רווחים:
- יכולת להסביר כיצד חלוקה התלת-ממדית של מאפייני המאגר (נקבוביות, חדירות, רווית מים) מעוצבת באמצעות AI וסטטיסטיקה
- יכולת איתור התפשטות תכונות עם מודלים של פצי'ס, וריוגרמה, קריקינג ולמידת מכונה
- יכולת לאמת תפוקות מודל מאגר עם איזון חומרים, בדיקות באר ואי ודאות
כדי לייצר שדה נפט או גז, ראשית עלינו לבנות מודל תלת-ממדי שלו: היכן נמצא סלע המאגר, עד כמה הוא נקבובי (נקבוביות), באיזו קלות נוזל זורם (חדירות/חדירות), וכמה מהנקבוביות מלאות בפחמימנים (1 - רוויה במים). אבל אנחנו יכולים למדוד את התכונות האלה רק בנקודות שבהן אנחנו קודחים בארות; הנפח העצום בין הבארות ריק ויש למלא אותו. אפיון המאגר הוא ביצוע מדידות נקודתיות בבארות והרחבתן לכל הנפח באמצעות לוגיקה וסטטיסטיקה גיאולוגית. ביחידה זו אנו משתמשים בבינה מלאכותית ובגיאוסטטיסטיקה (ענף הסטטיסטיקה המדגים נתונים מרחביים בחוסר ודאות) בעבודת הפצה זו. העיקרון הבלתי משתנה: כל ערך טוב לבאר הוא אומדן, לא ממשי; אי הוודאות היא חלק מהמודל ונבדקת על ידי איזון פיזי.
מושגים בסיסיים
- Facies: סוג סלע בעל תכונות ייחודיות שנוצר בסביבת הפקדה מסוימת (למשל חול ערוץ נהרות, פצלי פצלים ימיים, אבן גיר שונית). איכות המאגר קשורה קשר הדוק לפאז'ים: הערוץ מנקז חול היטב, אך לא פצלים.
- וריוגרמה: מדד של המשכיות מרחבית המתאר כיצד דמיון תכונה פוחת ככל שהמרחק בין שתי נקודות גדל. זהו הכלי הבסיסי של גיאוסטטיסטיקה.
- Kriging: שיטה שמעריכה את הערך בנקודות שלא נדגמו תוך שימוש בווריוגרמה, יחד עם אי הוודאות של האומדן.
- סימולציה סטוכסטית: הפקת מודלים רבים (מימושים) סבירים באותה מידה התואמים לנתונים, במקום ניחוש "הטוב ביותר" בודד; זה הופך את אי הוודאות לגלויה.
- איזון חומרים: יחסי שימור בין הנוזל המופק מהמאגר, ירידת הלחץ והנפח הנותר; עוגן פיזי שבודק באופן עצמאי את נפח הדגם.
רמז: מודל המאגר הוא התפלגות אי ודאות, לא מספר בודד. השפה הנכונה היא "P90=35, P50=50, P10=72 מיליון חביות", לא "שמור 50 מיליון חביות". בקש מה-AI תרחיש/הפצה, לא אומדן נקודה אחת.
כיצד AI וגיאוסטטיסטיקה עובדים יחד
גיאוסטטיסטיקה קלאסית (קריגינג, וריוגרמה) היא רבת עוצמה אך נאבקת בקשרים רב משתנים ולא ליניאריים. כאן נכנסת לתמונה למידת מכונה:
- סיווג פאסיות: הקצאת פאסיות ממערך היומן (למידה מפוקחת); לאחר מכן הפיץ את התכונה באמצעות facies כמדריך.
- הערכת תכונה: הערכת נקבוביות בין-בארות מיחס של תכונה סיסמית + לוג (מודלים מונעים סיסמיים).
- מילוי פערים: השלמת יומן חסר נע באופן סביר בין בארות ומערכות יחסים שכנות.
אבל למידת מכונה לא יודעת היגיון גיאולוגי. מפת הנקבוביות המיוצרת על ידי מודל אינה נכונה אם היא אינה עולה בקנה אחד עם סביבת ההפקדה (למשל, חדירות גבוהה בפנים פצלים). סבירות גיאולוגית היא המסנן הראשון של פלט AI.
שלב אחר שלב: זרימת עבודה של דגם מאגר
- שלד מבני. קבע את הגיאומטריה של המאגר עם אופקים ותקלות מסיסמיקה (פלט מיחידה 3).
- דגם Facies. קבעו נקודות בבארות (לוג + ליבה), הפיצו לנפח עם וריוגרמה/מגמה גיאולוגית. AI מאיץ את הסיווג.
- פריסת תכונות. הפצת נקבוביות, חדירות, רוויית מים בתוך כל פנים על ידי קריקינג או למידת מכונה; אם יש סיסמיקה, קבלו מדריך.
- אִי וַדָאוּת. צור מספר רב של מימושים עם סימולציה סטוכסטית; נפחי P90/P50/P10 מופקים.
- אימות. נפח דגם בדיקה עם איזון חומרים והתאמה היסטורית; השווה עם חדירות בדיקת באר.
שלושה מיני מארזים: לפי המספרים
מקרה 1 - מדריך הערך של הפאז'ים. כאשר נקבוביות פוזרה באתר ישירות על ידי קריגינג, נקבוביות גבוהה "דלפה" לאזורי פצלים באיכות נמוכה. כאשר מודל ה-facies הוקם לראשונה והפורוזיות הופצה בתוך ה-facies, המודל הפך למציאותי והנפחים הסטוכסטיים הצטמצמו: נפח P50 ירד ב-12%, אך טווח אי הוודאות הצטמצם ב-40%. המבנה הנכון הניב תוצאות יותר מציאותיות ובטוחות יותר.
מקרה 2 - מלכודת אקסטרפולציה. מודל למידת המכונה למד היטב את הקשר הנקבובי-סייסמי באזור שבו בארות מרוכזות; אך כאשר מוחל על גוש קצה ללא באר, הוא נפל מחוץ לטווח האימון (אקסטרפולציה) ויצר נקבוביות לא מציאותית של 28%. הגיאולוג הראה שהגוש הזה נמצא באזור פנים אחר; המודל לא היה חוקי באזור זה. מגבלת האקסטרפולציה מסומנת.
מקרה 3 - התנגשות באיזון החומר. רזרבות עשירות מדגם 3D P50 הניבה 68 מיליון חביות; עם זאת, ירידת לחץ הייצור המוקדמת של השדה הצביעה על מערכת עם מאזן חומרים לכל היותר ~45 מיליון חביות. הסתירה באה משום שהמודל הניח שגופי חול מנותקים (מבודדים) מחוברים מדי. הקשר נשקל מחדש והדגם קטן יותר. העוגן הפיזי קיבע את הדגם הגיאומטרי.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
מודל המאגר והעתודה נגזרים מנתוני הבאר הללו.[נתונים]
הנחיה עוצמתית:
צור תוכנית מודלים של מאגר DRAFT מהבאר (אנונימי) וסיכום סיסמי למטה. כללים:- ראשית לבנות מודל facies; הפזר נקבוביות/חדירות בתוך הפנים. תכונה של פחמימנים שטיפה לתוך פצלים/איכות נמוכה.- להצדיק פרמטרים של וריוגרמה (כיוון, טווח) ממגמה גיאולוגית, לא מנתונים; כתוב את ההנחות בצורה ברורה.- הצג את התוצאה כהתפלגות נפח P90/P50/P10, לא מספר בודד.- סמן את הסיכון של אקסטרפולציה באזורים חסרי באר.- כתוב כיצד לאמת עם איזון חומרים/היסטוריית ייצור. נתונים: [סיכום]
ארבע תבניות הניתנות להעתקה
1) טיוטת סיווג הפאcies:
הצע גישת סיווג פנים מתוך קבוצת היומנים הבאה. רשום את היומנים שבהם יש להשתמש, הגדרות מחלקות והצורך בתיוג הליבה. ציין את הסיכון לבלבול בין מחלקות ובדיקת הסבירות הגיאולוגית. נתונים: [ערכת יומן]
2) נימוק וריוגרמה:
בעת הקמת וריוגרמה עבור נתוני נקבוביות אלה, קשר את הכיוון ואת בחירת הטווח לכיוון המשקעים הגיאולוגיים. הסבר את הסיכון בהנחה איזוטרופי. ציין את הגבול של מהימנות וריוגרמה עם מעט נתונים. נתונים: [נקבוביות]
3) תרחיש אי ודאות:
צור פיזור נפח P90/P50/P10 עבור כניסות הנפח הבאות (שטח, עובי, נקבוביות, רוויה, גורם המרה). שאל את טווח אי הוודאות של כל קלט, אל תניח זאת. דרג את המקור המשפיע ביותר לאי ודאות (טורנדו). קלט: [ערכים]
4) בדיקת הצלבה של איזון חומרים:
השווה את נפח המודל התלת-ממדי הבא עם נתוני הייצור המוקדם ונפילת הלחץ לאיזון החומרים. אם יש חוסר תאימות, רשום סיבות אפשריות (חיבור, תמיכת אקוויפר, שגיאת נפח). דגם: [נפח], ייצור/לחץ: [נתונים]
שכבות אימות דגם מאגר
שכבה
איזה בדיקות
שיטה
סבירות גיאולוגית
עקביות של תכונה של פייס
סקירת מומחה
נתונים היטב
תאימות למדידה נקודתית
השוואת יומן/ליבה
מבחן היטב
חדירות/לחץ בפועל
בדיקת לחץ חולפת
איזון חומרים
שימור נפח
יחסי לחץ-ייצור
היסטוריית הפקה
התנהגות דינמית
התאמת היסטוריה
טעויות נפוצות
- מדלגים על פניות. להפיץ תכונות ללא מדריך facies ודלוף פחמימנים עם דבר.
- חיזוי נקודה בודדת. דיווח על מספר רזרבות בודד במקום התפלגות אי ודאות.
- אקסטרפולציה. יישום עיוור של המודל על בלוקים מחוץ לטווח נתוני האימון.
- דילוג על איזון חומרים. לא בודק את נפח המודל התלת מימדי עם איזון פיזי.
- השאר את הווריוגרמה למצב אוטומטי. בחירת כיוון/טווח ללא מגמה גיאולוגית.
לסיכום
- אפיון מאגר הוא הרחבה של מדידות נקודות בבארות לכל הנפח עם גיאולוגיה וגיאוסטטיסטיקה.
- בינה מלאכותית ולמידת מכונה הן עוצמתיות בסיווג פנים ובחיזוי תכונות; אבל הסבירות הגיאולוגית היא המסנן הראשון.
- הפצת מאפיינים בתוך facies; דווח על אי ודאות כהפצה P90/P50/P10.
- סמן את גבולות האקסטרפולציה; אין להשתמש בדגם באופן עיוור מחוץ לטווח האימונים.
- איזון החומרים והיסטוריית הייצור הם עוגנים פיזיים הבודקים את המודל הגיאומטרי.
משימת יישום
קח נתוני נקבוביות/פנים ממספר בארות (נציג) של שדה. יש ליצור תוכנית דוגמנות עם ההנחיה העוצמתית. לאחר מכן: (1) בדוק אם הנקבוביות מפוזרת בתוך הפאז'ים, (2) בקש את הרזרבה כ-P90/P50/P10, לא מספר בודד, (3) ספק בערך את הנפח שנתן המודל עם היגיון פשוט של איזון חומרים (מיוצר + שנותר). הוסף אזהרת אקסטרפולציה עבור אזור אחד ללא באר לפחות.
רשימת בדיקה
- [ ] אני מבין שמודל המאגר הוא אומדן טוב לבאר ונושא אי ודאות.
- [ ] אני מפיץ את התכונות עם מדריך ה-facies, אני לא מדליף אותם ל-facies באיכות נמוכה.
- [ ] אני מדווח על העתודה כהפצה P90/P50/P10, לא מספר אחד.
- [ ] אני מסמן את גבולות האקסטרפולציה.
- [ ] אני מאמת את נפח הדגם עם איזון החומרים והיסטוריית הייצור.