이득:
- 저수지 특성(다공성, 투수성, 수분 포화도)의 3D 분포가 AI 및 지리통계학을 통해 모델링되는 방법을 설명하는 능력
- 상 모델링, 배리오그램, 크리깅 및 기계 학습을 통해 특징 확산을 찾는 기능
- 물질 수지, 유정 테스트 및 불확실성 시나리오를 통해 저장소 모델 출력을 검증하는 기능
유전이나 가스전을 제작하려면 먼저 저수지 암석의 위치, 다공성(다공성), 유체 흐름(투과성/투과성), 기공이 탄화수소로 채워지는 정도(1 - 수분 포화도) 등의 3D 모델을 구축해야 합니다. 그러나 우리는 우물을 뚫는 지점에서만 이러한 특징을 측정할 수 있습니다. 우물 사이의 거대한 부피는 비어 있으므로 채워져야 합니다. 저수지 특성화는 유정의 점 측정을 수행하고 지질학적 논리와 통계를 사용하여 이를 전체 부피로 확장하는 것입니다. 본 단원에서는 인공지능과 지리통계학(불확실성을 가지고 공간 데이터를 모델링하는 통계학 분야)을 보급 작업에 사용합니다. 변하지 않는 원칙: 모든 유정 간 가치는 실제 값이 아니라 추정치입니다. 불확실성은 모델의 일부이며 물리적 균형으로 테스트됩니다.
기본 개념
- 상(Facies): 특정 퇴적 환경(예: 강 수로 모래, 해양 셰일, 암초 석회암)에서 형성된 독특한 특성을 가진 암석 유형입니다. 저수지의 품질은 상과 밀접하게 연관되어 있습니다. 수로는 모래를 잘 배수하지만 셰일은 배수하지 않습니다.
- 배리오그램(Variogram): 두 점 사이의 거리가 증가함에 따라 특징 유사성이 어떻게 감소하는지 설명하는 공간 연속성의 척도입니다. 지리통계학의 기본 도구이다.
- 크리깅(Kriging): 추정 불확실성과 함께 배리오그램을 사용하여 샘플링되지 않은 지점의 값을 추정하는 방법입니다.
- 확률론적 시뮬레이션: 단일 "최상의" 추측이 아닌 데이터와 호환되는 동일한 가능성의 여러 모델(실현)을 생성합니다. 불확실성을 가시화합니다.
- 물질 수지: 저장소에서 생성된 유체, 압력 강하 및 잔여 부피 사이의 보존 관계; 모델 볼륨을 독립적으로 테스트하는 물리적 앵커입니다.
힌트: 저장소 모델은 단일 숫자가 아닌 불확실성 분포입니다. 올바른 언어는 "5천만 배럴 보유"가 아니라 "P90=35, P50=50, P10=72백만 배럴"입니다. 단일 점 추정이 아닌 시나리오/분포를 AI에 요청하세요.
AI와 지리통계학이 함께 작동하는 방식
고전적인 지리통계학(크리깅, 배리오그램)은 강력하지만 다변량, 비선형 관계에 어려움을 겪습니다. 머신러닝이 활용되는 곳은 다음과 같습니다.
- Facies 분류: 로그 세트에서 facies 할당(지도 학습) 그런 다음 facies를 가이드로 사용하여 기능을 배포합니다.
- 속성 추정: 지진 속성 + 로그 관계로부터 우물 간 공극률을 추정합니다(지진 기반 모델링).
- 간격 채우기: 인접한 우물 및 관계에서 누락된 로그 범위를 합리적으로 완성합니다.
하지만 머신러닝은 지질학적 논리를 모릅니다. 모델에 의해 생성된 다공성 지도는 퇴적 환경(예: 셰일층의 높은 투과성)과 일치하지 않는 경우 올바르지 않습니다. 지질학적 타당성은 AI 출력의 첫 번째 필터입니다.
단계별: 저수지 모델 작업흐름
- 구조적 뼈대. 지진으로 인한 지평선과 단층이 있는 저수지의 기하학적 구조를 설정합니다(단위 3의 출력).
- 얼굴 모델. 유정의 형상(로그 + 코어)을 결정하고 변이도/지질학적 추세를 사용하여 부피에 분포합니다. AI는 분류 속도를 높입니다.
- 기능 배포. 크리깅 또는 기계 학습을 통해 각 상 내 다공성, 투과성, 수분 포화도를 분포합니다. 지진이 발생하면 안내를 받으세요.
- 불확실성. 확률론적 시뮬레이션을 통해 수많은 실현을 생성합니다. P90/P50/P10 볼륨이 출력됩니다.
- 확인. 재료 균형과 이력 일치를 통해 모델 볼륨을 테스트합니다. 잘 테스트 투자율과 비교하십시오.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - facies 가이드의 가치. 크리깅을 통해 다공성을 현장에 직접 분산시켰을 때, 높은 다공성은 품질이 낮은 셰일 지역으로 "누출"되었습니다. facies 모델이 처음 확립되고 facies 내에 다공성이 분포되었을 때 모델이 현실화되고 확률론적 볼륨이 좁아졌습니다. P50 볼륨은 12% 감소했지만 불확실성 대역은 40% 감소했습니다. 올바른 구조는 더욱 현실적이고 안전한 결과를 가져왔습니다.
사례 2 - 외삽 트랩. 기계 학습 모델은 우물이 집중된 지역에서 다공성-지진 관계를 잘 학습했습니다. 그러나 우물이 없는 가장자리 블록에 적용하면 훈련 범위(외삽)를 벗어나 28%의 비현실적인 다공성을 생성했습니다. 지질학자는 그 블록이 다른 상층대에 있다는 것을 보여주었다. 해당 지역에서는 모델이 유효하지 않았습니다. 외삽 한계가 표시됩니다.
사례 3 - 물질 수지 충돌. 풍부한 3D 모델 P50 매장량은 6,800만 배럴을 산출했습니다. 그러나 현장의 초기 생산 압력 강하는 시스템의 재료 수지가 최대 4,500만 배럴에 달한다는 것을 나타냅니다. 모델이 분리된(고립된) 모래 몸체가 너무 연결되어 있다고 가정했기 때문에 모순이 발생했습니다. 연결을 다시 고려하여 모델을 더 작게 만들었습니다. 물리적 앵커는 기하학적 모델을 고정했습니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
저수지 모델과 매장량은 이 유정 데이터에서 파생됩니다.[데이터]
강력한 프롬프트:
아래의 (익명화된) 우물 및 지진 요약에서 저수지 모델링 초안 계획을 생성합니다. 규칙: - 먼저 facies 모델을 구축합니다. facies 내에 다공성/투과성을 배포합니다. 셰일/낮은 품질의 암석으로 침출되는 탄화수소 특징.- 데이터가 아닌 지질학적 추세로부터 변이도 매개변수(방향, 범위)를 정당화합니다. 가정을 명확하게 작성하십시오.- 단일 숫자가 아닌 P90/P50/P10 볼륨 분포로 결과를 제시하십시오. - 우물이 없는 지역에서 외삽 위험을 표시하십시오. - 물질 균형/생산 내역을 확인하는 방법을 작성하십시오. 데이터: [요약]
복사 가능한 템플릿 4개
1) Facies 분류 초안:
다음 로그 세트에서 facies 분류 접근 방식을 제안하십시오. 사용할 로그, 클래스 정의, 코어 라벨링의 필요성을 기록합니다. 클래스 간의 혼동 위험과 지질학적 타당성 확인을 지정합니다. 데이터: [로그 세트]
2) 배리오그램 타당성:
이 다공성 데이터에 대한 변형도를 설정할 때 방향과 범위 선택을 지질 강수 방향과 연관시키십시오. 등방성 가정의 위험을 설명하십시오. 적은 데이터로 배리오그램 신뢰도의 한계를 기술하십시오. 데이터: [다공성]
3) 불확실성 시나리오:
다음 부피 입력(면적, 두께, 다공성, 포화도, 변환 계수)에 대한 P90/P50/P10 부피 분포를 생성합니다. 각 입력의 불확실성 범위를 물어보고 가정하지 마십시오. 불확실성(토네이도)의 가장 영향력 있는 원인 순위를 지정하세요. 입력: [값]
4) 재료수지 교차점검:
다음 3D 모델 볼륨을 주어진 초기 생산 및 재료 균형에 대한 압력 강하 데이터와 비교하십시오. 비호환성이 있는 경우 가능한 이유(연결, 대수층 지원, 용량 오류)를 나열하십시오. 모델: [볼륨], 생산/압력: [데이터]
저수지 모델 검증 레이어
레이어
어떤 테스트
방법
지질학적 타당성
Facies-특징 일관성
전문가 검토
우물 데이터
스팟 측정 규정 준수
로그/코어 비교
글쎄, 테스트
실제 투과성/압력
압력 과도 테스트
물질 균형
볼륨 보존
압력 생산 관계
생산 이력
동적 행동
기록 매칭
일반적인 실수
- 얼굴 건너뛰기. Facies 가이드 없이 기능을 배포하고 탄화수소를 누출시킵니다.
- 단일 지점 예측. 불확실성 분포 대신 단일 매장량 수를 보고합니다.
- 외삽. 훈련 데이터 범위 밖의 블록에 모델을 맹목적으로 적용합니다.
- 재료 균형을 건너뜁니다. 물리적 균형으로 3D 모델 볼륨을 테스트하지 않습니다.
- 배리오그램을 자동으로 둡니다. 지질학적 추세 없이 방향/범위를 선택합니다.
요약하면
- 저수지 특성화는 지질학 및 지구통계학을 사용하여 유정의 점 측정을 전체 볼륨으로 확장한 것입니다.
- AI와 기계 학습은 상 분류 및 특징 예측에 강력합니다. 하지만 지질학적 타당성은 첫 번째 필터입니다.
- facies 내에서 기능을 배포합니다. 불확실성을 P90/P50/P10 분포로 보고합니다.
- 외삽 한계를 표시하십시오. 훈련 범위 밖에서 맹목적으로 모델을 사용하지 마십시오.
- 재료 균형과 생산 이력은 기하학적 모델을 테스트하는 물리적 앵커입니다.
응용과제
필드의 여러 우물(대표)에서 다공성/면적 데이터를 가져옵니다. 강력한 프롬프트를 통해 모델링 계획을 생성해 보세요. 그런 다음 (1) 다공성이 facies 내에 분포되어 있는지 확인하고, (2) 단일 숫자가 아닌 P90/P50/P10으로 매장량을 요청하고, (3) 간단한 재료 균형(생산 + 잔여) 논리를 사용하여 모델에서 제공하는 볼륨을 대략 제공합니다. 하나 이상의 웰리스 지역에 대해 외삽 경고를 추가합니다.
체크리스트
- [ ] 나는 저수지 모델이 유정별 추정치이며 불확실성을 수반한다는 것을 이해합니다.
- [ ] 나는 facies 가이드를 통해 기능을 배포하고 품질이 낮은 facies로 유출하지 않습니다.
- [ ] 적립금을 단일 숫자가 아닌 P90/P50/P10 분포로 보고합니다.
- [ ] 외삽 한계를 표시합니다.
- [ ] 소재 밸런스와 생산 이력을 통해 모델 수량을 검증합니다.