利益:
- AIを使用して空隙率、浸透性、貯留層の特性を予測するワークフローを説明する能力
- 機械学習を坑井ログの解釈、相分類、生産予測に位置付ける機能
- 物理的境界、坑井試験、不確実性分析を通じて貯留層の出力を検証する機能
石油またはガスの貯留層は、地表から数マイル下にある多孔質の岩石に閉じ込められた、目に見えない液体の宝庫です。私たちはそれを直接見ることはできません。私たちは、坑井から受け取った丸太、コア、地震影、生産データを使ってそれを「読み取る」だけです。貯留層の特性評価は、これらの間接的な測定から、岩石がどれだけの液体を保持しているか（空隙率）、液体を放出しやすいか（透水性）、貯留層がどのような三次元構造であるかを再構築する作業です。 AI はこの分野で強力です。坑井の丸太の解釈、相 (岩石の種類の集合体) の分類、空隙率と浸透性の関係の予測、生産傾向のモデリングなどです。しかし、他の地質分野と同様に、貯留層は不確実性に満ちており、物理的な境界、坑井試験、不確実性分析と関連付けることなく、すべての予測が意思決定の基礎になり得るわけではありません。
この単元では、貯留層研究の AI の 3 つの側面、つまり坑井の柱状図の解釈と相の分類 (丸太からの岩石の種類と特性の抽出)、空隙率透過性の予測 (貯留層の品質の予測)、および生産量の予測 (坑井が将来どれだけ生産するか) について説明します。ここでも地球統計学がバックボーンです。バリオグラムとシミュレーションを使用してウェル間のスペースを埋めます。注: 石油およびガス部門は商業的に非常に敏感です。すべてのサンプルは匿名の代表値を使用して調査されます。
坑井ログの解釈と相の分類
坑井ログは、ガンマ線 (粘土含有量)、比抵抗 (流体の種類 - 水/炭化水素)、密度と中性子 (空隙率)、音速 (岩石の硬度) など、穴に沿った岩石の物理的特性を連続的に測定する曲線です。石油地質学者はこれらの曲線を読み取り、各深さの岩石の種類と流体を抽出します。これはパターン認識であり、AI はこれに非常に優れており、数万メートルの丸太を一貫して特徴に分類します。
しかし、限界が 2 つあります。まず、ログの解釈はモデルであり、測定ではありません。同じログでも異なる解釈が可能になる場合があります。第二に、モデルが、ある領域で学習した対数相関係を別の領域（異なる堆積環境、異なる続成作用）に盲目的に転送すると、重大な間違いを犯します。したがって、相出力はコアデータで校正されます。コアは、ログの解釈をグラウンド トゥルースに接続するアンカーです。
ヒント: 相モデルの出力を信頼する前に、「どの坑井がコア抜きされ、それらの坑井のモデルはどの程度正確ですか?」と尋ねてください。聞く。たとえそれがどれほどもっともらしく見えても、確証のない相似推定は検証されていない仮説です。
多孔性と透過性: 最も重要な違い
貯留層の品質を決める2つの鍵は空隙率と透水性であり、その違いがAI活用の最も重要なポイントの1つです。空隙率は岩石の空隙率であり、丸太からかなりの精度で導き出すことができます。浸透性は、液体が岩石を通ってどの程度容易に流れるかを示すものであり、丸太から直接測定されるものではありません。しかし、それは間接的に推定されます。透過性は、気孔率の小さな変化に指数関数的に敏感であり、気孔の形状、亀裂、セメンテーションに依存します。
だからこそ、機械学習による浸透率予測は魅力的であると同時に危険なのです。モデルは、コア井戸の空隙率と他の丸太からの浸透性を学習します。しかし、学習する関係は、その相とその圧力と温度の条件に特有のものです。異なる岩相またはコアのない井戸（学習された範囲外に移動する）への外挿は、大きな誤差を引き起こします。透水性の推定は、炉心測定と坑井試験にリンクする必要があります（圧力降下/膨潤試験により実際の流れの挙動がわかります）。
注意: 透水性の推定値によって「見栄えの良い」グラフが生成されたとしても、トレーニング データの面や圧力条件の外に適用された場合は信頼性が低くなります。モデルは物理的な事実ではなく相関関係を学習します。常にコアテストとウェルテストを行ってください。
生産予測と不確実性
将来、井戸がどれだけ生産できるかは、貯留層がどれだけの量の液体を保持し、供給するかによって決まります。古典的な手法 (減少曲線分析) は、過去の生産傾向を将来に拡張します。 AI は複数の油井データでこの傾向を強化し、隣接する油井のパターンから学習します。しかし、生産予測は本質的に不確実です。貯留層は不均一であり、圧力が変化し、動作条件が変化します。したがって、単一の「正確な」生産曲線ではなく、確率的な範囲 (低/中/高シナリオ) が提示されます。
地球統計学では、ウェル間の容積を充填する際にも不確実性が伴います。逐次ガウス シミュレーションなどの方法では、単一の「平均」モデルではなく、同様に可能性の高いモデルが多数生成されます。これらのモデルの違いは不確実性そのものです。人工知能はこれらのシミュレーションを加速して解釈します。しかし、結果を単一の数値に還元すると、不確実性が隠蔽されて誤った信頼が生まれます。
3 つのミニケース: 数字で見る
ケース 1 — 外挿誤差。 1 つのサイトの 3 つのコア付き井戸でトレーニングされた透過性モデルにより、4 番目の井戸では完璧であると思われる予測が得られました。しかし、この井戸はより粘土質の地層にあり、モデルはこの区間を見たことがありませんでした。坑井試験では、実際の透水性が推定値の約 5 分の 1 であることが示されました。このモデルは「見栄えの良い」グラフであるとひどく誤解されていました。井戸テストアンカーがエラーを捕捉しました。
ケース 2 — 顔面のキャリブレーション。あるガス田では、人工知能が 14 個の井戸の丸太を系統ごとにすばやく分類しました。 3 つのコア井戸と比較すると、モデルが「きれいな砂岩」として分類したゾーンは、実際には割れた低品質のユニットでした。炉心校正によりモデルが再トレーニングされ、貯留層容積の推定値が現実的なレベルまで引き下げられました。
ケース 3 — スクリプトの誠実さ。生産予測では、モデルは単一の曲線を与え、10 年間の生産を奇数で表現しました。チームが逐次シミュレーションを通じて低/中/高シナリオを生成したところ、範囲が非常に広いことがわかりました (高シナリオは約 2 倍低かった)。この幅は、投資決定において追加の坑井試験が必要であることを示していました。単一の数字がこの不確実性を危険なほど隠蔽しました。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
これらの井戸のログを見て、浸透率を計算し、井戸からどれくらいの生産量が得られるかを教えてください。 【ログデータ】
強力なプロンプト:
あなたの役割: 貯留層地質学者補佐。以下のログの透過性と生産性について、単一の正確な番号を与えます。代わりに:1) 相の解釈を行う際に、どの坑井がコアによって確認できるかを述べます。2) 透水性の推定値は丸太から直接測定できないこと、どのような条件 (相/圧力) で有効となるか、コア/坑井のテストの必要性を説明します。3) 単一の曲線ではなく、生産のための低/中/高シナリオのロジックを確立します。4) 結果に影響を与える 4 つの不確実性源をリストします。データは匿名です。実際の分野や会社はありません。
4 つのコピー可能なテンプレート
1) 対数面の校正チェック:
相分類のためにどのウェルがコア化されるのか、またこれらのウェルでモデルの精度を測定する方法を説明します。未検証のゾーンを「未テスト」としてマークします。盲目的に信用しないでください。
2) 透過性の検証:
透水性予測の場合: モデルがトレーニングされる相と圧力範囲を指定します。どのウェル/ゾーンがこの範囲外にあるかをマークします (外挿)。これらのゾーンで炉心および坑井のテストを行わない限り、予測は信頼できないことを強調します。正確な数字は言わないでください。
3) 制作シナリオ案：
減少曲線/生産データから低、中、高生産シナリオ ロジックを確立します。各シナリオがどのような前提に基づいているか、およびそれらの違いが何を意味するかを説明します。単一の「正確な」曲線は提供されません。
4) 不確実性シミュレーションの解釈:
複数の同程度の可能性をもつ地球統計モデル (逐次シミュレーションなど) の出力を解釈します。体積推定値の分布はどのくらいの範囲で、どの領域が最も不確実でしょうか。また、どのような追加データ (地震データ) を使用すると、この不確実性は狭められますか?単一の数に減らす。
貯留層の仕様、測定可能性、および検証
機能/出力
丸太から計測できるのでしょうか？
AIリスク
検証アンカー
気孔率
妥当な精度で導出される
校正ドリフト
コア気孔率
透過性
いや、間接的な推測だ
外挿誤差
炉心+坑井試験
顔
コメント（モデル）
敷地外輸送
コアの定義
流体の種類
抵抗率から推測する
間違ったコメント
圧力・サンプル試験
生産予測
トレンドの延長
誤った確信
シナリオ + 井戸テスト
ヒント: 貯水池に関するすべての推定値について、「これを反証できる直接測定は何ですか?」と言ってテストしてみます。空隙率のコア、浸透性の坑井試験、相のコアの定義。直接測定によって反駁できない予測はまだ確認されていません。
よくある間違い
- 透過性を気孔率として見る。透過性は丸太から直接測定されるわけではありません。外挿すると大きな誤差が生じるため、コア/ウェルのテストが不可欠です。
- コアのないフェイシーモデルを使用します。コアによって校正されていない相は、検証されていない仮説です。
- 学んだ関係を別の分野に持ち込む。異なる堆積環境と続成作用により、対数と形質の関係が変化します。
- 単一の曲線でプロダクションを表現します。シナリオによって不確実性が与えられない場合、投資決定は誤った確実性に基づいて行われることになります。
- シミュレーションを平均値まで削減します。複数のモデルは不確実性を示します。これを単一の数値に減らすと、情報が破壊されます。
要約すれば
- 貯水池は目に見えません。それはログ、コア、地震、生産データによって間接的に読み取られ、すべての予測には不確実性が伴います。
- 空隙率は丸太から導き出すことができます。透過性は直接測定されないため、炉心および坑井の試験と組み合わせる必要があります。
- 顔の分類はモデルです。コアによって校正されず、オフサイトに輸送されないと信頼性が低くなります。
- 学習される関係は教育条件に特有のものです。外挿は最も一般的で危険な間違いです。
- 生産量と量は単一の数値ではなく、不確実性を明確に示した確率的なシナリオとシミュレーションで表示されます。
アプリケーションタスク
匿名化された一連の坑井ログ (または代表値) を取得します。 「透過性検証」テンプレートを使用して、どのゾーンが外挿の危険にさらされているかをモデルに検出させます。ゾーンをトレーニング範囲の外に意図的に配置して、ゾーンを刺激するかどうかをテストします。次に、「制作シナリオ案」テンプレートを使用して、単一の曲線ではなく低/中/高のシナリオを作成し、その範囲の広さを文章でコメントします。
チェックリスト
- [ ] 私は、空隙率と透過性の測定可能性の違いと、透過性にはコア/ウェルのテストが必要であることを知っています。
- [ ] コアによる校正を行わない相分類は信頼できるとは考えていません。
- [ ] 私は、学習した関係を別のフィールド/条件に外挿するリスクを認識しています。
- [ ] 単一の数値ではなく、確率的なシナリオとシミュレーションを使用して生産と量を示します。
- [ ] 「各貯留層の推定値を反証できる直接測定は何ですか?」という質問でテストしてみます。