Gevinster:
- Evne til å forklare arbeidsflyten ved å forutsi porøsitet, permeabilitet og reservoaregenskaper med AI
- Evne til å posisjonere maskinlæring i brønnloggtolkning, fasiklassifisering og produksjonsprognoser
- Evne til å verifisere reservoarutganger gjennom fysiske grenser, brønntesting og usikkerhetsanalyse
Et olje- eller gassreservoar er en usynlig skattekiste av væsker fanget i porøs stein, miles under overflaten. Vi kan ikke se det direkte; Vi «leser» den kun med loggene, kjerner, seismiske skygger og produksjonsdata vi får fra brønnene. Reservoarkarakterisering er oppgaven med å rekonstruere fra disse indirekte målingene hvor mye væske bergarten inneholder (porøsitet), hvor lett den frigjør væske (permeabilitet), og hva slags tredimensjonal struktur reservoaret er. AI er kraftig på dette området: tolking av brønnlogger, klassifisering av facies (sammensetninger av bergarter), forutsi porøsitet-permeabilitetsforhold og modellering av produksjonstrender. Men reservoarer, som andre geologiske felt, er fulle av usikkerhet, og ikke alle prediksjoner kan være grunnlag for beslutninger uten å være knyttet til fysiske grenser, brønntesting og usikkerhetsanalyser.
I denne enheten vil vi dekke tre AI-aspekter ved reservoarstudier: brønnloggtolkning og faciesklassifisering (uttak av bergart og egenskaper fra logger), porøsitet-permeabilitetsprediksjon (prediksjon av reservoarkvalitet) og produksjonsprediksjon (hvor mye brønnen vil produsere i fremtiden). Geostatistikk er ryggraden også her; Vi fyller mellomrommet mellom brønner med variogram og simulering. Merk: olje- og gasssektoren er svært kommersielt sensitiv; Alle prøver er studert med anonyme og representative verdier.
Brønnloggtolkning og faciesklassifisering
Brønnlogger er kurver som kontinuerlig måler de fysiske egenskapene til bergarten langs boringen: gammastråle (leireinnhold), resistivitet (væsketype - vann/hydrokarbon), tetthet og nøytron (porøsitet), sonisk (berghardhet). En petroleumsgeolog leser disse kurvene sammen og trekker ut bergarten og væsken på hver dybde. Dette er mønstergjenkjenning, og AI er veldig flinke til det: konsekvent sortering av titusenvis av meter med logger i facies.
Men det er to grenser. For det første er loggtolkningen en modell, ikke en måling; Den samme loggen kan være åpen for ulike fasy-tolkninger. For det andre, hvis modellen blindt overfører log-facies-forholdet den har lært i ett felt til et annet felt (forskjellig avsetningsmiljø, forskjellig diagenese), gjør den alvorlige feil. Derfor er facies-utgangen kalibrert med kjernedata; Kjernen er ankeret som kobler loggtolkningen til grunnsannheten.
Tips: Før du stoler på utdataene fra en facies-modell, spør "hvilke brønner har fått kjerne, og hvor nøyaktig er modellen i disse brønnene?" spørre. Et ubekreftet faciesestimat er en uprøvd hypotese, uansett hvor plausibel den kan virke.
Porøsitet og permeabilitet: Den mest kritiske distinksjonen
De to nøklene til reservoarkvalitet er porøsitet og permeabilitet, og forskjellen mellom dem er et av de viktigste punktene ved bruk av AI. Porøsitet er hulromsforholdet til fjellet og kan utledes fra tømmerstokker med rimelig nøyaktighet. Permeabilitet er hvor lett væske strømmer gjennom fjellet og ikke måles direkte fra tømmerstokker; men det er estimert indirekte. Permeabilitet er eksponentielt følsom for små endringer i porøsitet og avhenger av poregeometri, sprekker og sementering.
Det er derfor permeabilitetsprediksjon med maskinlæring er både attraktiv og farlig. Modellen lærer porøsitet i kjernebrønner og permeabilitet fra andre logger; men forholdet det lærer er spesifikt for det ansiktet og den trykk-temperatur-tilstanden. Ekstrapolering til en annen litologi eller til en brønn uten kjerne (beveger seg utenfor det innlærte området) vil resultere i store feil. Permeabilitetsestimering må knyttes til kjernemåling og brønntesting (trykkfall/svelletester gir faktisk strømningsatferd).
Forsiktig: Selv om permeabilitetsestimatet produserer en "god" graf, er den upålitelig hvis den brukes utenfor treningsdataenes ansikts- og trykkforhold. Modellen lærer en korrelasjon, ikke et fysisk faktum; test alltid med kjerne- og brønntesting.
Produksjonsprognose og usikkerhet
Hvor mye en brønn produserer i fremtiden avhenger av hvor mye væske reservoaret rommer og leverer. Klassiske metoder (analyse av nedgangskurve) utvider tidligere produksjonstrend inn i fremtiden; AI beriker denne trenden med multibrønndata og lærer av nabobrønnmønstre. Men produksjonsprognoser er iboende usikker: reservoaret er heterogent, trykkendringer, driftsforholdene endres. Derfor presenteres et probabilistisk område (lavt/middels/høyt scenario), ikke en eneste «eksakt» produksjonskurve.
Geostatistikk medfører også usikkerhet ved fylling av volumet mellom brønner. Metoder som sekvensiell Gaussisk simulering produserer mange like sannsynlige modeller i stedet for en enkelt "gjennomsnittlig" modell; Forskjellen mellom disse modellene er selve usikkerheten. Kunstig intelligens akselererer og tolker disse simuleringene; men å redusere resultatet til et enkelt tall skaper falsk tillit ved å skjule usikkerhet.
Tre minivesker: etter tallene
Tilfelle 1 — Ekstrapolasjonsfeil. Permeabilitetsmodellen trent på tre kjernebrønner på ett sted ga en prediksjon som virket perfekt på den fjerde brønnen. Men denne brønnen var i en mer leire facies og modellen hadde aldri sett dette intervallet; brønntesting viste at faktisk permeabilitet var omtrent en femtedel av estimatet. Modellen ble alvorlig forvekslet med en "god" graf; Brønntestankeret fanget opp feilen.
Tilfelle 2 — Facies-kalibrering. I ett gassfelt sorterte kunstig intelligens raskt loggene til 14 brønner i facies. Sammenlignet med tre kjernebrønner, var sonen som modellen klassifiserte som en "ren sandstein" faktisk en oppsprukket enhet av lav kvalitet. Med kjernekalibrering ble modellen omskolert og reservoarvolumestimatet ble brakt ned til et realistisk nivå.
Case 3 - Manusærlighet. I en produksjonsprognose ga modellen en enkelt kurve og uttrykte tiårsproduksjon i oddetall. Da teamet genererte et lavt/middels/høyt scenario gjennom en sekvensiell simulering, fant de ut at rekkevidden var veldig bred (det høye scenarioet var omtrent dobbelt så lavt). Denne bredden indikerte at ytterligere brønntesting var nødvendig i investeringsbeslutningen; Enkeltnummeret skjulte farlig denne usikkerheten.
Svak forespørsel / sterk forespørsel
Svak melding:
Se på disse brønnloggene, beregn permeabiliteten, og fortell meg hvor mye brønnen vil produsere. [loggdata]
Kraftig ledetekst:
Din rolle: Assisterende reservoargeolog. Gir ENKELT NUMMER for permeabilitet og produksjon med loggene nedenfor. I stedet:1) Oppgi hvilke brønner som kan bekreftes av kjerne når du gjør facies-tolkning.2) Forklar at permeabilitetsestimatet ikke kan måles direkte fra logger, under hvilke forhold (facies/trykk) det vil være gyldig, og behovet for kjerne-/brønntesting.3) Etabler en lav/middels/høy scenarielogikk for produksjon, ikke en enkelt usikre kilde som påvirker resultat4) en anonym kilde. Ingen egentlig felt/bedrift.
Fire kopierbare maler
1) Logg-facies kalibreringssjekk:
Forklar hvilke brønner som er kjernet for faciesklassifisering og hvordan vi kan måle modellens nøyaktighet i disse brønnene. Merk ubekreftede soner som "ikke testet"; Ikke stol blindt.
2) Permeabilitetsvalidering:
For permeabilitetsprediksjon: spesifiser fasiene og trykkområdet som modellen er trent for; Marker hvilke brønner/soner som er utenfor dette området (ekstrapolering). Understrek at spådommen ikke bør stoles på uten kjerne- og brønntesting i disse sonene. Ikke oppgi et eksakt tall.
3) Utkast til produksjonsscenario:
Etablerer lav, middels, høy produksjonsscenariologikk fra nedgangskurve/produksjonsdata. Forklar hvilke forutsetninger hvert scenario er basert på og hva forskjellene mellom dem betyr. Tilbyr ingen enkelt "nøyaktig" kurve.
4) Tolkning av usikkerhetssimulering:
Tolk utdataene fra en flere like sannsynlig geostatistisk modell (f.eks. sekvensiell simulering): hvor bred er fordelingen av volumestimatet, hvilken region er mest usikker, og med hvilke tilleggsdata (vel, seismisk) er denne usikkerheten innsnevret? Redusere til et enkelt tall.
Reservoarspesifikasjon, målbarhet og verifikasjon
funksjon/utgang
Kan det måles fra logger?
AI risiko
verifikasjonsanker
porøsitet
Utledet med rimelig nøyaktighet
Kalibreringsdrift
Kjerneporøsitet
permeabilitet
Nei, indirekte gjetning
Ekstrapolasjonsfeil
Kjerne + brønntest
facies
Kommentar (modell)
Off-site transport
kjernedefinisjon
Væsketype
Jeg utleder fra resistivitet
feil kommentar
Trykk-/prøvetesting
Produksjonsprognose
trendutvidelse
falsk sikkerhet
Scenario + brønntest
Hint: For hvert estimat på reservoaret "hvilken direkte måling kan motbevise dette?" Test det ved å si. Kjerne for porøsitet, brønntest for permeabilitet, kjernedefinisjon for facies. En prediksjon som ikke kan tilbakevises ved direkte måling er ennå ikke bekreftet.
Vanlige feil
- Ser permeabilitet som porøsitet. Permeabiliteten måles ikke direkte fra stokker; Ekstrapolering gir store feil, kjerne/brønntesting er essensielt.
- Bruker facies-modellen uten kjerne. En facies som ikke er kalibrert av kjernen er en uprøvd hypotese.
- Bære det lærte forholdet til et annet felt. Ulikt avsetningsmiljø og diagenese endrer log-egenskap-forholdet.
- Presentere produksjon med en enkelt kurve. Dersom det ikke er gitt usikkerhet med scenarier, er investeringsbeslutningen basert på falsk sikkerhet.
- Reduserer simuleringen til gjennomsnittet. Flere modeller indikerer usikkerhet; Å redusere det til et enkelt tall ødelegger informasjon.
Oppsummert
- Reservoaret er usynlig; Den leses indirekte med logger, kjerne-, seismikk- og produksjonsdata, og hver prediksjon medfører usikkerhet.
- Porøsitet kan avledes fra tømmerstokker; Permeabiliteten måles ikke direkte, den må kobles sammen med kjerne- og brønntesting.
- Facies-klassifisering er en modell; upålitelig uten å bli kalibrert av kjernen og transportert off-site.
- Relasjonen som læres er spesifikk for utdanningsforhold; Ekstrapolering er den vanligste og farligste feilen.
- Produksjon og volum presenteres ikke med et enkelt tall, men med et sannsynlighetsscenario og simulering, med usikkerhet klart gitt.
Søknadsoppgave
Få et anonymisert sett med brønnlogger (eller representative verdier). Få modellen til å finne ut hvilke soner som er utsatt for ekstrapolering med malen "permeabilitetsvalidering"; Test om den stimulerer en sone ved bevisst å plassere den utenfor treningsområdet. Bruk deretter malen "produksjonsscenarioutkast" for å lage et lavt/middels/høyt scenario i stedet for en enkelt kurve og kommentere bredden på området i en setning.
sjekkliste
- [ ] Jeg vet forskjellen i målbarhet mellom porøsitet og permeabilitet og at permeabilitet krever kjerne-/brønntesting.
- [ ] Jeg anser ikke facies-klassifisering som pålitelig uten å kalibrere den med kjerne.
- [ ] Jeg anerkjenner risikoen ved å ekstrapolere det lærte forholdet til et annet felt/tilstand.
- [ ] Jeg presenterer produksjon og volum med sannsynlighetsscenarier og simuleringer i stedet for enkelttall.
- [ ] "Hvilken direkte måling kan motbevise hvert reservoarestimat?" Jeg tester det med spørsmålet.