જળાશયની લાક્ષણિકતા, તેલ-ગેસ અને ભૂસ્તરશાસ્ત્ર

નફો:

• AI સાથે છિદ્રાળુતા, અભેદ્યતા અને જળાશય ગુણધર્મોની આગાહી કરવામાં વર્કફ્લો સમજાવવાની ક્ષમતા
• સારી રીતે લોગ અર્થઘટન, ફેસિસ વર્ગીકરણ અને ઉત્પાદન આગાહીમાં મશીન લર્નિંગને સ્થાન આપવાની ક્ષમતા
• ભૌતિક સીમાઓ, સારી ચકાસણી અને અનિશ્ચિતતા વિશ્લેષણ દ્વારા જળાશયના આઉટપુટને ચકાસવાની ક્ષમતા

તેલ અથવા ગેસનો ભંડાર એ સપાટીથી માઈલ નીચે છિદ્રાળુ ખડકોમાં ફસાયેલા પ્રવાહીનો અદ્રશ્ય ખજાનો છે. આપણે તેને સીધું જોઈ શકતા નથી; અમે તેને ફક્ત કુવાઓમાંથી પ્રાપ્ત થતા લોગ, કોરો, સિસ્મિક શેડોઝ અને ઉત્પાદન ડેટા સાથે "વાંચીએ છીએ". જળાશયની લાક્ષણિકતા એ આ પરોક્ષ માપદંડો પરથી પુનઃનિર્માણ કરવાનું કાર્ય છે કે ખડકમાં કેટલું પ્રવાહી (છિદ્રતા), તે કેટલી સરળતાથી પ્રવાહી (અભેદ્યતા) મુક્ત કરે છે અને જળાશયનું ત્રિ-પરિમાણીય માળખું કેવું છે. AI આ ક્ષેત્રમાં શક્તિશાળી છે: સારી રીતે લૉગ્સનું અર્થઘટન કરવું, ચહેરાઓનું વર્ગીકરણ કરવું (રૉકના પ્રકારોના એસેમ્બલ), છિદ્રાળુતા-અભેદ્યતા સંબંધોની આગાહી કરવી અને ઉત્પાદન વલણોનું મોડેલિંગ કરવું. પરંતુ જળાશયો, અન્ય ભૂસ્તરશાસ્ત્રીય ક્ષેત્રોની જેમ, અનિશ્ચિતતાથી ભરેલા છે, અને દરેક આગાહી ભૌતિક સીમાઓ, સારી ચકાસણી અને અનિશ્ચિતતા વિશ્લેષણ સાથે જોડાયેલા વિના નિર્ણય માટેનો આધાર બની શકે નહીં.

આ એકમમાં અમે જળાશયના અભ્યાસના ત્રણ AI પાસાઓને આવરી લઈશું: કૂવો લોગ અર્થઘટન અને ફેસિસ વર્ગીકરણ (લોગમાંથી રોક પ્રકાર અને ગુણધર્મોનું નિષ્કર્ષણ), છિદ્રાળુતા-અભેદ્યતા આગાહી (જળાશયની ગુણવત્તાની આગાહી), અને ઉત્પાદન આગાહી (ભવિષ્યમાં કૂવો કેટલું ઉત્પાદન કરશે). જીઓસ્ટેટિસ્ટિક્સ અહીં પણ કરોડરજ્જુ છે; અમે વેરિઓગ્રામ અને સિમ્યુલેશન વડે કુવાઓ વચ્ચેની જગ્યા ભરીએ છીએ. નોંધ: તેલ અને ગેસ ક્ષેત્ર વ્યવસાયિક રીતે ખૂબ જ સંવેદનશીલ છે; બધા નમૂનાઓનો અનામી અને પ્રતિનિધિ મૂલ્યો સાથે અભ્યાસ કરવામાં આવે છે.

વેલ લોગ અર્થઘટન અને ફેસીસ વર્ગીકરણ

વેલ લોગ એ વળાંકો છે જે બોર સાથે ખડકના ભૌતિક ગુણધર્મોને સતત માપે છે: ગામા કિરણ (માટીનું પ્રમાણ), પ્રતિકારકતા (પ્રવાહી પ્રકાર - પાણી/હાઈડ્રોકાર્બન), ઘનતા અને ન્યુટ્રોન (છિદ્રાવસ્થા), સોનિક (રોક કઠિનતા). પેટ્રોલિયમ ભૂસ્તરશાસ્ત્રી આ વળાંકોને એકસાથે વાંચે છે અને દરેક ઊંડાઈએ ખડકોના પ્રકાર અને પ્રવાહીને બહાર કાઢે છે. આ પેટર્નની ઓળખ છે, અને AI તેમાં ખૂબ જ સારી છે: સતત હજારો મીટર લૉગને ચહેરામાં સૉર્ટ કરે છે.

પરંતુ બે મર્યાદાઓ છે. પ્રથમ, લોગ અર્થઘટન એ એક મોડેલ છે, માપન નથી; સમાન લોગ વિવિધ ચહેરાના અર્થઘટન માટે ખુલ્લો હોઈ શકે છે. બીજું, જો મોડેલ અંધપણે એક ક્ષેત્રમાં શીખેલા લોગ-ફેસીસ સંબંધને બીજા ક્ષેત્રમાં ટ્રાન્સફર કરે છે (વિવિધ ડિપોઝિશનલ વાતાવરણ, અલગ ડાયજેનેસિસ), તો તે ગંભીર ભૂલો કરે છે. તેથી, ફેસિસ આઉટપુટ કોર ડેટા સાથે માપાંકિત કરવામાં આવે છે; કોર એ એન્કર છે જે લોગના અર્થઘટનને જમીની સત્ય સાથે જોડે છે.

ટીપ: ફેસીસ મોડેલના આઉટપુટ પર વિશ્વાસ કરતા પહેલા, પૂછો કે "કયા કુવાઓને કોર્ડ કરવામાં આવ્યા છે અને તે કુવાઓમાં મોડલ કેટલું સચોટ છે?" પૂછો અસમર્થિત ફેસીસ અંદાજ એ ચકાસાયેલ પૂર્વધારણા છે, ભલે તે ગમે તેટલું બુદ્ધિગમ્ય લાગે.

છિદ્રાળુતા અને અભેદ્યતા: સૌથી જટિલ તફાવત

જળાશયની ગુણવત્તાની બે ચાવીઓ છિદ્રાળુતા અને અભેદ્યતા છે, અને તેમની વચ્ચેનો તફાવત એ એઆઈનો ઉપયોગ કરવાના સૌથી મહત્વપૂર્ણ મુદ્દાઓમાંનો એક છે. છિદ્રાળુતા એ ખડકનો રદબાતલ ગુણોત્તર છે અને વાજબી ચોકસાઈ સાથે લોગમાંથી મેળવી શકાય છે. અભેદ્યતા એ છે કે ખડકમાંથી પ્રવાહી કેટલી સહેલાઈથી વહે છે અને સીધા લોગમાંથી માપવામાં આવતું નથી; પરંતુ તે પરોક્ષ રીતે અંદાજવામાં આવે છે. અભેદ્યતા છિદ્રાળુતામાં નાના ફેરફારો માટે ઝડપથી સંવેદનશીલ છે અને છિદ્ર ભૂમિતિ, તિરાડો અને સિમેન્ટેશન પર આધાર રાખે છે.

તેથી જ મશીન લર્નિંગ સાથે અભેદ્યતાની આગાહી આકર્ષક અને જોખમી બંને છે. મોડેલ કોર કુવાઓમાં છિદ્રાળુતા અને અન્ય લોગમાંથી અભેદ્યતા શીખે છે; પરંતુ તે જે સંબંધ શીખે છે તે તે ચહેરાઓ અને તે દબાણ-તાપમાન સ્થિતિ માટે વિશિષ્ટ છે. એક અલગ લિથોલોજી અથવા અનકોર્ડ કૂવામાં એક્સ્ટ્રાપોલેશન (શિક્ષિત શ્રેણીની બહાર ખસેડવું) મોટી ભૂલોમાં પરિણમશે. અભેદ્યતાનો અંદાજ મુખ્ય માપન અને સારી રીતે પરીક્ષણ સાથે જોડાયેલ હોવો જોઈએ (પ્રેશર ડ્રોપ/સ્વેલ પરીક્ષણો વાસ્તવિક પ્રવાહનું વર્તન આપે છે).

સાવધાની: જો અભેદ્યતા અંદાજ "સારા દેખાતા" ગ્રાફનું નિર્માણ કરે તો પણ, જો તાલીમ ડેટાના ચહેરા અને દબાણની સ્થિતિની બહાર લાગુ કરવામાં આવે તો તે અવિશ્વસનીય છે. મોડેલ એક સહસંબંધ શીખે છે, ભૌતિક હકીકત નથી; હંમેશા મુખ્ય અને સારી રીતે પરીક્ષણ સાથે પરીક્ષણ કરો.

ઉત્પાદનની આગાહી અને અનિશ્ચિતતા

ભવિષ્યમાં કૂવો કેટલું ઉત્પાદન કરે છે તેના પર આધાર રાખે છે કે જળાશય કેટલું પ્રવાહી ધરાવે છે અને પહોંચાડે છે. ક્લાસિકલ પદ્ધતિઓ (વળાંકનું પૃથ્થકરણ) ભૂતકાળના ઉત્પાદનના વલણને ભવિષ્યમાં વિસ્તારે છે; AI આ વલણને મલ્ટિ-વેલ ડેટા સાથે સમૃદ્ધ બનાવે છે અને પડોશી કૂવા પેટર્નમાંથી શીખે છે. પરંતુ ઉત્પાદનની આગાહી સ્વાભાવિક રીતે અનિશ્ચિત છે: જળાશય વિજાતીય છે, દબાણમાં ફેરફાર, કાર્યકારી પરિસ્થિતિઓ બદલાય છે. તેથી, એક સંભવિત શ્રેણી (નીચી/મધ્યમ/ઉચ્ચ દૃશ્ય) રજૂ કરવામાં આવે છે, એક પણ "ચોક્કસ" ઉત્પાદન વળાંક નથી.

કુવાઓ વચ્ચે વોલ્યુમ ભરતી વખતે ભૂસ્તરશાસ્ત્ર પણ અનિશ્ચિતતા ધરાવે છે. ક્રમિક ગૌસિયન સિમ્યુલેશન જેવી પદ્ધતિઓ એક "સરેરાશ" મોડલને બદલે ઘણા સમાન સંભવિત મોડલ બનાવે છે; આ મોડેલો વચ્ચેનો તફાવત એ અનિશ્ચિતતા છે. કૃત્રિમ બુદ્ધિ આ સિમ્યુલેશનને વેગ આપે છે અને તેનું અર્થઘટન કરે છે; પરંતુ પરિણામને એક નંબર સુધી ઘટાડવાથી અનિશ્ચિતતાને છુપાવીને ખોટો આત્મવિશ્વાસ પેદા થાય છે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - એક્સ્ટ્રાપોલેશન ભૂલ. એક સાઇટ પર ત્રણ કોર્ડ કુવાઓ પર પ્રશિક્ષિત અભેદ્યતા મોડલ ચોથા કૂવા પર સંપૂર્ણ દેખાતી આગાહી આપે છે. પરંતુ આ કૂવો માટીની સપાટીમાં હતો અને મોડેલે ક્યારેય આ અંતરાલ જોયો ન હતો; સારી રીતે પરીક્ષણે વાસ્તવિક અભેદ્યતા અંદાજના પાંચમા ભાગની હોવાનું દર્શાવ્યું હતું. મોડલને "સારા દેખાતા" ગ્રાફ માટે ગંભીરતાથી ભૂલ કરવામાં આવી હતી; વેલ ટેસ્ટ એન્કર ભૂલ પકડી.

કેસ 2 - ફેસીસ કેલિબ્રેશન. એક ગેસ ફિલ્ડમાં, આર્ટિફિશિયલ ઇન્ટેલિજન્સે ઝડપથી 14 કૂવાના લોગને ફેસિસમાં સૉર્ટ કર્યા. જ્યારે ત્રણ કોર્ડ કુવાઓ સાથે સરખામણી કરવામાં આવે ત્યારે, મોડેલે "સ્વચ્છ સેન્ડસ્ટોન" તરીકે વર્ગીકૃત કરેલ ઝોન વાસ્તવમાં ખંડિત, હલકી-ગુણવત્તાવાળી એકમ હતી. કોર કેલિબ્રેશન સાથે, મોડેલને ફરીથી પ્રશિક્ષિત કરવામાં આવ્યું હતું અને જળાશયના જથ્થાનો અંદાજ વાસ્તવિક સ્તરે નીચે લાવવામાં આવ્યો હતો.

કેસ 3 - સ્ક્રિપ્ટ પ્રામાણિકતા. ઉત્પાદનની આગાહીમાં, મોડેલે એક જ વળાંક આપ્યો અને દસ વર્ષનું ઉત્પાદન વિષમ સંખ્યામાં દર્શાવ્યું. જ્યારે ટીમે ક્રમિક સિમ્યુલેશન દ્વારા નિમ્ન/મધ્યમ/ઉચ્ચ દૃશ્ય જનરેટ કર્યું, ત્યારે તેમને જાણવા મળ્યું કે શ્રેણી ખૂબ વિશાળ હતી (ઉચ્ચ દૃશ્ય લગભગ બમણું ઓછું હતું). આ પહોળાઈ દર્શાવે છે કે રોકાણના નિર્ણયમાં વધારાના કૂવા પરીક્ષણની જરૂર હતી; સિંગલ નંબરે આ અનિશ્ચિતતાને ખતરનાક રીતે છુપાવી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ કૂવા લોગ જુઓ, અભેદ્યતાની ગણતરી કરો અને મને કહો કે કૂવો કેટલું ઉત્પાદન કરશે. [લોગ ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સહાયક જળાશય ભૂસ્તરશાસ્ત્રી. નીચેના લોગ સાથે અભેદ્યતા અને ઉત્પાદન માટે એક જ ચોક્કસ નંબર આપવો. તેના બદલે:1) ફેસિસ અર્થઘટન કરતી વખતે કોર દ્વારા કયા કુવાઓની પુષ્ટિ કરી શકાય છે તે જણાવો. 2) સમજાવો કે અભેદ્યતા અંદાજ સીધા લોગમાંથી માપી શકાતો નથી, તે કઈ પરિસ્થિતિઓમાં (ચહેરા/દબાણ) માન્ય રહેશે, અને કોર/કુવા પરીક્ષણની જરૂર છે. 3) નીચા/મધ્યમ/ઉચ્ચ પરિદ્રશ્યની સ્થાપના કરો, જે ઉત્પાદન માટે એકલ ન હોય તેવા કર્ટેન્સ લોજિક 4) 4) નીચા/મધ્યમ/ઉચ્ચ દૃશ્યની સ્થાપના કરો. પરિણામને અસર કરે છે. ડેટા અનામી છે; કોઈ વાસ્તવિક ક્ષેત્ર/કંપની નથી.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) લોગ-ફેસીસ કેલિબ્રેશન ચેક:

ફેસીસ વર્ગીકરણ માટે કયા કુવાઓ કોર્ડ છે અને આ કુવાઓમાં આપણે મોડેલની ચોકસાઈ કેવી રીતે માપી શકીએ તે સમજાવો. ચકાસાયેલ ઝોનને "અનટેસ્ટેડ" તરીકે ચિહ્નિત કરો; આંધળો વિશ્વાસ ન કરો.

2) અભેદ્યતા માન્યતા:

અભેદ્યતા અનુમાન માટે: ચહેરા અને દબાણ શ્રેણીનો ઉલ્લેખ કરો કે જેના માટે મોડેલ પ્રશિક્ષિત છે; કયા કુવાઓ/ઝોન આ શ્રેણીની બહાર છે તે ચિહ્નિત કરો (એક્સ્ટ્રાપોલેશન). ભારપૂર્વક જણાવો કે આ ઝોનમાં મુખ્ય અને સારી રીતે પરીક્ષણ કર્યા વિના આગાહી પર વિશ્વાસ કરવો જોઈએ નહીં. ચોક્કસ નંબર આપશો નહીં.

3) ઉત્પાદન દૃશ્ય ડ્રાફ્ટ:

ઘટાડો વળાંક/ઉત્પાદન ડેટામાંથી નીચા, મધ્યમ, ઉચ્ચ ઉત્પાદન દૃશ્ય તર્કની સ્થાપના કરે છે. દરેક દૃશ્ય કઈ ધારણાઓ પર આધારિત છે અને તેમની વચ્ચેના તફાવતોનો અર્થ શું છે તે સમજાવો. કોઈ એક "ચોક્કસ" વળાંક ઓફર કરતું નથી.

4) અનિશ્ચિતતા સિમ્યુલેશન અર્થઘટન:

બહુવિધ સમાન સંભવિત જીઓસ્ટેટિસ્ટિકલ મોડેલના આઉટપુટનું અર્થઘટન કરો (દા.ત., અનુક્રમિક સિમ્યુલેશન): વોલ્યુમ અંદાજનું વિતરણ કેટલું વિશાળ છે, કયો પ્રદેશ સૌથી વધુ અનિશ્ચિત છે અને કયા વધારાના ડેટા (સારી રીતે, સિસ્મિક) સાથે આ અનિશ્ચિતતા સંકુચિત છે? એક નંબર સુધી ઘટાડીને.

જળાશય સ્પષ્ટીકરણ, માપનક્ષમતા અને ચકાસણી

લક્ષણ/આઉટપુટ

શું તે લોગમાંથી માપી શકાય છે?

AI જોખમ

ચકાસણી એન્કર

છિદ્રાળુતા

વાજબી ચોકસાઈ સાથે મેળવેલ

માપાંકન ડ્રિફ્ટ

કોર છિદ્રાળુતા

અભેદ્યતા

ના, પરોક્ષ અનુમાન

એક્સ્ટ્રાપોલેશન ભૂલ

કોર + વેલ ટેસ્ટ

ચહેરાઓ

ટિપ્પણી (મોડલ)

ઑફ-સાઇટ પરિવહન

મુખ્ય વ્યાખ્યા

પ્રવાહી પ્રકાર

હું પ્રતિરોધકતા પરથી અનુમાન લગાવું છું

ખોટી ટિપ્પણી

દબાણ/નમૂના પરીક્ષણ

ઉત્પાદનની આગાહી

વલણ વિસ્તરણ

ખોટી નિશ્ચિતતા

દૃશ્ય + સારી પરીક્ષણ

સંકેત: જળાશય પરના દરેક અંદાજ માટે "કયું પ્રત્યક્ષ માપ આને ખોટી સાબિત કરી શકે છે?" કહીને ટેસ્ટ કરો. છિદ્રાળુતા માટે કોર, અભેદ્યતા માટે સારી રીતે પરીક્ષણ, ચહેરા માટે મુખ્ય વ્યાખ્યા. પ્રત્યક્ષ માપન દ્વારા નકારી ન શકાય તેવી આગાહીની હજુ સુધી પુષ્ટિ થઈ નથી.

સામાન્ય ભૂલો

• છિદ્રાળુતા તરીકે અભેદ્યતાને જોવી. અભેદ્યતા સીધા લોગમાંથી માપવામાં આવતી નથી; એક્સ્ટ્રાપોલેશન મોટી ભૂલો આપે છે, કોર/વેલ પરીક્ષણ જરૂરી છે.
• કોર વિના ફેસીસ મોડેલનો ઉપયોગ કરવો. એક ફેસિસ કે જે કોર દ્વારા માપાંકિત કરવામાં આવ્યું નથી તે એક ચકાસાયેલ પૂર્વધારણા છે.
• શીખેલા સંબંધને બીજા ક્ષેત્રમાં લઈ જવો. અલગ-અલગ ડિપોઝિશનલ વાતાવરણ અને ડાયજેનેસિસ લોગ-ટ્રેટ સંબંધમાં ફેરફાર કરે છે.
• એક જ વળાંક સાથે ઉત્પાદન પ્રસ્તુત કરી રહ્યું છે. જો અનિશ્ચિતતા દૃશ્યો સાથે આપવામાં આવતી નથી, તો રોકાણનો નિર્ણય ખોટી નિશ્ચિતતા પર આધારિત છે.
• સિમ્યુલેશનને સરેરાશ સુધી ઘટાડવું. બહુવિધ મોડેલો અનિશ્ચિતતા દર્શાવે છે; તેને એક નંબર સુધી ઘટાડવાથી માહિતીનો નાશ થાય છે.

સારાંશમાં

• જળાશય અદ્રશ્ય છે; તે લોગ, કોર, સિસ્મિક અને ઉત્પાદન ડેટા સાથે પરોક્ષ રીતે વાંચવામાં આવે છે અને દરેક આગાહી અનિશ્ચિતતા ધરાવે છે.
• છિદ્રાળુતા લોગમાંથી મેળવી શકાય છે; અભેદ્યતા સીધી રીતે માપવામાં આવતી નથી, તે મુખ્ય અને સારી રીતે પરીક્ષણ સાથે જોડાયેલી હોવી જોઈએ.
• ફેસીસ વર્ગીકરણ એક મોડેલ છે; કોર દ્વારા માપાંકિત કર્યા વિના અને ઑફ-સાઇટ પરિવહન કર્યા વિના અવિશ્વસનીય.
• શીખેલ સંબંધ શૈક્ષણિક પરિસ્થિતિઓ માટે વિશિષ્ટ છે; એક્સ્ટ્રાપોલેશન એ સૌથી સામાન્ય અને ખતરનાક ભૂલ છે.
• ઉત્પાદન અને વોલ્યુમ એક સંખ્યા સાથે નહીં, પરંતુ સંભવિત દૃશ્ય અને અનુકરણ સાથે, અનિશ્ચિતતા સ્પષ્ટપણે આપવામાં આવે છે.

એપ્લિકેશન કાર્ય

વેલ લૉગ્સ (અથવા પ્રતિનિધિ મૂલ્યો) નો અનામી સમૂહ મેળવો. મોડેલને "અભેદ્યતા માન્યતા" ટેમ્પલેટ વડે એક્સ્ટ્રાપોલેશનનું જોખમ કયા ઝોનમાં છે તે શોધવા માટે કહો; તે ઇરાદાપૂર્વક તાલીમ શ્રેણીની બહાર મૂકીને ઝોનને ઉત્તેજિત કરે છે કે કેમ તે પરીક્ષણ કરો. પછી, એક વળાંકને બદલે નીચા/મધ્યમ/ઉચ્ચ દૃશ્ય બનાવવા માટે "ઉત્પાદન દૃશ્ય ડ્રાફ્ટ" નમૂનાનો ઉપયોગ કરો અને વાક્યમાં શ્રેણીની પહોળાઈ પર ટિપ્પણી કરો.

ચેકલિસ્ટ

• હું છિદ્રાળુતા અને અભેદ્યતા વચ્ચેની માપનક્ષમતાનો તફાવત જાણું છું અને તે અભેદ્યતાને કોર/વેલ પરીક્ષણની જરૂર છે.
• [ ] હું ચહેરાના વર્ગીકરણને કોર સાથે માપાંકિત કર્યા વિના વિશ્વસનીય માનતો નથી.
• [ ] હું શીખેલા સંબંધોને અન્ય ક્ષેત્ર/સ્થિતિ સાથે એક્સ્ટ્રાપોલેટ કરવાના જોખમને ઓળખું છું.
• [ ] હું સિંગલ નંબરોને બદલે પ્રોબેબિલિસ્ટિક દૃશ્યો અને સિમ્યુલેશન સાથે ઉત્પાદન અને વોલ્યુમ રજૂ કરું છું.
• [ ] "દરેક જળાશયના અંદાજને કઈ સીધી માપણી ખોટી સાબિત કરી શકે છે?" હું તેને પ્રશ્ન સાથે પરીક્ષણ કરું છું.