Winst:
- Mogelijkheid om uit te leggen hoe de 3D-verdeling van reservoireigenschappen (porositeit, permeabiliteit, waterverzadiging) wordt gemodelleerd met AI en geostatistiek
- Mogelijkheid om de spreiding van functies te lokaliseren met faciesmodellering, variogram, kriging en machine learning
- Mogelijkheid om de output van reservoirmodellen te verifiëren met materiaalbalans, puttesten en onzekerheidsscenario's
Om een olie- of gasveld te fabriceren, moeten we er eerst een 3D-model van bouwen: waar het reservoirgesteente zich bevindt, hoe poreus het is (porositeit), hoe gemakkelijk vloeistof stroomt (permeabiliteit/permeabiliteit), en hoeveel van de poriën gevuld zijn met koolwaterstoffen (1 − waterverzadiging). Maar we kunnen deze kenmerken alleen meten op de punten waar we putten boren; Het enorme volume tussen de putten is leeg en moet gevuld worden. Bij de karakterisering van reservoirs worden puntmetingen in putten uitgevoerd en deze met behulp van geologische logica en statistiek over het gehele volume uitgebreid. In deze unit maken we bij dit verspreidingswerk gebruik van kunstmatige intelligentie en geostatistiek (de tak van de statistiek die ruimtelijke gegevens met onzekerheid modelleert). Het onveranderlijke principe: elke waarde van bron tot bron is een schatting, geen werkelijke waarde; Onzekerheid maakt deel uit van het model en wordt getest door fysiek evenwicht.
Basisconcepten
- Facies: Een gesteentesoort met unieke eigenschappen die werd gevormd in een bepaalde afzettingsomgeving (bijvoorbeeld riviergeulzand, mariene schalie, rifkalksteen). De kwaliteit van het reservoir hangt nauw samen met de facies: het kanaal voert zand goed af, maar geen schalie.
- Variogram: Een maatstaf voor ruimtelijke continuïteit die beschrijft hoe de gelijkenis van kenmerken afneemt naarmate de afstand tussen twee punten groter wordt. Het is het basisinstrument van de geostatistiek.
- Kriging: Een methode die de waarde op niet-bemonsterde punten schat met behulp van het variogram, samen met de schattingsonzekerheid.
- Stochastische simulatie: het produceren van veel even waarschijnlijke modellen (realisaties) die compatibel zijn met de gegevens, in plaats van één enkele "beste" gok; Het maakt onzekerheid zichtbaar.
- Materiaalbalans: Conserveringsrelatie tussen de uit het reservoir geproduceerde vloeistof, drukval en resterend volume; fysiek anker dat het modelvolume onafhankelijk test.
Tip: Het reservoirmodel is een onzekerheidsverdeling, geen enkel getal. De juiste taal is "P90=35, P50=50, P10=72 miljoen vaten", niet "Reserve 50 miljoen vaten". Vraag de AI om een scenario/verdeling, niet om een enkele puntschatting.
Hoe AI en geostatistiek samenwerken
Klassieke geostatistiek (kriging, variogram) is krachtig, maar worstelt met multivariate, niet-lineaire relaties. Dit is waar machinaal leren een rol speelt:
- Faciesclassificatie: Facies toewijzen uit de logset (begeleid leren); Verspreid de functie vervolgens met behulp van facies als richtlijn.
- Schatting van attributen: Schatten van de porositeit tussen putten op basis van een seismisch attribuut + log-relatie (seismisch gestuurde modellering).
- Opvullen van gaten: het invullen van ontbrekende logboeken varieert redelijkerwijs van aangrenzende putten en relaties.
Maar machine learning kent geen geologische logica. De door een model geproduceerde porositeitskaart is onjuist als deze inconsistent is met de afzettingsomgeving (bijvoorbeeld hoge permeabiliteit in schaliefacies). Geologische plausibiliteit is het eerste filter van AI-uitvoer.
Stap voor stap: workflow van reservoirmodellen
- Structureel skelet. Bepaal de geometrie van het reservoir met horizonten en fouten van seismische aard (uitvoer van eenheid 3).
- Facies-model. Bepaal de facies in putten (log + kern), verdeel naar volume met variogram/geologische trend. AI versnelt de classificatie.
- Functie-implementatie. Verdeel porositeit, permeabiliteit en waterverzadiging binnen elke facies door kriging of machinaal leren; Als er seismiek is, vraag dan een gids.
- Onzekerheid. Genereer een groot aantal realisaties met stochastische simulatie; P90/P50/P10-volumes worden uitgevoerd.
- Verificatie. Testmodelvolume met materiaalbalans en geschiedenismatch; Vergelijk met de permeabiliteit van een puttest.
Drie mini-hoesjes: volgens de cijfers
Geval 1 — Gids voor waarde van gezichten. Wanneer de porositeit rechtstreeks door kriging op een locatie werd verspreid, ‘lekte’ de hoge porositeit naar schaliezones van lage kwaliteit. Toen het faciesmodel voor het eerst werd opgesteld en de porositeit binnen de facies werd verdeeld, werd het model realistisch en werden de stochastische volumes kleiner: het P50-volume daalde met 12%, maar de onzekerheidsmarge werd kleiner met 40%. De juiste structuur leverde zowel realistischere als veiligere resultaten op.
Geval 2 — Extrapolatieval. Het machine learning-model leerde de porositeit-seismische relatie goed in de regio waar de putten geconcentreerd zijn; maar toegepast op een randblok zonder put, viel het buiten het trainingsbereik (extrapolatie) en produceerde het een onrealistische porositeit van 28%. De geoloog toonde aan dat dat blok zich in een andere facieszone bevond; het model was ongeldig in die regio. De extrapolatielimiet is gemarkeerd.
Geval 3 — Materieel evenwichtsconflict. Een rijk 3D-model van de P50-reserves leverde 68 miljoen vaten op; De vroege daling van de productiedruk in het veld duidde echter op een systeem met een materiaalbalans van maximaal ~45 miljoen vaten. De tegenstrijdigheid kwam doordat het model ervan uitging dat losgekoppelde (geïsoleerde) zandlichamen te veel met elkaar verbonden waren. De aansluiting werd heroverwogen en het model werd kleiner gemaakt. Het fysieke anker legde het geometrische model vast.
Zwakke prompt/sterke prompt
Zwakke prompt:
Het reservoirmodel en de reserve zijn afgeleid van deze putgegevens.
Krachtige prompt:
Genereer een DRAFT-plan voor reservoirmodellering op basis van de (geanonimiseerde) put en het seismische overzicht hieronder. Regels: - Eerste build-faciesmodel; Verdeel de porositeit/permeabiliteit BINNEN de gevels. Koolwaterstofkenmerken die uitlekken in schalie/lagen van lage kwaliteit. - Variogramparameters (richting, bereik) rechtvaardigen op basis van geologische trends, niet op basis van gegevens; Schrijf de aannames DUIDELIJK op. - Presenteer het resultaat als een P90/P50/P10-volumeverdeling, niet als een enkel getal. - Markeer het risico van extrapolatie in regio's zonder water. - Schrijf op hoe u dit kunt verifiëren aan de hand van de materiaalbalans/productiegeschiedenis. Gegevens: [samenvatting]
Vier kopieerbare sjablonen
1) Facies-classificatieontwerp:
Stel een facies-classificatiebenadering voor op basis van de volgende set logboeken. Noteer de logbestanden die moeten worden gebruikt, de klassedefinities en de noodzaak van kernlabeling. Specificeer het risico op verwarring tussen klassen en de geologische plausibiliteitscontrole. Gegevens: [logset]
2) Variogram-rechtvaardiging:
Wanneer u een variogram voor deze porositeitsgegevens opstelt, moet u de selectie van de richting en het bereik in verband brengen met de richting van de geologische neerslag. Leg het risico uit van het aannemen van isotroop. Geef de grens aan van de betrouwbaarheid van variogrammen met weinig gegevens. Gegevens: [porositeit]
3) Onzekerheidsscenario:
Genereer een P90/P50/P10-volumeverdeling voor de volgende volume-invoer (oppervlakte, dikte, porositeit, verzadiging, conversiefactor). Vraag naar het onzekerheidsbereik van elke invoer, ga er niet van uit. Rangschik de meest invloedrijke bron van onzekerheid (tornado).Invoer: [waarden]
4) Kruiscontrole materiaalbalans:
Vergelijk het volgende 3D-modelvolume met de gegeven vroege productie- en drukvalgegevens voor de materiaalbalans. Als er sprake is van incompatibiliteit, vermeld dan de mogelijke redenen (verbinding, ondersteuning van de watervoerende laag, volumefout). Model: [volume], productie/druk: [gegevens]
Verificatielagen van reservoirmodel
laag
Welke testen
Methode
Geologische plausibiliteit
Consistentie van de gezichtskenmerken
Deskundige beoordeling
goed gegevens
Naleving van spotmetingen
Log/kern vergelijking
goed testen
Werkelijke permeabiliteit/druk
Druktransiënttest
Materiële balans
volumebehoud
Druk-productierelatie
Productiegeschiedenis
dynamisch gedrag
Geschiedenis matching
Veel voorkomende fouten
- Facies overslaan. Verdeel functies zonder gezichtsgeleider en lek koolwaterstoffen met iets.
- Voorspelling op één punt. Rapporteren van één aantal reserves in plaats van een onzekerheidsverdeling.
- Extrapolatie. Het model blindelings toepassen op blokken buiten het trainingsgegevensbereik.
- Materiaalbalans overslaan. Het 3D-modelvolume niet testen met fysiek evenwicht.
- Laat het variogram op automatisch staan. Richting/bereik kiezen zonder geologische trend.
Samengevat
- Karakterisering van reservoirs is de uitbreiding van puntmetingen in putten naar het gehele volume met geologie en geostatistiek.
- AI en machinaal leren zijn krachtig bij het classificeren van gezichten en het voorspellen van functies; maar geologische plausibiliteit is het eerste filter.
- Verdeel kenmerken binnen gezichten; Rapporteer onzekerheid als een P90/P50/P10-verdeling.
- Markeer de extrapolatielimieten; Gebruik het model niet blindelings buiten het trainingsbereik.
- Materiaalbalans en productiegeschiedenis zijn fysieke ankers die het geometrische model testen.
Applicatie taak
Neem porositeit/facies-gegevens van verschillende putten (representatief) van een veld. Laat een modelleringsplan genereren met de krachtige prompt. Vervolgens: (1) controleren of de porositeit binnen de facies verdeeld is, (2) de reserve vragen als P90/P50/P10, en niet als een enkel getal, (3) het volume gegeven door het model grofweg voorzien van een eenvoudige materiaalbalans (geproduceerd + resterend) logica. Voeg een extrapolatiewaarschuwing toe voor ten minste één bronloze regio.
controlelijst
- [ ] Ik begrijp dat het reservoirmodel een schatting van bron tot bron is en onzekerheid met zich meebrengt.
- [ ] Ik verspreid de functies met de faciesgids, ik lek ze niet naar facies van lage kwaliteit.
- [ ] Ik rapporteer de reserve als een P90/P50/P10-verdeling, niet als een enkel getal.
- [ ] Ik markeer de extrapolatielimieten.
- [ ] Ik verifieer het modelvolume met de materiaalbalans en productiegeschiedenis.