જળાશય લાક્ષણિકતા, ફેસીસ મોડેલિંગ અને જીઓસ્ટેટિસ્ટિક્સ

નફો:

• જળાશય ગુણધર્મોનું 3D વિતરણ (છિદ્રા, અભેદ્યતા, પાણી સંતૃપ્તિ) કેવી રીતે એઆઈ અને ભૂસ્તરશાસ્ત્ર સાથે મોડેલ કરવામાં આવે છે તે સમજાવવાની ક્ષમતા
• ફેસીસ મોડેલીંગ, વેરીયોગ્રામ, ક્રીજીંગ અને મશીન લર્નિંગ સાથે સ્પ્રેડ ફીચર શોધવાની ક્ષમતા
• સામગ્રી સંતુલન, સારી પરીક્ષણ અને અનિશ્ચિતતાના દૃશ્યો સાથે જળાશય મોડેલ આઉટપુટને ચકાસવાની ક્ષમતા

તેલ અથવા ગેસ ક્ષેત્ર બનાવવા માટે, આપણે સૌપ્રથમ તેનું 3D મોડેલ બનાવવાની જરૂર છે: જળાશયનો ખડક ક્યાં છે, તે કેટલો છિદ્રાળુ છે (છિદ્રાળુતા), પ્રવાહી કેટલી સરળતાથી વહે છે (અભેદ્યતા/અભેદ્યતા), અને કેટલા છિદ્રો હાઇડ્રોકાર્બનથી ભરેલા છે (1 − પાણીની સંતૃપ્તિ). પરંતુ અમે આ લક્ષણોને માત્ર તે બિંદુઓ પર જ માપી શકીએ છીએ જ્યાં આપણે કુવાઓ ડ્રિલ કરીએ છીએ; કુવાઓ વચ્ચેનો વિશાળ જથ્થો ખાલી છે અને ભરવો આવશ્યક છે. જળાશયની લાક્ષણિકતા કુવાઓમાં બિંદુ માપન કરી રહી છે અને ભૂસ્તરશાસ્ત્રીય તર્ક અને આંકડાઓનો ઉપયોગ કરીને તેને સમગ્ર વોલ્યુમ સુધી વિસ્તરે છે. આ એકમમાં, અમે આ પ્રસાર કાર્યમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને જીઓસ્ટેટિસ્ટિક્સ (આંકડાની શાખા જે અનિશ્ચિતતા સાથે અવકાશી ડેટાનું મોડેલ બનાવે છે) નો ઉપયોગ કરીએ છીએ. અપરિવર્તનશીલ સિદ્ધાંત: દરેક સારી-થી-સારી કિંમત એ અંદાજ છે, વાસ્તવિક નથી; અનિશ્ચિતતા એ મોડેલનો ભાગ છે અને ભૌતિક સંતુલન દ્વારા તેનું પરીક્ષણ કરવામાં આવે છે.

મૂળભૂત ખ્યાલો

• ફેસીસ: વિશિષ્ટ ગુણધર્મો સાથેનો ખડકનો પ્રકાર કે જે ચોક્કસ નિક્ષેપિત વાતાવરણમાં રચાયો હતો (દા.ત. નદી નાળાની રેતી, દરિયાઈ શેલ, રીફ લાઈમસ્ટોન). જળાશયની ગુણવત્તા ચહેરા સાથે નજીકથી જોડાયેલી છે: ચેનલ રેતીને સારી રીતે ડ્રેઇન કરે છે, પરંતુ શેલ નથી.
• વેરિઓગ્રામ: અવકાશી સાતત્યનું માપ જે બે બિંદુઓ વચ્ચેનું અંતર વધવાથી લક્ષણની સમાનતા કેવી રીતે ઘટે છે તેનું વર્ણન કરે છે. તે ભૂસ્તરશાસ્ત્રનું મૂળભૂત સાધન છે.
• Kriging: એક પદ્ધતિ કે જે અંદાજની અનિશ્ચિતતા સાથે, વેરિઓગ્રામનો ઉપયોગ કરીને નમૂના વિનાના બિંદુઓ પર મૂલ્યનો અંદાજ કાઢે છે.
• સ્ટોકેસ્ટિક સિમ્યુલેશન: એક "શ્રેષ્ઠ" અનુમાનને બદલે, ડેટા સાથે સુસંગત ઘણા સમાન સંભવિત મોડલ (અનુભૂતિ)નું નિર્માણ; તે અનિશ્ચિતતાને દૃશ્યમાન બનાવે છે.
• સામગ્રી સંતુલન: જળાશયમાંથી ઉત્પાદિત પ્રવાહી, દબાણમાં ઘટાડો અને બાકીનું પ્રમાણ વચ્ચે સંરક્ષણ સંબંધ; ભૌતિક એન્કર જે સ્વતંત્ર રીતે મોડેલ વોલ્યુમનું પરીક્ષણ કરે છે.

સંકેત: જળાશય મૉડલ એ અનિશ્ચિતતાનું વિતરણ છે, એક પણ સંખ્યા નથી. સાચી ભાષા "P90=35, P50=50, P10=72 મિલિયન બેરલ" છે, "50 મિલિયન બેરલ અનામત" નથી. AI ને દૃશ્ય/વિતરણ માટે પૂછો, સિંગલ પોઈન્ટ અંદાજ નહીં.

કેવી રીતે AI અને Geostatistics એકસાથે કામ કરે છે

ક્લાસિકલ જીઓસ્ટેટિસ્ટિક્સ (ક્રિગિંગ, વેરિઓગ્રામ) શક્તિશાળી છે પરંતુ બહુવિધ, બિનરેખીય સંબંધો સાથે સંઘર્ષ કરે છે. આ તે છે જ્યાં મશીન લર્નિંગ રમતમાં આવે છે:

• ફેસીસનું વર્ગીકરણ: લોગ સેટમાંથી ફેસીસ સોંપવું (નિરીક્ષિત શિક્ષણ); પછી માર્ગદર્શિકા તરીકે ચહેરાનો ઉપયોગ કરીને સુવિધાનું વિતરણ કરો.
• એટ્રિબ્યુટ અંદાજ: સિસ્મિક એટ્રિબ્યુટ + લોગ રિલેશનશિપ (સિસ્મિક પ્રેરિત મોડેલિંગ) પરથી આંતર-કુવા છિદ્રાળુતાનો અંદાજ કાઢવો.
• ગેપ ફિલિંગ: પડોશી કુવાઓ અને સંબંધોમાંથી ગુમ થયેલ લોગ રેન્જને વ્યાજબી રીતે પૂર્ણ કરવી.

પરંતુ મશીન લર્નિંગ ભૂસ્તરશાસ્ત્રીય તર્ક જાણતું નથી. મોડેલ દ્વારા ઉત્પાદિત છિદ્રાળુતા નકશો ખોટો છે જો તે ડિપોઝિશનલ વાતાવરણ સાથે અસંગત હોય (દા.ત. શેલ ફેસીસમાં ઉચ્ચ અભેદ્યતા). AI આઉટપુટનું પ્રથમ ફિલ્ટર એ જીઓલોજિકલ પોઝિબિલિટી છે.

પગલું દ્વારા પગલું: જળાશય મોડેલ વર્કફ્લો

1. માળખાકીય હાડપિંજર. ધરતીકંપ (યુનિટ 3 માંથી આઉટપુટ) માંથી ક્ષિતિજ અને ખામીઓ સાથે જળાશયની ભૂમિતિ સ્થાપિત કરો.
2. ફેસીસ મોડેલ. કુવાઓ (લોગ + કોર) માં ચહેરાઓ નક્કી કરો, વેરિઓગ્રામ/ભૌગોલિક વલણ સાથે વોલ્યુમમાં વિતરિત કરો. AI વર્ગીકરણને ઝડપી બનાવે છે.
3. સુવિધા જમાવટ. ક્રિગિંગ અથવા મશીન લર્નિંગ દ્વારા દરેક ચહેરાની અંદર છિદ્રાળુતા, અભેદ્યતા, પાણીની સંતૃપ્તિનું વિતરણ કરો; જો ત્યાં સિસ્મિક હોય, તો માર્ગદર્શિકા મેળવો.
4. અનિશ્ચિતતા. સ્ટોકેસ્ટિક સિમ્યુલેશન સાથે મોટી સંખ્યામાં અનુભૂતિઓ જનરેટ કરો; P90/P50/P10 વોલ્યુમો આઉટપુટ છે.
5. ચકાસણી. સામગ્રી સંતુલન અને ઇતિહાસ મેચ સાથે ટેસ્ટ મોડેલ વોલ્યુમ; સારી પરીક્ષણ અભેદ્યતા સાથે સરખામણી કરો.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - ચહેરા માર્ગદર્શિકાનું મૂલ્ય. જ્યારે છિદ્રાળુતા સીધા ક્રીગીંગ દ્વારા સાઇટ પર વિખેરી નાખવામાં આવી હતી, ત્યારે ઉચ્ચ છિદ્રાળુતા ઓછી ગુણવત્તાવાળા શેલ ઝોનમાં "લીક" થઈ હતી. જ્યારે ફેસીસ મોડલની પ્રથમ સ્થાપના કરવામાં આવી હતી અને પોરોસીટી ફેસીસમાં વિતરિત કરવામાં આવી હતી, ત્યારે મોડેલ વાસ્તવિક બન્યું હતું અને સ્ટોકેસ્ટિક વોલ્યુમો સંકુચિત થયા હતા: P50 વોલ્યુમમાં 12% ઘટાડો થયો હતો, પરંતુ અનિશ્ચિતતા બેન્ડ 40% દ્વારા સંકુચિત થયો હતો. યોગ્ય માળખું વધુ વાસ્તવિક અને સલામત બંને પરિણામો આપે છે.

કેસ 2 - એક્સ્ટ્રાપોલેશન ટ્રેપ. મશીન લર્નિંગ મોડલ એ પ્રદેશમાં છિદ્રાળુતા-સિસ્મિક સંબંધ સારી રીતે શીખ્યા જ્યાં કુવાઓ કેન્દ્રિત છે; પરંતુ જ્યારે કૂવા વગરના કિનારી બ્લોક પર લાગુ કરવામાં આવે છે, ત્યારે તે તાલીમ શ્રેણી (એક્સ્ટ્રાપોલેશન) ની બહાર આવી ગયું હતું અને 28% ની અવાસ્તવિક છિદ્રાળુતા પેદા કરી હતી. ભૂસ્તરશાસ્ત્રીએ બતાવ્યું કે તે બ્લોક અલગ ફેસિસ ઝોનમાં હતો; મોડેલ તે પ્રદેશમાં અમાન્ય હતું. એક્સ્ટ્રાપોલેશન મર્યાદા ચિહ્નિત થયેલ છે.

કેસ 3 - સામગ્રી સંતુલન સંઘર્ષ. સમૃદ્ધ 3D મોડલ P50 રિઝર્વે 68 મિલિયન બેરલ ઉપજ્યા; જો કે, ક્ષેત્રના પ્રારંભિક ઉત્પાદન દબાણમાં ઘટાડો એ એક સિસ્ટમ સૂચવે છે જેમાં સામગ્રી સંતુલનમાં મહત્તમ ~45 મિલિયન બેરલ છે. વિરોધાભાસ એટલા માટે આવ્યો કારણ કે મોડેલે ધાર્યું હતું કે ડિસ્કનેક્ટેડ (અલગ) રેતીના શરીર ખૂબ જોડાયેલા છે. કનેક્શન પર પુનર્વિચાર કરવામાં આવ્યો હતો અને મોડેલને નાનું બનાવવામાં આવ્યું હતું. ભૌતિક એન્કર ભૌમિતિક મોડેલને ઠીક કરે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

જળાશયનું મોડેલ અને અનામત આ કૂવાના ડેટામાંથી મેળવવામાં આવે છે.[ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ:

નીચે આપેલા (અનામી) કૂવા અને સિસ્મિક સારાંશમાંથી જળાશય મોડેલિંગ ડ્રાફ્ટ પ્લાન બનાવો. નિયમો:- પ્રથમ બિલ્ડ ફેસીસ મોડલ; ચહેરાની અંદર છિદ્રાળુતા/અભેદ્યતાનું વિતરણ કરો. હાઇડ્રોકાર્બન ફીચર શેલ/નીચી ગુણવત્તાવાળા ફેસીસમાં લીચિંગ.- ભૂસ્તરશાસ્ત્રીય વલણથી વેરિઓગ્રામ પેરામીટર્સ (દિશા, શ્રેણી)ને યોગ્ય ઠેરવો, ડેટામાંથી નહીં; ધારણાઓ સ્પષ્ટ રીતે લખો.- પરિણામને P90/P50/P10 વોલ્યુમ વિતરણ તરીકે રજૂ કરો, એક પણ સંખ્યા નહીં.- વેલલેસ પ્રદેશોમાં એક્સ્ટ્રાપોલેશનના જોખમને ફ્લેગ કરો.- સામગ્રી સંતુલન/ઉત્પાદન ઇતિહાસ સાથે કેવી રીતે ચકાસવું તે લખો. ડેટા: [સારાંશ]

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ફેસીસ વર્ગીકરણ ડ્રાફ્ટ:

નીચેના લોગના સમૂહમાંથી ચહેરાના વર્ગીકરણનો અભિગમ સૂચવો. ઉપયોગમાં લેવાતા લોગ, વર્ગની વ્યાખ્યાઓ અને કોર લેબલીંગની જરૂરિયાત લખો. વર્ગો અને ભૂસ્તરશાસ્ત્રીય વાજબીતા તપાસ વચ્ચે મૂંઝવણનું જોખમ સ્પષ્ટ કરો. ડેટા: [લોગ સેટ]

2) વેરિઓગ્રામ વાજબીતા:

આ છિદ્રાળુતા ડેટા માટે વેરિઓગ્રામ સ્થાપિત કરતી વખતે, દિશા અને શ્રેણીની પસંદગીને ભૂસ્તરશાસ્ત્રીય વરસાદની દિશા સાથે સાંકળો. આઇસોટ્રોપિક ધારણ કરવાનું જોખમ સમજાવો. ઓછા ડેટા સાથે વેરિયોગ્રામની વિશ્વસનીયતાની મર્યાદા જણાવો. ડેટા: [છિદ્રતા]

3) અનિશ્ચિતતાની સ્થિતિ:

નીચેના વોલ્યુમ ઇનપુટ્સ (વિસ્તાર, જાડાઈ, છિદ્રાળુતા, સંતૃપ્તિ, રૂપાંતરણ પરિબળ) માટે P90/P50/P10 વોલ્યુમ વિતરણ જનરેટ કરો. દરેક ઇનપુટની અનિશ્ચિતતા શ્રેણી માટે પૂછો, તેને ધારો નહીં. અનિશ્ચિતતા (ટોર્નેડો) ના સૌથી પ્રભાવશાળી સ્ત્રોતને રેન્ક આપો. ઇનપુટ: [મૂલ્યો]

4) સામગ્રી બેલેન્સ ક્રોસ ચેક:

સામગ્રી સંતુલન માટે આપેલ પ્રારંભિક ઉત્પાદન અને દબાણ ઘટાડાના ડેટા સાથે નીચેના 3D મોડેલ વોલ્યુમની તુલના કરો. જો અસંગતતા હોય, તો સંભવિત કારણોની સૂચિ બનાવો (કનેક્શન, જલભર આધાર, વોલ્યુમ ભૂલ). મોડલ: [વોલ્યુમ], ઉત્પાદન/દબાણ: [ડેટા]

જળાશય મોડલ ચકાસણી સ્તરો

સ્તર

શું પરીક્ષણો

પદ્ધતિ

ભૂસ્તરશાસ્ત્રીય વાજબીતા

ફેસિસ-સુવિધા સુસંગતતા

નિષ્ણાત સમીક્ષા

સારી રીતે ડેટા

સ્પોટ માપન પાલન

લોગ/કોર સરખામણી

સારી રીતે પરીક્ષણ

વાસ્તવિક અભેદ્યતા/દબાણ

દબાણ ક્ષણિક પરીક્ષણ

સામગ્રી સંતુલન

વોલ્યુમ સંરક્ષણ

દબાણ-ઉત્પાદન સંબંધ

ઉત્પાદન ઇતિહાસ

ગતિશીલ વર્તન

ઇતિહાસ મેચિંગ

સામાન્ય ભૂલો

• અવગણના ફેસિસ. ફેસિસ માર્ગદર્શિકા વિના સુવિધાઓનું વિતરણ કરો અને વસ્તુ સાથે હાઇડ્રોકાર્બન લીક કરો.
• સિંગલ પોઈન્ટની આગાહી. અનિશ્ચિતતા વિતરણને બદલે એક જ સંખ્યામાં અનામતની જાણ કરવી.
• એક્સ્ટ્રાપોલેશન. પ્રશિક્ષણ ડેટા શ્રેણીની બહારના બ્લોક્સ પર આંધળાપણે મોડેલ લાગુ કરવું.
• સામગ્રી સંતુલન છોડવું. ભૌતિક સંતુલન સાથે 3D મોડેલ વોલ્યુમનું પરીક્ષણ કરતું નથી.
• વેરિઓગ્રામને આપોઆપ છોડો. ભૂસ્તરશાસ્ત્રીય વલણ વિના દિશા/શ્રેણી પસંદ કરવી.

સારાંશમાં

• જળાશય લાક્ષણિકતા એ ભૂસ્તરશાસ્ત્ર અને ભૂસ્તરશાસ્ત્ર સાથે કુવાઓમાં બિંદુ માપનનું વિસ્તરણ છે.
• AI અને મશીન લર્નિંગ ચહેરાના વર્ગીકરણ અને લક્ષણ અનુમાનમાં શક્તિશાળી છે; પરંતુ ભૂસ્તરશાસ્ત્રીય વાજબીતા એ પ્રથમ ફિલ્ટર છે.
• ચહેરાની અંદર સુવિધાઓનું વિતરણ કરો; P90/P50/P10 વિતરણ તરીકે અનિશ્ચિતતાની જાણ કરો.
• એક્સ્ટ્રાપોલેશન મર્યાદાને ચિહ્નિત કરો; પ્રશિક્ષણ શ્રેણીની બહારના મોડેલનો આંધળો ઉપયોગ કરશો નહીં.
• સામગ્રી સંતુલન અને ઉત્પાદન ઇતિહાસ ભૌતિક એન્કર છે જે ભૌમિતિક મોડેલનું પરીક્ષણ કરે છે.

એપ્લિકેશન કાર્ય

ક્ષેત્રના કેટલાક કુવાઓ (પ્રતિનિધિ) માંથી છિદ્રાળુતા/ફેસીસ ડેટા લો. શક્તિશાળી પ્રોમ્પ્ટ સાથે જનરેટ કરેલ મોડેલિંગ પ્લાન રાખો. પછી: (1) ચકાસો કે છિદ્રાળુતા ચહેરાની અંદર વિતરિત કરવામાં આવી છે કે કેમ, (2) P90/P50/P10 તરીકે અનામત માટે પૂછો, એક પણ સંખ્યા નહીં, (3) સામાન્ય સામગ્રી સંતુલન (ઉત્પાદિત + બાકી) તર્ક સાથે મોડેલ દ્વારા આપવામાં આવેલ વોલ્યુમ આશરે પ્રદાન કરો. ઓછામાં ઓછા એક વેલલેસ પ્રદેશ માટે એક્સ્ટ્રાપોલેશન ચેતવણી ઉમેરો.

ચેકલિસ્ટ

• [ ] હું સમજું છું કે જળાશયનું મૉડલ એક સારા અંદાજ છે અને અનિશ્ચિતતા ધરાવે છે.
• [ ] હું ફેસીસ માર્ગદર્શિકા સાથે સુવિધાઓનું વિતરણ કરું છું, હું તેને હલકી ગુણવત્તાવાળા ચહેરાઓમાં લીક કરતો નથી.
• [ ] હું P90/P50/P10 વિતરણ તરીકે અનામતની જાણ કરું છું, એક પણ સંખ્યા નહીં.
• [ ] હું એક્સ્ટ્રાપોલેશન મર્યાદાને ચિહ્નિત કરું છું.
• [ ] હું મટીરીયલ બેલેન્સ અને પ્રોડક્શન ઈતિહાસ સાથે મોડલ વોલ્યુમની ચકાસણી કરું છું.