Câștiguri:
- Abilitatea de a explica fluxul de lucru în prezicerea porozității, permeabilității și proprietăților rezervorului cu AI
- Abilitatea de a poziționa învățarea automată în interpretarea jurnalelor de puțuri, clasificarea facies și prognoza producției
- Abilitatea de a verifica ieșirile rezervorului prin limitele fizice, testarea puțurilor și analiza incertitudinii
Un rezervor de petrol sau gaze este o comoară invizibilă de fluide prinse în roci poroase, la kilometri sub suprafață. Nu o putem vedea direct; O „citim” doar cu buștenii, miezurile, umbrele seismice și datele de producție pe care le primim de la sonde. Caracterizarea rezervorului este sarcina de a reconstrui din aceste măsurători indirecte cât de mult fluid deține roca (porozitate), cât de ușor eliberează fluid (permeabilitate) și ce fel de structură tridimensională este rezervorul. IA este puternică în acest domeniu: interpretarea buștenilor de puțuri, clasificarea faciesului (ansambluri de tipuri de roci), prezicerea relațiilor porozitate-permeabilitate și modelarea tendințelor de producție. Dar rezervoarele, ca și alte câmpuri geologice, sunt pline de incertitudine și nu orice predicție poate fi o bază pentru decizie fără a fi legată de limitele fizice, testarea puțurilor și analiza incertitudinii.
În această unitate vom acoperi trei aspecte AI ale studiului zăcământului: interpretarea buștenilor de sondă și clasificarea faciesului (extracția tipului de rocă și a proprietăților din bușteni), predicția porozității-permeabilitate (predicția calității zăcământului) și predicția producției (cât va produce puțul în viitor). Geostatistica este coloana vertebrală și aici; Umplem spațiul dintre puțuri cu variogramă și simulare. Notă: sectorul petrolului și gazelor naturale este foarte sensibil din punct de vedere comercial; Toate probele sunt studiate cu valori anonime și reprezentative.
Interpretarea jurnalelor de puț și clasificarea facies
Buștenii de puțuri sunt curbe care măsoară continuu proprietățile fizice ale rocii de-a lungul sondei: raze gamma (conținut de argilă), rezistivitate (tip de fluid - apă/hidrocarbură), densitate și neutroni (porozitate), sonică (duritatea rocii). Un geolog petrolier citește împreună aceste curbe și extrage tipul de rocă și fluidul la fiecare adâncime. Aceasta este recunoașterea modelelor și AI se pricepe foarte bine la asta: sortarea constantă a zeci de mii de metri de bușteni în facies.
Dar există două limite. În primul rând, interpretarea jurnalului este un model, nu o măsurare; Același jurnal poate fi deschis pentru interpretări diferite de facies. În al doilea rând, dacă modelul transferă orbește relația log-facies pe care a învățat-o într-un domeniu în altul (mediu depozițional diferit, diageneză diferită), face greșeli grave. Prin urmare, ieșirea facies este calibrată cu datele de bază; Miezul este ancora care conectează interpretarea jurnalului de adevărul de bază.
Sfat: Înainte de a avea încredere în rezultatul unui model facies, întrebați „ce puțuri au fost supuse miezului și cât de precis este modelul din acele puțuri?” intreaba. O estimare a faciesului necoroborată este o ipoteză netestată, indiferent cât de plauzibilă ar părea.
Porozitatea și permeabilitatea: cea mai critică distincție
Cele două chei pentru calitatea rezervorului sunt porozitatea și permeabilitatea, iar diferența dintre ele este unul dintre cele mai importante puncte ale utilizării AI. Porozitatea este raportul golurilor din rocă și poate fi derivată din bușteni cu o precizie rezonabilă. Permeabilitatea este cât de ușor curge fluidul prin rocă și nu este măsurată direct din bușteni; dar se estimează indirect. Permeabilitatea este exponențial sensibilă la mici modificări ale porozității și depinde de geometria porilor, fisuri și cimentare.
De aceea, predicția permeabilității cu învățarea automată este atât atractivă, cât și periculoasă. Modelul învață porozitatea în puțurile de bază și permeabilitatea din alți bușteni; dar relația pe care o învață este specifică acelui facies și acelei condiții presiune-temperatură. Extrapolarea la o altă litologie sau la un puț fără carot (deplasarea în afara intervalului învățat) va duce la erori mari. Estimarea permeabilității trebuie să fie legată de măsurarea miezului și testarea puțului (testele de cădere de presiune/umflare oferă comportamentul real al curgerii).
Atenție: Chiar dacă estimarea permeabilității produce un grafic „aspect bine”, nu este de încredere dacă este aplicată în afara condițiilor de facies și presiune ale datelor de antrenament. Modelul învață o corelație, nu un fapt fizic; testați întotdeauna cu teste de bază și de bine.
Prognoza de producție și incertitudine
Cât de mult produce un puț în viitor depinde de cât de mult lichid reține și eliberează rezervorul. Metodele clasice (analiza curbei de declin) extind tendința de producție trecută în viitor; AI îmbogățește această tendință cu date cu mai multe puțuri și învață din modelele puțurilor învecinate. Dar prognoza producției este în mod inerent incertă: rezervorul este eterogen, presiunea se modifică, condițiile de funcționare se modifică. Prin urmare, este prezentat un interval probabilistic (scenariu scăzut/mediu/ridicat), nu o singură curbă de producție „exactă”.
Geostatistica poartă, de asemenea, incertitudine atunci când se umple volumul dintre puțuri. Metode precum simularea gaussiană secvenţială produc mai multe modele la fel de probabile, mai degrabă decât un singur model „mediu”; Diferența dintre aceste modele este incertitudinea în sine. Inteligența artificială accelerează și interpretează aceste simulări; dar reducerea rezultatului la un singur număr creează o încredere falsă prin ascunderea incertitudinii.
Trei mini carcase: după cifre
Cazul 1 — Eroare de extrapolare. Modelul de permeabilitate antrenat pe trei puțuri cu miez la un loc a dat o predicție care a părut perfectă pe al patrulea puț. Dar această fântână era într-un facies mai argilos și modelul nu văzuse niciodată acest interval; testarea puțurilor a arătat că permeabilitatea reală este de aproximativ o cincime din estimare. Modelul a fost grav confundat cu un grafic „arătos”; Ancora de testare a puțului a prins eroarea.
Cazul 2 — Calibrarea facies. Într-un câmp de gaz, inteligența artificială a sortat rapid bustenii a 14 sonde în facies. În comparație cu trei puțuri cu miez, zona pe care modelul a clasificat-o drept „gresie curată” a fost de fapt o unitate fracturată, de calitate scăzută. Odată cu calibrarea miezului, modelul a fost reantrenat și estimarea volumului rezervorului a fost redusă la un nivel realist.
Cazul 3 — Onestitatea scenariului. Într-o prognoză de producție, modelul a dat o singură curbă și a exprimat producția pe zece ani în numere impare. Când echipa a generat un scenariu scăzut/mediu/ridicat printr-o simulare secvenţială, ei au descoperit că intervalul era foarte larg (scenariul ridicat era de aproximativ de două ori mai scăzut). Această lățime a indicat că în decizia de investiție a fost necesară testarea puțului suplimentar; Numărul unic a ascuns în mod periculos această incertitudine.
Solicitare slabă / Solicitare puternică
Prompt slab:
Uită-te la acești bușteni de puț, calculează permeabilitatea și spune-mi cât de mult va produce puțul. [date jurnal]
Solicitare puternică:
Rolul dvs.: Asistent geolog de rezervor. Se acordă un SINGUR NUMĂR EXACT pentru permeabilitate și producție cu buștenii de mai jos. În schimb:1) Precizați ce puțuri pot fi confirmate prin miez atunci când faceți interpretarea facies.2) Explicați că estimarea permeabilității nu poate fi măsurată direct din bușteni, în ce condiții (facies/presiune) va fi valabilă și necesitatea testării miez/puț.3) Stabiliți o logică de scenariu scăzut/mediu/înalt pentru producție, nu o singură curbă care afectează rezultatul. Fără domeniu/companie reală.
Patru șabloane copiabile
1) Verificare calibrare log-facies:
Explicați ce puțuri sunt concentrate pentru clasificarea facies și cum putem măsura acuratețea modelului în aceste puțuri. Marcați zonele neverificate ca „netestate”; Nu ai incredere orbeste.
2) Validarea permeabilității:
Pentru predicția permeabilității: specificați faciesul și intervalul de presiune pentru care este antrenat modelul; Marcați care puțuri/zone se află în afara acestui interval (extrapolare). Subliniați că predicția nu ar trebui să fie de încredere fără teste de bază și de bine în aceste zone. Nu da un număr exact.
3) Schiță de scenariu de producție:
Stabilește logica scenariilor de producție scăzută, medie, mare din curba de declin/datele de producție. Explicați pe ce ipoteze se bazează fiecare scenariu și ce înseamnă diferențele dintre ele. Nu oferă nicio curbă „exactă”.
4) Interpretarea simularii incertitudinii:
Interpretați rezultatul unui model geostatistic multiplu la fel de probabil (de exemplu, simulare secvențială): cât de largă este distribuția estimării de volum, care regiune este cea mai incertă și cu ce date suplimentare (bine, seismice) este restrânsă această incertitudine? Reducerea la un singur număr.
Specificația rezervorului, măsurabilitatea și verificarea
caracteristică/ieșire
Se poate măsura din bușteni?
Risc AI
ancora de verificare
porozitate
Derivat cu o acuratețe rezonabilă
Deriva de calibrare
Porozitatea miezului
permeabilitatea
Nu, presupunere indirectă
Eroare de extrapolare
Test de bază + puț
facies
Comentariu (model)
Transport în afara locației
definiția de bază
Tipul fluidului
deduc din rezistivitate
comentariu greșit
Testare presiune/probă
Prognoza de productie
extensie de tendință
falsa certitudine
Scenariu + test de puț
Sugestie: Pentru fiecare estimare a rezervorului „ce măsurătoare directă ar putea infirma acest lucru?” Testează-l spunând. Miez pentru porozitate, test de bine pentru permeabilitate, definire miez pentru facies. O predicție care nu poate fi respinsă prin măsurare directă nu a fost încă confirmată.
Greșeli comune
- Privind permeabilitatea ca porozitate. Permeabilitatea nu se măsoară direct din bușteni; Extrapolarea dă erori mari, testarea miez/puț este esențială.
- Folosind modelul facies fără miez. Un facies care nu a fost calibrat prin miez este o ipoteză netestată.
- Purtarea relației învățate într-un alt domeniu. Mediul depozițional și diageneza diferit modifică relația log-trăsătură.
- Prezentarea producției cu o singură curbă. Dacă incertitudinea nu este dată cu scenarii, decizia de investiție se bazează pe o falsă certitudine.
- Reducerea simulării la medie. Modele multiple indică incertitudine; Reducerea acestuia la un singur număr distruge informațiile.
În concluzie
- Rezervorul este invizibil; Este citit indirect cu jurnalele, miezul, datele seismice și de producție și fiecare predicție poartă incertitudine.
- Porozitatea poate fi derivată din bușteni; Permeabilitatea nu se măsoară direct, ea trebuie să fie cuplată cu testarea miezului și puțului.
- Clasificarea facies este un model; nefiabil fără a fi calibrat prin miez și transportat în afara amplasamentului.
- Relația învățată este specifică condițiilor educaționale; Extrapolarea este cea mai frecventă și periculoasă greșeală.
- Producția și volumul sunt prezentate nu cu un singur număr, ci cu un scenariu probabilistic și simulare, cu incertitudinea clar dată.
Sarcina de aplicare
Obțineți un set anonim de jurnalele de sondă (sau valori reprezentative). Cereți modelului să afle care zone sunt expuse riscului de extrapolare cu șablonul „validare a permeabilității”; Testați dacă stimulează o zonă, plasând-o în mod deliberat în afara domeniului de antrenament. Apoi, utilizați șablonul „schiță de scenariu de producție” pentru a produce un scenariu scăzut/mediu/înalt în loc de o singură curbă și comentați lățimea intervalului într-o propoziție.
lista de verificare
- [ ] Cunosc diferența de măsurare dintre porozitate și permeabilitate și că permeabilitatea necesită testarea miezului/puțului.
- [ ] Nu consider de încredere clasificarea facies fără a o calibra cu miez.
- [ ] Recunosc riscul extrapolării relației învățate la un alt domeniu/condiție.
- [ ] Prezint producția și volumul cu scenarii probabilistice și simulări în loc de numere simple.
- [ ] „Ce măsurători directe ar putea infirma estimarea fiecărui rezervor?” Îl testez cu întrebarea.