Câștiguri:
- Capacitatea de a explica modul în care distribuția 3D a proprietăților rezervorului (porozitate, permeabilitate, saturație a apei) este modelată cu AI și geostatistică
- Abilitatea de a localiza caracteristicile răspândite cu modelarea facies, variogramă, kriging și învățare automată
- Abilitatea de a verifica ieșirile modelului de zăcământ cu bilanțul materialului, testarea puțurilor și scenariile de incertitudine
Pentru a fabrica un zăcământ de petrol sau gaze, trebuie mai întâi să construim un model 3D al acestuia: unde este roca rezervorului, cât de poroasă este (porozitate), cât de ușor curge fluidul (permeabilitate/permeabilitate) și cât de mult din porii sunt umpluți cu hidrocarburi (1 - saturația cu apă). Dar aceste caracteristici le putem măsura doar în punctele în care forăm puțuri; Volumul imens dintre puțuri este gol și trebuie umplut. Caracterizarea rezervoarelor presupune efectuarea de măsurători punctuale în puțuri și extinderea acestora la întregul volum folosind logica și statistica geologică. În această unitate, folosim inteligența artificială și geostatistica (ramura statisticii care modelează datele spațiale cu incertitudine) în această lucrare de diseminare. Principiul neschimbat: fiecare valoare de la pui la puț este o estimare, nu una reală; Incertitudinea face parte din model și este testată de echilibrul fizic.
Concepte de bază
- Facies: un tip de rocă cu proprietăți unice care s-a format într-un anumit mediu de depunere (de exemplu, nisip de canal de râu, șisturi marine, calcar de recif). Calitatea rezervorului este strâns legată de facies: canalul drenează bine nisipul, dar nu șistul.
- Variogramă: O măsură a continuității spațiale care descrie modul în care similitudinea caracteristicilor scade pe măsură ce distanța dintre două puncte crește. Este instrumentul de bază al geostatisticii.
- Kriging: O metodă care estimează valoarea în puncte neeșantionate folosind variograma, împreună cu incertitudinea de estimare.
- Simulare stocastică: producerea multor modele (realizări) la fel de probabile compatibile cu datele, mai degrabă decât o singură presupunere „cea mai bună”; Face vizibilă incertitudinea.
- Bilanțul material: Relația de conservare între fluidul produs din rezervor, căderea de presiune și volumul rămas; ancora fizică care testează independent volumul modelului.
Sugestie: Modelul rezervorului este o distribuție a incertitudinii, nu un singur număr. Limbajul corect este „P90=35, P50=50, P10=72 milioane de barili”, nu „Rezervați 50 de milioane de barili”. Cereți AI un scenariu/distribuție, nu o estimare punctuală.
Cum AI și geostatistica funcționează împreună
Geostatistica clasică (kriging, variograma) este puternică, dar se luptă cu relații multivariate, neliniare. Aici intervine învățarea automată:
- Clasificare facies: Atribuire facies din setul de jurnal (învățare supravegheată); Apoi distribuiți caracteristica folosind facies ca ghid.
- Estimarea atributelor: Estimarea porozității între puțuri din atributul seismic + relația log (modelare seismică).
- Umplerea golurilor: completarea intervalelor de jurnal lipsă de la puțurile și relațiile învecinate.
Dar învățarea automată nu cunoaște logica geologică. Harta porozității produsă de un model este incorectă dacă este incompatibilă cu mediul de depunere (de exemplu, permeabilitate ridicată în faciesul de șist). Plauzibilitatea geologică este primul filtru al ieșirii AI.
Pas cu pas: fluxul de lucru al modelului rezervorului
- Scheletul structural. Stabiliți geometria rezervorului cu orizonturi și falii din seism (ieșire din Unitatea 3).
- Model Facies. Determinați facies în puțuri (log + miez), distribuiți la volum cu variogramă/tendință geologică. AI accelerează clasificarea.
- Implementarea caracteristicilor. Distribuiți porozitatea, permeabilitatea, saturația apei în fiecare facies prin kriging sau învățare automată; Dacă există seismic, obțineți un ghid.
- Incertitudine. Generarea unui număr mare de realizări cu simulare stocastică; Sunt scoase volumele P90/P50/P10.
- Verificare. Testați volumul modelului cu bilanțul materialului și potrivirea istorică; Comparați cu permeabilitatea testului de puț.
Trei mini carcase: după cifre
Cazul 1 — Ghidul valorii facies. Când porozitatea a fost dispersată într-un loc direct prin kriging, porozitatea ridicată „s-a scurs” în zonele de șist de calitate scăzută. Când modelul facies a fost stabilit pentru prima dată și porozitatea a fost distribuită în cadrul faciesului, modelul a devenit realist și volumele stocastice s-au îngustat: volumul P50 a scăzut cu 12%, dar banda de incertitudine s-a îngustat cu 40%. Structura corectă a dat rezultate atât mai realiste, cât și mai sigure.
Cazul 2 — Capcană de extrapolare. Modelul de învățare automată a învățat bine relația porozitate-seism în regiunea în care sunt concentrate puțurile; dar atunci când este aplicat pe un bloc de margine fără puț, acesta a căzut în afara intervalului de antrenament (extrapolare) și a produs o porozitate nerealistă de 28%. Geologul a arătat că acel bloc se afla într-o zonă diferită de facies; modelul era invalid în acea regiune. Limita de extrapolare este marcată.
Cazul 3 — Conflict de echilibru material. Un model 3D bogat P50 rezerve a produs 68 de milioane de barili; totuși, scăderea precoce a presiunii de producție a câmpului a indicat un sistem cu cel mult ~45 de milioane de barili în balanța materialelor. Contradicția a venit deoarece modelul presupunea că corpurile de nisip deconectate (izolate) sunt prea conectate. Conexiunea a fost reconsiderată și modelul a fost făcut mai mic. Ancora fizică a fixat modelul geometric.
Solicitare slabă / Solicitare puternică
Prompt slab:
Modelul rezervorului și rezerva sunt derivate din datele acestei sonde.[date]
Solicitare puternică:
Generați un plan DRAFT de modelare a rezervorului din puțul (anonimizat) și rezumatul seismic de mai jos. Reguli: - Modelul facies pentru prima constructie; Distribuiți porozitatea/permeabilitatea în cadrul faciesului. Leșierea caracteristicilor hidrocarburilor în șist/facies de calitate scăzută.- Justificarea parametrilor variogramei (direcție, interval) din tendința geologică, nu din date; Scrieți ipotezele CLAR.- Prezentați rezultatul ca o distribuție a volumului P90/P50/P10, nu un singur număr.- Semnalați riscul de extrapolare în regiunile lipsite de stație.- Scrieți cum să verificați cu bilanțul material/istoricul producției. Date: [rezumat]
Patru șabloane copiabile
1) Proiect de clasificare Facies:
Sugerați o abordare de clasificare a facies din următorul set de bușteni. Notați jurnalele care vor fi utilizate, definițiile claselor și necesitatea etichetării de bază. Precizați riscul de confuzie între clase și verificarea plauzibilității geologice. Date: [set de jurnal]
2) Justificare variogramă:
Când stabiliți o variogramă pentru aceste date de porozitate, relaționați direcția și selecția intervalului de direcția precipitațiilor geologice. Explicați riscul presupunerii izotrope. Indicați limita fiabilității variogramelor cu puține date. Date: [porozitate]
3) Scenariul de incertitudine:
Generați distribuția de volum P90/P50/P10 pentru următoarele intrări de volum (suprafață, grosime, porozitate, saturație, factor de conversie). Cereți intervalul de incertitudine al fiecărei intrări, nu presupuneți. Clasați cea mai influentă sursă de incertitudine (tornadă). Intrare: [valori]
4) Verificare încrucișată a balanței materialelor:
Comparați următorul volum al modelului 3D cu datele de producție timpurie și căderea presiunii date pentru echilibrul materialului. Dacă există incompatibilitate, enumerați posibilele motive (conexiune, suport pentru acvifer, eroare de volum). Model: [volum], producție/presiune: [date]
Straturi de verificare a modelului rezervorului
strat
Ce teste
Metoda
Plauzibilitatea geologică
Facies-caracteristică consistență
Revizuirea expertului
bine date
Conformitatea cu măsurarea spotului
Comparație jurnal/nucleu
bine testa
Permeabilitatea/presiunea reală
Test de presiune tranzitorie
Bilanțul material
conservarea volumului
Relația presiune-producție
Istoricul producției
comportament dinamic
Potrivire istorică
Greșeli comune
- Facies sarind. Distribuiți caracteristici fără ghidaj facies și scurgeți hidrocarburi cu ceva.
- Predicție cu un singur punct. Raportarea unui singur număr de rezerve în loc de o distribuție a incertitudinii.
- Extrapolarea. Aplicarea orbește a modelului la blocuri din afara intervalului de date de antrenament.
- Sărirea echilibrului material. Nu se testează volumul modelului 3D cu echilibru fizic.
- Lăsați variograma în mod automat. Alegerea direcției/intervalului fără tendință geologică.
Pe scurt
- Caracterizarea zăcământului este extinderea măsurătorilor punctuale în puțuri la întregul volum cu geologie și geostatistică.
- AI și învățarea automată sunt puternice în clasificarea facies și predicția caracteristicilor; dar plauzibilitatea geologică este primul filtru.
- Distribuiți caracteristicile în cadrul faciesului; Raportați incertitudinea ca distribuție P90/P50/P10.
- Marcați limitele de extrapolare; Nu folosiți orbește modelul în afara intervalului de antrenament.
- Bilanțul material și istoricul producției sunt ancore fizice care testează modelul geometric.
Sarcina de aplicare
Preluați date de porozitate/facies din mai multe puțuri (reprezentative) ale unui câmp. Aveți un plan de modelare generat cu un prompt puternic. Apoi: (1) verificați dacă porozitatea este distribuită în facies, (2) cereți rezerva ca P90/P50/P10, nu un singur număr, (3) furnizați aproximativ volumul dat de model cu o logică simplă a bilanțului material (produs + rămas). Adăugați un avertisment de extrapolare pentru cel puțin o regiune fără puțuri.
lista de verificare
- [ ] Înțeleg că modelul rezervorului este o estimare de la puț la puț și poartă incertitudine.
- [ ] Distribuesc caracteristicile cu ghidajul facies, nu le scurg în facies de calitate scăzută.
- [ ] Raportez rezerva ca o distribuție P90/P50/P10, nu un singur număr.
- [ ] Marcez limitele de extrapolare.
- [ ] Verific volumul modelului cu bilanțul materialelor și istoricul producției.