Winst:
- Mogelijkheid om de workflow uit te leggen bij het voorspellen van porositeit, permeabiliteit en reservoireigenschappen met AI
- Mogelijkheid om machine learning te positioneren bij de interpretatie van putlogboeken, faciesclassificatie en productievoorspellingen
- Mogelijkheid om reservoiroutputs te verifiëren via fysieke grenzen, puttesten en onzekerheidsanalyse
Een olie- of gasreservoir is een onzichtbare schatkamer van vloeistoffen die gevangen zitten in poreus gesteente, kilometers onder het oppervlak. We kunnen het niet direct zien; We "lezen" het alleen met de logs, kernen, seismische schaduwen en productiegegevens die we van de putten ontvangen. Karakterisering van reservoirs is de taak om uit deze indirecte metingen te reconstrueren hoeveel vloeistof het gesteente vasthoudt (porositeit), hoe gemakkelijk het vloeistof afgeeft (permeabiliteit) en wat voor soort driedimensionale structuur het reservoir heeft. AI is krachtig op dit gebied: het interpreteren van putlogboeken, het classificeren van facies (assemblages van gesteentetypen), het voorspellen van porositeit-permeabiliteitsrelaties en het modelleren van productietrends. Maar reservoirs zijn, net als andere geologische velden, vol onzekerheid, en niet elke voorspelling kan een basis voor beslissingen zijn zonder gekoppeld te zijn aan fysieke grenzen, puttesten en onzekerheidsanalyses.
In deze unit behandelen we drie AI-aspecten van reservoironderzoek: putloginterpretatie en faciesclassificatie (extractie van gesteentetype en eigenschappen uit boomstammen), voorspelling van porositeit-permeabiliteit (voorspelling van reservoirkwaliteit) en productievoorspelling (hoeveel de put in de toekomst zal produceren). Geostatistiek vormt ook hier de ruggengraat; De ruimte tussen de putten vullen we op met variogram en simulatie. Let op: de olie- en gassector is commercieel zeer gevoelig; Alle monsters worden bestudeerd met anonieme en representatieve waarden.
Well Log-interpretatie en Facies-classificatie
Putlogboeken zijn curven die continu de fysische eigenschappen van het gesteente langs de boring meten: gammastraling (kleigehalte), soortelijke weerstand (vloeistoftype - water/koolwaterstof), dichtheid en neutronen (porositeit), sonisch (hardheid van het gesteente). Een aardoliegeoloog leest deze curven samen en extraheert op elke diepte het gesteentetype en de vloeistof. Dit is patroonherkenning, en AI is er heel goed in: het consequent sorteren van tienduizenden meters boomstammen in facies.
Maar er zijn twee grenzen. Ten eerste is de loginterpretatie een model en geen meting; Hetzelfde logboek kan openstaan voor verschillende interpretaties. Ten tweede: als het model de log-facies-relatie die het op het ene gebied heeft geleerd blindelings overdraagt naar een ander gebied (andere afzettingsomgeving, andere diagenese), maakt het ernstige fouten. Daarom wordt de faciesuitvoer gekalibreerd met kerngegevens; De kern is het anker dat de loginterpretatie verbindt met de grondwaarheid.
Tip: Voordat u de output van een faciesmodel vertrouwt, vraagt u zich af: "Welke putten zijn geboord en hoe nauwkeurig is het model in die putten?" vragen. Een niet-bevestigde faciesschatting is een ongeteste hypothese, hoe plausibel deze ook mag lijken.
Porositeit en permeabiliteit: het meest kritische onderscheid
De twee sleutels tot de kwaliteit van het reservoir zijn porositeit en permeabiliteit, en het verschil daartussen is een van de belangrijkste punten bij het gebruik van AI. Porositeit is de leegteverhouding van het gesteente en kan met redelijke nauwkeurigheid worden afgeleid uit houtblokken. Permeabiliteit is hoe gemakkelijk vloeistof door het gesteente stroomt en wordt niet rechtstreeks uit boomstammen gemeten; maar het wordt indirect geschat. De permeabiliteit is exponentieel gevoelig voor kleine veranderingen in de porositeit en hangt af van de poriëngeometrie, scheuren en cementatie.
Daarom is het voorspellen van de permeabiliteit met machinaal leren zowel aantrekkelijk als gevaarlijk. Het model leert de porositeit in kernputten en de permeabiliteit van andere houtblokken; maar de relatie die het leert is specifiek voor dat gezicht en die druk-temperatuuromstandigheid. Extrapolatie naar een andere lithologie of naar een put zonder kern (die zich buiten het geleerde bereik beweegt) zal tot grote fouten leiden. Het schatten van de permeabiliteit moet worden gekoppeld aan kernmetingen en puttesten (drukval-/zweltesten geven feitelijk stromingsgedrag weer).
Let op: Zelfs als de schatting van de permeabiliteit een "goed uitziende" grafiek oplevert, is deze onbetrouwbaar als deze buiten de facies- en drukomstandigheden van de trainingsgegevens wordt toegepast. Het model leert een correlatie, geen fysiek feit; test altijd met kern- en puttesten.
Productievoorspelling en onzekerheid
Hoeveel een put in de toekomst zal produceren, hangt af van hoeveel vloeistof het reservoir bevat en levert. Klassieke methoden (analyse van de dalingscurve) breiden de productietrend uit het verleden uit naar de toekomst; AI verrijkt deze trend met gegevens over meerdere putten en leert van aangrenzende putpatronen. Maar productievoorspellingen zijn inherent onzeker: het reservoir is heterogeen, de druk verandert en de bedrijfsomstandigheden veranderen. Daarom wordt een probabilistisch bereik (laag/gemiddeld/hoog scenario) gepresenteerd, en niet één enkele "exacte" productiecurve.
Geostatistiek brengt ook onzekerheid met zich mee bij het vullen van het volume tussen putten. Methoden zoals sequentiële Gauss-simulatie leveren veel even waarschijnlijke modellen op in plaats van één enkel "gemiddeld" model; Het verschil tussen deze modellen is de onzekerheid zelf. Kunstmatige intelligentie versnelt en interpreteert deze simulaties; maar het terugbrengen van het resultaat tot één enkel getal schept vals vertrouwen door de onzekerheid te verbergen.
Drie mini-hoesjes: volgens de cijfers
Geval 1 — Extrapolatiefout. Het permeabiliteitsmodel, getraind op drie putten met kern op één locatie, gaf een voorspelling die perfect leek voor de vierde put. Maar deze put bevond zich in een kleiiger gebied en het model had dit interval nog nooit gezien; Uit puttesten bleek dat de werkelijke permeabiliteit ongeveer een vijfde van de schatting bedroeg. Het model werd ernstig aangezien voor een “mooie” grafiek; Het puttestanker ontdekte de fout.
Geval 2 — Facies-kalibratie. In één gasveld sorteerde kunstmatige intelligentie de logs van veertien putten snel in facies. Vergeleken met putten met drie kernen was de zone die het model classificeerde als ‘schone zandsteen’ feitelijk een gebroken eenheid van lage kwaliteit. Met kernkalibratie werd het model opnieuw getraind en werd de schatting van het reservoirvolume teruggebracht tot een realistisch niveau.
Geval 3 – Eerlijkheid in het script. In een productievoorspelling gaf het model één enkele curve en drukte de tienjarige productie uit in oneven getallen. Toen het team via een sequentiële simulatie een laag/midden/hoog scenario genereerde, ontdekten ze dat het bereik erg breed was (het hoge scenario was ongeveer twee keer zo laag). Deze breedte gaf aan dat bij de investeringsbeslissing aanvullende puttesten nodig waren; Het enkele getal verhulde op gevaarlijke wijze deze onzekerheid.
Zwakke prompt/sterke prompt
Zwakke prompt:
Kijk naar deze putlogboeken, bereken de permeabiliteit en vertel me hoeveel de put zal produceren. [loggegevens]
Krachtige prompt:
Jouw rol: Assistent reservoirgeoloog. Geef ENKEL EXACT NUMMER op voor permeabiliteit en productie met de onderstaande logboeken. In plaats daarvan: 1) Geef aan welke putten door de kern kunnen worden bevestigd bij het maken van facies-interpretatie. 2) Leg uit dat de schatting van de permeabiliteit niet rechtstreeks uit logboeken kan worden gemeten, onder welke omstandigheden (facies/druk) deze geldig zal zijn, en de noodzaak van kern-/puttesten. 3) Stel een lage/gemiddelde/hoge scenariologica op voor de productie, niet één enkele curve. 4) Noem vier bronnen van onzekerheid die het resultaat beïnvloeden. De gegevens zijn anoniem; Geen echt veld/bedrijf.
Vier kopieerbare sjablonen
1) Kalibratiecontrole van log-facies:
Leg uit welke putten worden geboord voor faciesclassificatie en hoe we de nauwkeurigheid van het model in deze putten kunnen meten. Markeer niet-geverifieerde zones als "niet-getest"; Vertrouw niet blindelings.
2) Validatie van de permeabiliteit:
Voor permeabiliteitsvoorspelling: specificeer het facies- en drukbereik waarvoor het model is getraind; Markeer welke putten/zones buiten dit bereik liggen (extrapolatie). Benadruk dat de voorspelling niet mag worden vertrouwd zonder kern- en boorputtesten in deze zones. Geef geen exact aantal.
3) Ontwerp van productiescenario:
Stelt een lage, gemiddelde en hoge productiescenariologica vast op basis van de dalingscurve/productiegegevens. Leg uit op welke aannames elk scenario is gebaseerd en wat de verschillen daartussen betekenen. Het biedt geen enkele "exacte" curve.
4) Interpretatie van onzekerheidssimulatie:
Interpreteer de uitkomst van een meervoudig even waarschijnlijk geostatistisch model (bijvoorbeeld sequentiële simulatie): hoe breed is de verdeling van de volumeschatting, welke regio is het meest onzeker, en met welke aanvullende gegevens (nou ja, seismisch) wordt deze onzekerheid verkleind? Terugbrengen naar één getal.
Reservoirspecificatie, meetbaarheid en verificatie
functie/uitvoer
Kan dit worden gemeten aan de hand van logboeken?
AI-risico
verificatie anker
porositeit
Afgeleid met redelijke nauwkeurigheid
Kalibratieafwijking
Kernporositeit
permeabiliteit
Nee, indirecte gok
Extrapolatiefout
Kern + puttest
gezichten
Opmerking (model)
Vervoer buiten de locatie
kerndefinitie
Vloeibaar type
Ik leid af uit de weerstand
verkeerde opmerking
Druk-/monstertesten
Productievoorspelling
trendextensie
valse zekerheid
Scenario + puttest
Hint: Voor elke schatting van het reservoir "welke directe meting zou dit kunnen weerleggen?" Test het door te zeggen. Kern voor porositeit, puttest voor permeabiliteit, kerndefinitie voor facies. Een voorspelling die niet door directe metingen kan worden weerlegd, is nog niet bevestigd.
Veel voorkomende fouten
- Permeabiliteit zien als porositeit. De permeabiliteit wordt niet rechtstreeks uit houtblokken gemeten; Extrapolatie levert grote fouten op, kern-/puttesten zijn essentieel.
- Gebruik van het faciesmodel zonder kern. Een facies die niet door de kern is gekalibreerd, is een niet-geteste hypothese.
- Het overbrengen van de geleerde relatie naar een ander vakgebied. Verschillende afzettingsomgevingen en diagenese veranderen de log-eigenschapsrelatie.
- Productie presenteren met één enkele curve. Als er geen onzekerheid wordt gegeven met scenario's, is de investeringsbeslissing gebaseerd op schijnzekerheid.
- Het reduceren van de simulatie tot het gemiddelde. Meerdere modellen duiden op onzekerheid; Door het terug te brengen tot één enkel getal, wordt informatie vernietigd.
Samengevat
- Het reservoir is onzichtbaar; Het wordt indirect gelezen met log-, kern-, seismische en productiegegevens en elke voorspelling brengt onzekerheid met zich mee.
- Porositeit kan worden afgeleid uit houtblokken; De permeabiliteit wordt niet rechtstreeks gemeten, maar moet gepaard gaan met kern- en puttesten.
- Facies-classificatie is een model; onbetrouwbaar zonder te worden gekalibreerd door de kern en naar een andere locatie te worden getransporteerd.
- De geleerde relatie is specifiek voor de onderwijsomstandigheden; Extrapolatie is de meest voorkomende en gevaarlijke fout.
- Productie en volume worden niet gepresenteerd met één enkel getal, maar met een probabilistisch scenario en simulatie, waarbij de onzekerheid duidelijk wordt aangegeven.
Applicatie taak
Ontvang een geanonimiseerde set putlogboeken (of representatieve waarden). Laat het model uitzoeken welke zones het risico lopen te worden geëxtrapoleerd met het sjabloon "permeabiliteitsvalidatie"; Test of hij een zone stimuleert door hem bewust buiten het trainingsbereik te plaatsen. Gebruik vervolgens de sjabloon "productiescenarioconcept" om een laag/midden/hoog scenario te maken in plaats van een enkele curve en geef commentaar op de breedte van het bereik in een zin.
controlelijst
- [ ] Ik ken het verschil in meetbaarheid tussen porositeit en permeabiliteit en dat permeabiliteit kern-/puttesten vereist.
- [ ] Ik beschouw faciesclassificatie niet als betrouwbaar zonder deze met kern te kalibreren.
- [ ] Ik erken het risico van het extrapoleren van de geleerde relatie naar een ander veld/conditie.
- [ ] Ik presenteer productie en volume met probabilistische scenario's en simulaties in plaats van losse getallen.
- [ ] "Welke directe meting zou elke reservoirschatting kunnen weerleggen?" Ik test het met de vraag.