이득:
- AI를 사용하여 다공성, 투과성 및 저장소 특성을 예측하는 워크플로우를 설명하는 능력
- 유정 로그 해석, 상황 분류 및 생산 예측에 머신러닝을 배치하는 능력
- 물리적 경계, 유정 테스트 및 불확실성 분석을 통해 저장소 출력을 확인하는 기능
석유 또는 가스 저장소는 표면 아래 수 마일 떨어진 다공성 암석에 갇혀 있는 액체의 눈에 보이지 않는 보고입니다. 우리는 그것을 직접 볼 수 없습니다. 우리는 유정에서 받은 통나무, 코어, 지진 그림자 및 생산 데이터로만 이를 "읽습니다". 저장소 특성화는 이러한 간접 측정을 통해 암석이 얼마나 많은 유체를 보유하고 있는지(다공성), 얼마나 쉽게 유체를 방출하는지(투과성), 저장소가 어떤 종류의 3차원 구조인지를 재구성하는 작업입니다. AI는 유정 로그 해석, 형상(암석 유형 집합) 분류, 다공성-투과성 관계 예측, 생산 추세 모델링 등 이 분야에서 강력합니다. 그러나 저수지는 다른 지질 분야와 마찬가지로 불확실성으로 가득 차 있으며 모든 예측이 물리적 경계, 유정 테스트 및 불확실성 분석과 연결되지 않고 결정의 기초가 될 수는 없습니다.
이 단원에서는 저수지 연구의 세 가지 AI 측면, 즉 유정 로그 해석 및 상 분류(로그에서 암석 유형 및 특성 추출), 다공성-투과성 예측(저류지 품질 예측), 생산 예측(유정이 미래에 얼마나 생산할 것인지)을 다룰 것입니다. 지리통계학은 여기서도 중추입니다. 우리는 베리오그램과 시뮬레이션을 통해 우물 사이의 공간을 채웁니다. 참고: 석유 및 가스 부문은 상업적으로 매우 민감합니다. 모든 샘플은 익명의 대표 값으로 연구됩니다.
Well Log 해석 및 Facies 분류
유정 로그는 감마선(점토 함량), 저항률(유체 유형 - 물/탄화수소), 밀도 및 중성자(다공성), 음파(암석 경도) 등 구멍을 따라 암석의 물리적 특성을 지속적으로 측정하는 곡선입니다. 석유 지질학자는 이 곡선을 함께 읽고 각 깊이의 암석 유형과 유체를 추출합니다. 이것은 패턴 인식이며 AI는 이에 매우 능숙합니다. 수만 미터에 달하는 통나무를 지속적으로 분류합니다.
그러나 두 가지 제한이 있습니다. 첫째, 로그 해석은 측정이 아니라 모델입니다. 동일한 로그가 다른 관점으로 해석될 수 있습니다. 둘째, 모델이 한 분야에서 학습한 로그상 관계를 다른 분야(다른 퇴적 환경, 다른 속성 발생)로 맹목적으로 이전하는 경우 심각한 실수를 범하게 됩니다. 따라서 facies 출력은 핵심 데이터로 보정됩니다. 코어는 로그 해석을 지상 진실과 연결하는 앵커입니다.
팁: 상 모델의 출력을 신뢰하기 전에 "어느 우물이 코어 처리되었으며 해당 우물의 모델이 얼마나 정확합니까?"라고 물어보십시오. 묻다. 확증되지 않은 추정치는 아무리 그럴듯해 보이더라도 검증되지 않은 가설입니다.
다공성과 투과성: 가장 중요한 구별
저류층 품질의 두 가지 핵심은 다공성(porosity)과 투수성(permeability)이며, 그 차이는 AI 활용에 있어서 가장 중요한 포인트 중 하나입니다. 다공성은 암석의 공극률이며 합리적인 정확도로 통나무에서 파생될 수 있습니다. 투과성은 유체가 암석을 통해 얼마나 쉽게 흐르는지를 나타내며 통나무에서 직접 측정되지 않습니다. 하지만 간접적으로 추정됩니다. 투과성은 다공성의 작은 변화에 기하급수적으로 민감하며 기공 형상, 균열 및 접합에 따라 달라집니다.
머신러닝을 통한 투과성 예측이 매력적이면서도 위험한 이유가 바로 여기에 있습니다. 모델은 코어 우물의 다공성과 다른 통나무의 투과성을 학습합니다. 그러나 학습된 관계는 해당 현상과 압력-온도 조건에 따라 다릅니다. 다른 암석학이나 코어가 없는 유정(학습된 범위 밖으로 이동)으로 추정하면 큰 오류가 발생합니다. 투과성 추정은 코어 측정 및 유정 테스트와 연결되어야 합니다(압력 강하/팽창 테스트는 실제 흐름 동작을 제공합니다).
주의: 투과성 추정이 "보기 좋은" 그래프를 생성하더라도 훈련 데이터의 상과 압력 조건 외부에 적용하면 신뢰할 수 없습니다. 모델은 물리적 사실이 아닌 상관관계를 학습합니다. 항상 코어 테스트와 웰 테스트를 통해 테스트하세요.
생산 예측 및 불확실성
미래에 우물이 얼마나 생산하느냐는 저장소가 얼마나 많은 유체를 보유하고 전달하는지에 달려 있습니다. 고전적 방법(하락 곡선 분석)은 과거 생산 추세를 미래까지 확장합니다. AI는 다중 유정 데이터를 통해 이러한 추세를 강화하고 인접한 유정 패턴으로부터 학습합니다. 그러나 생산 예측은 본질적으로 불확실합니다. 저장소가 이질적이고 압력이 변하며 작동 조건이 변합니다. 따라서 단일한 "정확한" 생산 곡선이 아닌 확률적 범위(낮음/중간/높음 시나리오)가 제시됩니다.
지구통계학은 또한 우물 사이의 양을 채울 때 불확실성을 수반합니다. 순차적 가우스 시뮬레이션과 같은 방법은 단일 "평균" 모델이 아닌 동일한 가능성의 여러 모델을 생성합니다. 이들 모델의 차이점은 불확실성 그 자체입니다. 인공 지능은 이러한 시뮬레이션을 가속화하고 해석합니다. 그러나 결과를 단일 숫자로 줄이면 불확실성이 숨겨져 잘못된 신뢰를 갖게 됩니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 — 외삽 오류. 한 현장의 3개 코어 유정에 대해 훈련된 투과성 모델은 네 번째 유정에서는 완벽해 보이는 예측을 제공했습니다. 그러나 이 우물은 점토질로 되어 있었고 모델은 이러한 간격을 본 적이 없었습니다. 우물 테스트 결과 실제 투자율은 추정치의 약 1/5인 것으로 나타났습니다. 이 모델은 "보기 좋은" 그래프로 심각하게 오해를 받았습니다. 유정 테스트 앵커에 오류가 발생했습니다.
사례 2 - 얼굴 교정. 한 가스전에서 인공지능은 14개 유정의 로그를 빠르게 분류했습니다. 3개의 코어가 있는 유정과 비교할 때, 모델이 "깨끗한 사암"으로 분류한 구역은 실제로 균열이 있고 품질이 낮은 단위였습니다. 코어 보정을 통해 모델이 재교육되었으며 저수지 부피 추정치가 현실적인 수준으로 낮아졌습니다.
사례 3 - 스크립트 정직성. 생산량 예측에서 모델은 단일 곡선을 제공하고 10년 생산량을 홀수로 표시했습니다. 연구팀은 순차 시뮬레이션을 통해 낮음/중간/높음 시나리오를 생성한 결과 범위가 매우 넓다는 사실을 발견했습니다(높음 시나리오의 경우 약 2배 낮음). 이 폭은 투자 결정에 추가 유정 테스트가 필요함을 나타냅니다. 단일 숫자는 이러한 불확실성을 위험하게 숨겼습니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 우물 일지를 보고, 투과성을 계산하고, 우물에서 생산량이 얼마나 되는지 말해 보세요. [로그 데이터]
강력한 프롬프트:
귀하의 역할: 보조 저수지 지질학자. 아래 로그를 사용하여 투과성 및 생산에 대한 정확한 단일 번호를 제공합니다. 대신:1) 상 해석을 할 때 어떤 우물을 코어로 확인할 수 있는지 명시합니다. 2) 투과도 추정치는 로그에서 직접 측정할 수 없으며, 어떤 조건(상/압력)이 유효한지, 코어/우물 테스트의 필요성을 설명합니다. 3) 단일 곡선이 아닌 생산에 대한 낮음/중간/높음 시나리오 논리를 설정합니다.4) 결과에 영향을 미치는 불확실성의 4가지 소스를 나열합니다. 데이터는 익명입니다. 실제 분야/회사가 없습니다.
복사 가능한 템플릿 4개
1) 로그 페이시 교정 확인:
상 분류를 위해 어떤 우물이 코어되어 있는지, 그리고 이러한 우물에서 모델의 정확도를 측정할 수 있는 방법을 설명하십시오. 확인되지 않은 영역을 "테스트되지 않음"으로 표시합니다. 맹목적으로 신뢰하지 마십시오.
2) 투과성 검증:
투과성 예측의 경우: 모델이 훈련되는 양상과 압력 범위를 지정합니다. 이 범위를 벗어나는 웰/구역을 표시합니다(외삽법). 이러한 영역에서 핵심 및 유정 테스트 없이는 예측을 신뢰할 수 없다는 점을 강조하세요. 정확한 수치를 알려주지 마세요.
3) 제작 시나리오 초안:
감소 곡선/생산 데이터로부터 낮음, 중간, 높음 생산 시나리오 논리를 설정합니다. 각 시나리오의 기반이 되는 가정과 그 차이점이 무엇을 의미하는지 설명하세요. 단일의 "정확한" 곡선을 제공하지 않습니다.
4) 불확실성 시뮬레이션 해석:
동일 가능성이 높은 다중 지리통계 모델(예: 순차 시뮬레이션)의 출력을 해석합니다. 추정량의 분포는 얼마나 넓으며, 어느 지역이 가장 불확실하며, 어떤 추가 데이터(음, 지진)를 사용하여 이 불확실성을 좁힐 수 있습니까? 단일 숫자로 축소합니다.
저장소 사양, 측정 가능성 및 검증
기능/출력
로그로 측정할 수 있나요?
AI 위험
검증 앵커
다공성
합리적인 정확도로 파생됨
교정 드리프트
코어 다공성
투과성
아니요, 간접적인 추측입니다.
외삽 오류
코어 + 웰 테스트
얼굴
코멘트(모델)
외부 교통편
핵심 정의
유체 종류
나는 저항력으로부터 추론한다
잘못된 댓글
압력/샘플 테스트
생산 예측
추세 확장
거짓 확실성
시나리오 + 우물 테스트
힌트: 저수지에 대한 모든 추정치에 대해 "어떤 직접적인 측정이 이를 반박할 수 있습니까?" 말로 테스트해보세요. 다공성에 대한 핵심, 투과성에 대한 우물 테스트, 표면에 대한 핵심 정의. 직접적인 측정으로 반박할 수 없는 예측은 아직 확인되지 않았습니다.
일반적인 실수
- 투과성을 다공성으로 봅니다. 투과성은 통나무에서 직접 측정되지 않습니다. 외삽법은 큰 오류를 발생시키므로 코어/웰 테스트가 필수적입니다.
- 코어 없이 facies 모델을 사용합니다. 핵심에 의해 보정되지 않은 상은 검증되지 않은 가설입니다.
- 학습된 관계를 다른 분야로 전달합니다. 다른 퇴적 환경과 속성은 로그 특성 관계를 변경합니다.
- 단일 곡선으로 생산을 표현합니다. 시나리오에 불확실성이 주어지지 않으면 투자 결정은 잘못된 확실성에 기초하게 됩니다.
- 시뮬레이션을 평균으로 줄입니다. 여러 모델은 불확실성을 나타냅니다. 이를 단일 숫자로 줄이면 정보가 파괴됩니다.
요약하면
- 저수지는 보이지 않습니다. 로그, 코어, 지진 및 생산 데이터를 간접적으로 읽으며 모든 예측은 불확실성을 수반합니다.
- 다공성은 로그에서 파생될 수 있습니다. 투과성은 직접 측정되지 않으며 코어 및 유정 테스트와 결합되어야 합니다.
- Facies 분류는 모델입니다. 코어에 의해 교정되지 않고 외부로 운송되지 않으면 신뢰할 수 없습니다.
- 학습된 관계는 교육 조건에 따라 다릅니다. 추정은 가장 흔하고 위험한 실수입니다.
- 생산량과 수량은 단일 숫자가 아닌 확률적 시나리오와 시뮬레이션을 통해 제시되며 불확실성이 명확하게 제시됩니다.
응용과제
익명화된 우물 로그(또는 대표 값) 세트를 가져옵니다. 모델이 "투과성 검증" 템플릿을 사용하여 외삽 위험이 있는 영역을 찾아내도록 합니다. 의도적으로 훈련 범위 외부에 배치하여 영역을 자극하는지 테스트합니다. 그런 다음 "제작 시나리오 초안" 템플릿을 사용하여 단일 곡선이 아닌 낮음/중간/높음 시나리오를 생성하고 범위의 너비를 문장에 설명합니다.
체크리스트
- [ ] 나는 다공성과 투과성의 측정 가능성의 차이와 투과성을 위해서는 코어/웰 테스트가 필요하다는 것을 알고 있습니다.
- [ ] 코어를 사용하여 보정하지 않으면 상 분류를 신뢰할 수 없다고 생각합니다.
- [ ] 나는 학습된 관계를 다른 분야/조건으로 추론하는 위험을 인식합니다.
- [ ] 단일 숫자 대신 확률론적 시나리오와 시뮬레이션을 사용하여 생산량과 수량을 제시합니다.
- [ ] "각 저장소 추정치가 틀렸다는 것을 직접 측정할 수 있는 방법은 무엇입니까?" 질문으로 테스트해보겠습니다.