avec des valeurs anonymes et représentatives.
Interprétation des journaux de puits et classification des faciès
Les diagraphies de puits sont des courbes qui mesurent en continu les propriétés physiques de la roche le long du forage : rayons gamma (teneur en argile), résistivité (type de fluide - eau/hydrocarbure), densité et neutrons (porosité), sonique (dureté de la roche). Un géologue pétrolier lit ces courbes ensemble et extrait le type de roche et le fluide à chaque profondeur. Il s’agit de reconnaissance de formes, et l’IA y parvient très bien : trier systématiquement des dizaines de milliers de mètres de grumes en faciès.
Mais il y a deux limites. Premièrement, l’interprétation du log est un modèle et non une mesure ; Un même journal peut être ouvert à différentes interprétations de faciès. Deuxièmement, si le modèle transfère aveuglément la relation log-faciès qu'il a apprise dans un domaine à un autre (environnement de dépôt différent, diagenèse différente), il commet de graves erreurs. Par conséquent, les résultats en matière de faciès sont calibrés avec les données de base ; Le noyau est le point d’ancrage qui relie l’interprétation du journal à la vérité terrain.
Astuce : Avant de faire confiance aux résultats d'un modèle de faciès, demandez « quels puits ont été carottés et quelle est la précision du modèle dans ces puits ? » demander. Une estimation non corroborée du faciès est une hypothèse non testée, aussi plausible qu'elle puisse paraître.
Porosité et perméabilité : la distinction la plus critique
Les deux clés de la qualité d’un réservoir sont la porosité et la perméabilité, et la différence entre elles est l’un des points les plus importants de l’utilisation de l’IA. La porosité est l'indice de vide de la roche et peut être dérivée de diagraphies avec une précision raisonnable. La perméabilité correspond à la facilité avec laquelle le fluide s'écoule à travers la roche et n'est pas mesurée directement à partir des grumes ; mais il est estimé indirectement. La perméabilité est exponentiellement sensible aux petits changements de porosité et dépend de la géométrie des pores, des fissures et de la cimentation.
C'est pourquoi la prédiction de la perméabilité avec l'apprentissage automatique est à la fois attrayante et dangereuse. Le modèle apprend la porosité des puits carottés et la perméabilité à partir d'autres journaux ; mais la relation qu'il apprend est spécifique à ce faciès et à cette condition pression-température. L'extrapolation à une lithologie différente ou à un puits non carotté (se déplaçant en dehors de la plage apprise) entraînera des erreurs importantes. L'estimation de la perméabilité doit être liée aux mesures de la carotte et aux tests des puits (les tests de chute de pression/gonflement donnent le comportement réel de l'écoulement).
Attention : Même si l'estimation de perméabilité produit un graphique « beau », il n'est pas fiable s'il est appliqué en dehors des conditions de faciès et de pression des données d'entraînement. Le modèle apprend une corrélation, pas un fait physique ; testez toujours avec des tests de base et de puits.
Prévisions de production et incertitude
La quantité de production future d’un puits dépend de la quantité de fluide que le réservoir retient et délivre. Les méthodes classiques (analyse de la courbe de déclin) prolongent la tendance de production passée vers le futur ; L’IA enrichit cette tendance avec des données multi-puits et apprend des modèles de puits voisins. Mais la prévision de la production est par nature incertaine : le réservoir est hétérogène, la pression change, les conditions d'exploitation changent. Par conséquent, une fourchette probabiliste (scénario faible/moyen/élevé) est présentée, et non une seule courbe de production « exacte ».
La géostatistique comporte également une incertitude lors du remplissage du volume entre les puits. Des méthodes telles que la simulation gaussienne séquentielle produisent de nombreux modèles également probables plutôt qu'un seul modèle « moyen » ; La différence entre ces modèles réside dans l’incertitude elle-même. L'intelligence artificielle accélère et interprète ces simulations ; mais réduire le résultat à un seul chiffre crée une fausse confiance en cachant l’incertitude.
Trois mini-cases : en chiffres
Cas 1 — Erreur d'extrapolation. Le modèle de perméabilité formé sur trois puits carottés sur un site a donné une prédiction qui semblait parfaite sur le quatrième puits. Mais ce puits était dans un faciès plus argileux et le modèle n'avait jamais vu cet intervalle ; les tests de puits ont montré que la perméabilité réelle était d'environ un cinquième de l'estimation. Le modèle a été sérieusement confondu avec un graphique « beau » ; L'ancre de test du puits a détecté l'erreur.
Cas 2 — Calibrage des faciès. Dans un champ gazier, l’intelligence artificielle a rapidement trié les journaux de 14 puits en faciès. Comparée à trois puits carottés, la zone classée par le modèle comme « grès propre » était en réalité une unité fracturée de mauvaise qualité. Avec l'étalonnage du noyau, le modèle a été recyclé et l'estimation du volume du réservoir a été ramenée à un niveau réaliste.
Cas 3 — Honnêteté du script. Dans une prévision de production, le modèle donnait une courbe unique et exprimait la production sur dix ans en nombres impairs. Lorsque l’équipe a généré un scénario faible/moyen/élevé au moyen d’une simulation séquentielle, elle a constaté que la fourchette était très large (le scénario élevé était environ deux fois plus faible). Cette largeur indiquait que des tests de puits supplémentaires étaient nécessaires dans la décision d'investissement ; Le chiffre unique masquait dangereusement cette incertitude.
Invite faible/Invite forte
Invite faible :
Regardez ces journaux de puits, calculez la perméabilité et dites-moi combien le puits produira. [données du journal]
Invite puissante :
Votre rôle : Assistant géologue réservoir. Donner UN NUMÉRO EXACT UNIQUE pour la perméabilité et la production avec les journaux ci-dessous. Au lieu de cela : 1) Indiquez quels puits peuvent être confirmés par carotte lors de l'interprétation du faciès. 2) Expliquez que l'estimation de la perméabilité ne peut pas être mesurée directement à partir des diagraphies, dans quelles conditions (facies/pression) elle sera valide et la nécessité de tests par carotte/puits. 3) Établissez une logique de scénario faible/moyen/élevé pour la production, et non une courbe unique. 4) Énumérez 4 sources d'incertitude qui affectent le résultat. Les données sont anonymes ; Pas de véritable domaine/entreprise.
Quatre modèles copiables
1) Vérification de l'étalonnage des log-faciès :
Expliquez quels puits sont carottés pour la classification des faciès et comment nous pouvons mesurer la précision du modèle dans ces puits. Marquer les zones non vérifiées comme « non testées » ; Ne faites pas confiance aveuglément.
2) Validation de perméabilité :
Pour la prédiction de la perméabilité : spécifiez le faciès et la plage de pression pour lesquels le modèle est entraîné ; Marquez quels puits/zones se trouvent en dehors de cette plage (extrapolation). Insistez sur le fait qu’il ne faut pas se fier aux prévisions sans tester les carottes et les puits dans ces zones. Ne donnez pas de chiffre exact.
3) Projet de scénario de production :
Établit une logique de scénario de production faible, moyenne et élevée à partir des données de courbe de déclin/production. Expliquez sur quelles hypothèses chaque scénario est basé et ce que signifient les différences entre elles. N'offrant aucune courbe « exacte ».
4) Interprétation de la simulation d'incertitude :
Interprétez le résultat d'un modèle géostatistique multiple également probable (par exemple, simulation séquentielle) : quelle est l'étendue de la distribution de l'estimation du volume, quelle région est la plus incertaine et avec quelles données supplémentaires (enfin, sismiques) cette incertitude est-elle réduite ? Réduire à un seul chiffre.
Spécification, mesurabilité et vérification du réservoir
fonctionnalité/sortie
Peut-il être mesuré à partir des journaux ?
Risque lié à l'IA
ancre de vérification
porosité
Dérivé avec une précision raisonnable
Dérive d'étalonnage
Porosité du noyau
perméabilité
Non, supposition indirecte
Erreur d'extrapolation
Test noyau + puits
faciès
Commentaire (modèle)
Transport hors site
définition de base
Type de fluide
Je déduis de la résistivité
mauvais commentaire
Tests de pression/échantillon
Prévisions de production
extension de tendance
fausse certitude
Scénario + test de puits
Indice : pour chaque estimation sur le réservoir, "quelle mesure directe pourrait réfuter cette affirmation ?" Testez-le en disant. Carottage pour porosité, test de perméabilité de puits, définition de carottage pour faciès. Une prédiction qui ne peut être réfutée par des mesures directes n’a pas encore été confirmée.
Erreurs courantes
- Considérer la perméabilité comme une porosité. La perméabilité n'est pas mesurée directement à partir des journaux ; L'extrapolation donne de grandes erreurs, les tests de carotte/puits sont essentiels.
- Utilisation du modèle faciès sans noyau. Un faciès non calibré par carotte est une hypothèse non testée.
- Porter la relation apprise dans un autre domaine. Différents environnements de dépôt et diagenèse modifient la relation log-trait.
- Présentation de la production avec une seule courbe. Si l’incertitude n’est pas fournie dans les scénarios, la décision d’investissement est basée sur une fausse certitude.
- Réduire la simulation à la moyenne. Plusieurs modèles indiquent une incertitude ; Le réduire à un seul chiffre détruit l’information.
En résumé
- Le réservoir est invisible ; Elle est lue indirectement avec les logs, les données de base, sismiques et de production et chaque prédiction comporte une incertitude.
- La porosité peut être dérivée des journaux ; La perméabilité n'est pas mesurée directement, elle doit être couplée à des tests de carottes et de puits.
- La classification des faciès est un modèle ; peu fiable sans être calibré par noyau et transporté hors site.
- La relation apprise est spécifique aux conditions éducatives ; L'extrapolation est l'erreur la plus courante et la plus dangereuse.
- La production et le volume ne sont pas présentés avec un chiffre unique, mais avec un scénario probabiliste et une simulation, avec une incertitude clairement indiquée.
Tâche de candidature
Obtenez un ensemble anonymisé de journaux de puits (ou de valeurs représentatives). Faire découvrir au modèle quelles zones sont à risque d'extrapolation avec le modèle « validation de perméabilité » ; Testez s'il stimule une zone en la plaçant délibérément en dehors de la zone d'entraînement. Ensuite, utilisez le modèle « projet de scénario de production » pour produire un scénario faible/moyen/élevé au lieu d'une seule courbe et commentez la largeur de la fourchette dans une phrase.
liste de contrôle
- [ ] Je connais la différence de mesurabilité entre la porosité et la perméabilité et cette perméabilité nécessite des tests de carottes/puits.
- [ ] Je ne considère pas la classification des faciès comme fiable sans la calibrer avec une carotte.
- [ ] Je reconnais le risque d'extrapoler la relation apprise à un autre domaine/condition.
- [ ] Je présente la production et le volume avec des scénarios et des simulations probabilistes au lieu de chiffres uniques.
- [ ] « Quelle mesure directe pourrait réfuter chaque estimation de réservoir ? » Je le teste avec la question.