नफा:
- एआय सह सच्छिद्रता, पारगम्यता आणि जलाशय गुणधर्मांचा अंदाज लावण्यासाठी कार्यप्रवाह स्पष्ट करण्याची क्षमता
- वेल लॉग इंटरप्रिटेशन, चेहऱ्यांचे वर्गीकरण आणि उत्पादन अंदाजामध्ये मशीन लर्निंगला स्थान देण्याची क्षमता
- भौतिक सीमा, चांगली चाचणी आणि अनिश्चितता विश्लेषणाद्वारे जलाशयांचे आउटपुट सत्यापित करण्याची क्षमता
तेल किंवा वायूचा साठा हा सच्छिद्र खडकात, पृष्ठभागाच्या काही मैल खाली अडकलेल्या द्रवांचा अदृश्य खजिना आहे. आपण ते प्रत्यक्ष पाहू शकत नाही; आम्ही ते फक्त लॉग, कोर, भूकंपाच्या सावल्या आणि विहिरींमधून प्राप्त होणाऱ्या उत्पादन डेटासह "वाचतो". या अप्रत्यक्ष मोजमापांवरून खडकात किती द्रव आहे (सच्छिद्रता), ते द्रवपदार्थ किती सहजतेने सोडते (पारगम्यता) आणि जलाशयाची त्रिमितीय रचना कोणत्या प्रकारची आहे हे या अप्रत्यक्ष मोजमापांवरून पुनर्रचना करण्याचे काम जलाशयाचे वैशिष्ट्य आहे. AI या क्षेत्रात शक्तिशाली आहे: विहीर नोंदींचा अर्थ लावणे, चेहर्याचे वर्गीकरण करणे (खडक प्रकारांचे एकत्रीकरण), सच्छिद्रता-पारगम्यता संबंधांचा अंदाज लावणे आणि उत्पादन ट्रेंडचे मॉडेलिंग करणे. परंतु जलाशय, इतर भूवैज्ञानिक क्षेत्रांप्रमाणेच, अनिश्चिततेने भरलेले आहेत, आणि प्रत्येक अंदाज भौतिक सीमा, चांगले चाचणी आणि अनिश्चितता विश्लेषणाशी जोडल्याशिवाय निर्णयाचा आधार असू शकत नाही.
या युनिटमध्ये आम्ही जलाशयाच्या अभ्यासाच्या तीन AI पैलूंचा समावेश करू: विहीर लॉग इंटरप्रिटेशन आणि फेस वर्गीकरण (खडकांचे प्रकार आणि लॉगमधून गुणधर्म काढणे), सच्छिद्रता-पारगम्यता अंदाज (जलाशयाच्या गुणवत्तेचा अंदाज), आणि उत्पादन अंदाज (भविष्यात विहीर किती उत्पादन करेल). इथेही जिओस्टॅटिस्टिक्सचा कणा आहे; आम्ही विहिरींमधील जागा व्हेरिओग्राम आणि सिम्युलेशनसह भरतो. टीप: तेल आणि वायू क्षेत्र व्यावसायिकदृष्ट्या अतिशय संवेदनशील आहे; सर्व नमुन्यांचा निनावी आणि प्रातिनिधिक मूल्यांसह अभ्यास केला जातो.
वेल लॉग इंटरप्रिटेशन आणि फेसिस वर्गीकरण
विहीर नोंदी हे वक्र आहेत जे खडकाच्या भौतिक गुणधर्मांचे सतत मोजमाप करतात: गॅमा किरण (मातीचे प्रमाण), प्रतिरोधकता (द्रव प्रकार — पाणी/हायड्रोकार्बन), घनता आणि न्यूट्रॉन (सच्छिद्रता), ध्वनि (खडक कडकपणा). पेट्रोलियम भूगर्भशास्त्रज्ञ हे वक्र एकत्र वाचतात आणि प्रत्येक खोलीतील खडकांचे प्रकार आणि द्रव काढतात. ही नमुना ओळख आहे, आणि AI त्यात खूप चांगले आहे: हजारो मीटर लॉग चेहऱ्यांमध्ये सातत्याने क्रमवारी लावणे.
पण दोन मर्यादा आहेत. प्रथम, लॉग व्याख्या हे एक मॉडेल आहे, मोजमाप नाही; समान लॉग वेगवेगळ्या चेहर्यावरील व्याख्यांसाठी खुला असू शकतो. दुसरे म्हणजे, जर मॉडेलने एका क्षेत्रात शिकलेले लॉग-फेसीस संबंध दुसऱ्या क्षेत्रात (वेगवेगळे डिपॉझिशनल वातावरण, भिन्न डायजेनेसिस) आंधळेपणाने हस्तांतरित केले तर ते गंभीर चुका करते. म्हणून, फेस आउटपुट कोर डेटासह कॅलिब्रेट केले जाते; कोर हा अँकर आहे जो लॉग इंटरप्रिटेशनला जमिनीच्या सत्याशी जोडतो.
टीप: फेस मॉडेलच्या आउटपुटवर विश्वास ठेवण्यापूर्वी, "कोणत्या विहिरी कोरल्या गेल्या आहेत आणि त्या विहिरींमधील मॉडेल किती अचूक आहे?" विचारा एक अप्रमाणित दर्शनी अंदाज हा एक न तपासलेला गृहितक आहे, तो कितीही तर्कसंगत वाटला तरी.
सच्छिद्रता आणि पारगम्यता: सर्वात गंभीर फरक
जलाशयाच्या गुणवत्तेच्या दोन कळा म्हणजे सच्छिद्रता आणि पारगम्यता आणि त्यांच्यातील फरक हा AI वापरण्याचा सर्वात महत्त्वाचा मुद्दा आहे. सच्छिद्रता हे खडकाचे शून्य गुणोत्तर आहे आणि वाजवी अचूकतेसह लॉगमधून मिळवता येते. पारगम्यता म्हणजे खडकामधून द्रव किती सहजपणे वाहतो आणि थेट लॉगमधून मोजला जात नाही; पण त्याचा अंदाज अप्रत्यक्षपणे आहे. पारगम्यता सच्छिद्रतेतील लहान बदलांसाठी वेगाने संवेदनशील असते आणि छिद्र भूमिती, क्रॅक आणि सिमेंटेशनवर अवलंबून असते.
म्हणूनच मशीन लर्निंगसह पारगम्यता अंदाज आकर्षक आणि धोकादायक दोन्ही आहे. मॉडेल कोर विहिरींमधील सच्छिद्रता आणि इतर लॉगमधून पारगम्यता शिकते; परंतु ते शिकत असलेला संबंध त्या चेहऱ्यांशी आणि दबाव-तापमानाच्या स्थितीशी विशिष्ट आहे. वेगळ्या लिथोलॉजीमध्ये किंवा अनकोर केलेल्या विहिरीमध्ये (शिकलेल्या श्रेणीच्या बाहेर जाणे) एक्स्ट्रापोलेशनमुळे मोठ्या चुका होतील. पारगम्यता अंदाज कोर मापन आणि चांगल्या चाचणीशी जोडलेला असणे आवश्यक आहे (प्रेशर ड्रॉप/स्वेल चाचण्या वास्तविक प्रवाह वर्तन देतात).
खबरदारी: जरी पारगम्यता अंदाज "चांगला दिसणारा" आलेख तयार करत असला तरीही, प्रशिक्षण डेटाच्या चेहर्यावरील आणि दबाव परिस्थितीच्या बाहेर लागू केल्यास ते अविश्वसनीय आहे. मॉडेल एक सहसंबंध शिकतो, भौतिक वस्तुस्थिती नाही; नेहमी कोर आणि चांगल्या चाचणीसह चाचणी करा.
उत्पादन अंदाज आणि अनिश्चितता
भविष्यात विहीर किती उत्पादन करते हे जलाशय किती द्रवपदार्थ ठेवते आणि वितरित करते यावर अवलंबून असते. शास्त्रीय पद्धती (नकार वक्र विश्लेषण) भूतकाळातील उत्पादन कल भविष्यात वाढवतात; AI बहु-विहीर डेटासह या ट्रेंडला समृद्ध करते आणि शेजारच्या विहिरीच्या नमुन्यांमधून शिकते. परंतु उत्पादनाचा अंदाज स्वाभाविकपणे अनिश्चित आहे: जलाशय विषम आहे, दबाव बदलतो, ऑपरेटिंग परिस्थिती बदलते. म्हणून, संभाव्य श्रेणी (कमी/मध्यम/उच्च परिस्थिती) सादर केली जाते, एकल "अचूक" उत्पादन वक्र नाही.
विहिरींमधील खंड भरताना भू-सांख्यिकी देखील अनिश्चितता बाळगते. अनुक्रमिक गॉसियन सिम्युलेशन सारख्या पद्धती एकाच "सरासरी" मॉडेलऐवजी अनेक समान संभाव्य मॉडेल तयार करतात; या मॉडेल्समधील फरक म्हणजे अनिश्चितता. कृत्रिम बुद्धिमत्ता या अनुकरणांना गती देते आणि त्याचा अर्थ लावते; परंतु निकाल एका संख्येपर्यंत कमी केल्याने अनिश्चितता लपवून खोटा आत्मविश्वास निर्माण होतो.
तीन मिनी प्रकरणे: संख्यांनुसार
केस 1 - एक्स्ट्रापोलेशन एरर. एका साइटवर तीन कोरड विहिरींवर प्रशिक्षित पारगम्यता मॉडेलने एक अंदाज दिला जो चौथ्या विहिरीवर परिपूर्ण दिसत होता. पण ही विहीर चिकणमातीत होती आणि मॉडेलने हे अंतर कधी पाहिले नव्हते; चांगल्या चाचणीने वास्तविक पारगम्यता अंदाजाच्या सुमारे एक पंचमांश असल्याचे दर्शवले. मॉडेल गंभीरपणे "चांगले दिसणारे" आलेख चुकीचे होते; विहीर चाचणी अँकरने त्रुटी पकडली.
केस 2 - चेहरे कॅलिब्रेशन. एका गॅस फील्डमध्ये, कृत्रिम बुद्धिमत्तेने 14 विहिरींच्या नोंदी चेहऱ्यांमध्ये त्वरीत क्रमवारी लावल्या. तीन कोरड विहिरींशी तुलना केली असता, मॉडेलने "स्वच्छ वाळूचा खडक" म्हणून वर्गीकृत केलेला झोन प्रत्यक्षात एक खंडित, कमी-गुणवत्तेचा एकक होता. कोर कॅलिब्रेशनसह, मॉडेलला पुन्हा प्रशिक्षित केले गेले आणि जलाशयाच्या प्रमाणाचा अंदाज वास्तववादी पातळीवर आणला गेला.
प्रकरण 3 - स्क्रिप्ट प्रामाणिकपणा. उत्पादन अंदाजामध्ये, मॉडेलने एकल वक्र दिले आणि विषम संख्येमध्ये दहा वर्षांचे उत्पादन व्यक्त केले. जेव्हा संघाने अनुक्रमिक सिम्युलेशनद्वारे निम्न/मध्यम/उच्च परिस्थिती निर्माण केली तेव्हा त्यांना आढळले की श्रेणी खूप विस्तृत आहे (उच्च परिस्थिती अंदाजे दुप्पट कमी होती). या रुंदीने सूचित केले की गुंतवणुकीच्या निर्णयामध्ये अतिरिक्त विहीर चाचणी आवश्यक आहे; सिंगल नंबरने ही अनिश्चितता धोकादायकपणे लपवली.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या विहिरीच्या नोंदी पहा, पारगम्यतेची गणना करा आणि विहीर किती उत्पादन करेल ते मला सांगा. [लॉग डेटा]
शक्तिशाली सूचना:
तुमची भूमिका: सहाय्यक जलाशय भूवैज्ञानिक. खालील लॉगसह पारगम्यता आणि उत्पादनासाठी एकच अचूक क्रमांक देणे. त्याऐवजी:१) फेस इंटरप्रिटेशन करताना कोणत्या विहिरींची पुष्टी कोरद्वारे केली जाऊ शकते ते सांगा. २) पारगम्यता अंदाज थेट लॉगमधून मोजला जाऊ शकत नाही हे स्पष्ट करा, कोणत्या परिस्थितीत (चेहरे/दबाव) ते वैध असेल आणि कोर/विहीर चाचणीची आवश्यकता असेल. ३) कमी/मध्यम/उच्च परिस्थितीची स्थापना करा, एकल उत्पादनासाठी कर्टी लॉजिक नाही, 4) उत्पादनासाठी एकल कर्टी लॉजिक नाही. परिणाम प्रभावित करा. डेटा निनावी आहे; कोणतेही वास्तविक क्षेत्र/कंपनी नाही.
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) लॉग-फेस कॅलिब्रेशन तपासणी:
दर्शनी वर्गीकरणासाठी कोणत्या विहिरी कोरलेल्या आहेत आणि या विहिरींमधील मॉडेलची अचूकता आपण कशी मोजू शकतो हे स्पष्ट करा. असत्यापित झोन "अनटेस्ट केलेले" म्हणून चिन्हांकित करा; आंधळेपणाने विश्वास ठेवू नका.
2) पारगम्यता प्रमाणीकरण:
पारगम्यता अंदाजासाठी: मॉडेल प्रशिक्षित केलेले चेहरे आणि दाब श्रेणी निर्दिष्ट करा; कोणत्या विहिरी/झोन्स या श्रेणीबाहेर आहेत (एक्स्ट्रापोलेशन) चिन्हांकित करा. या झोनमध्ये कोर आणि चांगल्या चाचणीशिवाय भविष्यवाणीवर विश्वास ठेवू नये यावर जोर द्या. अचूक संख्या देऊ नका.
3) उत्पादन परिस्थिती मसुदा:
घट वक्र/उत्पादन डेटावरून कमी, मध्यम, उच्च उत्पादन परिदृश्य तर्क स्थापित करते. प्रत्येक परिस्थिती कोणत्या गृहितकांवर आधारित आहे आणि त्यांच्यातील फरकांचा अर्थ काय ते स्पष्ट करा. एकच "अचूक" वक्र ऑफर करत नाही.
4) अनिश्चितता सिम्युलेशन व्याख्या:
बहुविध समान संभाव्य भूसांख्यिकीय मॉडेलच्या आउटपुटचा अर्थ लावा (उदा. अनुक्रमिक सिम्युलेशन): व्हॉल्यूम अंदाजाचे वितरण किती विस्तृत आहे, कोणता प्रदेश सर्वात अनिश्चित आहे आणि कोणत्या अतिरिक्त डेटासह (चांगले, भूकंपीय) ही अनिश्चितता संकुचित आहे? एकल संख्या कमी करणे.
जलाशय तपशील, मोजमाप आणि सत्यापन
वैशिष्ट्य/आउटपुट
ते नोंदींवरून मोजता येईल का?
AI धोका
सत्यापन अँकर
सच्छिद्रता
वाजवी अचूकतेसह व्युत्पन्न
कॅलिब्रेशन वाहून नेणे
कोर सच्छिद्रता
पारगम्यता
नाही, अप्रत्यक्ष अंदाज
एक्सट्रापोलेशन त्रुटी
कोर + तसेच चाचणी
चेहरे
टिप्पणी (मॉडेल)
ऑफ-साइट वाहतूक
मूळ व्याख्या
द्रव प्रकार
मी प्रतिरोधकतेवरून निष्कर्ष काढतो
चुकीची टिप्पणी
दबाव/नमुना चाचणी
उत्पादन अंदाज
ट्रेंड विस्तार
खोटी खात्री
परिस्थिती + विहीर चाचणी
सूचना: जलाशयावरील प्रत्येक अंदाजासाठी "कोणते थेट मापन हे नाकारू शकते?" असे सांगून चाचणी करा. सच्छिद्रतेसाठी कोर, पारगम्यतेसाठी चांगली चाचणी, चेहर्यासाठी कोर व्याख्या. थेट मापनाद्वारे नाकारता येणार नाही अशा अंदाजाची अद्याप पुष्टी झालेली नाही.
सामान्य चुका
- सच्छिद्रता म्हणून पारगम्यता पाहणे. पारगम्यता थेट लॉगमधून मोजली जात नाही; एक्सट्रापोलेशन मोठ्या त्रुटी देते, कोर/वेल चाचणी आवश्यक आहे.
- कोरशिवाय फेस मॉडेल वापरणे. कोर द्वारे कॅलिब्रेट केलेले नसलेले चेहरे हे एक न तपासलेले गृहितक आहे.
- शिकलेले नाते दुसऱ्या क्षेत्रात नेणे. भिन्न डिपॉझिशनल वातावरण आणि डायजेनेसिस लॉग-ट्रेट संबंध बदलतात.
- एकाच वक्रसह उत्पादन सादर करत आहे. परिस्थितीसह अनिश्चितता दिली नसल्यास, गुंतवणुकीचा निर्णय चुकीच्या निश्चिततेवर आधारित असतो.
- सिम्युलेशनला सरासरी कमी करणे. एकाधिक मॉडेल अनिश्चितता दर्शवतात; ते एका संख्येपर्यंत कमी केल्याने माहिती नष्ट होते.
सारांशात
- जलाशय अदृश्य आहे; हे लॉग, कोर, भूकंप आणि उत्पादन डेटासह अप्रत्यक्षपणे वाचले जाते आणि प्रत्येक अंदाज अनिश्चितता बाळगतो.
- सच्छिद्रता नोंदीतून मिळवता येते; पारगम्यता थेट मोजली जात नाही, ती कोर आणि चांगल्या चाचणीसह जोडली गेली पाहिजे.
- दर्शनी वर्गीकरण एक मॉडेल आहे; कोर द्वारे कॅलिब्रेट केल्याशिवाय आणि ऑफ-साइट वाहतूक केल्याशिवाय अविश्वसनीय.
- शिकलेला संबंध शैक्षणिक परिस्थितीशी विशिष्ट आहे; एक्सट्रापोलेशन ही सर्वात सामान्य आणि धोकादायक चूक आहे.
- उत्पादन आणि व्हॉल्यूम एकाच संख्येसह सादर केले जात नाही, परंतु संभाव्य परिस्थिती आणि सिम्युलेशनसह, अनिश्चितता स्पष्टपणे दिलेली आहे.
अर्ज कार्य
विहीर लॉगचा (किंवा प्रतिनिधी मूल्यांचा) अनामित संच मिळवा. मॉडेलला "पारगम्यता प्रमाणीकरण" टेम्प्लेटसह कोणते झोन एक्स्ट्रापोलेशनचा धोका आहे हे शोधून काढा; हे जाणूनबुजून प्रशिक्षण श्रेणीच्या बाहेर ठेवून झोनला उत्तेजित करते का ते तपासा. त्यानंतर, एकल वक्र ऐवजी निम्न/मध्यम/उच्च परिस्थिती तयार करण्यासाठी "उत्पादन परिदृश्य मसुदा" टेम्पलेट वापरा आणि वाक्यातील श्रेणीच्या रुंदीवर टिप्पणी करा.
चेकलिस्ट
- मला सच्छिद्रता आणि पारगम्यता यामधील मापनक्षमतेतील फरक माहित आहे आणि त्या पारगम्यतेसाठी कोर/वेल चाचणी आवश्यक आहे.
- [ ] मी चेहर्याचे वर्गीकरण कोरसह कॅलिब्रेट केल्याशिवाय विश्वसनीय मानत नाही.
- [] मी शिकलेल्या नातेसंबंधांना दुसऱ्या फील्ड/स्थितीत एक्स्ट्रापोलेट करण्याचा धोका ओळखतो.
- मी एकल संख्यांऐवजी संभाव्य परिस्थिती आणि सिम्युलेशनसह उत्पादन आणि खंड सादर करतो.
- [ ] "प्रत्येक जलाशयाचा अंदाज कोणता थेट मापन खोटा ठरवू शकतो?" मी प्रश्नासह चाचणी करतो.