लाभ:
- एआई के साथ सरंध्रता, पारगम्यता और जलाशय गुणों की भविष्यवाणी में वर्कफ़्लो को समझाने की क्षमता
- मशीन लर्निंग को अच्छी तरह से लॉग व्याख्या, चेहरे के वर्गीकरण और उत्पादन पूर्वानुमान में स्थापित करने की क्षमता
- भौतिक सीमाओं, अच्छी तरह से परीक्षण और अनिश्चितता विश्लेषण के माध्यम से जलाशय आउटपुट को सत्यापित करने की क्षमता
एक तेल या गैस भंडार सतह से मीलों नीचे झरझरा चट्टान में फंसे तरल पदार्थों का एक अदृश्य खजाना है। हम इसे सीधे नहीं देख सकते; हम इसे केवल लॉग, कोर, भूकंपीय छाया और कुओं से प्राप्त उत्पादन डेटा के साथ "पढ़ते" हैं। जलाशय लक्षण वर्णन इन अप्रत्यक्ष मापों से पुनर्निर्माण करने का कार्य है कि चट्टान कितना तरल पदार्थ रखती है (छिद्रता), यह कितनी आसानी से तरल पदार्थ (पारगम्यता) छोड़ती है, और जलाशय किस प्रकार की त्रि-आयामी संरचना है। एआई इस क्षेत्र में शक्तिशाली है: अच्छी तरह से लॉग की व्याख्या करना, प्रजातियों को वर्गीकृत करना (रॉक प्रकारों का संयोजन), सरंध्रता-पारगम्यता संबंधों की भविष्यवाणी करना और उत्पादन रुझानों का मॉडलिंग करना। लेकिन जलाशय, अन्य भूवैज्ञानिक क्षेत्रों की तरह, अनिश्चितता से भरे हुए हैं, और हर भविष्यवाणी भौतिक सीमाओं, अच्छी तरह से परीक्षण और अनिश्चितता विश्लेषण से जुड़े बिना निर्णय का आधार नहीं हो सकती है।
इस इकाई में हम जलाशय अध्ययन के तीन एआई पहलुओं को कवर करेंगे: अच्छी लॉग व्याख्या और प्रजाति वर्गीकरण (लॉग से चट्टान के प्रकार और गुणों का निष्कर्षण), सरंध्रता-पारगम्यता भविष्यवाणी (जलाशय गुणवत्ता की भविष्यवाणी), और उत्पादन भविष्यवाणी (भविष्य में कुआं कितना उत्पादन करेगा)। भू-सांख्यिकी यहां भी रीढ़ की हड्डी है; हम कुओं के बीच की जगह को वैरोग्राम और सिमुलेशन से भरते हैं। ध्यान दें: तेल और गैस क्षेत्र व्यावसायिक रूप से बहुत संवेदनशील है; सभी नमूनों का अध्ययन अज्ञात और प्रतिनिधि मूल्यों के साथ किया जाता है।
खैर लॉग व्याख्या और चेहरे का वर्गीकरण
वेल लॉग ऐसे वक्र हैं जो बोर के साथ चट्टान के भौतिक गुणों को लगातार मापते हैं: गामा किरण (मिट्टी की सामग्री), प्रतिरोधकता (द्रव प्रकार - पानी / हाइड्रोकार्बन), घनत्व और न्यूट्रॉन (छिद्र), ध्वनि (चट्टान कठोरता)। एक पेट्रोलियम भूविज्ञानी इन वक्रों को एक साथ पढ़ता है और प्रत्येक गहराई पर चट्टान के प्रकार और तरल पदार्थ को निकालता है। यह पैटर्न पहचान है, और एआई इसमें बहुत अच्छा है: लगातार हजारों मीटर लॉग को फेशियल में सॉर्ट करता है।
लेकिन दो सीमाएँ हैं. सबसे पहले, लॉग व्याख्या एक मॉडल है, माप नहीं; एक ही लॉग विभिन्न पहलुओं की व्याख्याओं के लिए खुला हो सकता है। दूसरे, यदि मॉडल एक क्षेत्र में सीखे गए लॉग-फ़ेसी संबंध को आँख बंद करके दूसरे क्षेत्र (अलग-अलग निक्षेपण वातावरण, अलग-अलग डायजेनेसिस) में स्थानांतरित करता है, तो यह गंभीर गलतियाँ करता है। इसलिए, चेहरे का आउटपुट कोर डेटा के साथ कैलिब्रेट किया जाता है; मूल वह एंकर है जो लॉग व्याख्या को जमीनी सच्चाई से जोड़ता है।
युक्ति: किसी फेशियल मॉडल के आउटपुट पर भरोसा करने से पहले, पूछें "कौन से कुओं को कोर किया गया है और उन कुओं में मॉडल कितना सटीक है?" पूछना। एक असंपुष्ट चेहरे का अनुमान एक अप्रयुक्त परिकल्पना है, चाहे वह कितना भी प्रशंसनीय क्यों न लगे।
सरंध्रता और पारगम्यता: सबसे महत्वपूर्ण अंतर
जलाशय की गुणवत्ता की दो कुंजी सरंध्रता और पारगम्यता हैं, और उनके बीच का अंतर एआई का उपयोग करने के सबसे महत्वपूर्ण बिंदुओं में से एक है। सरंध्रता चट्टान का शून्य अनुपात है और इसे उचित सटीकता के साथ लॉग से प्राप्त किया जा सकता है। पारगम्यता यह है कि चट्टान के माध्यम से तरल पदार्थ कितनी आसानी से बहता है और इसे सीधे लॉग से नहीं मापा जाता है; लेकिन इसका अनुमान अप्रत्यक्ष रूप से लगाया जाता है. पारगम्यता सरंध्रता में छोटे बदलावों के प्रति तेजी से संवेदनशील है और छिद्र ज्यामिति, दरारें और सीमेंटेशन पर निर्भर करती है।
इसीलिए मशीन लर्निंग के साथ पारगम्यता की भविष्यवाणी आकर्षक और खतरनाक दोनों है। मॉडल कोर कुओं में सरंध्रता और अन्य लॉग से पारगम्यता सीखता है; लेकिन यह जो संबंध सीखता है वह उस पहलू और दबाव-तापमान की स्थिति के लिए विशिष्ट होता है। एक अलग लिथोलॉजी या एक बिना खोदे गए कुएं (सीखी गई सीमा से बाहर जाने) के लिए एक्सट्रपलेशन के परिणामस्वरूप बड़ी त्रुटियां होंगी। पारगम्यता अनुमान को कोर माप और अच्छी तरह से परीक्षण से जोड़ा जाना चाहिए (दबाव ड्रॉप / सूजन परीक्षण वास्तविक प्रवाह व्यवहार देते हैं)।
सावधानी: भले ही पारगम्यता अनुमान एक "अच्छा दिखने वाला" ग्राफ उत्पन्न करता है, लेकिन प्रशिक्षण डेटा की संभावनाओं और दबाव स्थितियों के बाहर लागू होने पर यह अविश्वसनीय है। मॉडल एक सहसंबंध सीखता है, भौतिक तथ्य नहीं; हमेशा कोर और वेल टेस्टिंग के साथ परीक्षण करें।
उत्पादन पूर्वानुमान और अनिश्चितता
भविष्य में एक कुआँ कितना उत्पादन करता है यह इस बात पर निर्भर करता है कि जलाशय कितना तरल पदार्थ रखता है और वितरित करता है। शास्त्रीय विधियाँ (गिरावट वक्र विश्लेषण) पिछली उत्पादन प्रवृत्ति को भविष्य में विस्तारित करती हैं; एआई इस प्रवृत्ति को मल्टी-वेल डेटा के साथ समृद्ध करता है और पड़ोसी वेल पैटर्न से सीखता है। लेकिन उत्पादन का पूर्वानुमान स्वाभाविक रूप से अनिश्चित है: जलाशय विषम है, दबाव बदलता है, परिचालन की स्थिति बदलती है। इसलिए, एक संभाव्य सीमा (निम्न/मध्यम/उच्च परिदृश्य) प्रस्तुत की जाती है, एक भी "सटीक" उत्पादन वक्र नहीं।
कुओं के बीच आयतन भरते समय भू-सांख्यिकी में भी अनिश्चितता रहती है। अनुक्रमिक गॉसियन सिमुलेशन जैसी विधियां एकल "औसत" मॉडल के बजाय कई समान रूप से संभावित मॉडल उत्पन्न करती हैं; इन मॉडलों के बीच का अंतर अनिश्चितता ही है। कृत्रिम बुद्धिमत्ता इन सिमुलेशन को गति देती है और उनकी व्याख्या करती है; लेकिन परिणाम को एक ही संख्या में कम करना अनिश्चितता को छिपाकर झूठा आत्मविश्वास पैदा करता है।
तीन मिनी मामले: संख्याओं द्वारा
केस 1 - एक्सट्रपलेशन त्रुटि। एक साइट पर तीन कोरड कुओं पर प्रशिक्षित पारगम्यता मॉडल ने एक भविष्यवाणी दी जो चौथे कुएं पर बिल्कुल सही दिखाई दी। लेकिन यह कुआँ अधिक चिकनी मिट्टी में था और मॉडल ने यह अंतराल कभी नहीं देखा था; अच्छी तरह से परीक्षण से पता चला कि वास्तविक पारगम्यता अनुमान का लगभग पांचवां हिस्सा है। मॉडल को "अच्छे दिखने वाले" ग्राफ़ के लिए गंभीरता से गलत समझा गया था; वेल टेस्ट एंकर ने गड़बड़ी पकड़ी।
केस 2 - चेहरे का अंशांकन। एक गैस क्षेत्र में, कृत्रिम बुद्धिमत्ता ने 14 कुओं के लट्ठों को तेजी से क्रमबद्ध किया। जब तीन कोर वाले कुओं से तुलना की गई, तो मॉडल ने जिस क्षेत्र को "स्वच्छ बलुआ पत्थर" के रूप में वर्गीकृत किया था, वह वास्तव में एक खंडित, निम्न-गुणवत्ता वाली इकाई थी। कोर अंशांकन के साथ, मॉडल को फिर से प्रशिक्षित किया गया और जलाशय की मात्रा का अनुमान यथार्थवादी स्तर पर लाया गया।
केस 3 - स्क्रिप्ट ईमानदारी। उत्पादन पूर्वानुमान में, मॉडल ने एक एकल वक्र दिया और दस साल के उत्पादन को विषम संख्या में व्यक्त किया। जब टीम ने अनुक्रमिक सिमुलेशन के माध्यम से निम्न/मध्यम/उच्च परिदृश्य उत्पन्न किया, तो उन्होंने पाया कि सीमा बहुत व्यापक थी (उच्च परिदृश्य लगभग दोगुना कम था)। इस चौड़ाई ने संकेत दिया कि निवेश निर्णय में अतिरिक्त कुँए परीक्षण की आवश्यकता थी; एकल संख्या ने खतरनाक ढंग से इस अनिश्चितता को छिपा दिया।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
इन कुओं के लॉग को देखें, पारगम्यता की गणना करें, और मुझे बताएं कि कुआं कितना उत्पादन करेगा। [लॉग डेटा]
शक्तिशाली संकेत:
आपकी भूमिका: सहायक जलाशय भूविज्ञानी। नीचे दिए गए लॉग के साथ पारगम्यता और उत्पादन के लिए एकल सटीक संख्या दे रहा हूं। इसके बजाय: 1) बताएं कि चेहरे की व्याख्या करते समय कोर द्वारा कौन से कुओं की पुष्टि की जा सकती है। 2) समझाएं कि पारगम्यता का अनुमान सीधे लॉग से नहीं मापा जा सकता है, किन परिस्थितियों में (संभावनाएं/दबाव) यह मान्य होगा, और कोर/कुएं परीक्षण की आवश्यकता है। 3) उत्पादन के लिए निम्न/मध्यम/उच्च परिदृश्य तर्क स्थापित करें, एक भी वक्र नहीं। 4) अनिश्चितता के 4 स्रोतों की सूची बनाएं जो परिणाम को प्रभावित करते हैं। डेटा गुमनाम है; कोई वास्तविक क्षेत्र/कंपनी नहीं.
चार प्रतिलिपि योग्य टेम्पलेट
1) लॉग-फ़ेसी अंशांकन जांच:
समझाएं कि प्रजातियों के वर्गीकरण के लिए कौन से कुएं कोरड हैं और हम इन कुओं में मॉडल की सटीकता को कैसे माप सकते हैं। असत्यापित क्षेत्रों को "अपरीक्षणित" के रूप में चिह्नित करें; आंख मूंदकर भरोसा न करें.
2) पारगम्यता सत्यापन:
पारगम्यता की भविष्यवाणी के लिए: उन पहलुओं और दबाव सीमा को निर्दिष्ट करें जिनके लिए मॉडल को प्रशिक्षित किया गया है; चिह्नित करें कि कौन से कुएं/क्षेत्र इस सीमा (एक्सट्रपलेशन) से बाहर हैं। इस बात पर जोर दें कि इन क्षेत्रों में गहन और अच्छे परीक्षण के बिना भविष्यवाणी पर भरोसा नहीं किया जाना चाहिए। कोई सटीक संख्या न बताएं.
3) उत्पादन परिदृश्य मसौदा:
गिरावट वक्र/उत्पादन डेटा से निम्न, मध्यम, उच्च उत्पादन परिदृश्य तर्क स्थापित करता है। बताएं कि प्रत्येक परिदृश्य किन धारणाओं पर आधारित है और उनके बीच के अंतर का क्या मतलब है। कोई एकल "सटीक" वक्र पेश नहीं कर रहा।
4) अनिश्चितता अनुकरण व्याख्या:
एकाधिक समान रूप से संभावित भू-सांख्यिकीय मॉडल (उदाहरण के लिए, अनुक्रमिक सिमुलेशन) के आउटपुट की व्याख्या करें: वॉल्यूम अनुमान का वितरण कितना व्यापक है, कौन सा क्षेत्र सबसे अनिश्चित है, और किस अतिरिक्त डेटा (ठीक है, भूकंपीय) के साथ यह अनिश्चितता कम हो गई है? एक संख्या में घटाना.
जलाशय विशिष्टता, मापनीयता और सत्यापन
सुविधा/आउटपुट
क्या इसे लॉग से मापा जा सकता है?
एआई जोखिम
सत्यापन एंकर
सरंध्रता
उचित सटीकता के साथ व्युत्पन्न
अंशांकन बहाव
कोर सरंध्रता
पारगम्यता
नहीं, अप्रत्यक्ष अनुमान
एक्सट्रपलेशन त्रुटि
कोर + वेल परीक्षण
चेहरे
टिप्पणी (मॉडल)
ऑफ-साइट परिवहन
मूल परिभाषा
द्रव प्रकार
मैं प्रतिरोधकता से निष्कर्ष निकालता हूं
ग़लत टिप्पणी
दबाव/नमूना परीक्षण
उत्पादन पूर्वानुमान
प्रवृत्ति विस्तार
झूठी निश्चितता
परिदृश्य + अच्छा परीक्षण
संकेत: जलाशय पर प्रत्येक अनुमान के लिए "कौन सा प्रत्यक्ष माप इसका खंडन कर सकता है?" कहकर इसका परीक्षण करें। सरंध्रता के लिए कोर, पारगम्यता के लिए कुआं परीक्षण, चेहरे के लिए कोर परिभाषा। एक भविष्यवाणी जिसे प्रत्यक्ष माप द्वारा अस्वीकार नहीं किया जा सकता है, उसकी अभी तक पुष्टि नहीं की गई है।
सामान्य गलतियाँ
- पारगम्यता को सरंध्रता के रूप में देखना। पारगम्यता को सीधे लॉग से नहीं मापा जाता है; एक्सट्रपलेशन बड़ी त्रुटियां देता है, कोर/वेल परीक्षण आवश्यक है।
- कोर के बिना फेशियल मॉडल का उपयोग करना। एक ऐसा पहलू जिसे कोर द्वारा अंशांकित नहीं किया गया है, एक अप्रीक्षित परिकल्पना है।
- सीखे हुए रिश्ते को दूसरे क्षेत्र में ले जाना। विभिन्न निक्षेपण वातावरण और डायजेनेसिस लॉग-ट्रेट संबंध को बदलते हैं।
- उत्पादन को एक ही वक्र के साथ प्रस्तुत करना। यदि परिदृश्यों के साथ अनिश्चितता नहीं दी गई है, तो निवेश निर्णय झूठी निश्चितता पर आधारित है।
- अनुकरण को माध्य तक कम करना। एकाधिक मॉडल अनिश्चितता का संकेत देते हैं; इसे एक संख्या में कम करने से जानकारी नष्ट हो जाती है।
सारांश
- जलाशय अदृश्य है; इसे लॉग, कोर, भूकंपीय और उत्पादन डेटा के साथ अप्रत्यक्ष रूप से पढ़ा जाता है और प्रत्येक भविष्यवाणी में अनिश्चितता होती है।
- सरंध्रता लॉग से प्राप्त की जा सकती है; पारगम्यता को सीधे नहीं मापा जाता है, इसे कोर और वेल परीक्षण के साथ जोड़ा जाना चाहिए।
- चेहरे का वर्गीकरण एक मॉडल है; कोर द्वारा कैलिब्रेट किए बिना और ऑफ-साइट परिवहन किए बिना अविश्वसनीय।
- सीखा गया संबंध शैक्षिक स्थितियों के लिए विशिष्ट है; एक्सट्रपलेशन सबसे आम और खतरनाक गलती है।
- उत्पादन और मात्रा को एक ही संख्या के साथ प्रस्तुत नहीं किया जाता है, बल्कि एक संभाव्य परिदृश्य और सिमुलेशन के साथ, स्पष्ट रूप से अनिश्चितता दी जाती है।
आवेदन कार्य
वेल लॉग (या प्रतिनिधि मान) का एक अज्ञात सेट प्राप्त करें। मॉडल से यह पता लगाने को कहें कि "पारगम्यता सत्यापन" टेम्पलेट के साथ किन क्षेत्रों में एक्सट्रपलेशन का खतरा है; परीक्षण करें कि क्या यह किसी क्षेत्र को जानबूझकर प्रशिक्षण सीमा से बाहर रखकर उत्तेजित करता है। फिर, एकल वक्र के बजाय निम्न/मध्यम/उच्च परिदृश्य तैयार करने के लिए "उत्पादन परिदृश्य ड्राफ्ट" टेम्पलेट का उपयोग करें और एक वाक्य में सीमा की चौड़ाई पर टिप्पणी करें।
जांच सूची
- [ ] मैं सरंध्रता और पारगम्यता के बीच मापनीयता में अंतर जानता हूं और पारगम्यता के लिए कोर/वेल परीक्षण की आवश्यकता होती है।
- [ ] मैं संकाय वर्गीकरण को कोर के साथ कैलिब्रेट किए बिना विश्वसनीय नहीं मानता।
- [ ] मैं सीखे गए संबंध को किसी अन्य क्षेत्र/स्थिति से जोड़ने के जोखिम को पहचानता हूं।
- [ ] मैं उत्पादन और मात्रा को एकल संख्याओं के बजाय संभाव्य परिदृश्यों और सिमुलेशन के साथ प्रस्तुत करता हूं।
- [ ] "कौन सा प्रत्यक्ष माप प्रत्येक जलाशय के अनुमान को गलत साबित कर सकता है?" मैं प्रश्न के साथ इसका परीक्षण करता हूं।