जलाशय विशेषता, फेसिज मोडेलिङ र जियोस्ट्याटिस्टिक्स

लाभ:

• जलाशय गुणहरूको थ्रीडी वितरण (छिद्रता, पारगम्यता, पानी संतृप्ति) लाई एआई र जियोस्ट्याटिस्टिक्सको साथ मोडेल गरिएको छ भनेर व्याख्या गर्ने क्षमता।
• फेस मोडलिङ, भेरियोग्राम, क्रिगिङ र मेसिन लर्निङको साथ फैलिएको सुविधा पत्ता लगाउने क्षमता
• सामग्री सन्तुलन, राम्रो परीक्षण र अनिश्चितता परिदृश्यहरूको साथ जलाशय मोडेल आउटपुटहरू प्रमाणित गर्ने क्षमता

तेल वा ग्यास क्षेत्र बनाउनको लागि, हामीले पहिले यसको थ्रीडी मोडेल बनाउनु पर्छ: जलाशयको चट्टान कहाँ छ, यो कति छिद्रपूर्ण छ (छिद्रता), तरल पदार्थ कत्तिको सजिलै बग्छ (पारगम्यता/पारगम्यता), र कति छिद्रहरू हाइड्रोकार्बनले भरिएका छन् (1 − पानी संतृप्ति)। तर हामी यी विशेषताहरू मापन गर्न सक्छौं जहाँ हामी इनार ड्रिल गर्छौं; इनारहरू बीचको ठूलो मात्रा खाली छ र भर्नु पर्छ। जलाशय विशेषताले कुवाहरूमा बिन्दु मापन गर्दै र भौगोलिक तर्क र तथ्याङ्कहरू प्रयोग गरेर सम्पूर्ण मात्रामा विस्तार गर्दैछ। यस एकाइमा, हामी यस प्रसार कार्यमा कृत्रिम बुद्धिमत्ता र भू-संख्याशास्त्र (अनिश्चितताको साथ स्थानिक डेटाको मोडेल गर्ने तथ्याङ्कको शाखा) प्रयोग गर्छौं। अपरिवर्तित सिद्धान्त: प्रत्येक राम्रोसँग राम्रो मूल्य एक अनुमान हो, वास्तविक एक होइन; अनिश्चितता मोडेलको अंश हो र शारीरिक सन्तुलन द्वारा परीक्षण गरिन्छ।

आधारभूत अवधारणाहरू

• अनुहारहरू: एक विशेष निक्षेप वातावरण (जस्तै नदीको धारा बालुवा, समुद्री शेल, चट्टान चूना ढुङ्गा) मा बनाइएको अद्वितीय गुणहरू भएको चट्टानको प्रकार। जलाशयको गुणस्तर अनुहारसँग नजिक छ: च्यानलले बालुवा राम्रोसँग बगाउँछ, तर शेल होइन।
• Variogram: दुई बिन्दुहरू बीचको दूरी बढ्दै जाँदा विशेषता समानता कसरी घट्छ भनेर वर्णन गर्ने स्थानिय निरन्तरताको मापन। यो geostatistics को आधारभूत उपकरण हो।
• Kriging: एउटा विधि जसले नमूना अनिश्चितताको साथमा भेरियोग्राम प्रयोग गरेर नमूना नगरिएका बिन्दुहरूमा मूल्य अनुमान गर्दछ।
• Stochastic सिमुलेशन: एकल "उत्तम" अनुमानको सट्टा डाटासँग मिल्दो धेरै समान सम्भावना मोडेलहरू (प्राप्तिहरू) उत्पादन गर्दै; यसले अनिश्चितता देखाउँछ।
• सामग्री सन्तुलन: जलाशयबाट उत्पादित तरल पदार्थ बीचको संरक्षण सम्बन्ध, दबाव ड्रप र बाँकी मात्रा; भौतिक एंकर जसले स्वतन्त्र रूपमा मोडेल भोल्युम परीक्षण गर्दछ।

संकेत: जलाशय मोडेल एक अनिश्चितता वितरण हो, एक संख्या होइन। सही भाषा "P90=35, P50=50, P10=72 मिलियन ब्यारेल" हो, "50 मिलियन ब्यारेल रिजर्भ" होइन। एआईलाई परिदृश्य/वितरणको लागि सोध्नुहोस्, एकल बिन्दु अनुमान होइन।

कसरी AI र Geostatistics सँगै काम गर्दछ

शास्त्रीय जियोस्ट्याटिस्टिक्स (क्रिजिंग, भेरियोग्राम) शक्तिशाली छ तर बहुभिन्न, गैररेखीय सम्बन्धहरूसँग संघर्ष गर्दछ। यहाँ मेसिन लर्निङ खेलमा आउँछ:

• अनुहार वर्गीकरण: लग सेटबाट अनुहार तोक्ने (पर्यवेक्षित शिक्षा); त्यसपछि मार्गदर्शकको रूपमा अनुहारहरू प्रयोग गरेर सुविधा वितरण गर्नुहोस्।
• विशेषता अनुमान: सिस्मिक एट्रिब्युट + लग सम्बन्ध (भूकम्प चालित मोडेलिङ) बाट अन्तर-वेल पोरोसिटी अनुमान गर्दै।
• खाली ठाउँ भर्नु: छिमेकी कुवाहरू र सम्बन्धहरूबाट उचित रूपमा हराएको लग दायराहरू पूरा गर्दै।

तर मेसिन लर्निङले भूगर्भीय तर्क जान्दैन। मोडेलद्वारा उत्पादित पोरोसिटी नक्सा गलत छ यदि यो डिपोजिसनल वातावरणसँग असंगत छ (जस्तै शेल फेसहरूमा उच्च पारगम्यता)। एआई आउटपुटको पहिलो फिल्टर जियोलोजिकल पोजिबिलिटी हो।

चरणबद्ध रूपमा: जलाशय मोडेल कार्यप्रवाह

1. संरचनात्मक कंकाल। जलाशयको ज्यामितिलाई क्षितिज र सिस्मिक (इकाइ 3 बाट आउटपुट) बाट त्रुटिहरू स्थापना गर्नुहोस्।
2. अनुहार मोडेल। इनारहरूमा अनुहारहरू (लग + कोर) निर्धारण गर्नुहोस्, भेरियोग्राम/भूवैज्ञानिक प्रवृत्तिको साथ भोल्युममा वितरण गर्नुहोस्। एआईले वर्गीकरणलाई गति दिन्छ।
3. सुविधा परिनियोजन। क्रिगिङ वा मेसिन लर्निङद्वारा प्रत्येक अनुहारमा पोरोसिटी, पारगम्यता, पानी संतृप्ति वितरण गर्नुहोस्; यदि त्यहाँ भूकम्प छ भने, एक गाइड लिनुहोस्।
4. अनिश्चितता। स्टोकास्टिक सिमुलेशनको साथ ठूलो संख्यामा प्राप्तिहरू उत्पन्न गर्नुहोस्; P90/P50/P10 भोल्युमहरू आउटपुट हुन्।
5. प्रमाणीकरण। सामग्री सन्तुलन र इतिहास मिलान संग परीक्षण मोडेल मात्रा; राम्रो परीक्षण पारगम्यता संग तुलना गर्नुहोस्।

तीन मिनी केसहरू: नम्बरहरू द्वारा

केस १ - अनुहार गाइडको मूल्य। जब पोरोसिटी साइटमा क्रिजिङद्वारा सिधै छरिएको थियो, उच्च पोरोसिटी कम गुणस्तरको शेल जोनहरूमा "लिक" भयो। जब फेसिज मोडेल पहिलो पटक स्थापित भयो र पोरोसिटी फेसिज भित्र वितरण गरियो, मोडेल यथार्थवादी भयो र स्टोकास्टिक भोल्युमहरू संकुचित भयो: P50 भोल्युम 12% ले घट्यो, तर अनिश्चितता ब्यान्ड 40% ले संकुचित भयो। सही संरचनाले थप यथार्थपरक र सुरक्षित नतिजाहरू ल्यायो।

केस २ - एक्स्ट्रापोलेसन जाल। मेसिन लर्निङ मोडेलले इनारहरू केन्द्रित भएको क्षेत्रमा पोरोसिटी-सेस्मिक सम्बन्ध राम्रोसँग सिकेको छ; तर जब कुवा बिना किनारा ब्लकमा लागू गरियो, यो प्रशिक्षण दायरा (एक्स्ट्रापोलेसन) बाहिर खस्यो र 28% को अवास्तविक पोरोसिटी उत्पादन गर्यो। भूगर्भशास्त्रीले त्यो ब्लक फरक अनुहार क्षेत्रमा रहेको देखाउनुभयो। मोडेल त्यो क्षेत्रमा अमान्य थियो। एक्स्ट्रपोलेसन सीमा चिन्ह लगाइएको छ।

केस 3 - सामग्री सन्तुलन विवाद। एक धनी 3D मोडेल P50 रिजर्भले 68 मिलियन ब्यारेल उत्पादन गर्यो; यद्यपि, क्षेत्रको प्रारम्भिक उत्पादन दबाबले भौतिक सन्तुलनमा अधिकतम ~ 45 मिलियन ब्यारेल भएको प्रणालीलाई संकेत गर्‍यो। विरोधाभास आयो किनभने मोडेलले विच्छेदन (पृथक) बालुवा निकायहरू धेरै जडान भएको मानेको थियो। जडान पुन: विचार गरियो र मोडेल सानो बनाइयो। भौतिक एंकरले ज्यामितीय मोडेल फिक्स गर्यो।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

जलाशय मोडेल र रिजर्भ यस कुवा डाटाबाट व्युत्पन्न गरिएको हो।[डेटा]

शक्तिशाली प्रम्प्ट:

तलको (अज्ञात) कुवा र सिस्मिक सारांशबाट जलाशय मोडेलिङ ड्राफ्ट योजना उत्पन्न गर्नुहोस्। नियमहरू: - पहिलो निर्माण अनुहार मोडेल; अनुहार भित्र porosity/पारगम्यता वितरण गर्नुहोस्। हाइड्रोकार्बन विशेषताहरू शेल/कम गुणस्तरको अनुहारहरूमा लिचिंग।- भौगोलिक प्रवृतिबाट भेरियोग्राम प्यारामिटरहरू (दिशा, दायरा) लाई न्याय गर्नुहोस्, डेटाबाट होइन; अनुमानहरू स्पष्ट रूपमा लेख्नुहोस्।- नतिजालाई P90/P50/P10 भोल्युम वितरणको रूपमा प्रस्तुत गर्नुहोस्, एकल सङ्ख्या होइन।- विहीन क्षेत्रहरूमा एक्स्ट्रपोलेसनको जोखिम झण्डा गर्नुहोस्।- सामग्री सन्तुलन/उत्पादन इतिहाससँग कसरी प्रमाणित गर्ने भनेर लेख्नुहोस्। डाटा: [सारांश]

चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू

1) अनुहार वर्गीकरण मस्यौदा:

निम्न लगहरूको सेटबाट अनुहार वर्गीकरण दृष्टिकोण सुझाव दिनुहोस्। प्रयोग गरिने लगहरू, वर्ग परिभाषाहरू, र कोर लेबलिङको आवश्यकता लेख्नुहोस्। वर्गहरू र भूवैज्ञानिक प्रसङ्गता जाँच बीच भ्रमको जोखिम निर्दिष्ट गर्नुहोस्। डाटा: [लग सेट]

२) वैरियोग्राम औचित्य:

यस पोरोसिटी डेटाको लागि एक भेरियोग्राम स्थापना गर्दा, दिशा र दायरा चयनलाई भौगोलिक वर्षाको दिशासँग सम्बन्धित गर्नुहोस्। आइसोट्रोपिक मान्ने जोखिमको व्याख्या गर्नुहोस्। थोरै डाटाको साथ भेरियोग्राम विश्वसनीयताको सीमा बताउनुहोस्। डाटा: [पोरोसिटी]

3) अनिश्चितता परिदृश्य:

निम्न भोल्युम इनपुटहरूको लागि P90/P50/P10 भोल्युम वितरण उत्पन्न गर्नुहोस् (क्षेत्र, मोटाई, porosity, संतृप्ति, रूपान्तरण कारक)। प्रत्येक इनपुटको अनिश्चितता दायराको लागि सोध्नुहोस्, यसलाई नमान्नुहोस्। रैंक गर्नुहोस् अनिश्चितताको सबैभन्दा प्रभावशाली स्रोत (टर्नाडो)। इनपुट: [मानहरू]

4) सामग्री ब्यालेन्स क्रस चेक:

निम्न 3D मोडेल भोल्युमलाई दिइएको प्रारम्भिक उत्पादन र भौतिक सन्तुलनको लागि दबाव ड्रप डेटासँग तुलना गर्नुहोस्। यदि त्यहाँ असंगतता छ भने, सम्भावित कारणहरू सूचीबद्ध गर्नुहोस् (जडान, जलीय समर्थन, भोल्युम त्रुटि)। मोडेल: [भोल्युम], उत्पादन/दबाव: [डेटा]

जलाशय मोडेल प्रमाणीकरण तहहरू

तह

कस्तो परिक्षण

विधि

भूवैज्ञानिक अनुशासनात्मकता

अनुहार-विशेषता स्थिरता

विशेषज्ञ समीक्षा

राम्रो डाटा

स्पट मापन अनुपालन

लग/कोर तुलना

राम्रो परीक्षण

वास्तविक पारगम्यता / दबाव

दबाव क्षणिक परीक्षण

सामग्री सन्तुलन

मात्रा संरक्षण

दबाव-उत्पादन सम्बन्ध

उत्पादन इतिहास

गतिशील व्यवहार

इतिहास मिलान

सामान्य गल्तीहरू

• अनुहार स्किपिङ। फेसिज गाइड बिना सुविधाहरू वितरण गर्नुहोस् र चीजको साथ हाइड्रोकार्बन चुहावट गर्नुहोस्।
• एकल बिन्दु भविष्यवाणी। अनिश्चितता वितरणको सट्टा रिजर्भको एकल संख्या रिपोर्ट गर्दै।
• एक्स्ट्रापोलेसन। प्रशिक्षण डेटा दायरा बाहिर ब्लकहरूमा मोडेललाई अन्धाधुन्ध रूपमा लागू गर्दै।
• सामग्री सन्तुलन छोड्दै। भौतिक सन्तुलनको साथ 3D मोडेल भोल्युम परीक्षण गर्दैन।
• variogram लाई स्वचालित मा छोड्नुहोस्। भौगोलिक प्रवृत्ति बिना दिशा/दायरा छनोट गर्दै।

संक्षेपमा

• जलाशय विशेषता भनेको भूविज्ञान र जियोस्ट्याटिस्टिक्सको साथ सम्पूर्ण भोल्युममा कुवाहरूमा बिन्दु मापनको विस्तार हो।
• एआई र मेसिन लर्निङ अनुहार वर्गीकरण र विशेषता भविष्यवाणी मा शक्तिशाली छन्; तर भूवैज्ञानिक प्रशंसनीयता पहिलो फिल्टर हो।
• अनुहार भित्र सुविधाहरू वितरण; P90/P50/P10 वितरणको रूपमा अनिश्चितता रिपोर्ट गर्नुहोस्।
• एक्स्ट्रापोलेसन सीमाहरू चिन्ह लगाउनुहोस्; प्रशिक्षण दायरा बाहिरको मोडेललाई अन्धाधुन्ध प्रयोग नगर्नुहोस्।
• भौतिक सन्तुलन र उत्पादन इतिहास भौतिक एंकर हुन् जसले ज्यामितीय मोडेलको परीक्षण गर्दछ।

आवेदन कार्य

क्षेत्रका धेरै कुवाहरू (प्रतिनिधि) बाट पोरोसिटी/फेसिज डाटा लिनुहोस्। शक्तिशाली प्रम्प्टको साथ एक मोडेलिङ योजना उत्पन्न गर्नुहोस्। त्यसपछि: (१) अनुहार भित्र पोरोसिटी वितरण गरिएको छ कि छैन भनी जाँच गर्नुहोस्, (२) P90/P50/P10 को रूपमा रिजर्भको लागि सोध्नुहोस्, एक संख्या होइन, (3) साधारण सामग्री सन्तुलन (उत्पादन + बाँकी) तर्कको साथ मोडेलले दिएको भोल्युम प्रदान गर्नुहोस्। कम्तिमा एउटा कुवाहीन क्षेत्रको लागि एक्स्ट्रपोलेसन चेतावनी थप्नुहोस्।

चेकलिस्ट

• [ ] म बुझ्छु कि जलाशय मोडेल एक राम्रो अनुमान हो र अनिश्चितता बोक्छ।
• [ ] म फेसिज गाइडको साथ सुविधाहरू वितरण गर्छु, म तिनीहरूलाई कम गुणस्तर अनुहारहरूमा लीक गर्दिन।
• [ ] म रिजर्भलाई P90/P50/P10 वितरणको रूपमा रिपोर्ट गर्छु, एकल संख्या होइन।
• [ ] म एक्स्ट्रापोलेसन सीमा चिन्ह लगाउँछु।
• [ ] म सामग्री सन्तुलन र उत्पादन इतिहास संग मोडेल भोल्युम प्रमाणित गर्छु।