लाभ:
- AI संग porosity, पारगम्यता र जलाशय गुण भविष्यवाणी मा कार्यप्रवाह व्याख्या गर्ने क्षमता
- राम्रो लग व्याख्या, अनुहार वर्गीकरण र उत्पादन पूर्वानुमान मा मेशिन शिक्षा स्थिति को क्षमता
- भौतिक सीमाहरू, राम्रो परीक्षण र अनिश्चितता विश्लेषण मार्फत जलाशय उत्पादनहरू प्रमाणित गर्ने क्षमता
तेल वा ग्यासको भण्डार भनेको सतहभन्दा माइल तल झरेको चट्टानमा फसेको तरल पदार्थको अदृश्य खजाना हो। हामी यसलाई प्रत्यक्ष देख्न सक्दैनौं; हामीले यसलाई इनारहरूबाट प्राप्त गर्ने लगहरू, कोरहरू, सिस्मिक छायाँहरू र उत्पादन डेटासँग मात्र "पढ्यौं"। चट्टानले कति तरल पदार्थ राख्छ (छिद्रता), यसले कति सजिलै तरल पदार्थ (पारगम्यता) छोड्छ र जलाशयको त्रि-आयामी संरचना कस्तो छ भन्ने यी अप्रत्यक्ष मापनहरूबाट जलाशयको विशेषताहरू पुनर्निर्माण गर्ने कार्य हो। AI यस क्षेत्रमा शक्तिशाली छ: राम्रो लगहरू व्याख्या गर्ने, अनुहारहरूको वर्गीकरण (चट्टानका प्रकारहरूको संयोजन), पोरोसिटी-पारगम्यता सम्बन्धहरूको भविष्यवाणी गर्ने, र उत्पादन प्रवृतिहरू मोडेल गर्ने। तर जलाशयहरू, अन्य भौगोलिक क्षेत्रहरू जस्तै, अनिश्चितताले भरिएका छन्, र प्रत्येक भविष्यवाणी भौतिक सीमा, राम्रो परीक्षण र अनिश्चितता विश्लेषणसँग जोडिएको बिना निर्णयको लागि आधार हुन सक्दैन।
यस एकाइमा हामी जलाशय अध्ययनका तीन एआई पक्षहरू समावेश गर्नेछौं: राम्रो लग व्याख्या र अनुहार वर्गीकरण (लगहरूबाट चट्टानको प्रकार र गुणहरूको निकासी), पोरोसिटी-पारगम्यता भविष्यवाणी (जलाशयको गुणस्तरको भविष्यवाणी), र उत्पादन भविष्यवाणी (भविष्यमा इनारले कति उत्पादन गर्नेछ)। जियोस्ट्याटिस्टिक्स यहाँ पनि मेरुदण्ड हो; हामी वेरियोग्राम र सिमुलेशनको साथ इनारहरू बीचको ठाउँ भर्छौं। नोट: तेल र ग्यास क्षेत्र धेरै व्यावसायिक रूपमा संवेदनशील छ; सबै नमूनाहरू अज्ञात र प्रतिनिधि मानहरूको साथ अध्ययन गरिन्छ।
राम्रो लग व्याख्या र अनुहार वर्गीकरण
वेल लगहरू कर्भहरू हुन् जसले बोरको छेउमा चट्टानको भौतिक गुणहरू निरन्तर नाप्छन्: गामा किरण (माटोको सामग्री), प्रतिरोधात्मकता (तरल पदार्थको प्रकार - पानी/हाइड्रोकार्बन), घनत्व र न्यूट्रोन (पोरोसिटी), ध्वनि (चट्टानको कठोरता)। एक पेट्रोलियम भूवैज्ञानिकले यी वक्रहरू सँगै पढ्छन् र प्रत्येक गहिराइमा चट्टानको प्रकार र तरल पदार्थ निकाल्छन्। यो ढाँचा पहिचान हो, र AI यसमा धेरै राम्रो छ: लगातार हजारौं मिटर लगहरू अनुहारहरूमा क्रमबद्ध गर्दै।
तर त्यहाँ दुई सीमा छन्। पहिलो, लग व्याख्या एउटा मोडेल हो, मापन होइन; एउटै लग विभिन्न अनुहार व्याख्याहरूको लागि खुला हुन सक्छ। दोस्रो, यदि मोडेलले एक क्षेत्रमा सिकेको लग-फेसिज सम्बन्धलाई अन्धाधुन्ध रूपमा स्थानान्तरण गर्छ (भिन्न निक्षेप वातावरण, फरक डायजेनेसिस), यसले गम्भीर गल्ती गर्छ। त्यसकारण, फेसिज आउटपुट कोर डाटाको साथ क्यालिब्रेट गरिएको छ; कोर एङ्कर हो जसले लग व्याख्यालाई जग्गा सत्यसँग जोड्दछ।
सुझाव: फेसिज मोडेलको आउटपुटमा विश्वास गर्नु अघि, सोध्नुहोस् "कुन इनारहरू कोर गरिएको छ र ती इनारहरूमा मोडेल कत्तिको सही छ?" सोध्नुहोस्। एक अपरिचित अनुहार अनुमान एक अपरिचित परिकल्पना हो, चाहे यो जतिसुकै व्यावहारिक देखिन्छ।
Porosity र पारगम्यता: सबैभन्दा महत्वपूर्ण भिन्नता
जलाशयको गुणस्तरका दुई कुञ्जीहरू पोरोसिटी र पारगम्यता हुन्, र तिनीहरू बीचको भिन्नता एआई प्रयोग गर्ने सबैभन्दा महत्त्वपूर्ण बिन्दुहरू मध्ये एक हो। पोरोसिटी चट्टानको शून्य अनुपात हो र उचित शुद्धताका साथ लगहरूबाट व्युत्पन्न गर्न सकिन्छ। पारगम्यता भनेको चट्टानबाट तरल पदार्थ कत्ति सजिलै बग्छ र सीधै लगहरूबाट मापन हुँदैन; तर अप्रत्यक्ष रूपमा अनुमान गरिएको छ। पारगम्यता पोरोसिटीमा भएका साना परिवर्तनहरूको लागि तीव्र रूपमा संवेदनशील हुन्छ र छिद्र ज्यामिति, दरार र सिमेन्टेशनमा निर्भर गर्दछ।
त्यसैले मेसिन लर्निङको साथ पारगम्यता भविष्यवाणी आकर्षक र खतरनाक दुवै छ। मोडेलले कोर इनारहरूमा पोरोसिटी र अन्य लगहरूबाट पारगम्यता सिक्छ; तर यसले सिक्ने सम्बन्ध त्यो अनुहार र त्यो दबाव-तापमान अवस्थाको लागि विशिष्ट छ। फरक लिथोलोजी वा अनकोर गरिएको इनारमा एक्स्ट्रापोलेसन (सिकेको दायरा बाहिर सर्ने) ठूला त्रुटिहरू हुनेछन्। पारगम्यता अनुमान कोर मापन र राम्रो परीक्षणसँग जोडिएको हुनुपर्छ (दबाव ड्रप/स्वेल परीक्षणहरूले वास्तविक प्रवाह व्यवहार दिन्छ)।
सावधानी: पारगम्यता अनुमानले "राम्रो देखिने" ग्राफ उत्पादन गरे पनि, प्रशिक्षण डेटाको अनुहार र दबाव अवस्थाहरू बाहिर लागू गरियो भने यो अविश्वसनीय हुन्छ। मोडेलले सहसंबंध सिक्छ, भौतिक तथ्य होइन; सधैं कोर र राम्रो परीक्षण संग परीक्षण।
उत्पादन पूर्वानुमान र अनिश्चितता
भविष्यमा इनारले कति उत्पादन गर्छ त्यो जलाशयले कति तरल पदार्थ राख्छ र वितरण गर्छ भन्ने कुरामा भर पर्छ। शास्त्रीय विधिहरू (बक्र विश्लेषण अस्वीकार) भविष्यमा विगत उत्पादन प्रवृत्ति विस्तार; AI ले यस प्रवृतिलाई बहु-वेल डेटाको साथ समृद्ध बनाउँछ र छिमेकी कुवा ढाँचाहरूबाट सिक्न सक्छ। तर उत्पादन पूर्वानुमान स्वाभाविक रूपमा अनिश्चित छ: जलाशय विषम छ, दबाब परिवर्तन, सञ्चालन अवस्था परिवर्तन। त्यसैले, एक सम्भाव्य दायरा (कम/मध्यम/उच्च परिदृश्य) प्रस्तुत गरिएको छ, एकल "सटीक" उत्पादन वक्र होइन।
जियोस्ट्याटिस्टिक्सले कुवाहरू बीचको भोल्युम भर्दा अनिश्चितता पनि बोक्छ। क्रमिक गौसियन सिमुलेशन जस्ता विधिहरूले एकल "औसत" मोडेलको सट्टा धेरै समान सम्भावना मोडेलहरू उत्पादन गर्दछ; यी मोडेलहरू बीचको भिन्नता भनेको अनिश्चितता हो। कृत्रिम बुद्धिमत्ताले यी सिमुलेशनहरूलाई गति दिन्छ र व्याख्या गर्दछ; तर नतिजालाई एउटै संख्यामा घटाएर अनिश्चितता लुकाएर गलत आत्मविश्वास पैदा गर्छ।
तीन मिनी केसहरू: नम्बरहरू द्वारा
केस १ - एक्स्ट्रापोलेसन त्रुटि। एक साइटमा तीन कोर इनारहरूमा प्रशिक्षित पारगम्यता मोडेलले चौथो इनारमा सही देखाएको भविष्यवाणी दियो। तर यो इनार माटोको आकारमा थियो र मोडेलले यो अन्तराल कहिल्यै देखेको थिएन; राम्रो परीक्षणले वास्तविक पारगम्यता अनुमानको एक-पाँच भाग हुन देखाएको छ। मोडेललाई "राम्रो देखिने" ग्राफको लागि गम्भीर रूपमा गलत थियो; राम्रो परीक्षण एंकर त्रुटि समात्यो।
केस २ - अनुहार क्यालिब्रेसन। एउटा ग्यास क्षेत्रमा, आर्टिफिसियल इन्टेलिजेन्सले छिट्टै 14 वटा कुवाको लगलाई अनुहारमा क्रमबद्ध गर्यो। तीन कोरेड इनारहरूसँग तुलना गर्दा, मोडेलले "क्लिन बालुवा ढुङ्गा" को रूपमा वर्गीकृत गरेको क्षेत्र वास्तवमा भाँचिएको, कम गुणस्तरको एकाई थियो। कोर क्यालिब्रेसनको साथ, मोडेललाई पुन: प्रशिक्षित गरियो र जलाशयको मात्रा अनुमानलाई यथार्थवादी स्तरमा ल्याइयो।
केस 3 - लिपि ईमानदारी। उत्पादन पूर्वानुमानमा, मोडेलले एकल वक्र दियो र विषम संख्याहरूमा दस वर्षको उत्पादन व्यक्त गर्यो। जब टोलीले अनुक्रमिक सिमुलेशन मार्फत कम/मध्यम/उच्च परिदृश्य उत्पन्न गर्यो, तिनीहरूले दायरा धेरै फराकिलो भएको फेला पारे (उच्च परिदृश्य लगभग दुई गुणा कम थियो)। यो चौडाइले लगानी निर्णयमा थप राम्रो परीक्षण आवश्यक थियो भनेर संकेत गर्यो; एकल संख्याले यो अनिश्चिततालाई खतरनाक रूपमा लुकायो।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
यी इनार लगहरू हेर्नुहोस्, पारगम्यता गणना गर्नुहोस्, र मलाई भन्नुहोस् कि इनारले कति उत्पादन गर्नेछ। [लग डाटा]
शक्तिशाली प्रम्प्ट:
तपाईंको भूमिका: सहायक जलाशय भूविज्ञानी। तलका लगहरूसँग पारगम्यता र उत्पादनको लागि एकल सटीक नम्बर दिँदै। यसको सट्टा: 1) फेसिज व्याख्या गर्दा कुन कुवाहरू कोरद्वारा पुष्टि गर्न सकिन्छ भनेर राज्य गर्नुहोस्। 2) पारगम्यता अनुमान सीधै लगहरूबाट मापन गर्न सकिँदैन, कुन अवस्थामा (फेसिस/दबाव) यो मान्य हुनेछ, र कोर / राम्रो परीक्षणको आवश्यकता छ भनेर व्याख्या गर्नुहोस्। 3) कम/मध्यम/उच्च परिदृश्य स्थापना गर्नुहोस्, एकल उत्पादनको लागि पर्दाको तर्क होइन, 4 उत्पादनको लागि एकल तर्क। परिणामलाई असर गर्छ। डाटा बेनामी छ; कुनै वास्तविक क्षेत्र/कम्पनी छैन।
चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू
1) लग-फेसिज क्यालिब्रेसन जाँच:
अनुहार वर्गीकरणका लागि कुन कुवाहरू कोरिएका छन् र यी इनारहरूमा मोडेलको शुद्धता कसरी मापन गर्न सकिन्छ भनी व्याख्या गर्नुहोस्। अप्रमाणित क्षेत्रहरूलाई "परीक्षण नगरिएको" को रूपमा चिन्ह लगाउनुहोस्; आँखा चिम्लिएर विश्वास नगर्नुहोस्।
2) पारगम्यता प्रमाणीकरण:
पारगम्यता भविष्यवाणीको लागि: मोडेललाई तालिम दिइएको अनुहार र दबाव दायरा निर्दिष्ट गर्नुहोस्; कुन कुवा/क्षेत्रहरू यस दायरा बाहिर छन् (एक्स्ट्रापोलेसन) चिन्ह लगाउनुहोस्। यी क्षेत्रहरूमा कोर र राम्रो परीक्षण बिना भविष्यवाणी विश्वास गर्नु हुँदैन भनेर जोड दिनुहोस्। ठ्याक्कै नम्बर नदिनुहोस्।
3) उत्पादन परिदृश्य मस्यौदा:
घट्ने वक्र/उत्पादन डेटाबाट कम, मध्यम, उच्च उत्पादन परिदृश्य तर्क स्थापना गर्दछ। व्याख्या गर्नुहोस् कि प्रत्येक परिदृश्य कुन धारणाहरूमा आधारित छ र तिनीहरू बीचको भिन्नताको अर्थ के हो। कुनै एकल "सटीक" वक्र प्रस्ताव गर्दैन।
4) अनिश्चितता सिमुलेशन व्याख्या:
बहुविध समान सम्भावना भौगोलिक मोडेलको आउटपुटको व्याख्या गर्नुहोस् (जस्तै, अनुक्रमिक सिमुलेशन): भोल्युम अनुमानको वितरण कति फराकिलो छ, कुन क्षेत्र सबैभन्दा अनिश्चित छ, र कुन अतिरिक्त डेटा (राम्रो, भूकम्पीय) संग यो अनिश्चितता संकुचित छ? एकल संख्यामा घटाउँदै।
जलाशय विशिष्टता, मापन योग्यता र प्रमाणीकरण
सुविधा/आउटपुट
के यो लगबाट मापन गर्न सकिन्छ?
AI जोखिम
प्रमाणीकरण एंकर
porosity
उचित शुद्धता संग व्युत्पन्न
क्यालिब्रेसन बहाव
कोर porosity
पारगम्यता
होइन, अप्रत्यक्ष अनुमान
एक्स्ट्रापोलेसन त्रुटि
कोर + राम्रो परीक्षण
अनुहारहरू
टिप्पणी (मोडेल)
अफ-साइट यातायात
मूल परिभाषा
तरल पदार्थको प्रकार
म प्रतिरोधात्मकताबाट निष्कर्ष निकाल्छु
गलत टिप्पणी
दबाव / नमूना परीक्षण
उत्पादन पूर्वानुमान
प्रवृत्ति विस्तार
गलत निश्चितता
परिदृश्य + राम्रो परीक्षण
संकेत: जलाशयमा प्रत्येक अनुमानको लागि "कुन प्रत्यक्ष मापनले यसलाई अस्वीकार गर्न सक्छ?" भनेर परीक्षण गर्नुहोस्। पोरोसिटीको लागि कोर, पारगम्यताको लागि राम्रो परीक्षण, अनुहारहरूको लागि कोर परिभाषा। प्रत्यक्ष मापन द्वारा खण्डन गर्न नसकिने भविष्यवाणी अझै पुष्टि भएको छैन।
सामान्य गल्तीहरू
- पारगम्यतालाई पोरोसिटीको रूपमा हेर्दै। पारगम्यता लगहरूबाट सीधै मापन हुँदैन; एक्स्ट्रापोलेसनले ठूला त्रुटिहरू दिन्छ, कोर/वेल परीक्षण आवश्यक छ।
- कोर बिना अनुहार मोडेल प्रयोग गर्दै। कोर द्वारा क्यालिब्रेट नगरिएको अनुहार एक परीक्षण नगरिएको परिकल्पना हो।
- सिकेको सम्बन्धलाई अर्को क्षेत्रमा लैजाने । फरक निक्षेप वातावरण र डायजेनेसिसले लग-ट्रेट सम्बन्धलाई परिवर्तन गर्दछ।
- एकल कर्भको साथ उत्पादन प्रस्तुत गर्दै। यदि अनिश्चितता परिदृश्यहरूमा दिइएन भने, लगानी निर्णय गलत निश्चिततामा आधारित हुन्छ।
- सिमुलेशनलाई औसतमा घटाउँदै। धेरै मोडेल अनिश्चितता संकेत; यसलाई एक संख्यामा घटाउँदा जानकारी नष्ट हुन्छ।
संक्षेपमा
- जलाशय अदृश्य छ; यो अप्रत्यक्ष रूपमा लग, कोर, सिस्मिक र उत्पादन डेटाको साथ पढिन्छ र प्रत्येक भविष्यवाणीमा अनिश्चितता हुन्छ।
- पोरोसिटी लगबाट व्युत्पन्न गर्न सकिन्छ; पारगम्यता सीधा मापन गरिएको छैन, यो कोर र राम्रो परीक्षण संग जोडिएको हुनुपर्छ।
- अनुहार वर्गीकरण एक मोडेल हो; कोर द्वारा क्यालिब्रेट र अफ-साइट ढुवानी बिना अविश्वसनीय।
- सिकेको सम्बन्ध शैक्षिक अवस्थाहरूमा विशिष्ट छ; एक्स्ट्रापोलेसन सबैभन्दा सामान्य र खतरनाक गल्ती हो।
- उत्पादन र भोल्युम एकल संख्याको साथ प्रस्तुत गरिएको छैन, तर एक सम्भावित परिदृश्य र सिमुलेशनको साथ, अनिश्चितता स्पष्ट रूपमा दिइएको छ।
आवेदन कार्य
राम्रो लगहरू (वा प्रतिनिधि मानहरू) को अज्ञात सेट प्राप्त गर्नुहोस्। मोडेललाई "पारगम्यता प्रमाणीकरण" टेम्प्लेटको साथ एक्स्ट्रापोलेसनको जोखिममा रहेका क्षेत्रहरू पत्ता लगाउन लगाउनुहोस्; जानीजानी प्रशिक्षण दायरा बाहिर राखेर यसले क्षेत्रलाई उत्तेजित गर्छ कि गर्दैन भनेर परीक्षण गर्नुहोस्। त्यसपछि, एकल कर्भको सट्टा कम/मध्यम/उच्च परिदृश्य उत्पादन गर्न "उत्पादन परिदृश्य मस्यौदा" टेम्प्लेट प्रयोग गर्नुहोस् र वाक्यमा दायराको चौडाइमा टिप्पणी गर्नुहोस्।
चेकलिस्ट
- [ ] मलाई पोरोसिटी र पारगम्यता बीचको नाप्ने क्षमताको भिन्नता थाहा छ र त्यो पारगम्यताको लागि कोर/वेल परीक्षण आवश्यक छ।
- [ ] म यसलाई कोरसँग क्यालिब्रेट नगरी अनुहार वर्गीकरणलाई विश्वसनीय ठान्दिन।
- [ ] मैले सिकेको सम्बन्धलाई अर्को क्षेत्र/सर्तमा एक्स्ट्रापोलेट गर्ने जोखिमलाई बुझेको छु।
- [ ] म एकल संख्याको सट्टा सम्भाव्य परिदृश्य र सिमुलेशनको साथ उत्पादन र भोल्युम प्रस्तुत गर्दछु।
- [] "प्रत्येक जलाशयको अनुमानलाई कुन प्रत्यक्ष मापनले खण्डन गर्न सक्छ?" म प्रश्न संग परीक्षण गर्छु।