Zyski:
- Umiejętność wyjaśnienia, w jaki sposób rozkład 3D właściwości zbiorników (porowatość, przepuszczalność, nasycenie wodą) jest modelowany za pomocą sztucznej inteligencji i geostatystyki
- Możliwość lokalizowania rozrzutu cech za pomocą modelowania facjalnego, wariogramu, krigingu i uczenia maszynowego
- Możliwość weryfikacji wyników modelu złożowego na podstawie bilansu materiałowego, testowania odwiertów i scenariuszy niepewności
Aby wytworzyć złoże naftowe lub gazowe, musimy najpierw zbudować jego model 3D: gdzie znajduje się skała zbiornikowa, jak bardzo jest porowata (porowatość), jak łatwo przepływa płyn (przepuszczalność/przepuszczalność) i ile porów jest wypełnionych węglowodorami (1 - nasycenie wodą). Ale możemy mierzyć te cechy tylko w punktach, w których wiercimy studnie; Ogromna objętość między studniami jest pusta i należy ją wypełnić. Charakterystyka zbiorników polega na wykonywaniu pomiarów punktowych w odwiertach i rozszerzaniu ich na całą objętość przy użyciu logiki geologicznej i statystyki. W tej jednostce wykorzystujemy sztuczną inteligencję i geostatystykę (dział statystyki, który modeluje dane przestrzenne z niepewnością) w pracach upowszechniających. Niezmienna zasada: każda wartość od studni do studni jest wartością szacunkową, a nie rzeczywistą; Niepewność jest częścią modelu i jest sprawdzana za pomocą równowagi fizycznej.
Podstawowe pojęcia
- Facje: rodzaj skały o unikalnych właściwościach, który powstał w określonym środowisku depozycyjnym (np. piasek z koryta rzeki, łupki morskie, wapień rafowy). Jakość zbiornika jest ściśle powiązana z facjami: kanał dobrze odprowadza piasek, ale nie łupki.
- Wariogram: miara ciągłości przestrzennej opisująca, jak podobieństwo cech maleje wraz ze wzrostem odległości między dwoma punktami. Jest podstawowym narzędziem geostatystyki.
- Kriging: Metoda polegająca na szacowaniu wartości w niepróbkowanych punktach za pomocą wariogramu wraz z niepewnością oszacowania.
- Symulacja stochastyczna: tworzenie wielu równie prawdopodobnych modeli (realizacji) zgodnych z danymi, zamiast jednego „najlepszego” przypuszczenia; Uwidacznia niepewność.
- Bilans materiałowy: zależność zachowania pomiędzy płynem wytwarzanym ze zbiornika, spadkiem ciśnienia i pozostałą objętością; kotwica fizyczna, która niezależnie testuje objętość modelu.
Wskazówka: Model zbiornika to rozkład niepewności, a nie pojedyncza liczba. Poprawny język to „P90=35, P50=50, P10=72 miliony baryłek”, a nie „Zarezerwuj 50 milionów baryłek”. Poproś sztuczną inteligencję o scenariusz/rozkład, a nie o jednopunktową ocenę.
Jak sztuczna inteligencja i geostatystyka współdziałają
Klasyczna geostatystyka (kriging, wariogram) jest potężna, ale boryka się z wielowymiarowymi, nieliniowymi relacjami. W tym miejscu w grę wchodzi uczenie maszynowe:
- Klasyfikacja facji: Przypisywanie facji ze zbioru logów (uczenie się pod nadzorem); Następnie rozprowadź obiekt, stosując facje jako wskazówkę.
- Oszacowanie atrybutów: Oszacowanie porowatości międzyodwiertowej na podstawie atrybutu sejsmicznego + relacji log (modelowanie oparte na badaniach sejsmicznych).
- Wypełnianie luk: Rozsądne uzupełnianie brakujących zakresów kłód z sąsiednich studni i powiązań.
Ale uczenie maszynowe nie zna logiki geologicznej. Mapa porowatości wytworzona przez model jest niepoprawna, jeśli jest niezgodna ze środowiskiem depozycyjnym (np. wysoka przepuszczalność w facjach łupkowych). Wiarygodność geologiczna jest pierwszym filtrem wyników AI.
Krok po kroku: Przebieg pracy z modelem zbiornika
- Szkielet konstrukcyjny. Ustal geometrię zbiornika z poziomami i uskokami na podstawie badań sejsmicznych (wynik z bloku 3).
- Model Facji. Określ facje w studniach (log + rdzeń), rozprowadź według objętości za pomocą wariogramu/trendu geologicznego. Sztuczna inteligencja przyspiesza klasyfikację.
- Wdrażanie funkcji. Rozłóż porowatość, przepuszczalność i nasycenie wodą w obrębie każdej facji za pomocą krigingu lub uczenia maszynowego; Jeśli występują wstrząsy sejsmiczne, zdobądź przewodnik.
- Niepewność. Generuj dużą liczbę realizacji za pomocą symulacji stochastycznej; Wyprowadzane są objętości P90/P50/P10.
- Weryfikacja. Przetestuj objętość modelu z uwzględnieniem bilansu materiałowego i dopasowania historii; Porównaj z dobrze przetestowaną przepuszczalnością.
Trzy mini etui: w liczbach
Przypadek 1 — Wartość przewodnika po facjach. Kiedy porowatość została rozproszona w danym miejscu bezpośrednio poprzez kriging, wysoka porowatość „wyciekła” do stref łupków niskiej jakości. Kiedy po raz pierwszy ustalono model facji i rozłożono w nich porowatość, model stał się realistyczny, a objętości stochastyczne zawęziły się: objętość P50 spadła o 12%, ale pasmo niepewności zawęziło się o 40%. Prawidłowa struktura dała bardziej realistyczne i bezpieczniejsze wyniki.
Przypadek 2 – Pułapka ekstrapolacyjna. Model uczenia maszynowego dobrze rozpoznał związek porowatości i aktywności sejsmicznej w regionie, w którym skupiają się odwierty; ale po nałożeniu na blok krawędziowy bez zagłębienia wypadł poza zakres szkoleniowy (ekstrapolacja) i spowodował nierealistyczną porowatość wynoszącą 28%. Geolog wykazał, że blok ten znajdował się w innej strefie facjalnej; model był nieprawidłowy w tym regionie. Zaznaczono granicę ekstrapolacji.
Przypadek 3 – Konflikt równowagi materialnej. Bogaty model 3D rezerw P50 dał 68 milionów baryłek; jednakże wczesny spadek ciśnienia produkcyjnego na polu wskazywał na system z co najwyżej ~ 45 milionami baryłek w równowadze materiałowej. Sprzeczność pojawiła się, ponieważ w modelu założono, że odłączone (izolowane) ciała piaskowe są zbyt połączone. Połączenie zostało ponownie rozważone i model został zmniejszony. Fizyczna kotwica naprawiła model geometryczny.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Model zbiornika i rezerwa pochodzą z danych z tego odwiertu. [dane]
Potężny monit:
Wygeneruj plan modelowania zbiornika DRAFT na podstawie (anonimowego) odwiertu i podsumowania danych sejsmicznych poniżej. Zasady: - Najpierw zbuduj model twarzy; Rozłóż porowatość/przepuszczalność W ŚRODKU facji. Wymywanie węglowodorów do łupków/facji o niskiej jakości. - Uzasadnij parametry wariogramu (kierunek, zasięg) na podstawie trendu geologicznego, a nie danych; Zapisz założenia WYRAŹNIE. - Przedstaw wynik jako rozkład objętości P90/P50/P10, a nie pojedynczą liczbę. - Oznacz ryzyko ekstrapolacji w regionach bezodwiertowych. - Napisz, jak zweryfikować bilans materiałowy/historię produkcji. Dane: [podsumowanie]
Cztery szablony do kopiowania
1) Projekt klasyfikacji facji:
Zaproponuj podejście do klasyfikacji facji na podstawie poniższego zestawu dzienników. Zapisz dzienniki, które mają być użyte, definicje klas i potrzebę oznakowania rdzenia. Określ ryzyko pomyłki między klasami i sprawdzenie wiarygodności geologicznej. Dane: [zestaw dzienników]
2) Uzasadnienie wariogramu:
Ustalając wariogram dla danych o porowatości, należy powiązać wybór kierunku i zakresu z kierunkiem opadów geologicznych. Wyjaśnij ryzyko założenia izotropowości. Podaj granicę wiarygodności wariogramu na podstawie małej ilości danych. Dane: [porowatość]
3) Scenariusz niepewności:
Wygeneruj rozkład objętości P90/P50/P10 dla następujących danych wejściowych objętości (powierzchnia, grubość, porowatość, nasycenie, współczynnik konwersji). Zapytaj o zakres niepewności każdego wejścia, nie zakładaj go. Oceń najbardziej wpływowe źródło niepewności (tornado). Dane wejściowe: [wartości]
4) Kontrola krzyżowa bilansu materiałowego:
Porównaj następującą objętość modelu 3D z podanymi danymi dotyczącymi wczesnej produkcji i spadków ciśnienia w celu uzyskania bilansu materiałowego. Jeżeli występuje niezgodność, wymień możliwe przyczyny (połączenie, podparcie warstwy wodonośnej, błąd objętości). Model: [objętość], produkcja/ciśnienie: [dane]
Warstwy weryfikacji modelu zbiornika
warstwa
Jakie testy
Metoda
Wiarygodność geologiczna
Spójność cech twarzy
Opinia eksperta
cóż, dane
Zgodność pomiaru punktowego
Porównanie dziennika/rdzenia
cóż, przetestuj
Rzeczywista przepuszczalność/ciśnienie
Test przejściowy ciśnienia
Bilans materialny
zachowanie objętości
Relacja ciśnienie-wytwarzanie
Historia produkcji
zachowanie dynamiczne
Dopasowanie historii
Typowe błędy
- Przeskakiwanie twarzy. Rozpowszechniaj funkcje bez przewodnika po facjach i wyciekaj węglowodory za pomocą rzeczy.
- Przewidywanie pojedynczego punktu. Zgłaszanie pojedynczej liczby rezerw zamiast rozkładu niepewności.
- Ekstrapolacja. Ślepe stosowanie modelu do bloków spoza zakresu danych szkoleniowych.
- Pomijanie równowagi materiałowej. Nie testuję objętości modelu 3D przy równowadze fizycznej.
- Zostaw wariogram w trybie automatycznym. Wybór kierunku/zakresu bez trendu geologicznego.
Podsumowując
- Charakterystyka zbiorników to rozszerzenie pomiarów punktowych w studniach na całą objętość za pomocą geologii i geostatystyki.
- Sztuczna inteligencja i uczenie maszynowe mają ogromne znaczenie w klasyfikacji facji i przewidywaniu cech; ale wiarygodność geologiczna jest pierwszym filtrem.
- Rozmieść cechy w obrębie facji; Niepewność podać jako rozkład P90/P50/P10.
- Zaznacz granice ekstrapolacji; Nie używaj na ślepo modelu poza zakresem treningowym.
- Bilans materiałowy i historia produkcji to fizyczne kotwice testujące model geometryczny.
Zadanie aplikacji
Pobierz dane dotyczące porowatości/facji z kilku studni (reprezentatywnych) pola. Wygeneruj plan modelowania za pomocą zaawansowanego podpowiedzi. Następnie: (1) sprawdź, czy porowatość jest rozłożona w obrębie facji, (2) poproś o rezerwę jako P90/P50/P10, a nie pojedynczą liczbę, (3) w przybliżeniu podaj objętość podaną przez model za pomocą prostej logiki bilansu materiałowego (wyprodukowany + pozostały). Dodaj ostrzeżenie o ekstrapolacji dla co najmniej jednego regionu bez studni.
lista kontrolna
- [ ] Rozumiem, że model złoża jest szacunkiem „od odwiertu do odwiertu” i wiąże się z niepewnością.
- [ ] Rozpowszechniam funkcje wraz z przewodnikiem po facjach, nie wyciekam ich do facji o niskiej jakości.
- [ ] Rezerwę zgłaszam jako rozkład P90/P50/P10, a nie pojedynczą liczbę.
- [ ] Zaznaczam granice ekstrapolacji.
- [ ] Sprawdzam objętość modelu z bilansem materiałowym i historią produkcji.