ಲಾಭಗಳು:
- AI ಯೊಂದಿಗೆ ಸರಂಧ್ರತೆ, ಪ್ರವೇಶಸಾಧ್ಯತೆ ಮತ್ತು ಜಲಾಶಯದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸುವಲ್ಲಿ ಕೆಲಸದ ಹರಿವನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ವೆಲ್ ಲಾಗ್ ಇಂಟರ್ಪ್ರಿಟೇಶನ್, ಫೇಸಸ್ ವರ್ಗೀಕರಣ ಮತ್ತು ಉತ್ಪಾದನಾ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಇರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಭೌತಿಕ ಗಡಿಗಳು, ಚೆನ್ನಾಗಿ ಪರೀಕ್ಷೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ ಜಲಾಶಯದ ಉತ್ಪನ್ನಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
ತೈಲ ಅಥವಾ ಅನಿಲ ಜಲಾಶಯವು ಮೇಲ್ಮೈಯಿಂದ ಮೈಲುಗಳಷ್ಟು ಕೆಳಗೆ ಸರಂಧ್ರ ಬಂಡೆಯಲ್ಲಿ ಸಿಕ್ಕಿಬಿದ್ದ ದ್ರವಗಳ ಅದೃಶ್ಯ ನಿಧಿಯಾಗಿದೆ. ನಾವು ಅದನ್ನು ನೇರವಾಗಿ ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ; ನಾವು ಬಾವಿಗಳಿಂದ ಸ್ವೀಕರಿಸುವ ಲಾಗ್ಗಳು, ಕೋರ್ಗಳು, ಭೂಕಂಪನ ನೆರಳುಗಳು ಮತ್ತು ಉತ್ಪಾದನಾ ಡೇಟಾದೊಂದಿಗೆ ಮಾತ್ರ ಅದನ್ನು "ಓದುತ್ತೇವೆ". ಬಂಡೆಯು ಎಷ್ಟು ದ್ರವವನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ (ಸರಂಧ್ರತೆ), ಅದು ಎಷ್ಟು ಸುಲಭವಾಗಿ ದ್ರವವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತದೆ (ಪ್ರವೇಶಸಾಧ್ಯತೆ) ಮತ್ತು ಜಲಾಶಯವು ಯಾವ ರೀತಿಯ ಮೂರು ಆಯಾಮದ ರಚನೆಯನ್ನು ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ಈ ಪರೋಕ್ಷ ಮಾಪನಗಳಿಂದ ಪುನರ್ನಿರ್ಮಿಸುವ ಕಾರ್ಯವು ಜಲಾಶಯದ ಗುಣಲಕ್ಷಣವಾಗಿದೆ. ಈ ಪ್ರದೇಶದಲ್ಲಿ AI ಶಕ್ತಿಯುತವಾಗಿದೆ: ಬಾವಿ ದಾಖಲೆಗಳನ್ನು ಅರ್ಥೈಸುವುದು, ಮುಖಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು (ಬಂಡೆಯ ಪ್ರಕಾರಗಳ ಜೋಡಣೆಗಳು), ಸರಂಧ್ರತೆ-ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಸಂಬಂಧಗಳನ್ನು ಊಹಿಸುವುದು ಮತ್ತು ಉತ್ಪಾದನಾ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡುವುದು. ಆದರೆ ಇತರ ಭೌಗೋಳಿಕ ಕ್ಷೇತ್ರಗಳಂತೆ ಜಲಾಶಯಗಳು ಅನಿಶ್ಚಿತತೆಯಿಂದ ತುಂಬಿರುತ್ತವೆ ಮತ್ತು ಭೌತಿಕ ಗಡಿಗಳು, ಉತ್ತಮ ಪರೀಕ್ಷೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯ ವಿಶ್ಲೇಷಣೆಗೆ ಸಂಬಂಧಿಸದೆಯೇ ಪ್ರತಿಯೊಂದು ಮುನ್ಸೂಚನೆಯು ನಿರ್ಧಾರಕ್ಕೆ ಆಧಾರವಾಗಿರುವುದಿಲ್ಲ.
ಈ ಘಟಕದಲ್ಲಿ ನಾವು ಜಲಾಶಯದ ಅಧ್ಯಯನದ ಮೂರು AI ಅಂಶಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ: ಚೆನ್ನಾಗಿ ಲಾಗ್ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಮುಖದ ವರ್ಗೀಕರಣ (ಬಂಡೆಯ ಪ್ರಕಾರ ಮತ್ತು ಲಾಗ್ಗಳಿಂದ ಗುಣಲಕ್ಷಣಗಳ ಹೊರತೆಗೆಯುವಿಕೆ), ಸರಂಧ್ರತೆ-ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಮುನ್ಸೂಚನೆ (ಜಲಾಶಯದ ಗುಣಮಟ್ಟದ ಮುನ್ಸೂಚನೆ), ಮತ್ತು ಉತ್ಪಾದನಾ ಮುನ್ಸೂಚನೆ (ಬಾವಿ ಭವಿಷ್ಯದಲ್ಲಿ ಎಷ್ಟು ಉತ್ಪಾದಿಸುತ್ತದೆ). ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಇಲ್ಲಿಯೂ ಬೆನ್ನೆಲುಬು; ನಾವು ವೆರಿಯೋಗ್ರಾಮ್ ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ನೊಂದಿಗೆ ಬಾವಿಗಳ ನಡುವಿನ ಜಾಗವನ್ನು ತುಂಬುತ್ತೇವೆ. ಗಮನಿಸಿ: ತೈಲ ಮತ್ತು ಅನಿಲ ವಲಯವು ವಾಣಿಜ್ಯಿಕವಾಗಿ ಬಹಳ ಸೂಕ್ಷ್ಮವಾಗಿದೆ; ಎಲ್ಲಾ ಮಾದರಿಗಳನ್ನು ಅನಾಮಧೇಯ ಮತ್ತು ಪ್ರಾತಿನಿಧಿಕ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಅಧ್ಯಯನ ಮಾಡಲಾಗುತ್ತದೆ.
ವೆಲ್ ಲಾಗ್ ಇಂಟರ್ಪ್ರಿಟೇಶನ್ ಮತ್ತು ಫೇಸಸ್ ವರ್ಗೀಕರಣ
ವೆಲ್ ಲಾಗ್ಗಳು ಬೋರ್ನ ಉದ್ದಕ್ಕೂ ಬಂಡೆಯ ಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರಂತರವಾಗಿ ಅಳೆಯುವ ವಕ್ರಾಕೃತಿಗಳಾಗಿವೆ: ಗಾಮಾ ಕಿರಣ (ಮಣ್ಣಿನ ಅಂಶ), ಪ್ರತಿರೋಧಕತೆ (ದ್ರವ ಪ್ರಕಾರ - ನೀರು / ಹೈಡ್ರೋಕಾರ್ಬನ್), ಸಾಂದ್ರತೆ ಮತ್ತು ನ್ಯೂಟ್ರಾನ್ (ಸರಂಧ್ರತೆ), ಸೋನಿಕ್ (ರಾಕ್ ಗಡಸುತನ). ಪೆಟ್ರೋಲಿಯಂ ಭೂವಿಜ್ಞಾನಿ ಈ ವಕ್ರಾಕೃತಿಗಳನ್ನು ಒಟ್ಟಿಗೆ ಓದುತ್ತಾನೆ ಮತ್ತು ಪ್ರತಿ ಆಳದಲ್ಲಿನ ಕಲ್ಲಿನ ಪ್ರಕಾರ ಮತ್ತು ದ್ರವವನ್ನು ಹೊರತೆಗೆಯುತ್ತಾನೆ. ಇದು ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ, ಮತ್ತು AI ಅದರಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ: ಹತ್ತಾರು ಸಾವಿರ ಮೀಟರ್ಗಳ ಲಾಗ್ಗಳನ್ನು ಮುಖಕ್ಕೆ ಸ್ಥಿರವಾಗಿ ವಿಂಗಡಿಸುವುದು.
ಆದರೆ ಎರಡು ಮಿತಿಗಳಿವೆ. ಮೊದಲನೆಯದಾಗಿ, ಲಾಗ್ ವ್ಯಾಖ್ಯಾನವು ಒಂದು ಮಾದರಿಯಾಗಿದೆ, ಮಾಪನವಲ್ಲ; ಒಂದೇ ಲಾಗ್ ವಿಭಿನ್ನ ಮುಖಗಳ ವ್ಯಾಖ್ಯಾನಗಳಿಗೆ ತೆರೆದಿರಬಹುದು. ಎರಡನೆಯದಾಗಿ, ಮಾದರಿಯು ಕುರುಡಾಗಿ ಒಂದು ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಲಿತ ಲಾಗ್-ಫೇಸ್ ಸಂಬಂಧವನ್ನು ಮತ್ತೊಂದು ಕ್ಷೇತ್ರಕ್ಕೆ (ವಿಭಿನ್ನ ಠೇವಣಿ ಪರಿಸರ, ವಿಭಿನ್ನ ಡಯಾಜೆನೆಸಿಸ್) ವರ್ಗಾಯಿಸಿದರೆ, ಅದು ಗಂಭೀರ ತಪ್ಪುಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಆದ್ದರಿಂದ, ಫೇಸಸ್ ಔಟ್ಪುಟ್ ಅನ್ನು ಕೋರ್ ಡೇಟಾದೊಂದಿಗೆ ಮಾಪನಾಂಕ ಮಾಡಲಾಗುತ್ತದೆ; ಕೋರ್ ಲಾಗ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ನೆಲದ ಸತ್ಯಕ್ಕೆ ಸಂಪರ್ಕಿಸುವ ಆಧಾರವಾಗಿದೆ.
ಸಲಹೆ: ಫೇಸಸ್ ಮಾದರಿಯ ಔಟ್ಪುಟ್ ಅನ್ನು ನಂಬುವ ಮೊದಲು, "ಯಾವ ಬಾವಿಗಳನ್ನು ಕೋರ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಆ ಬಾವಿಗಳಲ್ಲಿನ ಮಾದರಿಯು ಎಷ್ಟು ನಿಖರವಾಗಿದೆ?" ಎಂದು ಕೇಳಿ. ಕೇಳು. ದೃಢೀಕರಿಸದ ಮುಖದ ಅಂದಾಜು ಒಂದು ಪರೀಕ್ಷಿಸದ ಊಹೆಯಾಗಿದೆ, ಅದು ಎಷ್ಟೇ ತೋರಿಕೆಯಿದ್ದರೂ ಸಹ.
ಸರಂಧ್ರತೆ ಮತ್ತು ಪ್ರವೇಶಸಾಧ್ಯತೆ: ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ವ್ಯತ್ಯಾಸ
ಜಲಾಶಯದ ಗುಣಮಟ್ಟಕ್ಕೆ ಎರಡು ಕೀಲಿಗಳೆಂದರೆ ಸರಂಧ್ರತೆ ಮತ್ತು ಪ್ರವೇಶಸಾಧ್ಯತೆ, ಮತ್ತು ಅವುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು AI ಅನ್ನು ಬಳಸುವ ಪ್ರಮುಖ ಅಂಶಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಸರಂಧ್ರತೆಯು ಬಂಡೆಯ ಶೂನ್ಯ ಅನುಪಾತವಾಗಿದೆ ಮತ್ತು ಸಮಂಜಸವಾದ ನಿಖರತೆಯೊಂದಿಗೆ ಲಾಗ್ಗಳಿಂದ ಪಡೆಯಬಹುದು. ಪ್ರವೇಶಸಾಧ್ಯತೆಯು ಬಂಡೆಯ ಮೂಲಕ ದ್ರವವು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಹರಿಯುತ್ತದೆ ಮತ್ತು ಲಾಗ್ಗಳಿಂದ ನೇರವಾಗಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ; ಆದರೆ ಅದನ್ನು ಪರೋಕ್ಷವಾಗಿ ಅಂದಾಜಿಸಲಾಗಿದೆ. ಪ್ರವೇಶಸಾಧ್ಯತೆಯು ಸರಂಧ್ರತೆಯ ಸಣ್ಣ ಬದಲಾವಣೆಗಳಿಗೆ ಘಾತೀಯವಾಗಿ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ ಮತ್ತು ರಂಧ್ರ ರೇಖಾಗಣಿತ, ಬಿರುಕುಗಳು ಮತ್ತು ಸಿಮೆಂಟೇಶನ್ ಅನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.
ಅದಕ್ಕಾಗಿಯೇ ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಮುನ್ಸೂಚನೆಯು ಆಕರ್ಷಕ ಮತ್ತು ಅಪಾಯಕಾರಿಯಾಗಿದೆ. ಮಾದರಿಯು ಕೋರ್ ವೆಲ್ಗಳಲ್ಲಿ ಸರಂಧ್ರತೆಯನ್ನು ಮತ್ತು ಇತರ ಲಾಗ್ಗಳಿಂದ ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ಕಲಿಯುತ್ತದೆ; ಆದರೆ ಅದು ಕಲಿಯುವ ಸಂಬಂಧವು ಆ ಮುಖಗಳಿಗೆ ಮತ್ತು ಒತ್ತಡ-ತಾಪಮಾನದ ಸ್ಥಿತಿಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿರುತ್ತದೆ. ವಿಭಿನ್ನ ಶಿಲಾಶಾಸ್ತ್ರಕ್ಕೆ ಅಥವಾ ಅನ್ಕೋರ್ಡ್ ಬಾವಿಗೆ (ಕಲಿತ ವ್ಯಾಪ್ತಿಯ ಹೊರಗೆ ಚಲಿಸುವ) ಹೊರತೆಗೆಯುವಿಕೆಯು ದೊಡ್ಡ ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಅಂದಾಜನ್ನು ಕೋರ್ ಮಾಪನ ಮತ್ತು ಉತ್ತಮ ಪರೀಕ್ಷೆಗೆ ಲಿಂಕ್ ಮಾಡಬೇಕು (ಒತ್ತಡದ ಕುಸಿತ/ಉಬ್ಬುವ ಪರೀಕ್ಷೆಗಳು ನಿಜವಾದ ಹರಿವಿನ ನಡವಳಿಕೆಯನ್ನು ನೀಡುತ್ತವೆ).
ಎಚ್ಚರಿಕೆ: ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಅಂದಾಜು "ಉತ್ತಮವಾಗಿ ಕಾಣುವ" ಗ್ರಾಫ್ ಅನ್ನು ಉತ್ಪಾದಿಸಿದರೂ ಸಹ, ತರಬೇತಿ ಡೇಟಾದ ಮುಖ ಮತ್ತು ಒತ್ತಡದ ಪರಿಸ್ಥಿತಿಗಳ ಹೊರಗೆ ಅನ್ವಯಿಸಿದರೆ ಅದು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ. ಮಾದರಿಯು ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಕಲಿಯುತ್ತದೆ, ಭೌತಿಕ ಸತ್ಯವಲ್ಲ; ಯಾವಾಗಲೂ ಕೋರ್ ಮತ್ತು ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ.
ಉತ್ಪಾದನೆಯ ಮುನ್ಸೂಚನೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆ
ಭವಿಷ್ಯದಲ್ಲಿ ಬಾವಿ ಎಷ್ಟು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬುದು ಜಲಾಶಯವು ಎಷ್ಟು ದ್ರವವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ನೀಡುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು (ಡಿಕ್ಲೈನ್ ಕರ್ವ್ ವಿಶ್ಲೇಷಣೆ) ಹಿಂದಿನ ಉತ್ಪಾದನಾ ಪ್ರವೃತ್ತಿಯನ್ನು ಭವಿಷ್ಯದಲ್ಲಿ ವಿಸ್ತರಿಸುತ್ತವೆ; AI ಈ ಪ್ರವೃತ್ತಿಯನ್ನು ಬಹು-ಬಾವಿ ಡೇಟಾದೊಂದಿಗೆ ಉತ್ಕೃಷ್ಟಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ನೆರೆಯ ಬಾವಿ ಮಾದರಿಗಳಿಂದ ಕಲಿಯುತ್ತದೆ. ಆದರೆ ಉತ್ಪಾದನಾ ಮುನ್ಸೂಚನೆಯು ಅಂತರ್ಗತವಾಗಿ ಅನಿಶ್ಚಿತವಾಗಿದೆ: ಜಲಾಶಯವು ವೈವಿಧ್ಯಮಯವಾಗಿದೆ, ಒತ್ತಡ ಬದಲಾವಣೆಗಳು, ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸ್ಥಿತಿಗಳು ಬದಲಾಗುತ್ತವೆ. ಆದ್ದರಿಂದ, ಸಂಭವನೀಯ ಶ್ರೇಣಿಯನ್ನು (ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ ಸನ್ನಿವೇಶ) ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಒಂದೇ "ನಿಖರವಾದ" ಉತ್ಪಾದನಾ ರೇಖೆಯಲ್ಲ.
ಬಾವಿಗಳ ನಡುವೆ ಪರಿಮಾಣವನ್ನು ತುಂಬುವಾಗ ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಸಹ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಅನುಕ್ರಮವಾದ ಗಾಸಿಯನ್ ಸಿಮ್ಯುಲೇಶನ್ನಂತಹ ವಿಧಾನಗಳು ಒಂದೇ "ಸರಾಸರಿ" ಮಾದರಿಯ ಬದಲಿಗೆ ಅನೇಕ ಸಮಾನ ಸಾಧ್ಯತೆಯ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ; ಈ ಮಾದರಿಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಅನಿಶ್ಚಿತತೆಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅರ್ಥೈಸುತ್ತದೆ; ಆದರೆ ಫಲಿತಾಂಶವನ್ನು ಒಂದೇ ಸಂಖ್ಯೆಗೆ ತಗ್ಗಿಸುವುದು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮರೆಮಾಚುವ ಮೂಲಕ ತಪ್ಪು ವಿಶ್ವಾಸವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಷನ್ ದೋಷ. ಒಂದು ಸೈಟ್ನಲ್ಲಿ ಮೂರು ಕೋರೆಡ್ ಬಾವಿಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಮಾದರಿಯು ನಾಲ್ಕನೇ ಬಾವಿಯಲ್ಲಿ ಪರಿಪೂರ್ಣವಾಗಿ ಕಾಣಿಸಿಕೊಂಡ ಭವಿಷ್ಯವನ್ನು ನೀಡಿತು. ಆದರೆ ಈ ಬಾವಿ ಜೇಡಿಮಣ್ಣಿನ ಮುಖದಲ್ಲಿತ್ತು ಮತ್ತು ಮಾದರಿಯು ಈ ಮಧ್ಯಂತರವನ್ನು ನೋಡಿರಲಿಲ್ಲ; ಅಂದಾಜಿನ ಐದನೇ ಒಂದು ಭಾಗದಷ್ಟು ನೈಜ ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ಚೆನ್ನಾಗಿ ಪರೀಕ್ಷೆ ತೋರಿಸಿದೆ. ಮಾದರಿಯು "ಉತ್ತಮವಾಗಿ ಕಾಣುವ" ಗ್ರಾಫ್ಗಾಗಿ ಗಂಭೀರವಾಗಿ ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲ್ಪಟ್ಟಿದೆ; ವೆಲ್ ಟೆಸ್ಟ್ ಆಂಕರ್ ದೋಷವನ್ನು ಹಿಡಿದಿದ್ದಾರೆ.
ಪ್ರಕರಣ 2 - ಮುಖದ ಮಾಪನಾಂಕ ನಿರ್ಣಯ. ಒಂದು ಅನಿಲ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ತ್ವರಿತವಾಗಿ 14 ಬಾವಿಗಳ ಲಾಗ್ಗಳನ್ನು ಮುಖಗಳಾಗಿ ವಿಂಗಡಿಸಿತು. ಮೂರು ಕೋರೆಡ್ ಬಾವಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ಮಾದರಿಯು "ಕ್ಲೀನ್ ಮರಳುಗಲ್ಲು" ಎಂದು ವರ್ಗೀಕರಿಸಿದ ವಲಯವು ವಾಸ್ತವವಾಗಿ ಮುರಿದ, ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಘಟಕವಾಗಿದೆ. ಕೋರ್ ಮಾಪನಾಂಕ ನಿರ್ಣಯದೊಂದಿಗೆ, ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಲಾಯಿತು ಮತ್ತು ಜಲಾಶಯದ ಪರಿಮಾಣದ ಅಂದಾಜನ್ನು ವಾಸ್ತವಿಕ ಮಟ್ಟಕ್ಕೆ ತರಲಾಯಿತು.
ಪ್ರಕರಣ 3 - ಸ್ಕ್ರಿಪ್ಟ್ ಪ್ರಾಮಾಣಿಕತೆ. ಉತ್ಪಾದನಾ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ, ಮಾದರಿಯು ಒಂದೇ ವಕ್ರರೇಖೆಯನ್ನು ನೀಡಿತು ಮತ್ತು ಹತ್ತು ವರ್ಷಗಳ ಉತ್ಪಾದನೆಯನ್ನು ಬೆಸ ಸಂಖ್ಯೆಯಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸಿತು. ಅನುಕ್ರಮ ಸಿಮ್ಯುಲೇಶನ್ ಮೂಲಕ ತಂಡವು ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ ಸನ್ನಿವೇಶವನ್ನು ರಚಿಸಿದಾಗ, ವ್ಯಾಪ್ತಿಯು ತುಂಬಾ ವಿಸ್ತಾರವಾಗಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು (ಹೆಚ್ಚಿನ ಸನ್ನಿವೇಶವು ಸರಿಸುಮಾರು ಎರಡು ಪಟ್ಟು ಕಡಿಮೆಯಾಗಿದೆ). ಹೂಡಿಕೆಯ ನಿರ್ಧಾರದಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಬಾವಿ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿದೆ ಎಂದು ಈ ಅಗಲವು ಸೂಚಿಸಿದೆ; ಒಂದೇ ಸಂಖ್ಯೆಯು ಈ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅಪಾಯಕಾರಿಯಾಗಿ ಮರೆಮಾಚಿದೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಬಾವಿಯ ದಾಖಲೆಗಳನ್ನು ನೋಡಿ, ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ಬಾವಿ ಎಷ್ಟು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂದು ಹೇಳಿ. [ಲಾಗ್ ಡೇಟಾ]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಸಹಾಯಕ ಜಲಾಶಯ ಭೂವಿಜ್ಞಾನಿ. ಕೆಳಗಿನ ಲಾಗ್ಗಳೊಂದಿಗೆ ಪ್ರವೇಶಸಾಧ್ಯತೆ ಮತ್ತು ಉತ್ಪಾದನೆಗಾಗಿ ಒಂದೇ ನಿಖರ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಲಾಗುತ್ತಿದೆ. ಬದಲಿಗೆ:1) ಮುಖದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಮಾಡುವಾಗ ಯಾವ ಬಾವಿಗಳನ್ನು ಕೋರ್ನಿಂದ ದೃಢೀಕರಿಸಬಹುದು ಎಂಬುದನ್ನು ತಿಳಿಸಿ.2) ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಅಂದಾಜನ್ನು ಲಾಗ್ಗಳಿಂದ ನೇರವಾಗಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ, ಯಾವ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ (ಫೇಸಿಗಳು/ಒತ್ತಡ) ಅದು ಮಾನ್ಯವಾಗಿರುತ್ತದೆ ಮತ್ತು ಕೋರ್/ವೆಲ್ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯತೆ. 3) ಉತ್ಪಾದನೆಗೆ ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ ಸನ್ನಿವೇಶ ತರ್ಕವನ್ನು ಸ್ಥಾಪಿಸಿ. ಫಲಿತಾಂಶ. ಡೇಟಾ ಅನಾಮಧೇಯವಾಗಿದೆ; ನಿಜವಾದ ಕ್ಷೇತ್ರ/ಕಂಪನಿ ಇಲ್ಲ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಲಾಗ್-ಫೇಸಸ್ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪರಿಶೀಲನೆ:
ಮುಖದ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಯಾವ ಬಾವಿಗಳನ್ನು ಕೋರ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಈ ಬಾವಿಗಳಲ್ಲಿ ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ನಾವು ಹೇಗೆ ಅಳೆಯಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ಪರಿಶೀಲಿಸದ ವಲಯಗಳನ್ನು "ಪರೀಕ್ಷಿತ" ಎಂದು ಗುರುತಿಸಿ; ಕುರುಡಾಗಿ ನಂಬಬೇಡಿ.
2) ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಮೌಲ್ಯೀಕರಣ:
ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಮುನ್ಸೂಚನೆಗಾಗಿ: ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಮುಖ ಮತ್ತು ಒತ್ತಡದ ಶ್ರೇಣಿಯನ್ನು ಸೂಚಿಸಿ; ಯಾವ ಬಾವಿಗಳು/ವಲಯಗಳು ಈ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿವೆ ಎಂದು ಗುರುತಿಸಿ (ಹೊರತೆಗೆಯುವಿಕೆ). ಈ ವಲಯಗಳಲ್ಲಿ ಕೋರ್ ಮತ್ತು ಉತ್ತಮ ಪರೀಕ್ಷೆಯಿಲ್ಲದೆ ಭವಿಷ್ಯವನ್ನು ನಂಬಬಾರದು ಎಂದು ಒತ್ತಿಹೇಳಿ. ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಬೇಡಿ.
3) ಉತ್ಪಾದನಾ ಸನ್ನಿವೇಶದ ಕರಡು:
ಕುಸಿತದ ಕರ್ವ್/ಉತ್ಪಾದನೆ ಡೇಟಾದಿಂದ ಕಡಿಮೆ, ಮಧ್ಯಮ, ಹೆಚ್ಚಿನ ಉತ್ಪಾದನಾ ಸನ್ನಿವೇಶದ ತರ್ಕವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ. ಪ್ರತಿ ಸನ್ನಿವೇಶವು ಯಾವ ಊಹೆಗಳನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಅವುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳ ಅರ್ಥವನ್ನು ವಿವರಿಸಿ. ಒಂದೇ "ನಿಖರ" ಕರ್ವ್ ಅನ್ನು ನೀಡುತ್ತಿಲ್ಲ.
4) ಅನಿಶ್ಚಿತತೆಯ ಸಿಮ್ಯುಲೇಶನ್ ವ್ಯಾಖ್ಯಾನ:
ಬಹು ಸಮಾನವಾಗಿ ಸಂಭವನೀಯ ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಮಾದರಿಯ ಔಟ್ಪುಟ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ (ಉದಾ., ಅನುಕ್ರಮ ಸಿಮ್ಯುಲೇಶನ್): ಪರಿಮಾಣದ ಅಂದಾಜಿನ ವಿತರಣೆಯು ಎಷ್ಟು ವಿಸ್ತಾರವಾಗಿದೆ, ಯಾವ ಪ್ರದೇಶವು ಹೆಚ್ಚು ಅನಿಶ್ಚಿತವಾಗಿದೆ ಮತ್ತು ಯಾವ ಹೆಚ್ಚುವರಿ ಡೇಟಾದೊಂದಿಗೆ (ಅಲ್ಲದೆ, ಭೂಕಂಪನ) ಈ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಲಾಗಿದೆ? ಒಂದೇ ಸಂಖ್ಯೆಗೆ ಇಳಿಸುವುದು.
ಜಲಾಶಯದ ನಿರ್ದಿಷ್ಟತೆ, ಅಳತೆ ಮತ್ತು ಪರಿಶೀಲನೆ
ವೈಶಿಷ್ಟ್ಯ/ಔಟ್ಪುಟ್
ಅದನ್ನು ದಾಖಲೆಗಳಿಂದ ಅಳೆಯಬಹುದೇ?
AI ಅಪಾಯ
ಪರಿಶೀಲನೆ ಆಂಕರ್
ಸರಂಧ್ರತೆ
ಸಮಂಜಸವಾದ ನಿಖರತೆಯೊಂದಿಗೆ ಪಡೆಯಲಾಗಿದೆ
ಕ್ಯಾಲಿಬ್ರೇಶನ್ ಡ್ರಿಫ್ಟ್
ಕೋರ್ ಸರಂಧ್ರತೆ
ಪ್ರವೇಶಸಾಧ್ಯತೆ
ಇಲ್ಲ, ಪರೋಕ್ಷ ಊಹೆ
ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಷನ್ ದೋಷ
ಕೋರ್ + ಚೆನ್ನಾಗಿ ಪರೀಕ್ಷೆ
ಮುಖಗಳು
ಕಾಮೆಂಟ್ (ಮಾದರಿ)
ಆಫ್-ಸೈಟ್ ಸಾರಿಗೆ
ಮುಖ್ಯ ವ್ಯಾಖ್ಯಾನ
ದ್ರವ ಪ್ರಕಾರ
ನಾನು ಪ್ರತಿರೋಧದಿಂದ ನಿರ್ಣಯಿಸುತ್ತೇನೆ
ತಪ್ಪು ಕಾಮೆಂಟ್
ಒತ್ತಡ/ಮಾದರಿ ಪರೀಕ್ಷೆ
ಉತ್ಪಾದನೆಯ ಮುನ್ಸೂಚನೆ
ಪ್ರವೃತ್ತಿ ವಿಸ್ತರಣೆ
ತಪ್ಪು ಖಚಿತತೆ
ಸನ್ನಿವೇಶ + ಚೆನ್ನಾಗಿ ಪರೀಕ್ಷೆ
ಸುಳಿವು: ಜಲಾಶಯದ ಮೇಲಿನ ಪ್ರತಿ ಅಂದಾಜಿಗೆ "ಯಾವ ನೇರ ಮಾಪನವು ಇದನ್ನು ನಿರಾಕರಿಸಬಹುದು?" ಹೇಳುವ ಮೂಲಕ ಪರೀಕ್ಷಿಸಿ. ಸರಂಧ್ರತೆಗೆ ಕೋರ್, ಪ್ರವೇಶಸಾಧ್ಯತೆಗಾಗಿ ಚೆನ್ನಾಗಿ ಪರೀಕ್ಷೆ, ಮುಖಗಳಿಗೆ ಮುಖ್ಯ ವ್ಯಾಖ್ಯಾನ. ನೇರ ಮಾಪನದಿಂದ ನಿರಾಕರಿಸಲಾಗದ ಭವಿಷ್ಯವನ್ನು ಇನ್ನೂ ದೃಢೀಕರಿಸಲಾಗಿಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ಸರಂಧ್ರತೆಯಾಗಿ ನೋಡುವುದು. ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ಲಾಗ್ಗಳಿಂದ ನೇರವಾಗಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ; ಹೊರತೆಗೆಯುವಿಕೆ ದೊಡ್ಡ ದೋಷಗಳನ್ನು ನೀಡುತ್ತದೆ, ಕೋರ್/ವೆಲ್ ಪರೀಕ್ಷೆ ಅತ್ಯಗತ್ಯ.
- ಕೋರ್ ಇಲ್ಲದೆ ಮುಖದ ಮಾದರಿಯನ್ನು ಬಳಸುವುದು. ಕೋರ್ನಿಂದ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸದ ಮುಖವು ಪರೀಕ್ಷಿಸದ ಊಹೆಯಾಗಿದೆ.
- ಕಲಿತ ಸಂಬಂಧವನ್ನು ಮತ್ತೊಂದು ಕ್ಷೇತ್ರಕ್ಕೆ ಒಯ್ಯುವುದು. ವಿಭಿನ್ನ ಠೇವಣಿ ಪರಿಸರ ಮತ್ತು ಡಯಾಜೆನೆಸಿಸ್ ಲಾಗ್-ಟ್ರೈಟ್ ಸಂಬಂಧವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.
- ಒಂದೇ ವಕ್ರರೇಖೆಯೊಂದಿಗೆ ಉತ್ಪಾದನೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದು. ಸನ್ನಿವೇಶಗಳೊಂದಿಗೆ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನೀಡದಿದ್ದರೆ, ಹೂಡಿಕೆ ನಿರ್ಧಾರವು ಸುಳ್ಳು ಖಚಿತತೆಯ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ.
- ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಸರಾಸರಿಗೆ ಕಡಿಮೆ ಮಾಡುವುದು. ಬಹು ಮಾದರಿಗಳು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ; ಒಂದೇ ಸಂಖ್ಯೆಗೆ ಇಳಿಸುವುದರಿಂದ ಮಾಹಿತಿ ನಾಶವಾಗುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
- ಜಲಾಶಯವು ಅಗೋಚರವಾಗಿದೆ; ಇದು ದಾಖಲೆಗಳು, ಕೋರ್, ಭೂಕಂಪಗಳು ಮತ್ತು ಉತ್ಪಾದನಾ ಡೇಟಾದೊಂದಿಗೆ ಪರೋಕ್ಷವಾಗಿ ಓದಲ್ಪಡುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಮುನ್ಸೂಚನೆಯು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.
- ಸರಂಧ್ರತೆಯನ್ನು ಲಾಗ್ಗಳಿಂದ ಪಡೆಯಬಹುದು; ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ನೇರವಾಗಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ, ಅದನ್ನು ಕೋರ್ ಮತ್ತು ವೆಲ್ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಜೋಡಿಸಬೇಕು.
- ಮುಖದ ವರ್ಗೀಕರಣವು ಒಂದು ಮಾದರಿಯಾಗಿದೆ; ಕೋರ್ ಮೂಲಕ ಮಾಪನಾಂಕ ಮಾಡದೆ ಮತ್ತು ಆಫ್-ಸೈಟ್ ಅನ್ನು ಸಾಗಿಸದೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
- ಕಲಿತ ಸಂಬಂಧವು ಶೈಕ್ಷಣಿಕ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿದೆ; ಹೊರತೆಗೆಯುವಿಕೆ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಮತ್ತು ಅಪಾಯಕಾರಿ ತಪ್ಪು.
- ಉತ್ಪಾದನೆ ಮತ್ತು ಪರಿಮಾಣವನ್ನು ಒಂದೇ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿಲ್ಲ, ಆದರೆ ಸಂಭವನೀಯ ಸನ್ನಿವೇಶ ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ನೊಂದಿಗೆ, ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನೀಡಲಾಗಿದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಬಾವಿ ಲಾಗ್ಗಳ ಅನಾಮಧೇಯ ಸೆಟ್ ಅನ್ನು ಪಡೆಯಿರಿ (ಅಥವಾ ಪ್ರಾತಿನಿಧಿಕ ಮೌಲ್ಯಗಳು). "ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಮೌಲ್ಯೀಕರಣ" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ ಯಾವ ವಲಯಗಳು ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಅಪಾಯದಲ್ಲಿದೆ ಎಂಬುದನ್ನು ಮಾದರಿಯು ಕಂಡುಹಿಡಿಯಲಿ; ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯ ಹೊರಗೆ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಇರಿಸುವ ಮೂಲಕ ಅದು ವಲಯವನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆಯೇ ಎಂದು ಪರೀಕ್ಷಿಸಿ. ನಂತರ, ಒಂದೇ ವಕ್ರರೇಖೆಯ ಬದಲಿಗೆ ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ ಸನ್ನಿವೇಶವನ್ನು ಉತ್ಪಾದಿಸಲು "ಪ್ರೊಡಕ್ಷನ್ ಸನ್ನಿವೇಶ ಡ್ರಾಫ್ಟ್" ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿ ಮತ್ತು ವಾಕ್ಯದಲ್ಲಿ ಶ್ರೇಣಿಯ ಅಗಲವನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ಸರಂಧ್ರತೆ ಮತ್ತು ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ನಡುವಿನ ಅಳತೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ನಾನು ತಿಳಿದಿದ್ದೇನೆ ಮತ್ತು ಪ್ರವೇಶಸಾಧ್ಯತೆಗೆ ಕೋರ್/ವೆಲ್ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿದೆ.
- [ ] ಕೋರ್ನೊಂದಿಗೆ ಮಾಪನಾಂಕ ಮಾಡದೆಯೇ ನಾನು ಮುಖದ ವರ್ಗೀಕರಣವನ್ನು ವಿಶ್ವಾಸಾರ್ಹವೆಂದು ಪರಿಗಣಿಸುವುದಿಲ್ಲ.
- [ ] ಕಲಿತ ಸಂಬಂಧವನ್ನು ಮತ್ತೊಂದು ಕ್ಷೇತ್ರ/ಸ್ಥಿತಿಗೆ ಹೊರತೆಗೆಯುವ ಅಪಾಯವನ್ನು ನಾನು ಗುರುತಿಸುತ್ತೇನೆ.
- [ ] ನಾನು ಏಕ ಸಂಖ್ಯೆಗಳ ಬದಲಿಗೆ ಸಂಭವನೀಯ ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ಗಳೊಂದಿಗೆ ಉತ್ಪಾದನೆ ಮತ್ತು ಪರಿಮಾಣವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇನೆ.
- [ ] "ಯಾವ ನೇರ ಮಾಪನವು ಪ್ರತಿ ಜಲಾಶಯದ ಅಂದಾಜನ್ನು ನಿರಾಕರಿಸಬಹುದು?" ನಾನು ಅದನ್ನು ಪ್ರಶ್ನೆಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸುತ್ತೇನೆ.