ලාභ:
- AI සමඟ සිදුරු, පාරගම්යතාව සහ සංචිත ගුණාංග පුරෝකථනය කිරීමේ කාර්ය ප්රවාහය පැහැදිලි කිරීමේ හැකියාව
- යන්ත්ර ඉගෙනීම හොඳින් ලොග් අර්ථ නිරූපණය, මුහුණු වර්ගීකරණය සහ නිෂ්පාදන පුරෝකථනය තුළ ස්ථානගත කිරීමේ හැකියාව
- භෞතික සීමාවන්, හොඳින් පරීක්ෂා කිරීම සහ අවිනිශ්චිතතා විශ්ලේෂණය හරහා ජලාශ නිමැවුම් සත්යාපනය කිරීමේ හැකියාව
තෙල් හෝ ගෑස් නිධියක් යනු මතුපිටට සැතපුම් ගණනක් පහළින් සිදුරු සහිත පාෂාණවල සිරවී ඇති අදෘශ්යමාන නිධානයකි. අපට එය කෙලින්ම දැකිය නොහැක; අපි එය "කියවන්නේ" ළිං වලින් අපට ලැබෙන ලඝු-සටහන්, හරය, භූ කම්පන සෙවන සහ නිෂ්පාදන දත්ත සමඟ පමණි. ජලාශ ගුනාංගීකරනය යනු මෙම වක්ර මිනුම් වලින් පර්වතය කොපමණ තරලයක් රඳවා තබා ගනීද (porosity), එය කෙතරම් පහසුවෙන් තරලය මුදාහරියිද (පාරගම්යතාවය) සහ ජලාශය කුමන ආකාරයේ ත්රිමාණ ව්යුහයක්ද යන්න ප්රතිනිර්මාණය කිරීමේ කාර්යය වේ. AI මෙම ප්රදේශය තුළ ප්රබල වේ: ළිං ලඝු-සටහන් අර්ථ නිරූපණය කිරීම, මුහුණු වර්ග කිරීම (පාෂාණ වර්ගවල එකලස් කිරීම්), සිදුරු-පාරගම්ය සම්බන්ධතා පුරෝකථනය කිරීම සහ නිෂ්පාදන ප්රවණතා ආකෘතිකරණය කිරීම. නමුත් අනෙකුත් භූ විද්යාත්මක ක්ෂේත්ර මෙන් ජලාශද අවිනිශ්චිතතාවයෙන් පිරී ඇති අතර සෑම පුරෝකථනයක්ම භෞතික සීමාවන්, හොඳින් පරීක්ෂා කිරීම සහ අවිනිශ්චිතතා විශ්ලේෂණයට සම්බන්ධ නොවී තීරණ සඳහා පදනමක් විය නොහැක.
මෙම ඒකකයෙන් අපි ජලාශ අධ්යයනයේ AI අංශ තුනක් ආවරණය කරන්නෙමු: හොඳින් ලඝු-සටහන් අර්ථ නිරූපණය සහ මුහුණු වර්ගීකරණය (පාෂාණ වර්ගය සහ ලඝු-සටහන් වලින් ගුණාංග නිස්සාරණය කිරීම), සිදුරු-පාරගම්යතාවය අනාවැකිය (ජලාශයේ ගුණාත්මකභාවය පිළිබඳ පුරෝකථනය) සහ නිෂ්පාදන පුරෝකථනය (අනාගතයේදී ළිඳ කොපමණ ප්රමාණයක් නිපදවනු ඇත්ද). භූ සංඛ්යාලේඛන මෙහිද කොඳු නාරටියයි; අපි variogram සහ simulation සමඟ ළිං අතර අවකාශය පුරවන්නෙමු. සටහන: තෙල් හා ගෑස් අංශය වාණිජමය වශයෙන් ඉතා සංවේදී ය; සියලුම සාම්පල නිර්නාමික සහ නියෝජිත අගයන් සමඟ අධ්යයනය කෙරේ.
හොඳින් ලොග් අර්ථ නිරූපණය සහ මුහුණු වර්ගීකරණය
ළිං ලඝු යනු සිදුර දිගේ පාෂාණයේ භෞතික ගුණාංග අඛණ්ඩව මනිනු ලබන වක්ර වේ: ගැමා කිරණ (මැටි අන්තර්ගතය), ප්රතිරෝධය (ද්රව වර්ගය - ජලය/හයිඩ්රොකාබන්), ඝනත්වය සහ නියුට්රෝන (පෝරෝසිටි), සොනික් (පාෂාණ දෘඪතාව). පෙට්රෝලියම් භූ විද්යාඥයෙක් මෙම වක්ර එකට කියවා එක් එක් ගැඹුරේ පාෂාණ වර්ගය සහ තරල නිස්සාරණය කරයි. මෙය රටා හඳුනාගැනීමක් වන අතර, AI එයට ඉතා හොඳ ය: ලොග් මීටර් දස දහස් ගණනක් අඛණ්ඩව මුහුණු වලට වර්ග කිරීම.
නමුත් සීමාවන් දෙකක් තිබේ. පළමුව, ලොග් අර්ථ නිරූපණය යනු ආදර්ශයක් මිස මිනුමක් නොවේ; එකම ලොගය විවිධ මුහුණුවර අර්ථකථන සඳහා විවෘත විය හැකිය. දෙවනුව, ආකෘතිය අන්ධ ලෙස එක් ක්ෂේත්රයක ඉගෙන ගත් log-facies සම්බන්ධතාව තවත් ක්ෂේත්රයකට (විවිධ තැන්පත් පරිසරයක්, විවිධ රෝග විනිශ්චය) මාරු කරන්නේ නම්, එය බරපතල වැරදි සිදු කරයි. එබැවින්, ෆේසීස් ප්රතිදානය මූලික දත්ත සමඟ ක්රමාංකනය කරනු ලැබේ; හරය යනු ලොග් අර්ථ නිරූපණය භූමි සත්යයට සම්බන්ධ කරන නැංගුරමයි.
ඉඟිය: ෆේසීස් ආකෘතියක ප්රතිදානය විශ්වාස කිරීමට පෙර, “කොයි ළිං කෝර් කර ඇත්ද සහ එම ළිංවල ආකෘතිය කෙතරම් නිවැරදිද?” යනුවෙන් අසන්න. අහන්න. තහවුරු නොකළ මුහුණු ඇස්තමේන්තුවක් යනු එය කෙතරම් පිළිගත හැකි යැයි පෙනුනත්, පරීක්ෂා නොකළ උපකල්පනයකි.
සිදුරු හා පාරගම්යතාව: වඩාත්ම විවේචනාත්මක වෙනස
ජලාශයේ ගුණාත්මක භාවය සඳහා යතුරු දෙක වන්නේ porosity සහ පාරගම්යතාව වන අතර ඒවා අතර වෙනස AI භාවිතා කිරීමේ වැදගත්ම කරුණු වලින් එකකි. Porosity යනු පාෂාණයේ හිස් අනුපාතය වන අතර සාධාරණ නිරවද්යතාවයකින් ලඝු-සටහන් වලින් ලබා ගත හැක. පාරගම්යතාව යනු පාෂාණ හරහා තරලය ගලා යන ආකාරය සහ ලඝු-සටහන් වලින් කෙලින්ම මනිනු නොලැබේ; නමුත් එය වක්රව ඇස්තමේන්තු කර ඇත. පාරගම්යතාව සිදුරු වල කුඩා වෙනස්කම් වලට ඝාතීය ලෙස සංවේදී වන අතර සිදුරු ජ්යාමිතිය, ඉරිතැලීම් සහ සිමෙන්ති මත රඳා පවතී.
යන්ත්ර ඉගෙනීම සමඟ පාරගම්ය පුරෝකථනය ආකර්ශනීය හා භයානක වන්නේ එබැවිනි. ආකෘතිය මූලික ළිංවල සිදුරු සහ අනෙකුත් ලඝු-සටහන් වලින් පාරගම්යතාව ඉගෙන ගනී; නමුත් එය ඉගෙන ගන්නා සම්බන්ධතාව එම මුහුණුවලට සහ එම පීඩන-උෂ්ණත්ව තත්ත්වයට විශේෂිත වේ. වෙනත් පාෂාණ විද්යාවකට හෝ නොකැඩූ ළිඳකට (උගත් පරාසයෙන් පිටත ගමන් කිරීම) විශාල දෝෂ ඇතිවේ. පාරගම්යතාව ඇස්තමේන්තු කිරීම මූලික මිනුම් සහ ළිං පරීක්ෂාවට සම්බන්ධ කළ යුතුය (පීඩන පහත වැටීම / ඉදිමුම් පරීක්ෂණ සැබෑ ප්රවාහ හැසිරීම් ලබා දෙයි).
අවවාදයයි: පාරගම්යතා ඇස්තමේන්තුව "හොඳ පෙනුමක්" ප්රස්ථාරයක් නිපදවුවද, පුහුණු දත්තවල මුහුණුවර සහ පීඩන තත්ත්වයෙන් පිටත යෙදුවහොත් එය විශ්වාස කළ නොහැක. ආකෘතිය භෞතික කරුණක් නොව සහසම්බන්ධයක් ඉගෙන ගනී; සෑම විටම හරය සහ හොඳින් පරීක්ෂා කිරීම සමඟ පරීක්ෂා කරන්න.
නිෂ්පාදන පුරෝකථනය සහ අවිනිශ්චිතතාවය
අනාගතයේ දී ළිඳක් කොපමණ ප්රමාණයක් නිෂ්පාදනය කරයිද යන්න රඳා පවතින්නේ ජලාශය කොපමණ තරලයක් රඳවා තබා ගන්නේද යන්න මතය. සම්භාව්ය ක්රම (පරිහානිය වක්ර විශ්ලේෂණය) අතීත නිෂ්පාදන ප්රවණතාව අනාගතයට දිගු කරයි; AI මෙම ප්රවණතාවය බහු-ළිං දත්ත වලින් පොහොසත් කරන අතර අසල්වැසි ළිං රටා වලින් ඉගෙන ගනී. නමුත් නිෂ්පාදන පුරෝකථනය ස්වභාවයෙන්ම අවිනිශ්චිත ය: ජලාශය විෂමජාතීය, පීඩන වෙනස්කම්, මෙහෙයුම් තත්වයන් වෙනස් වේ. එබැවින්, සම්භාවිතා පරාසයක් (අඩු/මධ්යම/ඉහළ අවස්ථාවක්) ඉදිරිපත් කරනු ලැබේ, තනි "නිශ්චිත" නිෂ්පාදන වක්රයක් නොවේ.
ළිං අතර පරිමාව පිරවීමේදී භූ සංඛ්යාලේඛන ද අවිනිශ්චිතතාවයක් දරයි. අනුක්රමික Gaussian සමාකරණය වැනි ක්රම තනි "සාමාන්ය" ආකෘතියකට වඩා බොහෝ සමාන විය හැකි ආකෘති නිෂ්පාදනය කරයි; මෙම ආකෘති අතර වෙනස වන්නේ අවිනිශ්චිතතාවයයි. කෘත්රිම බුද්ධිය මෙම සමාකරණ වේගවත් කරයි සහ අර්ථකථනය කරයි; නමුත් ප්රතිඵලය තනි අංකයකට අඩු කිරීම අවිනිශ්චිතභාවය සඟවා ව්යාජ විශ්වාසයක් ඇති කරයි.
කුඩා අවස්ථා තුනක්: අංක අනුව
නඩුව 1 - නිස්සාරණය කිරීමේ දෝෂය. එක් අඩවියක කෝර්ඩ් ළිං තුනක් මත පුහුණු කරන ලද පාරගම්යතා ආකෘතිය සිව්වන ළිඳෙහි පරිපූර්ණ ලෙස පෙනෙන අනාවැකියක් ලබා දුන්නේය. නමුත් මෙම ළිඳ මැටි සහිත මුහුණුවරකින් යුක්ත වූ අතර ආකෘතිය කිසි දිනෙක මෙම කාල පරතරය දැක නොතිබුණි. හොඳින් පරීක්ෂා කිරීමෙන් සැබෑ පාරගම්යතාව ඇස්තමේන්තුවෙන් පහෙන් එකක් පමණ විය. "හොඳ පෙනුම" ප්රස්ථාරයක් සඳහා ආකෘතිය බරපතල ලෙස වරදවා වටහාගෙන ඇත; ළිං පරීක්ෂණ නැංගුරම දෝෂය අල්ලා ගත්තේය.
නඩුව 2 - මුහුණු ක්රමාංකනය. එක් ගෑස් ක්ෂේත්රයක, කෘත්රිම බුද්ධිය ඉක්මනින් ළිං 14ක ලඝු-සටහන් මුහුණුවලට වර්ග කළේය. කෝර්ඩ් ළිං තුනක් සමඟ සසඳන විට, ආකෘතිය "පිරිසිදු වැලිගල්" ලෙස වර්ගීකරණය කරන ලද කලාපය ඇත්ත වශයෙන්ම කැඩුණු, අඩු ගුණාත්මක ඒකකයකි. මූලික ක්රමාංකනය සමඟින්, ආකෘතිය නැවත පුහුණු කරන ලද අතර ජලාශයේ පරිමාව ඇස්තමේන්තුව යථාර්ථවාදී මට්ටමට ගෙන එන ලදී.
නඩුව 3 - ස්ක්රිප්ට් අවංකභාවය. නිෂ්පාදන පුරෝකථනයකදී, ආකෘතිය තනි වක්රයක් ලබා දුන් අතර වසර දහයක නිෂ්පාදනය ඔත්තේ සංඛ්යා වලින් ප්රකාශ කළේය. කණ්ඩායම අනුක්රමික අනුකරණයක් හරහා පහත්/මධ්යම/ඉහළ දර්ශනයක් ජනනය කළ විට, එම පරාසය ඉතා පුළුල් බව ඔවුන් සොයා ගත්හ (ඉහළ තත්ත්වය දළ වශයෙන් දෙගුණයක් අඩු විය). මෙම පළල ආයෝජන තීරණයේ දී අතිරේක ළිං පරීක්ෂාවක් අවශ්ය බව පෙන්නුම් කරයි; තනි අංකය මෙම අවිනිශ්චිතභාවය භයානක ලෙස සඟවා ඇත.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම ළිං ලොග් දෙස බලන්න, පාරගම්යතාව ගණනය කරන්න, ළිඳෙන් කොපමණ ප්රමාණයක් නිපදවනු ඇත්දැයි මට කියන්න. [ලොග් දත්ත]
බලවත් විමසුම:
ඔබේ කාර්යභාරය: සහකාර ජලාශ භූ විද්යාඥයා. පහත ලඝු-සටහන් සමඟ පාරගම්යතාව සහ නිෂ්පාදනය සඳහා තනි නිශ්චිත අංකයක් ලබා දීම. ඒ වෙනුවට:1) මුහුණු අර්ථකථනය කිරීමේදී හරයෙන් තහවුරු කළ හැක්කේ කුමන ළිංද යන්න සඳහන් කරන්න.2) පාරගම්යතා ඇස්තමේන්තුව ලඝු වලින් කෙලින්ම මැනිය නොහැකි බවත්, එය වලංගු වන්නේ කුමන තත්ත්වයන් යටතේද (මුහුණු/පීඩනය) සහ හරය/ළිඳ පරීක්ෂාව සඳහා අවශ්යතාවයද යන්න පැහැදිලි කරන්න. ප්රතිඵලය. දත්ත නිර්නාමිකයි; සැබෑ ක්ෂේත්රයක්/සමාගමක් නැත.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ලොග්-ෆේසීස් ක්රමාංකන පරීක්ෂාව:
මුහුණු වර්ගීකරණය සඳහා හරවා ඇත්තේ කුමන ළිංද යන්න සහ මෙම ළිංවල ආකෘතියේ නිරවද්යතාවය මැනිය හැකි ආකාරය පැහැදිලි කරන්න. තහවුරු නොකළ කලාප "පරීක්ෂා නොකළ" ලෙස සලකුණු කරන්න; අන්ධ ලෙස විශ්වාස නොකරන්න.
2) පාරගම්යතාව තහවුරු කිරීම:
පාරගම්යතාව පුරෝකථනය සඳහා: ආකෘතිය පුහුණු කර ඇති මුහුණු සහ පීඩන පරාසය සඳහන් කරන්න; මෙම පරාසයෙන් පිටත කුමන ළිං/කලාපද යන්න සලකුණු කරන්න (පිටකිරීම). මෙම කලාපවල මූලික හා හොඳින් පරීක්ෂා කිරීමකින් තොරව අනාවැකි විශ්වාස නොකළ යුතු බව අවධාරණය කරන්න. නිශ්චිත අංකයක් දෙන්න එපා.
3) නිෂ්පාදන අවස්ථා කෙටුම්පත:
පහත වැටීමේ වක්ර/නිෂ්පාදන දත්ත වලින් අඩු, මධ්යම, ඉහළ නිෂ්පාදන අවස්ථා තර්කනය ස්ථාපිත කරයි. එක් එක් දර්ශනය පදනම් වන්නේ කුමන උපකල්පනයන්ද යන්න සහ ඒවා අතර ඇති වෙනස්කම් මොනවාද යන්න පැහැදිලි කරන්න. තනි "නිශ්චිත" වක්රයක් ඉදිරිපත් නොකරයි.
4) අවිනිශ්චිත සමාකරණ අර්ථ නිරූපණය:
බහුවිධ සමාන විය හැකි භූ-ස්ථිතික ආකෘතියක (උදා: අනුක්රමික අනුකරණය) ප්රතිදානය අර්ථ දක්වන්න: පරිමාව ඇස්තමේන්තුවේ ව්යාප්තිය කෙතරම් පුළුල්ද, කුමන කලාපය වඩාත් අවිනිශ්චිතද, සහ කුමන අමතර දත්ත (හොඳින්, භූ කම්පන) සමඟ මෙම අවිනිශ්චිතතාවය පටු වී තිබේද? තනි අංකයකට අඩු කිරීම.
ජලාශ පිරිවිතර, මැනීමේ හැකියාව සහ සත්යාපනය
විශේෂාංගය/ප්රතිදානය
එය ලඝු-සටහන් වලින් මැනිය හැකිද?
AI අවදානම
සත්යාපන නැංගුරම
porosity
සාධාරණ නිරවද්යතාවයකින් ව්යුත්පන්න කර ඇත
ක්රමාංකන ප්ලාවිතය
මූලික සිදුරු
පාරගම්යතාව
නැත, වක්ර අනුමානය
නිස්සාරණය කිරීමේ දෝෂය
Core + well test
මුහුණු
අදහස් (ආකෘතිය)
පිටත ප්රවාහනය
මූලික අර්ථ දැක්වීම
දියර වර්ගය
මම ප්රතිරෝධයෙන් නිගමනය කරමි
වැරදි අදහස
පීඩනය/නියැදි පරීක්ෂාව
නිෂ්පාදන පුරෝකථනය
ප්රවණතා දිගුව
බොරු සහතිකය
දර්ශනය + හොඳින් පරීක්ෂණය
ඉඟිය: ජලාශයේ සෑම ඇස්තමේන්තුවක් සඳහාම "මෙය නිෂ්ප්රභා කළ හැක්කේ කුමන සෘජු මිනුම්ද?" කියමින් එය පරීක්ෂා කරන්න. සිදුරු සඳහා හරය, පාරගම්යතාව සඳහා හොඳින් පරීක්ෂණය, මුහුණු සඳහා මූලික නිර්වචනය. සෘජු මිනුම් මගින් ප්රතික්ෂේප කළ නොහැකි අනාවැකියක් තවමත් තහවුරු කර නොමැත.
පොදු වැරදි
- පාරගම්යතාව සිදුරු ලෙස දැකීම. පාරගම්යතාව ලඝු-සටහන් වලින් සෘජුවම මනිනු නොලැබේ; නිස්සාරණය විශාල දෝෂ ලබා දෙයි, හරය/ළිඳ පරීක්ෂා කිරීම අත්යවශ්ය වේ.
- හරය නොමැතිව මුහුණු ආකෘතිය භාවිතා කිරීම. හරය මගින් ක්රමාංකනය නොකළ මුහුණු යනු පරීක්ෂා නොකළ කල්පිතයකි.
- උගත් සම්බන්ධය වෙනත් ක්ෂේත්රයකට රැගෙන යාම. විවිධ තැන්පත් පරිසරය සහ diagenesis ලඝු-ලක්ෂණ සම්බන්ධතාවය වෙනස් කරයි.
- තනි වක්රයකින් නිෂ්පාදනය ඉදිරිපත් කිරීම. අවස්ථා සමඟ අවිනිශ්චිතභාවය ලබා නොදෙන්නේ නම්, ආයෝජන තීරණය පදනම් වන්නේ ව්යාජ සහතිකය මත ය.
- සමාකරණය මධ්යන්යයට අඩු කිරීම. බහු මාදිලියේ අවිනිශ්චිත බව පෙන්නුම් කරයි; එය තනි අංකයකට අඩු කිරීමෙන් තොරතුරු විනාශ වේ.
සාරාංශයකින්
- ජලාශය නොපෙනේ; එය ලඝු-සටහන්, හරය, භූ කම්පන සහ නිෂ්පාදන දත්ත සමඟ වක්රව කියවන අතර සෑම අනාවැකියක්ම අවිනිශ්චිතතාවයක් දරයි.
- Porosity ලඝු-සටහන් වලින් ලබා ගත හැක; පාරගම්යතාව සෘජුවම මනිනු නොලැබේ, එය හරය සහ හොඳින් පරීක්ෂා කිරීම සමඟ සම්බන්ධ කළ යුතුය.
- මුහුණු වර්ගීකරණය ආදර්ශයකි; හරය මගින් ක්රමාංකනය කිරීමෙන් සහ පිටතින් ප්රවාහනය කිරීමෙන් තොරව විශ්වාස කළ නොහැක.
- උගත් සම්බන්ධතාවය අධ්යාපනික තත්වයන්ට විශේෂිත වේ; Extrapolation යනු වඩාත් පොදු සහ භයානක වැරැද්දයි.
- නිෂ්පාදනය සහ පරිමාව ඉදිරිපත් කරනු ලබන්නේ තනි සංඛ්යාවකින් නොව, අවිනිශ්චිතතාවයෙන් පැහැදිලිව ලබා දී ඇති සම්භාවිතා ජවනිකාවක් සහ අනුකරණයක් සමඟිනි.
යෙදුම් කාර්යය
ළිං ලඝු (හෝ නියෝජිත අගයන්) නිර්නාමික කට්ටලයක් ලබා ගන්න. "පාරගම්යතා වලංගුකරණය" අච්චුව සමඟින් පිටකිරීමේ අවදානමක් ඇති කලාප මොනවාදැයි සොයා ගැනීමට ආකෘතියට සලස්වන්න; එය පුහුණු පරාසයෙන් පිටත හිතාමතාම තැබීමෙන් කලාපයක් උත්තේජනය කරන්නේ දැයි පරීක්ෂා කරන්න. ඉන්පසුව, තනි වක්රයක් වෙනුවට පහත්/මධ්යම/ඉහළ දර්ශනයක් නිෂ්පාදනය කිරීමට සහ වාක්යයක පරාසයේ පළල ගැන අදහස් දැක්වීමට "නිෂ්පාදන අවස්ථා කෙටුම්පත" අච්චුව භාවිතා කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම porosity සහ permeability අතර මැනිය හැකි වෙනස දන්නා අතර පාරගම්යතාව සඳහා core/ well test කිරීම අවශ්ය වේ.
- [ ] මම මුහුණු වර්ගීකරණය හරය සමඟ ක්රමාංකනය නොකර විශ්වාසදායක ලෙස සලකන්නේ නැත.
- [ ] උගත් සබඳතාව වෙනත් ක්ෂේත්රයකට/තත්ත්වයකට විකාශනය කිරීමේ අවදානම මම හඳුනාගනිමි.
- [ ] මම නිෂ්පාදනය සහ පරිමාව තනි සංඛ්යා වෙනුවට සම්භාවිතා අවස්ථා සහ සමාකරණ සමඟ ඉදිරිපත් කරමි.
- [ ] "එක් එක් ජලාශ ඇස්තමේන්තුව නිෂ්ප්රභා කළ හැක්කේ කුමන සෘජු මිනුම් ද?" මම එය ප්රශ්නය සමඟ පරීක්ෂා කරමි.