റിസർവോയർ സ്വഭാവം, ഓയിൽ-ഗ്യാസ് ആൻഡ് ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ്

നേട്ടങ്ങൾ:

• AI ഉപയോഗിച്ച് പോറോസിറ്റി, പെർമാസബിലിറ്റി, റിസർവോയർ പ്രോപ്പർട്ടികൾ എന്നിവ പ്രവചിക്കുന്നതിലെ വർക്ക്ഫ്ലോ വിശദീകരിക്കാനുള്ള കഴിവ്
• മെഷീൻ ലേണിംഗ് നന്നായി ലോഗ് ഇൻ്റർപ്രെട്ടേഷൻ, ഫേഷ്യസ് ക്ലാസിഫിക്കേഷൻ, പ്രൊഡക്ഷൻ പ്രവചനം എന്നിവയിൽ സ്ഥാപിക്കാനുള്ള കഴിവ്
• ഭൗതിക അതിരുകൾ, നല്ല പരിശോധന, അനിശ്ചിതത്വ വിശകലനം എന്നിവയിലൂടെ റിസർവോയർ ഔട്ട്പുട്ടുകൾ പരിശോധിക്കാനുള്ള കഴിവ്

ഒരു എണ്ണ അല്ലെങ്കിൽ വാതക സംഭരണി എന്നത് ഉപരിതലത്തിൽ നിന്ന് മൈലുകൾ താഴെയുള്ള സുഷിരമുള്ള പാറകളിൽ കുടുങ്ങിക്കിടക്കുന്ന ദ്രാവകങ്ങളുടെ ഒരു അദൃശ്യ നിധിയാണ്. നമുക്ക് നേരിട്ട് കാണാൻ കഴിയില്ല; കിണറുകളിൽ നിന്ന് ലഭിക്കുന്ന ലോഗുകൾ, കോറുകൾ, ഭൂകമ്പ നിഴലുകൾ, ഉൽപ്പാദന ഡാറ്റ എന്നിവ ഉപയോഗിച്ച് മാത്രമേ ഞങ്ങൾ ഇത് "വായിക്കുക" ചെയ്യുകയുള്ളൂ. ഈ പരോക്ഷ അളവുകളിൽ നിന്ന് പാറയിൽ എത്രത്തോളം ദ്രാവകം അടങ്ങിയിരിക്കുന്നു (പോറോസിറ്റി), അത് എത്ര എളുപ്പത്തിൽ ദ്രാവകം പുറത്തുവിടുന്നു (പെർമബിലിറ്റി), റിസർവോയർ ഏത് തരത്തിലുള്ള ത്രിമാന ഘടനയാണ് പുനർനിർമ്മിക്കുന്ന ചുമതല റിസർവോയർ സ്വഭാവരൂപീകരണം. ഈ മേഖലയിൽ AI ശക്തമാണ്: കിണർ രേഖകൾ വ്യാഖ്യാനിക്കുക, മുഖങ്ങളെ തരംതിരിക്കുക (പാറ തരങ്ങളുടെ അസംബ്ലേജുകൾ), പോറോസിറ്റി-പെർമബിലിറ്റി ബന്ധങ്ങൾ പ്രവചിക്കുക, പ്രൊഡക്ഷൻ ട്രെൻഡുകൾ മോഡലിംഗ് ചെയ്യുക. എന്നാൽ മറ്റ് ഭൂഗർഭ മേഖലകളെപ്പോലെ ജലസംഭരണികളും അനിശ്ചിതത്വം നിറഞ്ഞതാണ്, മാത്രമല്ല എല്ലാ പ്രവചനങ്ങളും ഭൗതിക അതിരുകൾ, നല്ല പരിശോധന, അനിശ്ചിതത്വ വിശകലനം എന്നിവയുമായി ബന്ധിപ്പിക്കാതെ തീരുമാനത്തിന് അടിസ്ഥാനമാകില്ല.

ഈ യൂണിറ്റിൽ റിസർവോയർ പഠനത്തിൻ്റെ മൂന്ന് AI വശങ്ങൾ ഞങ്ങൾ ഉൾക്കൊള്ളുന്നു: നന്നായി ലോഗ് വ്യാഖ്യാനവും മുഖ വർഗ്ഗീകരണവും (പാറയുടെ തരവും ലോഗുകളിൽ നിന്നുള്ള ഗുണങ്ങളും വേർതിരിച്ചെടുക്കൽ), പോറോസിറ്റി-പെർമബിലിറ്റി പ്രവചനം (റിസർവോയർ ഗുണനിലവാരത്തിൻ്റെ പ്രവചനം), പ്രൊഡക്ഷൻ പ്രവചനം (ഭാവിയിൽ കിണർ എത്രത്തോളം ഉത്പാദിപ്പിക്കും). ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ് തന്നെയാണ് ഇവിടെയും നട്ടെല്ല്; വെരിയോഗ്രാമും സിമുലേഷനും ഉപയോഗിച്ച് ഞങ്ങൾ കിണറുകൾക്കിടയിലുള്ള ഇടം നിറയ്ക്കുന്നു. ശ്രദ്ധിക്കുക: എണ്ണ, വാതക മേഖല വാണിജ്യപരമായി വളരെ സെൻസിറ്റീവ് ആണ്; എല്ലാ സാമ്പിളുകളും അജ്ഞാതവും പ്രാതിനിധ്യവുമായ മൂല്യങ്ങൾ ഉപയോഗിച്ചാണ് പഠിക്കുന്നത്.

നന്നായി ലോഗ് വ്യാഖ്യാനവും മുഖ വർഗ്ഗീകരണവും

ബോറിനൊപ്പം പാറയുടെ ഭൗതിക ഗുണങ്ങളെ തുടർച്ചയായി അളക്കുന്ന വളവുകളാണ് വെൽ ലോഗുകൾ: ഗാമാ കിരണങ്ങൾ (കളിമണ്ണിൻ്റെ ഉള്ളടക്കം), പ്രതിരോധശേഷി (ദ്രാവക തരം - ജലം/ഹൈഡ്രോകാർബൺ), സാന്ദ്രതയും ന്യൂട്രോണും (പോറോസിറ്റി), സോണിക് (പാറ കാഠിന്യം). ഒരു പെട്രോളിയം ജിയോളജിസ്റ്റ് ഈ വളവുകൾ ഒരുമിച്ച് വായിക്കുകയും ഓരോ ആഴത്തിലും പാറയുടെ തരവും ദ്രാവകവും വേർതിരിച്ചെടുക്കുകയും ചെയ്യുന്നു. ഇതാണ് പാറ്റേൺ തിരിച്ചറിയൽ, കൂടാതെ AI അതിൽ വളരെ മികച്ചതാണ്: പതിനായിരക്കണക്കിന് മീറ്റർ ലോഗുകൾ സ്ഥിരമായി ഫേസുകളിലേക്ക് അടുക്കുന്നു.

എന്നാൽ രണ്ട് പരിമിതികളുണ്ട്. ആദ്യം, ലോഗ് വ്യാഖ്യാനം ഒരു മാതൃകയാണ്, ഒരു അളവുകോലല്ല; ഒരേ ലോഗ് വ്യത്യസ്ത മുഖ വ്യാഖ്യാനങ്ങൾക്കായി തുറന്നേക്കാം. രണ്ടാമതായി, മോഡൽ ഒരു ഫീൽഡിൽ പഠിച്ച ലോഗ്-ഫേസിസ് ബന്ധത്തെ മറ്റൊരു ഫീൽഡിലേക്ക് (വ്യത്യസ്‌ത നിക്ഷേപ അന്തരീക്ഷം, വ്യത്യസ്ത ഡയജനസിസ്) അന്ധമായി മാറ്റുകയാണെങ്കിൽ, അത് ഗുരുതരമായ തെറ്റുകൾ വരുത്തുന്നു. അതിനാൽ, ഫെയ്സ് ഔട്ട്പുട്ട് കോർ ഡാറ്റ ഉപയോഗിച്ച് കാലിബ്രേറ്റ് ചെയ്യുന്നു; ലോഗ് വ്യാഖ്യാനത്തെ അടിസ്ഥാന സത്യവുമായി ബന്ധിപ്പിക്കുന്ന ആങ്കറാണ് കാമ്പ്.

നുറുങ്ങ്: ഒരു ഫെയ്‌സി മോഡലിൻ്റെ ഔട്ട്‌പുട്ട് വിശ്വസിക്കുന്നതിന് മുമ്പ്, "ഏത് കിണറുകളാണ് കോഡ് ചെയ്തിരിക്കുന്നത്, ആ കിണറുകളിലെ മോഡൽ എത്ര കൃത്യമാണ്?" ചോദിക്കുക. സ്ഥിരീകരിക്കപ്പെടാത്ത ഫേസിസ് എസ്റ്റിമേറ്റ് എന്നത്, അത് എത്രത്തോളം വിശ്വസനീയമാണെന്ന് തോന്നിയാലും, പരീക്ഷിക്കപ്പെടാത്ത ഒരു സിദ്ധാന്തമാണ്.

സുഷിരവും പെർമെബിലിറ്റിയും: ഏറ്റവും നിർണായകമായ വ്യത്യാസം

റിസർവോയർ ഗുണനിലവാരത്തിൻ്റെ രണ്ട് കീകൾ സുഷിരവും പെർമാസബിലിറ്റിയുമാണ്, അവ തമ്മിലുള്ള വ്യത്യാസം AI ഉപയോഗിക്കുന്നതിനുള്ള ഏറ്റവും പ്രധാനപ്പെട്ട പോയിൻ്റുകളിൽ ഒന്നാണ്. പൊറോസിറ്റി എന്നത് പാറയുടെ ശൂന്യമായ അനുപാതമാണ്, ന്യായമായ കൃത്യതയോടെ ലോഗുകളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞത് സാധ്യമാണ്. പാറയിലൂടെ ദ്രാവകം എത്ര എളുപ്പത്തിൽ ഒഴുകുന്നു, ലോഗുകളിൽ നിന്ന് നേരിട്ട് അളക്കുന്നില്ല; എന്നാൽ അത് പരോക്ഷമായി കണക്കാക്കപ്പെടുന്നു. സുഷിരതയിലെ ചെറിയ മാറ്റങ്ങളോട് പെർമാസബിലിറ്റി വളരെ സെൻസിറ്റീവ് ആണ്, ഇത് സുഷിര ജ്യാമിതി, വിള്ളലുകൾ, സിമൻ്റേഷൻ എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു.

അതുകൊണ്ടാണ് മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചുള്ള പെർമബിലിറ്റി പ്രവചനം ആകർഷകവും അപകടകരവുമാണ്. കോർ വെല്ലുകളിലെ സുഷിരത്വവും മറ്റ് ലോഗുകളിൽ നിന്ന് പെർമെബിലിറ്റിയും മോഡൽ പഠിക്കുന്നു; എന്നാൽ അത് പഠിക്കുന്ന ബന്ധം ആ മുഖത്തിനും സമ്മർദ്ദ-താപനിലയ്ക്കും പ്രത്യേകമാണ്. മറ്റൊരു ലിത്തോളജിയിലേക്കോ അല്ലെങ്കിൽ കോർ ചെയ്യാത്ത കിണറ്റിലേക്കോ (പഠിച്ച പരിധിക്ക് പുറത്തേക്ക് നീങ്ങുന്നത്) എക്സ്ട്രാപോളേഷൻ വലിയ പിശകുകൾക്ക് കാരണമാകും. പെർമബിലിറ്റി എസ്റ്റിമേഷൻ കോർ മെഷർമെൻ്റും കിൽ ടെസ്റ്റിംഗുമായി ബന്ധിപ്പിച്ചിരിക്കണം (മർദ്ദം കുറയ്‌ക്കൽ/വീക്കം പരിശോധനകൾ യഥാർത്ഥ ഫ്ലോ സ്വഭാവം നൽകുന്നു).

മുൻകരുതൽ: പെർമബിലിറ്റി എസ്റ്റിമേറ്റ് ഒരു "നല്ല ലുക്കിംഗ്" ഗ്രാഫ് ഉണ്ടാക്കിയാലും, പരിശീലന ഡാറ്റയുടെ മുഖത്തിനും സമ്മർദ്ദത്തിനും പുറത്ത് പ്രയോഗിച്ചാൽ അത് വിശ്വസനീയമല്ല. മോഡൽ ഒരു പരസ്പര ബന്ധമാണ് പഠിക്കുന്നത്, ഒരു ഭൗതിക വസ്തുതയല്ല; എല്ലായ്‌പ്പോഴും കാമ്പും നല്ല പരിശോധനയും ഉപയോഗിച്ച് പരീക്ഷിക്കുക.

ഉൽപ്പാദന പ്രവചനവും അനിശ്ചിതത്വവും

ഭാവിയിൽ ഒരു കിണർ എത്രമാത്രം ഉത്പാദിപ്പിക്കുന്നു എന്നത് റിസർവോയർ എത്രമാത്രം ദ്രാവകം നിലനിർത്തുകയും വിതരണം ചെയ്യുകയും ചെയ്യുന്നു എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. ക്ലാസിക്കൽ രീതികൾ (ഡിക്ലൈൻ കർവ് വിശകലനം) മുൻകാല ഉൽപ്പാദന പ്രവണതയെ ഭാവിയിലേക്ക് നീട്ടുന്നു; മൾട്ടി-വെൽ ഡാറ്റ ഉപയോഗിച്ച് AI ഈ പ്രവണതയെ സമ്പന്നമാക്കുകയും അയൽ കിണറുകളുടെ പാറ്റേണുകളിൽ നിന്ന് പഠിക്കുകയും ചെയ്യുന്നു. എന്നാൽ ഉൽപ്പാദന പ്രവചനം അന്തർലീനമായി അനിശ്ചിതത്വത്തിലാണ്: റിസർവോയർ വൈവിധ്യപൂർണ്ണമാണ്, മർദ്ദം മാറുന്നു, പ്രവർത്തന സാഹചര്യങ്ങൾ മാറുന്നു. അതിനാൽ, ഒരു പ്രോബബിലിസ്റ്റിക് ശ്രേണി (താഴ്ന്ന/ഇടത്തരം/ഉയർന്ന സാഹചര്യം) അവതരിപ്പിച്ചിരിക്കുന്നു, ഒരൊറ്റ "കൃത്യമായ" ഉൽപ്പാദന കർവ് അല്ല.

കിണറുകൾക്കിടയിൽ വോളിയം പൂരിപ്പിക്കുമ്പോൾ ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ് അനിശ്ചിതത്വവും വഹിക്കുന്നു. സീക്വൻഷ്യൽ ഗൗസിയൻ സിമുലേഷൻ പോലുള്ള രീതികൾ ഒരൊറ്റ "ശരാശരി" മോഡലിന് പകരം തുല്യ സാധ്യതയുള്ള നിരവധി മോഡലുകൾ നിർമ്മിക്കുന്നു; ഈ മോഡലുകൾ തമ്മിലുള്ള വ്യത്യാസം അനിശ്ചിതത്വമാണ്. കൃത്രിമബുദ്ധി ഈ അനുകരണങ്ങളെ ത്വരിതപ്പെടുത്തുകയും വ്യാഖ്യാനിക്കുകയും ചെയ്യുന്നു; എന്നാൽ ഫലം ഒരു സംഖ്യയിലേക്ക് ചുരുക്കുന്നത് അനിശ്ചിതത്വം മറച്ചുവെച്ച് തെറ്റായ ആത്മവിശ്വാസം സൃഷ്ടിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - എക്സ്ട്രാപോളേഷൻ പിശക്. ഒരു സൈറ്റിലെ മൂന്ന് കോർഡ് കിണറുകളിൽ പരിശീലിപ്പിച്ച പെർമബിലിറ്റി മോഡൽ നാലാമത്തെ കിണറ്റിൽ തികച്ചും പ്രത്യക്ഷപ്പെട്ട ഒരു പ്രവചനം നൽകി. എന്നാൽ ഈ കിണർ കളിമണ്ണ് നിറഞ്ഞ മുഖത്തായിരുന്നു, മോഡൽ ഈ ഇടവേള കണ്ടിട്ടില്ല; നല്ല പരിശോധനയിൽ യഥാർത്ഥ പ്രവേശനക്ഷമത എസ്റ്റിമേറ്റിൻ്റെ അഞ്ചിലൊന്ന് ആണെന്ന് കാണിച്ചു. "നല്ല ഭംഗിയുള്ള" ഗ്രാഫായി മോഡൽ ഗുരുതരമായി തെറ്റിദ്ധരിക്കപ്പെട്ടു; കിണർ ടെസ്റ്റ് ആങ്കർ തെറ്റ് മനസ്സിലാക്കി.

കേസ് 2 - ഫെയ്സ് കാലിബ്രേഷൻ. ഒരു ഗ്യാസ് ഫീൽഡിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പെട്ടെന്ന് 14 കിണറുകളുടെ ലോഗുകൾ മുഖങ്ങളാക്കി തരംതിരിച്ചു. മൂന്ന് കോർഡ് കിണറുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മോഡൽ "വൃത്തിയുള്ള മണൽക്കല്ല്" എന്ന് തരംതിരിച്ച മേഖല യഥാർത്ഥത്തിൽ തകർന്നതും നിലവാരം കുറഞ്ഞതുമായ ഒരു യൂണിറ്റായിരുന്നു. കോർ കാലിബ്രേഷൻ ഉപയോഗിച്ച്, മോഡൽ വീണ്ടും പരിശീലിപ്പിക്കുകയും റിസർവോയർ വോളിയം എസ്റ്റിമേറ്റ് ഒരു റിയലിസ്റ്റിക് തലത്തിലേക്ക് കൊണ്ടുവരികയും ചെയ്തു.

കേസ് 3 - സ്ക്രിപ്റ്റ് സത്യസന്ധത. ഒരു പ്രൊഡക്ഷൻ പ്രവചനത്തിൽ, മോഡൽ ഒരൊറ്റ വക്രം നൽകുകയും പത്ത് വർഷത്തെ ഉത്പാദനം ഒറ്റ സംഖ്യകളിൽ പ്രകടിപ്പിക്കുകയും ചെയ്തു. ഒരു സീക്വൻഷ്യൽ സിമുലേഷനിലൂടെ ടീം ഒരു താഴ്ന്ന/ഇടത്തരം/ഉയർന്ന സാഹചര്യം സൃഷ്ടിച്ചപ്പോൾ, ശ്രേണി വളരെ വിശാലമാണെന്ന് അവർ കണ്ടെത്തി (ഉയർന്ന സാഹചര്യം ഏകദേശം രണ്ട് മടങ്ങ് കുറവാണ്). നിക്ഷേപ തീരുമാനത്തിൽ അധിക കിണർ പരിശോധന ആവശ്യമാണെന്ന് ഈ വീതി സൂചിപ്പിച്ചു; ഒറ്റ നമ്പർ ഈ അനിശ്ചിതത്വം അപകടകരമായി മറച്ചു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ കിണർ ലോഗുകൾ നോക്കുക, പെർമാസബിലിറ്റി കണക്കാക്കുക, കിണർ എത്രമാത്രം ഉത്പാദിപ്പിക്കുമെന്ന് എന്നോട് പറയുക. [ലോഗ് ഡാറ്റ]

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: അസിസ്റ്റൻ്റ് റിസർവോയർ ജിയോളജിസ്റ്റ്. താഴെയുള്ള ലോഗുകൾക്കൊപ്പം പെർമാസബിലിറ്റിക്കും ഉൽപ്പാദനത്തിനും ഒരൊറ്റ കൃത്യമായ നമ്പർ നൽകുന്നു. പകരം:1) മുഖ വ്യാഖ്യാനം നടത്തുമ്പോൾ ഏത് കിണറുകളാണ് കോർ ഉപയോഗിച്ച് സ്ഥിരീകരിക്കാൻ കഴിയുക എന്ന് വ്യക്തമാക്കുക.2) ലോഗുകളിൽ നിന്ന് നേരിട്ട് പെർമെബിലിറ്റി എസ്റ്റിമേറ്റ് അളക്കാൻ കഴിയില്ല, ഏത് സാഹചര്യങ്ങളിൽ (മുഖം/മർദ്ദം) അത് സാധുതയുള്ളതാണ്, കൂടാതെ കോർ/വെൽ പരിശോധനയുടെ ആവശ്യകത. ഫലം. ഡാറ്റ അജ്ഞാതമാണ്; യഥാർത്ഥ ഫീൽഡ്/കമ്പനി ഇല്ല.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ലോഗ്-ഫേസിസ് കാലിബ്രേഷൻ പരിശോധന:

മുഖ വർഗ്ഗീകരണത്തിനായി ഏത് കിണറുകളാണ് കോഡ് ചെയ്തിരിക്കുന്നതെന്നും ഈ കിണറുകളിലെ മോഡലിൻ്റെ കൃത്യത നമുക്ക് എങ്ങനെ അളക്കാമെന്നും വിശദീകരിക്കുക. സ്ഥിരീകരിക്കാത്ത സോണുകളെ "പരിശോധിച്ചിട്ടില്ല" എന്ന് അടയാളപ്പെടുത്തുക; അന്ധമായി വിശ്വസിക്കരുത്.

2) പെർമിബിലിറ്റി മൂല്യനിർണ്ണയം:

പെർമാസബിലിറ്റി പ്രവചനത്തിനായി: മോഡൽ പരിശീലിപ്പിച്ച മുഖവും മർദ്ദത്തിൻ്റെ വ്യാപ്തിയും വ്യക്തമാക്കുക; ഈ പരിധിക്ക് പുറത്തുള്ള കിണറുകൾ/മേഖലകൾ അടയാളപ്പെടുത്തുക (എക്‌സ്‌ട്രാപോളേഷൻ). ഈ സോണുകളിൽ കാതലായ പരിശോധന കൂടാതെ പ്രവചനം വിശ്വസിക്കരുതെന്ന് ഊന്നിപ്പറയുക. കൃത്യമായ നമ്പർ നൽകരുത്.

3) പ്രൊഡക്ഷൻ സിനാരിയോ ഡ്രാഫ്റ്റ്:

ഇടിവ് കർവ്/പ്രൊഡക്ഷൻ ഡാറ്റയിൽ നിന്ന് താഴ്ന്ന, ഇടത്തരം, ഉയർന്ന ഉൽപ്പാദന സാഹചര്യം സ്ഥാപിക്കുന്നു. ഓരോ സാഹചര്യവും ഏത് അനുമാനങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്നും അവ തമ്മിലുള്ള വ്യത്യാസങ്ങൾ എന്താണെന്നും വിശദീകരിക്കുക. ഒരൊറ്റ "കൃത്യമായ" കർവ് വാഗ്ദാനം ചെയ്യുന്നില്ല.

4) അനിശ്ചിതത്വ സിമുലേഷൻ വ്യാഖ്യാനം:

ഒന്നിലധികം തുല്യ സാധ്യതയുള്ള ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലിൻ്റെ (ഉദാ. സീക്വൻഷ്യൽ സിമുലേഷൻ) ഔട്ട്‌പുട്ട് വ്യാഖ്യാനിക്കുക: വോളിയം എസ്റ്റിമേറ്റിൻ്റെ വിതരണം എത്രത്തോളം വിശാലമാണ്, ഏത് മേഖലയാണ് ഏറ്റവും അനിശ്ചിതത്വമുള്ളത്, കൂടാതെ ഏത് അധിക ഡാറ്റ (നന്നായി, ഭൂകമ്പം) ഉപയോഗിച്ച് ഈ അനിശ്ചിതത്വം ചുരുക്കിയിരിക്കുന്നു? ഒറ്റ സംഖ്യയായി ചുരുക്കുന്നു.

റിസർവോയർ സ്പെസിഫിക്കേഷൻ, മെഷറബിലിറ്റി, വെരിഫിക്കേഷൻ

സവിശേഷത/ഔട്ട്പുട്ട്

ലോഗുകളിൽ നിന്ന് ഇത് അളക്കാൻ കഴിയുമോ?

AI അപകടസാധ്യത

സ്ഥിരീകരണ ആങ്കർ

സുഷിരം

ന്യായമായ കൃത്യതയോടെ ഉരുത്തിരിഞ്ഞത്

കാലിബ്രേഷൻ ഡ്രിഫ്റ്റ്

കോർ പൊറോസിറ്റി

പ്രവേശനക്ഷമത

അല്ല, പരോക്ഷമായ ഊഹം

എക്സ്ട്രാപോളേഷൻ പിശക്

കോർ + നന്നായി ടെസ്റ്റ്

മുഖങ്ങൾ

അഭിപ്രായം (മോഡൽ)

ഓഫ്-സൈറ്റ് ഗതാഗതം

പ്രധാന നിർവചനം

ദ്രാവക തരം

പ്രതിരോധശേഷിയിൽ നിന്ന് ഞാൻ അനുമാനിക്കുന്നു

തെറ്റായ അഭിപ്രായം

പ്രഷർ/സാമ്പിൾ പരിശോധന

ഉൽപ്പാദന പ്രവചനം

പ്രവണത വിപുലീകരണം

തെറ്റായ ഉറപ്പ്

സാഹചര്യം + നന്നായി പരിശോധന

സൂചന: റിസർവോയറിലെ ഓരോ എസ്റ്റിമേറ്റിനും "ഏത് നേരിട്ടുള്ള അളവെടുപ്പ് ഇത് നിരാകരിക്കും?" പറഞ്ഞുകൊണ്ട് പരീക്ഷിക്കുക. പോറോസിറ്റിക്കുള്ള കാമ്പ്, പെർമാസബിലിറ്റിക്കുള്ള കിണർ പരിശോധന, മുഖങ്ങൾക്കുള്ള പ്രധാന നിർവചനം. നേരിട്ടുള്ള അളവെടുപ്പിലൂടെ നിഷേധിക്കാനാവാത്ത ഒരു പ്രവചനം ഇതുവരെ സ്ഥിരീകരിച്ചിട്ടില്ല.

സാധാരണ തെറ്റുകൾ

• പെർമിബിലിറ്റിയെ പോറോസിറ്റിയായി കാണുന്നു. പ്രവേശനക്ഷമത ലോഗുകളിൽ നിന്ന് നേരിട്ട് അളക്കുന്നില്ല; എക്സ്ട്രാപോളേഷൻ വലിയ പിശകുകൾ നൽകുന്നു, കാമ്പ്/കിണർ പരിശോധന അത്യാവശ്യമാണ്.
• കോർ ഇല്ലാതെ ഫെയ്സ് മോഡൽ ഉപയോഗിക്കുന്നു. കോർ ഉപയോഗിച്ച് കാലിബ്രേറ്റ് ചെയ്യാത്ത ഒരു മുഖഭാവം പരീക്ഷിക്കാത്ത ഒരു സിദ്ധാന്തമാണ്.
• പഠിച്ച ബന്ധം മറ്റൊരു മേഖലയിലേക്ക് കൊണ്ടുപോകുന്നു. വ്യത്യസ്‌ത നിക്ഷേപാന്തരീക്ഷവും ഡയജനിസിസും ലോഗ്-ട്രൈറ്റ് ബന്ധത്തെ മാറ്റുന്നു.
• ഒരൊറ്റ കർവ് ഉപയോഗിച്ച് പ്രൊഡക്ഷൻ അവതരിപ്പിക്കുന്നു. സാഹചര്യങ്ങൾക്കൊപ്പം അനിശ്ചിതത്വം നൽകിയില്ലെങ്കിൽ, നിക്ഷേപ തീരുമാനം തെറ്റായ ഉറപ്പിൻ്റെ അടിസ്ഥാനത്തിലാണ്.
• സിമുലേഷൻ ശരാശരിയിലേക്ക് കുറയ്ക്കുന്നു. ഒന്നിലധികം മോഡലുകൾ അനിശ്ചിതത്വത്തെ സൂചിപ്പിക്കുന്നു; ഒറ്റ നമ്പറിലേക്ക് ചുരുക്കുന്നത് വിവരങ്ങൾ നശിപ്പിക്കുന്നു.

ചുരുക്കത്തിൽ

• റിസർവോയർ അദൃശ്യമാണ്; ഇത് ലോഗുകൾ, കോർ, സീസ്മിക്, പ്രൊഡക്ഷൻ ഡാറ്റ എന്നിവ ഉപയോഗിച്ച് പരോക്ഷമായി വായിക്കുന്നു, കൂടാതെ ഓരോ പ്രവചനവും അനിശ്ചിതത്വം വഹിക്കുന്നു.
• ലോഗുകളിൽ നിന്ന് സുഷിരം ലഭിക്കും; പെർമാസബിലിറ്റി നേരിട്ട് അളക്കില്ല, അത് കാമ്പും നല്ല പരിശോധനയും ചേർന്നതായിരിക്കണം.
• മുഖ വർഗ്ഗീകരണം ഒരു മാതൃകയാണ്; കോർ ഉപയോഗിച്ച് കാലിബ്രേറ്റ് ചെയ്യാതെയും ഓഫ്-സൈറ്റ് ട്രാൻസ്പോർട്ട് ചെയ്യാതെയും വിശ്വസനീയമല്ല.
• പഠിച്ച ബന്ധം വിദ്യാഭ്യാസ സാഹചര്യങ്ങൾക്ക് പ്രത്യേകമാണ്; എക്സ്ട്രാപോളേഷൻ ആണ് ഏറ്റവും സാധാരണവും അപകടകരവുമായ തെറ്റ്.
• ഉൽപ്പാദനവും വോളിയവും അവതരിപ്പിക്കുന്നത് ഒരൊറ്റ സംഖ്യ കൊണ്ടല്ല, മറിച്ച് ഒരു പ്രോബബിലിസ്റ്റിക് സാഹചര്യവും സിമുലേഷനും ഉപയോഗിച്ച്, അനിശ്ചിതത്വം വ്യക്തമായി നൽകിയിരിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

അജ്ഞാതമാക്കിയ കിണർ ലോഗുകളുടെ (അല്ലെങ്കിൽ പ്രാതിനിധ്യ മൂല്യങ്ങൾ) ഒരു സെറ്റ് നേടുക. "പെർമബിലിറ്റി മൂല്യനിർണ്ണയം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഏത് സോണുകളാണ് എക്സ്ട്രാപോളേഷൻ അപകടസാധ്യതയുള്ളതെന്ന് മോഡൽ കണ്ടെത്തട്ടെ; പരിശീലന പരിധിക്ക് പുറത്ത് മനപ്പൂർവ്വം സ്ഥാപിച്ചുകൊണ്ട് ഇത് ഒരു സോണിനെ ഉത്തേജിപ്പിക്കുന്നുണ്ടോയെന്ന് പരിശോധിക്കുക. തുടർന്ന്, "പ്രൊഡക്ഷൻ സിനാരിയോ ഡ്രാഫ്റ്റ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഒരൊറ്റ വക്രത്തിന് പകരം താഴ്ന്ന/ഇടത്തരം/ഉയർന്ന സാഹചര്യം സൃഷ്ടിക്കുകയും ഒരു വാക്യത്തിലെ ശ്രേണിയുടെ വീതിയെക്കുറിച്ച് അഭിപ്രായമിടുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പോറോസിറ്റിയും പെർമാസബിലിറ്റിയും തമ്മിലുള്ള അളവിലുള്ള വ്യത്യാസം എനിക്കറിയാം, കൂടാതെ പെർമബിലിറ്റിക്ക് കോർ/വെൽ ടെസ്റ്റിംഗ് ആവശ്യമാണ്.
• [ ] കോർ ഉപയോഗിച്ച് കാലിബ്രേറ്റ് ചെയ്യാതെ മുഖ വർഗ്ഗീകരണം വിശ്വസനീയമായി ഞാൻ കണക്കാക്കുന്നില്ല.
• [ ] പഠിച്ച ബന്ധം മറ്റൊരു ഫീൽഡിലേക്ക്/അവസ്ഥയിലേക്കുള്ള എക്സ്ട്രാപോളേറ്റ് ചെയ്യുന്നതിനുള്ള അപകടസാധ്യത ഞാൻ തിരിച്ചറിയുന്നു.
• [ ] ഒറ്റ സംഖ്യകൾക്ക് പകരം പ്രോബബിലിസ്റ്റിക് സാഹചര്യങ്ങളും സിമുലേഷനുകളും ഉപയോഗിച്ച് ഞാൻ പ്രൊഡക്ഷനും വോളിയവും അവതരിപ്പിക്കുന്നു.
• [ ] "ഓരോ റിസർവോയർ എസ്റ്റിമേറ്റും നിരാകരിക്കാൻ എന്ത് നേരിട്ടുള്ള അളവെടുപ്പിന് കഴിയും?" എന്ന ചോദ്യം ഉപയോഗിച്ച് ഞാൻ അത് പരീക്ഷിക്കുന്നു.