Vinster:
- Förmåga att förklara hur 3D-fördelningen av reservoaregenskaper (porositet, permeabilitet, vattenmättnad) modelleras med AI och geostatistik
- Möjlighet att lokalisera funktionsspridning med faciesmodellering, variogram, kriging och maskininlärning
- Förmåga att verifiera reservoarmodeller med materialbalans, brunnstestning och osäkerhetsscenarier
För att tillverka ett olje- eller gasfält måste vi först bygga en 3D-modell av det: var reservoarbergarten är, hur porös den är (porositet), hur lätt vätska flyter (permeabilitet/permeabilitet) och hur mycket av porerna som är fyllda med kolväten (1 − vattenmättnad). Men vi kan bara mäta dessa egenskaper vid de punkter där vi borrar brunnar; Den enorma volymen mellan brunnarna är tom och måste fyllas. Reservoarkarakterisering är att ta punktmätningar i brunnar och utvidga dem till hela volymen med hjälp av geologisk logik och statistik. I denna enhet använder vi artificiell intelligens och geostatistik (den gren av statistik som modellerar rumsliga data med osäkerhet) i detta spridningsarbete. Den oföränderliga principen: varje värde från väl till brunn är en uppskattning, inte en faktisk; Osäkerhet är en del av modellen och testas av fysisk balans.
Grundläggande koncept
- Facies: En bergart med unika egenskaper som bildades i en speciell avsättningsmiljö (t.ex. flodkanalsand, marin skiffer, revkalksten). Reservoarkvaliteten är nära knuten till facies: kanalen dränerar sand väl, men inte skiffer.
- Variogram: Ett mått på rumslig kontinuitet som beskriver hur egenskapslikheten minskar när avståndet mellan två punkter ökar. Det är det grundläggande verktyget för geostatistik.
- Kriging: En metod som uppskattar värdet vid osamplade punkter med hjälp av variogrammet, tillsammans med uppskattningsosäkerheten.
- Stokastisk simulering: Att producera många lika sannolika modeller (förverkliganden) som är kompatibla med data, snarare än en enda "bästa" gissning; Det gör osäkerheten synlig.
- Materialbalans: Bevarandeförhållande mellan vätskan som produceras från behållaren, tryckfall och återstående volym; fysiskt ankare som självständigt testar modellvolymen.
Tips: Reservoarmodellen är en osäkerhetsfördelning, inte ett enda tal. Det korrekta språket är "P90=35, P50=50, P10=72 miljoner fat", inte "Reservera 50 miljoner fat". Fråga AI om ett scenario/distribution, inte en enda punktuppskattning.
Hur AI och geostatistik fungerar tillsammans
Klassisk geostatistik (kriging, variogram) är kraftfull men kämpar med multivariata, olinjära relationer. Det är här maskininlärning kommer in i bilden:
- Faciesklassificering: Tilldela facies från logguppsättningen (övervakad inlärning); Distribuera sedan funktionen med hjälp av facies som vägledning.
- Attributuppskattning: Uppskattning av porositet mellan brunnar från seismiskt attribut + log-förhållande (seismisk driven modellering).
- Utfyllnad av luckor: Att fylla i saknade stock sträcker sig rimligen från närliggande brunnar och relationer.
Men maskininlärning känner inte till geologisk logik. Porositetskartan som produceras av en modell är felaktig om den är oförenlig med deponeringsmiljön (t.ex. hög permeabilitet i skifferfacies). Geologisk plausibilitet är det första filtret för AI-utdata.
Steg för steg: Arbetsflöde för reservoarmodell
- Strukturellt skelett. Fastställ geometrin för reservoaren med horisonter och förkastningar från seismik (utdata från enhet 3).
- Facies modell. Bestäm facies i brunnar (logg + kärna), fördela till volym med variogram/geologisk trend. AI påskyndar klassificeringen.
- Funktionsdistribution. Fördela porositet, permeabilitet, vattenmättnad inom varje facies genom kriging eller maskininlärning; Om det finns seismik, skaffa en guide.
- Osäkerhet. Generera ett stort antal realiseringar med stokastisk simulering; P90/P50/P10-volymer matas ut.
- Kontroll. Testmodellvolym med materialbalans och historikmatchning; Jämför med brunnstestpermeabilitet.
Tre minifodral: Efter siffrorna
Fall 1 — Value of facies guide. När porositeten spreds på en plats direkt genom kriging, "läckte" hög porositet in i skifferzoner av låg kvalitet. När faciesmodellen först etablerades och porositeten fördelades inom facies, blev modellen realistisk och de stokastiska volymerna minskade: P50-volymen minskade med 12 %, men osäkerhetsbandet minskade med 40 %. Den korrekta strukturen gav både mer realistiska och säkrare resultat.
Fall 2 — Extrapolationsfälla. Maskininlärningsmodellen lärde sig det porositet-seismiska förhållandet väl i regionen där brunnarna är koncentrerade; men när det applicerades på ett kantblock utan brunn föll det utanför träningsområdet (extrapolering) och gav en orealistisk porositet på 28 %. Geologen visade att det blocket var i en annan facies-zon; modellen var ogiltig i den regionen. Extrapolationsgränsen är markerad.
Fall 3 — Materialbalanskonflikt. En rik 3D-modell P50-reserver gav 68 miljoner fat; Fältets tidiga produktionstryckfall indikerade dock ett system med högst ~45 miljoner fat i materialbalans. Motsägelsen kom för att modellen antog att frånkopplade (isolerade) sandkroppar var för sammankopplade. Sambandet omprövats och modellen gjordes mindre. Det fysiska ankaret fixade den geometriska modellen.
Svag prompt / Stark prompt
Svag uppmaning:
Reservoarmodellen och reservoaren härleds från dessa brunnsdata.[data]
Kraftfull uppmaning:
Generera en reservoarmodelleringsplan från den (anonymiserade) brunnen och seismisk sammanfattning nedan. Regler:- Bygg först faciesmodell; Fördela porositet/permeabilitet INOM facies. Kolvätefunktion läcker in i skiffer/lågkvalitetsfacetter.- Motivera variogramparametrar (riktning, intervall) från geologisk trend, inte från data; Skriv antagandena TYDLIGT.- Presentera resultatet som en P90/P50/P10 volymfördelning, inte ett enda tal.- Flagga risken för extrapolering i brunnlösa regioner.- Skriv hur man verifierar med materialbalans/produktionshistorik.Data: [sammanfattning]
Fyra kopieringsbara mallar
1) Facies-klassificeringsutkast:
Föreslå en fasklassificeringsmetod från följande uppsättning loggar. Skriv ner loggarna som ska användas, klassdefinitioner och behovet av kärnmärkning. Ange risken för förväxling mellan klasser och den geologiska rimlighetskontrollen. Data: [logguppsättning]
2) Variogram motivering:
När du upprättar ett variogram för dessa porositetsdata, relatera valet av riktning och avstånd till riktningen för geologisk nederbörd. Förklara risken med att anta isotrop. Ange gränsen för variogrammets tillförlitlighet med lite data. Data: [porositet]
3) Osäkerhetsscenario:
Generera volymfördelning P90/P50/P10 för följande volymingångar (area, tjocklek, porositet, mättnad, omvandlingsfaktor). Fråga efter osäkerhetsintervallet för varje ingång, anta inte det. Rangordna den mest inflytelserika källan till osäkerhet (tornado). Indata: [värden]
4) Korskontroll av materialbalans:
Jämför följande 3D-modellvolym med givna tidiga produktions- och tryckfallsdata för materialbalans. Om det finns inkompatibilitet, ange möjliga orsaker (anslutning, stöd för akvifer, volymfel). Modell: [volym], produktion/tryck: [data]
Reservoarmodellverifieringslager
lager
Vilka tester
Metod
Geologisk rimlighet
Konsistens av facies-funktioner
Expertrecension
brunnsdata
Överensstämmelse med punktmätning
Logga/kärna jämförelse
väl testa
Faktisk permeabilitet/tryck
Trycktransienttest
Materialbalans
volymkonservering
Tryck-produktionsförhållande
Produktionshistorik
dynamiskt beteende
Historikmatchning
Vanliga misstag
- Facies hoppar över. Fördela funktioner utan facies guide och läcka kolväten med sak.
- Enkelpunktsförutsägelse. Redovisning av ett enda antal reserver istället för en osäkerhetsfördelning.
- Extrapolering. Blind applicering av modellen på block utanför träningsdataintervallet.
- Hoppa över materialbalans. Testar inte 3D-modellvolymen med fysisk balans.
- Lämna variogrammet till automatiskt. Att välja riktning/räckvidd utan geologisk trend.
Sammanfattningsvis
- Reservoarkarakterisering är en utvidgning av punktmätningar i brunnar till hela volymen med geologi och geostatistik.
- AI och maskininlärning är kraftfulla i faciesklassificering och funktionsförutsägelse; men geologisk rimlighet är det första filtret.
- Distribuera funktioner inom facies; Rapportera osäkerhet som en P90/P50/P10-fördelning.
- Markera extrapoleringsgränserna; Använd inte modellen i blindo utanför träningsområdet.
- Materialbalans och produktionshistorik är fysiska ankare som testar den geometriska modellen.
Applikationsuppgift
Ta porositet/ansiktsdata från flera brunnar (representativa) för ett fält. Få en modelleringsplan genererad med den kraftfulla uppmaningen. Sedan: (1) kontrollera om porositeten är fördelad inom facies, (2) be om reserven som P90/P50/P10, inte ett enda nummer, (3) ge grovt volymen som ges av modellen med en enkel materialbalans (producerad + återstående) logik. Lägg till en extrapoleringsvarning för minst en brunnlös region.
checklista
- [ ] Jag förstår att reservoarmodellen är en väl till brunn uppskattning och medför osäkerhet.
- [ ] Jag distribuerar funktionerna med faciesguiden, jag läcker dem inte till lågkvalitativa facies.
- [ ] Jag rapporterar reserven som en P90/P50/P10-fördelning, inte ett enda nummer.
- [ ] Jag markerar extrapoleringsgränserna.
- [ ] Jag verifierar modellvolymen med materialbalans och produktionshistorik.