जलाशयाचे वैशिष्ट्य, दर्शनी मॉडेलिंग आणि भू-सांख्यिकी

नफा:

• जलाशयाच्या गुणधर्मांचे 3D वितरण (सच्छिद्रता, पारगम्यता, पाणी संपृक्तता) AI आणि भू-सांख्यिकीसह कसे केले जाते हे स्पष्ट करण्याची क्षमता
• फेस मॉडेलिंग, व्हेरिओग्राम, क्रिगिंग आणि मशीन लर्निंगसह वैशिष्ट्यांचा प्रसार शोधण्याची क्षमता
• सामग्री शिल्लक, चांगली चाचणी आणि अनिश्चितता परिस्थितीसह जलाशय मॉडेल आउटपुट सत्यापित करण्याची क्षमता

तेल किंवा वायू क्षेत्र तयार करण्यासाठी, आम्हाला प्रथम त्याचे 3D मॉडेल तयार करणे आवश्यक आहे: जलाशयाचा खडक कुठे आहे, तो किती सच्छिद्र आहे (सच्छिद्रता), द्रव किती सहजपणे वाहतो (पारगम्यता/पारगम्यता), आणि किती छिद्र हायड्रोकार्बन्सने भरलेले आहेत (1 − पाणी संपृक्तता). परंतु आम्ही या वैशिष्ट्यांचे मोजमाप फक्त त्या ठिकाणी करू शकतो जेथे आम्ही विहिरी खोदतो; विहिरींमधील प्रचंड खंड रिकामा आहे आणि तो भरणे आवश्यक आहे. जलाशयाचे वैशिष्ट्यीकरण म्हणजे विहिरींमध्ये बिंदू मोजणे आणि भूवैज्ञानिक तर्कशास्त्र आणि आकडेवारी वापरून त्यांचा संपूर्ण खंडापर्यंत विस्तार करणे. या युनिटमध्ये, आम्ही या प्रसार कार्यात कृत्रिम बुद्धिमत्ता आणि भू-सांख्यिकी (अनिश्चिततेसह अवकाशीय डेटाचे मॉडेल करणारी आकडेवारीची शाखा) वापरतो. अपरिवर्तित तत्त्व: प्रत्येक विहीर ते विहीर मूल्य एक अंदाज आहे, वास्तविक नाही; अनिश्चितता मॉडेलचा भाग आहे आणि भौतिक संतुलनाद्वारे चाचणी केली जाते.

मूलभूत संकल्पना

• दर्शनी भाग: विशिष्ट गुणधर्म असलेल्या खडकाचा प्रकार जो विशिष्ट निक्षेपीय वातावरणात तयार झाला (उदा. नदी वाहिनी वाळू, सागरी शेल, खडक चुनखडी). जलाशयाची गुणवत्ता चेहऱ्याशी जवळून जोडलेली आहे: वाहिनी वाळूचा चांगला निचरा करते, परंतु शेल नाही.
• व्हेरिओग्राम: दोन बिंदूंमधील अंतर वाढल्यावर वैशिष्ट्यातील समानता कशी कमी होते याचे वर्णन करणारे अवकाशीय सातत्य मोजण्याचे माप. हे जिओस्टॅटिस्टिक्सचे मूलभूत साधन आहे.
• क्रिगिंग: एक पद्धत जी अंदाज अनिश्चिततेसह व्हेरिओग्राम वापरून नमुना नसलेल्या बिंदूंवर मूल्याचा अंदाज लावते.
• स्टोकास्टिक सिम्युलेशन: एकाच "सर्वोत्तम" अंदाजाऐवजी, डेटाशी सुसंगत अनेक समान संभाव्य मॉडेल (प्राप्ती) तयार करणे; हे अनिश्चितता दृश्यमान करते.
• सामग्री संतुलन: जलाशयातून तयार होणारे द्रव, दाब कमी आणि उर्वरित खंड यांच्यातील संवर्धन संबंध; भौतिक अँकर जो स्वतंत्रपणे मॉडेल व्हॉल्यूमची चाचणी करतो.

इशारा: जलाशय मॉडेल एक अनिश्चितता वितरण आहे, एकल संख्या नाही. योग्य भाषा "P90=35, P50=50, P10=72 दशलक्ष बॅरल्स" आहे, "50 दशलक्ष बॅरल राखीव" नाही. एआयला परिस्थिती/वितरणासाठी विचारा, एका पॉइंट अंदाजासाठी नाही.

AI आणि Geostatistics एकत्र कसे कार्य करतात

शास्त्रीय जिओस्टॅटिस्टिक्स (क्रिगिंग, व्हेरिओग्राम) शक्तिशाली आहे परंतु बहुविध, नॉनलाइनर संबंधांशी संघर्ष करते. येथेच मशीन लर्निंग कार्यात येते:

• चेहरे वर्गीकरण: लॉग सेटमधून चेहरे नियुक्त करणे (पर्यवेक्षित शिक्षण); नंतर मार्गदर्शक म्हणून चेहरे वापरून वैशिष्ट्य वितरित करा.
• विशेषता अंदाज: भूकंपीय गुणधर्म + लॉग रिलेशनशिप (सिस्मिक चालित मॉडेलिंग) वरून इंटर-वेल सच्छिद्रतेचा अंदाज लावणे.
• अंतर भरणे: शेजारच्या विहिरी आणि नातेसंबंधांमधून गहाळ लॉग श्रेणी वाजवीपणे पूर्ण करणे.

पण मशीन लर्निंगला भूगर्भशास्त्रीय तर्क माहित नाही. एखाद्या मॉडेलद्वारे तयार केलेला सच्छिद्रता नकाशा चुकीचा आहे जर तो डिपॉझिशनल वातावरणाशी विसंगत असेल (उदा. शेल फेसमध्ये उच्च पारगम्यता). एआय आउटपुटचा पहिला फिल्टर भूगर्भशास्त्रीय अनुकूलता आहे.

स्टेप बाय स्टेप: जलाशय मॉडेल वर्कफ्लो

1. स्ट्रक्चरल सांगाडा. भूकंपातील क्षितिज आणि दोषांसह जलाशयाची भूमिती स्थापित करा (युनिट 3 मधून आउटपुट).
2. चेहर्याचे मॉडेल. विहिरीतील दर्शनी भाग (लॉग + कोर) निश्चित करा, व्हॅरिओग्राम/भूवैज्ञानिक ट्रेंडसह व्हॉल्यूममध्ये वितरित करा. AI वर्गीकरणाला गती देते.
3. वैशिष्ट्य उपयोजन. क्रिगिंग किंवा मशीन लर्निंगद्वारे प्रत्येक चेहऱ्यामध्ये सच्छिद्रता, पारगम्यता, पाणी संपृक्तता वितरित करा; भूकंप असल्यास, मार्गदर्शक मिळवा.
4. अनिश्चितता. स्टोकास्टिक सिम्युलेशनसह मोठ्या प्रमाणात प्राप्ती निर्माण करा; P90/P50/P10 खंड आउटपुट आहेत.
5. पडताळणी. साहित्य शिल्लक आणि इतिहास जुळणी सह चाचणी मॉडेल खंड; चांगल्या चाचणी पारगम्यतेशी तुलना करा.

तीन मिनी प्रकरणे: संख्यांनुसार

केस 1 - दर्शनी मार्गदर्शकाचे मूल्य. जेव्हा सच्छिद्रता थेट क्रिगिंगद्वारे साइटवर विखुरली जाते, तेव्हा उच्च सच्छिद्रता कमी-गुणवत्तेच्या शेल झोनमध्ये "गळती" होते. जेव्हा फेसिस मॉडेल प्रथम स्थापित केले गेले आणि सच्छिद्रता चेहऱ्यांमध्ये वितरीत केली गेली, तेव्हा मॉडेल वास्तववादी बनले आणि स्टोकेस्टिक व्हॉल्यूम संकुचित झाले: P50 व्हॉल्यूम 12% कमी झाला, परंतु अनिश्चितता बँड 40% ने कमी झाला. योग्य रचनेने अधिक वास्तववादी आणि सुरक्षित परिणाम दोन्ही दिले.

केस 2 - एक्स्ट्रापोलेशन ट्रॅप. मशीन लर्निंग मॉडेलने विहिरी केंद्रित असलेल्या प्रदेशात सच्छिद्रता-भूकंपीय संबंध चांगले शिकले; परंतु विहिरीशिवाय एज ब्लॉकवर लागू केल्यावर, ते प्रशिक्षण श्रेणीच्या बाहेर पडले (एक्स्ट्रापोलेशन) आणि 28% ची अवास्तविक सच्छिद्रता निर्माण केली. भूगर्भशास्त्रज्ञाने दाखवले की तो ब्लॉक वेगळ्या फेसिस झोनमध्ये आहे; मॉडेल त्या प्रदेशात अवैध होते. एक्सट्रापोलेशन मर्यादा चिन्हांकित आहे.

प्रकरण 3 - साहित्य संतुलन संघर्ष. समृद्ध 3D मॉडेल P50 रिझर्व्हमधून 68 दशलक्ष बॅरल उत्पन्न झाले; तथापि, फील्डच्या सुरुवातीच्या उत्पादनाच्या दाबाने कमीत कमी ~45 दशलक्ष बॅरल भौतिक शिल्लक असलेली प्रणाली दर्शविली. विरोधाभास आला कारण मॉडेलने डिस्कनेक्ट केलेले (पृथक) वाळूचे शरीर खूप जोडलेले असल्याचे गृहित धरले. कनेक्शनचा पुनर्विचार करण्यात आला आणि मॉडेल लहान केले गेले. भौतिक अँकरने भौमितिक मॉडेल निश्चित केले.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

जलाशय मॉडेल आणि राखीव या विहिरीच्या डेटावरून प्राप्त केले जातात.[डेटा]

शक्तिशाली सूचना:

खाली दिलेल्या (अनामित) विहीर आणि भूकंपाच्या सारांशावरून जलाशय मॉडेलिंग ड्राफ्ट योजना तयार करा. नियम:- प्रथम बिल्ड फेस मॉडेल; सच्छिद्रता/पारगम्यता चेहऱ्यांमध्ये वितरित करा. हायड्रोकार्बन वैशिष्ट्य शेल/कमी गुणवत्तेच्या दर्शनी भागांमध्ये लीचिंग.- भौगोलिक प्रवृत्तीवरून व्हेरिओग्राम पॅरामीटर्स (दिशा, श्रेणी) समायोजित करा, डेटावरून नाही; गृहीतके स्पष्टपणे लिहा.- परिणाम P90/P50/P10 व्हॉल्यूम वितरण म्हणून सादर करा, एकच संख्या नाही.- विहीर प्रदेशात एक्स्ट्रापोलेशनचा धोका दर्शवा.- साहित्य शिल्लक/उत्पादन इतिहासासह कसे सत्यापित करावे ते लिहा. डेटा: [सारांश]

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) चेहरे वर्गीकरण मसुदा:

खालील नोंदींच्या संचामधून दर्शनी वर्गीकरणाचा दृष्टिकोन सुचवा. वापरण्यासाठी नोंदी, वर्ग व्याख्या आणि कोर लेबलिंगची आवश्यकता लिहा. वर्ग आणि भूवैज्ञानिक संभाव्यता तपासणी दरम्यान गोंधळाचा धोका निर्दिष्ट करा. डेटा: [लॉग सेट]

२) वैरिओग्राम औचित्य:

या सच्छिद्रता डेटासाठी व्हेरिओग्राम स्थापित करताना, दिशा आणि श्रेणी निवड भौगोलिक पर्जन्याच्या दिशेशी संबंधित करा. समस्थानिक गृहीत धरण्याचा धोका स्पष्ट करा. थोड्या डेटासह व्हेरिओग्राम विश्वासार्हतेची मर्यादा सांगा. डेटा: [सच्छिद्रता]

3) अनिश्चितता परिस्थिती:

खालील व्हॉल्यूम इनपुटसाठी P90/P50/P10 व्हॉल्यूम वितरण तयार करा (क्षेत्र, जाडी, सच्छिद्रता, संपृक्तता, रूपांतरण घटक). प्रत्येक इनपुटची अनिश्चितता श्रेणी विचारा, असे गृहीत धरू नका. अनिश्चिततेचा (टोर्नॅडो) सर्वात प्रभावशाली स्रोत रँक करा. इनपुट: [मूल्य]

4) साहित्य शिल्लक क्रॉस चेक:

मटेरियल बॅलन्ससाठी दिलेल्या सुरुवातीच्या उत्पादन आणि प्रेशर ड्रॉप डेटासह खालील 3D मॉडेल व्हॉल्यूमची तुलना करा. विसंगतता असल्यास, संभाव्य कारणांची यादी करा (कनेक्शन, जलचर समर्थन, खंड त्रुटी). मॉडेल: [वॉल्यूम], उत्पादन/प्रेशर: [डेटा]

जलाशय मॉडेल सत्यापन स्तर

थर

काय चाचण्या

पद्धत

भूवैज्ञानिक तर्कशुद्धता

चेहरे-वैशिष्ट्य सुसंगतता

तज्ञ पुनरावलोकन

चांगला डेटा

स्पॉट मापन अनुपालन

लॉग/कोर तुलना

चांगली चाचणी

वास्तविक पारगम्यता/दबाव

दबाव क्षणिक चाचणी

साहित्य शिल्लक

खंड संवर्धन

दबाव-उत्पादन संबंध

उत्पादन इतिहास

डायनॅमिक वर्तन

इतिहास जुळत आहे

सामान्य चुका

• चेहरे वगळणे. फेस गाईडशिवाय वैशिष्ट्ये वितरीत करा आणि गोष्टीसह हायड्रोकार्बन्स लीक करा.
• सिंगल पॉइंट अंदाज. अनिश्चिततेच्या वितरणाऐवजी राखीव संख्येची एकच संख्या नोंदवणे.
• एक्सट्रापोलेशन. प्रशिक्षण डेटा श्रेणीबाहेरील ब्लॉक्सवर आंधळेपणाने मॉडेल लागू करणे.
• साहित्य शिल्लक वगळणे. भौतिक संतुलनासह 3D मॉडेल व्हॉल्यूमची चाचणी करत नाही.
• व्हेरिओग्राम स्वयंचलित वर सोडा. भौगोलिक प्रवृत्तीशिवाय दिशा/श्रेणी निवडणे.

सारांशात

• जलाशय वैशिष्ट्यीकरण म्हणजे विहिरीतील बिंदू मोजमापांचा भूगर्भशास्त्र आणि भू-सांख्यिकीसह संपूर्ण खंडापर्यंत विस्तार करणे.
• एआय आणि मशीन लर्निंग चेहर्याचे वर्गीकरण आणि वैशिष्ट्य अंदाज मध्ये शक्तिशाली आहेत; परंतु भूगर्भीय तर्कशुद्धता हा पहिला फिल्टर आहे.
• चेहर्यामध्ये वैशिष्ट्ये वितरित करा; P90/P50/P10 वितरण म्हणून अनिश्चिततेचा अहवाल द्या.
• एक्सट्रापोलेशन मर्यादा चिन्हांकित करा; प्रशिक्षण श्रेणीबाहेरील मॉडेलचा आंधळेपणाने वापर करू नका.
• भौतिक संतुलन आणि उत्पादन इतिहास हे भौतिक अँकर आहेत जे भौमितिक मॉडेलची चाचणी घेतात.

अर्ज कार्य

क्षेत्राच्या अनेक विहिरींमधून (प्रतिनिधी) सच्छिद्रता/फेसीस डेटा घ्या. शक्तिशाली प्रॉम्प्टसह मॉडेलिंग योजना तयार करा. नंतर: (1) सच्छिद्रता दर्शनी भागात वितरीत केली आहे की नाही ते तपासा, (2) P90/P50/P10 म्हणून राखीव ठेवण्यासाठी विचारा, एकही संख्या नाही, (3) साधारण सामग्री शिल्लक (उत्पादित + उर्वरित) तर्कासह मॉडेलने दिलेला खंड प्रदान करा. कमीत कमी एका विहीर प्रदेशासाठी एक्स्ट्रापोलेशन चेतावणी जोडा.

चेकलिस्ट

• [ ] मला समजले आहे की जलाशयाचे मॉडेल एक चांगले अंदाज आहे आणि त्यात अनिश्चितता आहे.
• [ ] मी चेहर्यावरील मार्गदर्शकासह वैशिष्ट्ये वितरीत करतो, मी त्यांना कमी दर्जाच्या चेहऱ्यांमध्ये लिक करत नाही.
• [ ] मी P90/P50/P10 वितरण म्हणून राखीव नोंदवतो, एक संख्या नाही.
• मी एक्स्ट्रापोलेशन मर्यादा चिन्हांकित करतो.
• [ ] मी मटेरियल बॅलन्स आणि उत्पादन इतिहासासह मॉडेल व्हॉल्यूम सत्यापित करतो.