Nyereség:
- Képes megmagyarázni a munkafolyamatot a porozitás, a permeabilitás és a tartály tulajdonságainak AI-val történő előrejelzésében
- Képes a gépi tanulás pozícionálására kútnapló-értelmezésben, fácies-osztályozásban és termelési előrejelzésben
- Képes ellenőrizni a tározó kimenetét fizikai határok, kútteszt és bizonytalanságelemzés segítségével
Az olaj- vagy gáztározó a porózus kőzetben, mérföldekkel a felszín alatt rekedt folyadékok láthatatlan kincse. Közvetlenül nem láthatjuk; Csak a kutakból kapott rönkökkel, magokkal, szeizmikus árnyékokkal és termelési adatokkal „olvassuk el”. A tározó jellemzése az a feladat, hogy ezekből az indirekt mérésekből rekonstruáljuk, hogy a kőzet mennyi folyadékot tartalmaz (porozitás), milyen könnyen enged ki folyadékot (permeabilitás), és milyen háromdimenziós szerkezetű a tározó. A mesterséges intelligencia ezen a területen erős: a kutak naplóinak értelmezése, a fáciesek osztályozása (kőzettípusok összeállítása), a porozitás-permeabilitás összefüggéseinek előrejelzése és a termelési trendek modellezése. De a tározók, más geológiai területekhez hasonlóan, tele vannak bizonytalansággal, és nem minden előrejelzés lehet döntés alapja anélkül, hogy fizikai határokhoz, kútvizsgálatokhoz és bizonytalanságelemzéshez kapcsolódna.
Ebben az egységben a tározók tanulmányozásának három mesterséges intelligenciájával foglalkozunk: a kútnapló értelmezése és a fácies osztályozása (a kőzet típusának és tulajdonságainak kinyerése a rönkökből), a porozitás-áteresztőképesség előrejelzése (a tározó minőségének előrejelzése) és a termelés előrejelzése (mennyit fog termelni a kút a jövőben). A geostatisztika itt is a gerincét képezi; A kutak közötti teret variogrammal és szimulációval töltjük ki. Megjegyzés: az olaj- és gázszektor kereskedelmi szempontból nagyon érzékeny; Minden mintát anonim és reprezentatív értékekkel vizsgálnak.
Kútnapló értelmezése és fácies osztályozása
A kútnaplók olyan görbék, amelyek folyamatosan mérik a kőzet fizikai tulajdonságait a furat mentén: gamma-sugárzást (agyagtartalom), ellenállást (folyadék típusa – víz/szénhidrogén), sűrűséget és neutront (porozitás), hangosságot (kőzetkeménység). Egy kőolajgeológus összeolvassa ezeket a görbéket, és minden mélységben kivonja a kőzettípust és a folyadékot. Ez a mintafelismerés, és a mesterséges intelligencia nagyon jó ebben: több tízezer méter rönkök következetes szétválogatása fáciesre.
De két határ van. Először is, a log értelmezés modell, nem mérés; Ugyanaz a napló különböző fáciesű értelmezések előtt állhat. Másodszor, ha a modell vakon átviszi az egyik területen tanult log-fácies viszonyt egy másik mezőbe (eltérő lerakódási környezet, eltérő diagenezis), akkor súlyos hibákat követ el. Ezért a fácies kimenet az alapadatokkal van kalibrálva; A mag az a horgony, amely összeköti a log-értelmezést az alapigazsággal.
Tipp: Mielőtt megbízna egy fácies modell kimenetében, kérdezze meg, hogy „melyik kutak kerültek magba, és mennyire pontos a modell ezekben a kutakban?” kérdez. A meg nem támasztott fáciesbecslés egy ellenőrizetlen hipotézis, bármennyire is valószínűnek tűnik.
Porozitás és áteresztőképesség: a legkritikusabb megkülönböztetés
A tározók minőségének két kulcsa a porozitás és az áteresztőképesség, és a köztük lévő különbség az AI használatának egyik legfontosabb pontja. A porozitás a kőzet üregviszonya, és ésszerű pontossággal rönkökből származtatható. Az áteresztőképesség azt jelenti, hogy a folyadék milyen könnyen áramlik át a kőzeten, és nem mérik közvetlenül a rönkökből; de közvetetten becsülik. Az áteresztőképesség exponenciálisan érzékeny a porozitás kis változásaira, és függ a pórusok geometriájától, a repedésektől és a cementációtól.
Ez az oka annak, hogy a permeabilitás előrejelzése a gépi tanulással egyszerre vonzó és veszélyes. A modell megtanulja a magkutak porozitását és az áteresztőképességet más rönkökből; de az általa megismert kapcsolat az adott fáciesre és arra a nyomás-hőmérséklet állapotra jellemző. Ha egy másik litológiára vagy mag nélküli kútra (a tanult tartományon kívülre kerül) extrapolálunk, az nagy hibákat eredményez. A permeabilitás becslését a magméréshez és a kútvizsgálathoz kell kapcsolni (a nyomásesés/duzzadás tesztek adják meg a tényleges áramlási viselkedést).
Vigyázat: Még ha a permeabilitási becslés "jó megjelenésű" grafikont is ad, megbízhatatlan, ha a képzési adatok fáciesén és nyomási feltételein kívül alkalmazzák. A modell összefüggést tanul, nem fizikai tényt; mindig tesztelj mag- és jólteszttel.
Termelési előrejelzés és bizonytalanság
Az, hogy egy kút mennyit termel a jövőben, attól függ, hogy a tartály mennyi folyadékot tart és szállít. A klasszikus módszerek (hasadásgörbe elemzés) kiterjesztik a múltbeli termelési trendet a jövőre; A mesterséges intelligencia ezt a trendet többkút-adatokkal gazdagítja, és tanul a szomszédos kútmintákból. De a termelés előrejelzése eleve bizonytalan: a tározó heterogén, a nyomás változik, az üzemi feltételek változnak. Ezért egy valószínűségi tartományt (alacsony/közepes/magas forgatókönyv) mutatunk be, nem egyetlen „pontos” termelési görbét.
A geostatisztika a kutak közötti térfogat feltöltésekor is bizonytalanságot hordoz magában. Az olyan módszerek, mint a szekvenciális Gauss-szimuláció, sok egyformán valószínű modellt hoznak létre egyetlen „átlagos” modell helyett; E modellek közötti különbség maga a bizonytalanság. A mesterséges intelligencia felgyorsítja és értelmezi ezeket a szimulációkat; de az eredményt egyetlen számra redukálva hamis bizalmat kelt a bizonytalanság elrejtésével.
Három mini tok: a számok szerint
1. eset – Extrapolációs hiba. Az egy helyen három magos kútra kiképzett permeabilitási modell olyan előrejelzést adott, amely tökéletesnek tűnt a negyedik kútnál. De ez a kút agyagosabb fáciesben volt, és a modell soha nem látta ezt az intervallumot; a kúttesztek a tényleges permeabilitást a becsült körülbelül egyötödének mutatták. A modellt súlyosan összetévesztették egy „jó megjelenésű” grafikonnal; A kútteszt horgonyja elkapta a hibát.
2. eset – Facies kalibráció. Az egyik gázmezőben a mesterséges intelligencia gyorsan fáciesre válogatta 14 kút rönkjét. A három magos kúttal összehasonlítva a modell által „tiszta homokkőnek” minősített zóna valójában egy törött, gyenge minőségű egység volt. A magkalibrációval a modellt átképeztem, és a tározótérfogat becslését reális szintre csökkentették.
3. eset – A forgatókönyv őszintesége. A termelési előrejelzésben a modell egyetlen görbét adott, és páratlan számokkal fejezte ki a tízéves termelést. Amikor a csapat szekvenciális szimulációval alacsony/közepes/magas forgatókönyvet generált, azt találták, hogy a tartomány nagyon széles (a magas forgatókönyv körülbelül kétszer olyan alacsony volt). Ez a szélesség azt jelezte, hogy a beruházási döntésben további kútvizsgálatra volt szükség; Az egyetlen szám veszélyesen eltakarta ezt a bizonytalanságot.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Nézze meg ezeket a kútnaplókat, számolja ki az áteresztőképességet, és mondja meg, mennyit fog termelni a kút. [naplóadatok]
Erőteljes felszólítás:
Az Ön feladata: tározógeológus asszisztens. EGYETLEN PONTOS SZÁM megadása az áteresztőképesség és a gyártás érdekében az alábbi rönkökkel. Ehelyett:1) Adja meg, hogy a fácies értelmezése során mely kutak igazolhatók maggal.2) Magyarázza el, hogy a permeabilitás becslése nem mérhető közvetlenül naplókból, milyen feltételek mellett (fácies/nyomás) lesz érvényes, és szükséges-e a mag/kút vizsgálata.3) Állítson fel egy alacsony/közepes/magas forgatókönyv logikát a termeléshez, nem egyetlen eredményadatforrást befolyásolja.4) névtelen; Nincs igazi terület/cég.
Négy másolható sablon
1) Log-facies kalibrációs ellenőrzés:
Magyarázza el, mely kutak maggal vannak ellátva a fácies osztályozáshoz, és hogyan mérhetjük meg a modell pontosságát ezekben a kutakban. Az ellenőrizetlen zónákat "nem teszteltként" jelölje meg; Ne bízz vakon.
2) Permeabilitás ellenőrzése:
A permeabilitás előrejelzéséhez: adja meg azt a fáciest és nyomástartományt, amelyre a modellt betanították; Jelölje meg, hogy mely kutak/zónák vannak kívül ezen a tartományon (extrapoláció). Hangsúlyozza, hogy az előrejelzésben nem szabad megbízni alap- és kútteszt nélkül ezekben a zónákban. Pontos számot ne adj meg.
3) Gyártási forgatókönyv vázlat:
Alacsony, közepes, magas termelési forgatókönyv logikát hoz létre a csökkenési görbe/termelési adatok alapján. Magyarázza el, hogy az egyes forgatókönyvek milyen feltételezéseken alapulnak, és mit jelentenek a köztük lévő különbségek. Nem kínál egyetlen "pontos" görbét.
4) Bizonytalanság szimulációs értelmezés:
Értelmezze a többszörösen egyformán valószínű geostatisztikai modell (pl. szekvenciális szimuláció) kimenetét: milyen széles a térfogatbecslés eloszlása, melyik régió a legbizonytalanabb, és milyen további adatokkal (jól, szeizmikus) szűkítik ezt a bizonytalanságot? Egyetlen számra redukálva.
A tározó specifikációja, mérhetősége és ellenőrzése
funkció/kimenet
Mérhető rönkből?
AI kockázat
ellenőrző horgony
porozitás
Megfelelő pontossággal származtatva
Kalibrációs drift
Mag porozitása
áteresztőképesség
Nem, közvetett tipp
Extrapolációs hiba
Mag + kút teszt
fáciesű
Megjegyzés (modell)
Helyszínen kívüli szállítás
alapdefiníció
Folyadék típus
Az ellenállásból arra következtetek
rossz megjegyzés
Nyomás/minta vizsgálat
Termelési előrejelzés
trend kiterjesztése
hamis bizonyosság
Forgatókönyv + kútteszt
Tipp: A tározóra vonatkozó minden becslésnél "milyen közvetlen mérés cáfolhatja ezt?" Teszteld mondván. Mag a porozitásra, kútvizsgálat az áteresztőképességre, magdefiníció a fáciesre. A közvetlen méréssel nem cáfolható jóslat még nem igazolódott be.
Gyakori hibák
- Az áteresztőképességet porozitásnak tekintve. Az áteresztőképességet nem közvetlenül a rönkökből mérik; Az extrapoláció nagy hibákat ad, a mag/kutak tesztelése elengedhetetlen.
- A mag nélküli fácies modell használata. A mag által nem kalibrált fácies egy teszteletlen hipotézis.
- A tanult kapcsolat átvitele más területre. Az eltérő lerakódási környezet és diagenezis megváltoztatja a log-vonás összefüggést.
- A termelés bemutatása egyetlen görbével. Ha a bizonytalanságot nem adjuk meg a forgatókönyvekkel, akkor a befektetési döntés hamis bizonyosságon alapul.
- A szimulációt az átlagra redukáljuk. Több modell bizonytalanságot jelez; Egyetlen számra redukálva megsemmisíti az információt.
Összefoglalva
- A tározó láthatatlan; Közvetve olvassa be a naplókkal, magokkal, szeizmikus és termelési adatokkal, és minden előrejelzés bizonytalanságot hordoz magában.
- A porozitás a rönkökből származtatható; Az áteresztőképességet nem közvetlenül mérik, ezt mag- és kútvizsgálattal kell párosítani.
- A fácies osztályozás egy modell; megbízhatatlanok anélkül, hogy magkalibrálnák és a telephelyen kívülre szállítanák.
- A tanult kapcsolat az oktatási feltételekre jellemző; Az extrapoláció a leggyakoribb és legveszélyesebb hiba.
- A termelést és a mennyiséget nem egyetlen számmal, hanem valószínűségi forgatókönyvvel és szimulációval mutatjuk be, egyértelműen megadva a bizonytalanságot.
Pályázati feladat
Szerezzen be anonimizált kútnaplókat (vagy reprezentatív értékeket). Kérje meg a modellt, hogy derítse ki, mely zónákat fenyegeti az extrapoláció veszélye a „permeabilitás-ellenőrzés” sablon segítségével; Tesztelje, hogy stimulál-e egy zónát úgy, hogy szándékosan az edzéstartományon kívülre helyezi. Ezután használja a „gyártási forgatókönyv-vázlat” sablont, hogy egyetlen görbe helyett alacsony/közepes/magas forgatókönyvet állítson elő, és egy mondatban kommentálja a tartomány szélességét.
ellenőrző lista
- [ ] Ismerem a mérhetőség különbségét a porozitás és az áteresztőképesség között, és azt, hogy az áteresztőképességhez mag/kutak vizsgálata szükséges.
- [ ] A fáciesosztályozást nem tartom megbízhatónak a magkalibrálás nélkül.
- [ ] Felismerem annak kockázatát, hogy a tanult összefüggést egy másik területre/feltételre extrapolálom.
- [ ] Egyes számok helyett valószínűségi forgatókönyvekkel és szimulációkkal mutatom be a termelést és a mennyiséget.
- [ ] "Milyen közvetlen mérés cáfolhatja meg az egyes tározóbecsléseket?" A kérdéssel tesztelem.