Прибыль:
- Способность объяснить рабочий процесс прогнозирования пористости, проницаемости и коллекторских свойств с помощью ИИ.
- Способность использовать машинное обучение для интерпретации каротажных диаграмм, классификации фаций и прогнозирования добычи.
- Способность проверять результаты пласта через физические границы, испытания скважин и анализ неопределенностей.
Нефтяной или газовый резервуар — это невидимая сокровищница жидкостей, запертых в пористой породе, находящейся в нескольких милях от поверхности. Мы не можем видеть это непосредственно; Мы только «читаем» его с помощью каротажа, керна, сейсмических теней и данных о добыче, которые мы получаем из скважин. Характеристика коллектора – это задача восстановления на основе этих косвенных измерений, сколько жидкости удерживает порода (пористость), насколько легко она выделяет жидкость (проницаемость) и какую трехмерную структуру представляет собой коллектор. Искусственный интеллект обладает мощными возможностями в этой области: интерпретирует каротажные диаграммы, классифицирует фации (группы типов горных пород), прогнозирует взаимосвязь пористости и проницаемости и моделирует тенденции добычи. Но резервуары, как и другие геологические месторождения, полны неопределенности, и не каждый прогноз может быть основой для принятия решения без привязки к физическим границам, испытаниям скважин и анализу неопределенности.
В этом разделе мы рассмотрим три аспекта исследования коллектора с помощью искусственного интеллекта: интерпретацию каротажа скважин и фациальную классификацию (извлечение типа и свойств породы из каротажа), прогнозирование пористости-проницаемости (прогноз качества коллектора) и прогноз добычи (сколько скважина будет добывать в будущем). Геостатистика и здесь является основой; Заполняем пространство между скважинами вариограммой и симуляцией. Примечание: нефтегазовый сектор очень чувствителен с коммерческой точки зрения; Все образцы изучаются с анонимными и репрезентативными значениями.
Интерпретация каротажных диаграмм и фациальная классификация
Каротажные диаграммы представляют собой кривые, которые непрерывно измеряют физические свойства породы по стволу: гамма-излучение (содержание глины), удельное сопротивление (тип флюида — вода/углеводород), плотность и нейтронное (пористость), акустическое (твердость породы). Геолог-нефтяник считывает эти кривые вместе и определяет тип породы и жидкость на каждой глубине. Это распознавание образов, и ИИ в этом очень хорош: последовательно сортирует десятки тысяч метров бревен по фациям.
Но есть два предела. Во-первых, интерпретация каротажа — это модель, а не измерение; Один и тот же каротаж может быть открыт для различных фациальных интерпретаций. Во-вторых, если модель слепо переносит изученные ею каротажные и фациальные связи с одного месторождения на другое (другие условия осадконакопления, другой диагенез), она допускает серьезные ошибки. Таким образом, результаты фаций калибруются по данным керна; Ядро — это якорь, который соединяет интерпретацию журнала с основной истиной.
Совет: прежде чем доверять результатам фациальной модели, спросите себя: «В каких скважинах был отобран керн и насколько точна модель в этих скважинах?» просить. Неподтвержденная оценка фаций — это непроверенная гипотеза, какой бы правдоподобной она ни казалась.
Пористость и проницаемость: наиболее важное различие
Двумя ключами к качеству коллектора являются пористость и проницаемость, и разница между ними является одним из наиболее важных моментов использования ИИ. Пористость – это коэффициент пустотности породы, который можно определить по каротажным диаграммам с достаточной точностью. Проницаемость – это то, насколько легко жидкость течет через породу и не измеряется непосредственно по бревнам; но это оценивается косвенно. Проницаемость экспоненциально чувствительна к небольшим изменениям пористости и зависит от геометрии пор, трещин и цементации.
Вот почему прогнозирование проницаемости с помощью машинного обучения одновременно привлекательно и опасно. Модель изучает пористость керновых скважин и проницаемость по другим каротажам; но взаимосвязь, которую он изучает, специфична для этой фации и этого состояния давления и температуры. Экстраполяция на другую литологию или на скважину без керна (выход за пределы изученного диапазона) приведет к большим ошибкам. Оценка проницаемости должна быть связана с измерением керна и испытанием скважины (испытания на падение давления/набухание дают фактическое поведение потока).
Внимание: даже если оценка проницаемости дает «красивый» график, она ненадежна, если применяется вне фаций и условий давления обучающих данных. Модель изучает корреляцию, а не физический факт; всегда проводите испытания керна и скважин.
Прогноз добычи и неопределенность
Сколько скважины будет добывать в будущем, зависит от того, сколько жидкости удерживается и доставляется из пласта. Классические методы (анализ кривой спада) расширяют прошлую тенденцию производства в будущее; ИИ обогащает эту тенденцию данными по нескольким скважинам и изучает модели соседних скважин. Но прогноз добычи по своей сути неопределенен: пласт неоднороден, меняется давление, меняются условия эксплуатации. Таким образом, представлен вероятностный диапазон (низкий/средний/высокий сценарий), а не одна «точная» кривая добычи.
Геостатистика также несет в себе неопределенность при заполнении объема между скважинами. Такие методы, как последовательное гауссово моделирование, создают множество одинаково вероятных моделей, а не одну «среднюю» модель; Разница между этими моделями заключается в самой неопределенности. Искусственный интеллект ускоряет и интерпретирует эти симуляции; но уменьшение результата до одного числа создает ложную уверенность, скрывая неопределенность.
Три мини-кейса: в цифрах
Случай 1 — Ошибка экстраполяции. Модель проницаемости, обученная на трех керновых скважинах на одном участке, дала прогноз, который оказался идеальным на четвертой скважине. Но эта скважина имела более глинистую фацию, и модель никогда не видела этот интервал; испытания скважин показали, что фактическая проницаемость составляет примерно одну пятую от расчетной. Модель была ошибочно принята за «красивый» график; Якорь для испытания скважин обнаружил ошибку.
Случай 2 — Фациальная калибровка. На одном газовом месторождении искусственный интеллект быстро рассортировал каротажные данные 14 скважин по фациям. По сравнению с тремя керновыми скважинами, зона, которую модель классифицировала как «чистый песчаник», на самом деле представляла собой трещиноватую единицу низкого качества. После калибровки керна модель была переобучена, и оценка объема резервуара была снижена до реалистичного уровня.
Случай 3 — Честность сценария. В прогнозе добычи модель давала одну кривую и выражала десятилетнюю добычу в нечетных числах. Когда команда с помощью последовательного моделирования создала сценарий «низкий/средний/высокий», они обнаружили, что диапазон очень широк (высокий сценарий был примерно в два раза ниже). Такая ширина указывала на то, что при принятии инвестиционного решения требовались дополнительные испытания скважин; Одна цифра опасно скрывала эту неопределенность.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Посмотрите на эти каротажные диаграммы, рассчитайте проницаемость и скажите мне, сколько скважина будет добывать. [данные журнала]
Мощная подсказка:
Ваша должность: Помощник геолога-промысловика. Укажите ОДИН ТОЧНЫЙ НОМЕР проницаемости и добычи с помощью журналов ниже. Вместо этого: 1) Укажите, какие скважины могут быть подтверждены по керну при фациальной интерпретации. 2) Объясните, что оценка проницаемости не может быть измерена непосредственно по каротажным диаграммам, при каких условиях (фация/давление) она будет достоверной, а также необходимость тестирования керна/скважины. 3) Установите логику сценария низкой/средней/высокой добычи, а не единую кривую. 4) Перечислите 4 источника неопределенности, влияющих на результат. Данные анонимны; Никакого реального поля/компании.
Четыре копируемых шаблона
1) Проверка калибровки каротажа фаций:
Объясните, в каких скважинах отобраны керны для фациальной классификации и как мы можем измерить точность модели в этих скважинах. Пометить непроверенные зоны как «непроверенные»; Не доверяйте слепо.
2) Проверка проницаемости:
Для прогнозирования проницаемости: укажите фацию и диапазон давлений, для которых обучается модель; Отметьте, какие скважины/зоны находятся за пределами этого диапазона (экстраполяция). Подчеркните, что прогнозу нельзя доверять без проведения испытаний керна и скважин в этих зонах. Не называйте точную цифру.
3) Проект сценария производства:
Устанавливает логику сценариев низкой, средней и высокой добычи на основе данных кривой спада/производства. Объясните, на каких предположениях основан каждый сценарий и что означают различия между ними. Не предлагая единой «точной» кривой.
4) Интерпретация моделирования неопределенности:
Интерпретируйте результаты множественной равновероятной геостатистической модели (например, последовательного моделирования): насколько широко распределение оценки объема, какой регион является наиболее неопределенным и с помощью каких дополнительных данных (ну, сейсмических) эта неопределенность сужается? Сведение к одному числу.
Спецификация резервуара, измеримость и проверка
функция/выход
Можно ли это измерить по бревнам?
Риск ИИ
якорь проверки
пористость
Получено с достаточной точностью
Калибровочный дрейф
Пористость ядра
проницаемость
Нет, косвенное предположение
Ошибка экстраполяции
Керн + испытание скважины
фации
Комментарий (модель)
Транспорт за пределы объекта
основное определение
Тип жидкости
Я делаю вывод по сопротивлению
неправильный комментарий
Испытание давлением/пробы
Прогноз добычи
расширение тренда
ложная уверенность
Сценарий + испытание скважины
Подсказка: для каждой оценки резервуара «какое прямое измерение могло бы это опровергнуть?» Проверьте это, сказав. Керн на пористость, испытание скважины на проницаемость, определение керна на фации. Предсказание, которое нельзя опровергнуть прямыми измерениями, пока не подтвердилось.
Распространенные ошибки
- Рассматривая проницаемость как пористость. Проницаемость не измеряется непосредственно по бревнам; Экстраполяция дает большие ошибки, поэтому необходимы испытания керна/скважины.
- Использование фациальной модели без керна. Фация, не откалиброванная по керну, является непроверенной гипотезой.
- Перенос изученных отношений в другую область. Различные условия осадконакопления и диагенез меняют соотношение лог-признак.
- Представление производства одной кривой. Если неопределенность не задается сценариями, инвестиционное решение основано на ложной уверенности.
- Сведение моделирования к среднему значению. Множественные модели указывают на неопределенность; Сведение его к одному числу уничтожает информацию.
В итоге
- Резервуар невидим; Он считывается косвенно с помощью каротажа, керна, сейсмических данных и данных добычи, и каждый прогноз несет в себе неопределенность.
- Пористость можно определить по бревнам; Проницаемость не измеряется напрямую, ее необходимо сочетать с испытаниями керна и скважины.
- Фациальная классификация является моделью; ненадежен без калибровки по керну и транспортировки за пределы площадки.
- Изученная взаимосвязь зависит от условий обучения; Экстраполяция – самая распространенная и опасная ошибка.
- Производство и объем представлены не одним числом, а вероятностным сценарием и моделированием с четко указанной неопределенностью.
Задача приложения
Получите анонимный набор каротажных диаграмм (или репрезентативных значений). Попросите модель выяснить, какие зоны подвержены риску экстраполяции, с помощью шаблона «проверки проницаемости»; Проверьте, стимулирует ли он определенную зону, намеренно разместив ее за пределами тренировочного полигона. Затем используйте шаблон «Проект производственного сценария», чтобы создать сценарий с низким/средним/высоким уровнем вместо одной кривой и прокомментируйте ширину диапазона в предложении.
контрольный список
- [ ] Я знаю разницу в измеримости между пористостью и проницаемостью, и что проницаемость требует тестирования керна/скважины.
- [ ] Я не считаю фациальную классификацию надежной без ее калибровки по керну.
- [ ] Я осознаю риск экстраполяции изученной взаимосвязи на другое поле/условие.
- [ ] Я представляю производство и объем с помощью вероятностных сценариев и моделирования, а не отдельных цифр.
- [ ] «Какие прямые измерения могут опровергнуть каждую оценку резервуара?» Я проверяю это с помощью вопроса.