Gevinster:
- Evne til å forklare hvordan 3D-fordelingen av reservoaregenskaper (porøsitet, permeabilitet, vannmetning) er modellert med AI og geostatistikk
- Evne til å lokalisere funksjonsspredning med faciesmodellering, variogram, kriging og maskinlæring
- Evne til å verifisere reservoarmodellutganger med materialbalanse, brønntesting og usikkerhetsscenarier
For å fremstille et olje- eller gassfelt må vi først bygge en 3D-modell av det: hvor reservoarbergarten er, hvor porøs den er (porøsitet), hvor lett væske flyter (permeabilitet/permeabilitet), og hvor mye av porene som er fylt med hydrokarboner (1 − vannmetning). Men vi kan bare måle disse egenskapene på de punktene der vi borer brønner; Det enorme volumet mellom brønnene er tomt og må fylles. Reservoarkarakterisering er å ta punktmålinger i brønner og utvide dem til hele volumet ved hjelp av geologisk logikk og statistikk. I denne enheten bruker vi kunstig intelligens og geostatistikk (statistikkgrenen som modellerer romdata med usikkerhet) i dette formidlingsarbeidet. Det uforanderlige prinsippet: hver brønn-til-brønn-verdi er et estimat, ikke en faktisk; Usikkerhet er en del av modellen og testes av fysisk balanse.
Grunnleggende konsepter
- Facies: En bergart med unike egenskaper som ble dannet i et bestemt avsetningsmiljø (f.eks. elvekanalsand, marin skifer, revkalkstein). Reservoarkvaliteten er nært knyttet til facies: kanalen drenerer sand godt, men ikke skifer.
- Variogram: Et mål på romlig kontinuitet som beskriver hvordan funksjonslikhet avtar når avstanden mellom to punkter øker. Det er det grunnleggende verktøyet for geostatistikk.
- Kriging: En metode som estimerer verdien ved ikke-samplede punkter ved hjelp av variogrammet, sammen med estimeringsusikkerheten.
- Stokastisk simulering: Produserer mange like sannsynlige modeller (realiseringer) som er kompatible med dataene, i stedet for en enkelt "beste" gjetning; Det synliggjør usikkerhet.
- Materialbalanse: Bevaringsforhold mellom væsken som produseres fra reservoaret, trykkfall og gjenværende volum; fysisk anker som uavhengig tester modellvolumet.
Hint: Reservoarmodellen er en usikkerhetsfordeling, ikke et enkelt tall. Riktig språk er "P90=35, P50=50, P10=72 millioner fat", ikke "Reserver 50 millioner fat". Spør AI om et scenario/distribusjon, ikke et enkelt punktestimat.
Hvordan AI og geostatistikk fungerer sammen
Klassisk geostatistikk (kriging, variogram) er kraftig, men sliter med multivariate, ikke-lineære forhold. Det er her maskinlæring kommer inn i bildet:
- Faciesklassifisering: Tilordning av facies fra loggsettet (veiledet læring); Distribuer deretter funksjonen ved å bruke facies som veiledning.
- Attributtestimering: Estimering av porøsitet mellom brønner fra seismisk attributt + log-forhold (seismisk drevet modellering).
- Å fylle hull: Fullføring av manglende logg varierer rimelig fra nabobrønner og relasjoner.
Men maskinlæring kjenner ikke til geologisk logikk. Porøsitetskartet produsert av en modell er feil hvis det er inkonsistent med avsetningsmiljøet (f.eks. høy permeabilitet i skiferfacies). Geologisk plausibilitet er det første filteret for AI-utgang.
Trinn for trinn: Arbeidsflyt for reservoarmodell
- Strukturelt skjelett. Etabler geometrien til reservoaret med horisonter og forkastninger fra seismikk (utgang fra enhet 3).
- Facies modell. Bestem facies i brønner (log + kjerne), fordel til volum med variogram/geologisk trend. AI øker klassifiseringen.
- Funksjonsimplementering. Fordel porøsitet, permeabilitet, vannmetning innenfor hver facies ved kriging eller maskinlæring; Hvis det er seismikk, få en guide.
- Usikkerhet. Generer et stort antall realiseringer med stokastisk simulering; P90/P50/P10-volumer sendes ut.
- Bekreftelse. Testmodellvolum med materialbalanse og historiematch; Sammenlign med brønntestpermeabilitet.
Tre minivesker: etter tallene
Sak 1 — Verdi av facies guide. Når porøsitet ble spredt på et sted direkte ved kriging, "lekket" høy porøsitet inn i skifersoner av lav kvalitet. Da faciesmodellen først ble etablert og porøsiteten ble fordelt innenfor faciesene, ble modellen realistisk og de stokastiske volumene ble smalt: P50-volumet ble redusert med 12 %, men usikkerhetsbåndet ble redusert med 40 %. Riktig struktur ga både mer realistiske og sikrere resultater.
Tilfelle 2 — Ekstrapolasjonsfelle. Maskinlæringsmodellen lærte det porøsitet-seismiske forholdet godt i regionen der brønnene er konsentrert; men når den ble påført en kantblokk uten brønn, falt den utenfor treningsområdet (ekstrapolering) og ga en urealistisk porøsitet på 28 %. Geologen viste at den blokken var i en annen facies-sone; modellen var ugyldig i den regionen. Ekstrapolasjonsgrensen er markert.
Sak 3 — Materialbalansekonflikt. En rik 3D-modell P50-reserver ga 68 millioner fat; Imidlertid indikerte feltets tidlige produksjonstrykkfall et system med maksimalt ~45 millioner fat i materialbalanse. Motsetningen kom fordi modellen antok frakoblede (isolerte) sandlegemer å være for sammenkoblet. Sammenhengen ble revurdert og modellen ble gjort mindre. Det fysiske ankeret fikset den geometriske modellen.
Svak forespørsel / sterk forespørsel
Svak melding:
Reservoarmodellen og reserven er utledet fra disse brønndataene.[data]
Kraftig ledetekst:
Generer en reservoarmodelleringsutkastplan fra den (anonymiserte) brønnen og seismikksammendraget nedenfor. Regler:- Bygg først facies-modell; Fordel porøsitet/permeabilitet INNEN facies. Hydrokarbontrekk utlekking til skifer-/lavkvalitetsfasjer.- Begrunn variogramparametere (retning, rekkevidde) fra geologisk trend, ikke fra data; Skriv forutsetningene KLART.- Presenter resultatet som en P90/P50/P10 volumfordeling, ikke et enkelt tall.- Flagg risikoen for ekstrapolering i brønnløse regioner.- Skriv hvordan du kan verifisere med materialbalanse/produksjonshistorikk.Data: [oppsummering]
Fire kopierbare maler
1) Facies-klassifiseringsutkast:
Foreslå en fasi-klassifiseringstilnærming fra følgende sett med logger. Skriv ned loggene som skal brukes, klassedefinisjoner og behovet for kjernemerking. Spesifiser risikoen for forveksling mellom klasser og den geologiske plausibilitetskontrollen. Data: [loggsett]
2) Variogrambegrunnelse:
Når du etablerer et variogram for disse porøsitetsdataene, relatere retnings- og områdevalg til retningen for geologisk nedbør. Forklar risikoen ved å anta isotrop. Angi grensen for variogrammets pålitelighet med lite data. Data: [porøsitet]
3) Usikkerhetsscenario:
Generer P90/P50/P10 volumfordeling for følgende voluminndata (areal, tykkelse, porøsitet, metning, konverteringsfaktor). Spør om usikkerhetsområdet for hver inngang, ikke anta det. Ranger den mest innflytelsesrike kilden til usikkerhet (tornado). Inndata: [verdier]
4) Krysssjekk av materialbalanse:
Sammenlign følgende 3D-modellvolum med de gitte tidlige produksjons- og trykkfallsdata for materialbalanse. Hvis det er inkompatibilitet, oppgi mulige årsaker (tilkobling, akviferstøtte, volumfeil). Modell: [volum], produksjon/trykk: [data]
Reservoarmodellverifiseringslag
lag
Hvilke tester
Metode
Geologisk plausibilitet
Facies-funksjon konsistens
Ekspertvurdering
brønndata
Samsvar med punktmåling
Logg/kjerne sammenligning
brønntest
Faktisk permeabilitet/trykk
Trykktransient test
Materialbalanse
volumkonservering
Press-produksjonsforhold
Produksjonshistorie
dynamisk oppførsel
Historiematching
Vanlige feil
- Facies hopper over. Fordel funksjoner uten facies guide og lekk hydrokarboner med ting.
- Enkeltpunktsprediksjon. Rapportering av et enkelt antall reserver i stedet for en usikkerhetsfordeling.
- Ekstrapolering. Bruker modellen blindt på blokker utenfor treningsdataområdet.
- Hopp over materialbalanse. Tester ikke 3D-modellvolumet med fysisk balanse.
- La variogrammet stå på automatisk. Velge retning/rekkevidde uten geologisk trend.
Oppsummert
- Reservoarkarakterisering er utvidelsen av punktmålinger i brønner til hele volumet med geologi og geostatistikk.
- AI og maskinlæring er kraftige i fasiesklassifisering og funksjonsprediksjon; men geologisk plausibilitet er det første filteret.
- Distribuer funksjoner innen facies; Rapporter usikkerhet som en P90/P50/P10-fordeling.
- Merk ekstrapolasjonsgrensene; Ikke bruk modellen blindt utenfor treningsområdet.
- Materialbalanse og produksjonshistorie er fysiske ankere som tester den geometriske modellen.
Søknadsoppgave
Ta porøsitets-/ansiktsdata fra flere brønner (representative) for et felt. Få en modelleringsplan generert med den kraftige ledeteksten. Deretter: (1) sjekk om porøsiteten er fordelt innenfor facies, (2) be om reserven som P90/P50/P10, ikke et enkelt tall, (3) gi grovt sett volumet gitt av modellen med en enkel materialbalanse (produsert + gjenværende) logikk. Legg til en ekstrapolasjonsadvarsel for minst én brønnløs region.
sjekkliste
- [ ] Jeg forstår at reservoarmodellen er et brønn-til-brønn-estimat og medfører usikkerhet.
- [ ] Jeg distribuerer funksjonene med faciesguiden, jeg lekker dem ikke inn i lavkvalitetsfacies.
- [ ] Jeg rapporterer reserven som en P90/P50/P10-fordeling, ikke et enkelt tall.
- [ ] Jeg markerer ekstrapolasjonsgrensene.
- [ ] Jeg verifiserer modellvolumet med materialbalansen og produksjonshistorikken.