Mga nadagdag:
- Kakayahang ipaliwanag ang daloy ng trabaho sa paghula ng porosity, permeability at reservoir properties gamit ang AI
- Kakayahang iposisyon ang machine learning sa well log interpretation, facies classification at production forecasting
- Kakayahang i-verify ang mga output ng reservoir sa pamamagitan ng mga pisikal na hangganan, mahusay na pagsubok at pagtatasa ng kawalan ng katiyakan
Ang reservoir ng langis o gas ay isang hindi nakikitang kayamanan ng mga likido na nakulong sa buhaghag na bato, milya sa ibaba ng ibabaw. Hindi natin ito direktang nakikita; "Nabasa" lang namin ito gamit ang mga log, core, seismic shadow at data ng produksyon na natatanggap namin mula sa mga balon. Ang reservoir characterization ay ang gawain ng muling pagtatayo mula sa mga hindi direktang pagsukat na ito kung gaano karaming likido ang hawak ng bato (porosity), kung gaano kadali ito naglalabas ng fluid (permeability), at kung anong uri ng three-dimensional na istraktura ang reservoir. Makapangyarihan ang AI sa lugar na ito: pag-interpret ng mga well log, pag-uuri ng mga facies (mga pagtitipon ng mga uri ng bato), paghula ng mga relasyon sa porosity-permeability, at pagmomodelo ng mga trend ng produksyon. Ngunit ang mga reservoir, tulad ng ibang mga geological field, ay puno ng kawalan ng katiyakan, at hindi lahat ng hula ay maaaring maging batayan para sa pagpapasya nang hindi nauugnay sa mga pisikal na hangganan, mahusay na pagsubok at pagtatasa ng kawalan ng katiyakan.
Sa yunit na ito ay sasakupin natin ang tatlong aspeto ng AI ng reservoir study: well log interpretation at facies classification (pagkuha ng uri ng bato at mga katangian mula sa mga log), porosity-permeability prediction (prediction ng reservoir quality), at production prediction (kung magkano ang bubuo ng balon sa hinaharap). Ang geostatistics ay ang gulugod din dito; Pinupuno namin ang espasyo sa pagitan ng mga balon na may variogram at simulation. Tandaan: ang sektor ng langis at gas ay masyadong sensitibo sa komersyo; Ang lahat ng mga sample ay pinag-aaralan na may mga anonymous at kinatawan na halaga.
Well Log Interpretation at Facies Classification
Ang mga well log ay mga kurba na patuloy na sumusukat sa pisikal na katangian ng bato sa kahabaan ng bore: gamma ray (clay content), resistivity (fluid type — water/hydrocarbon), density at neutron (porosity), sonic (rock hardness). Binabasa ng petroleum geologist ang mga curve na ito nang magkakasama at kinukuha ang uri ng bato at likido sa bawat lalim. Ito ay pagkilala sa pattern, at napakahusay ng AI dito: patuloy na pag-uuri ng sampu-sampung libong metro ng mga log sa mga facies.
Ngunit mayroong dalawang limitasyon. Una, ang interpretasyon ng log ay isang modelo, hindi isang pagsukat; Ang parehong log ay maaaring bukas sa iba't ibang interpretasyon ng facies. Pangalawa, kung walang taros na inililipat ng modelo ang log-facies na relasyon na natutunan nito sa isang field patungo sa ibang field (iba't ibang depositional environment, iba't ibang diagenesis), nakakagawa ito ng malubhang pagkakamali. Samakatuwid, ang output ng facies ay na-calibrate gamit ang pangunahing data; Ang core ay ang anchor na nag-uugnay sa interpretasyon ng log sa ground truth.
Tip: Bago magtiwala sa output ng isang facies model, itanong "aling mga balon ang na-cored at gaano katumpak ang modelo sa mga balon na iyon?" magtanong. Ang isang hindi nakumpirmang pagtatantya ng facies ay isang hindi pa nasusubukang hypothesis, gaano man ito kapani-paniwala.
Porosity at Permeability: Ang Pinaka Kritikal na Pagkakaiba
Ang dalawang susi sa kalidad ng reservoir ay porosity at permeability, at ang pagkakaiba sa pagitan ng mga ito ay isa sa pinakamahalagang punto ng paggamit ng AI. Ang porosity ay ang void ratio ng bato at maaaring makuha mula sa mga log na may makatwirang katumpakan. Ang permeability ay kung gaano kadaling dumaloy ang likido sa bato at hindi direktang sinusukat mula sa mga log; ngunit ito ay tinatantya nang hindi direkta. Ang permeability ay lubhang sensitibo sa maliliit na pagbabago sa porosity at nakadepende sa pore geometry, mga bitak, at sementasyon.
Kaya naman kaakit-akit at mapanganib ang permeability prediction sa machine learning. Natututo ang modelo ng porosity sa mga core well at permeability mula sa iba pang mga log; ngunit ang relasyon na natutunan nito ay tiyak sa mga facies na iyon at sa kondisyong iyon ng presyon-temperatura. Ang extrapolation sa ibang lithology o sa isang uncored well (paglipat sa labas ng natutunang range) ay magreresulta sa malalaking error. Ang pagtatantya ng permeability ay dapat na naka-link sa core measurement at well testing (pressure drop/swell tests ay nagbibigay ng aktwal na gawi ng daloy).
Mag-ingat: Kahit na ang pagtatantya ng permeability ay gumagawa ng isang "magandang tingnan" na graph, hindi ito maaasahan kung ilalapat sa labas ng mga facies at mga kondisyon ng presyon ng data ng pagsasanay. Natututo ang modelo ng isang ugnayan, hindi isang pisikal na katotohanan; palaging pagsubok sa core at mahusay na pagsubok.
Pagtataya ng Produksyon at Kawalang-katiyakan
Kung gaano karami ang nagagawa ng isang balon sa hinaharap ay depende sa kung gaano karaming likido ang hawak at inihahatid ng reservoir. Ang mga klasikal na pamamaraan (pagsusuri ng curve ng pagtanggi) ay nagpapalawak ng nakaraang kalakaran ng produksyon sa hinaharap; Pinagyayaman ng AI ang trend na ito gamit ang multi-well data at natututo mula sa mga kalapit na pattern ng well. Ngunit ang pagtataya ng produksyon ay likas na hindi tiyak: ang reservoir ay magkakaiba, nagbabago ang presyon, nagbabago ang mga kondisyon ng operating. Samakatuwid, isang probabilistic range (mababa/medium/high na senaryo) ang ipinakita, hindi isang "eksaktong" curve ng produksyon.
Ang geostatistics ay nagdadala din ng kawalan ng katiyakan kapag pinupunan ang volume sa pagitan ng mga balon. Ang mga pamamaraan tulad ng sunud-sunod na Gaussian simulation ay gumagawa ng maraming parehong malamang na mga modelo sa halip na isang solong "average" na modelo; Ang pagkakaiba sa pagitan ng mga modelong ito ay ang kawalan ng katiyakan mismo. Pinapabilis at binibigyang-kahulugan ng artificial intelligence ang mga simulation na ito; ngunit ang pagbabawas ng resulta sa isang numero ay lumilikha ng maling kumpiyansa sa pamamagitan ng pagtatago ng kawalan ng katiyakan.
Tatlong Mini Cases: By the Numbers
Case 1 — Extrapolation error. Ang modelo ng permeability na sinanay sa tatlong cored well sa isang site ay nagbigay ng hula na mukhang perpekto sa ikaapat na balon. Ngunit ang balon na ito ay nasa isang clayier facies at hindi pa nakita ng modelo ang agwat na ito; Ang mahusay na pagsusuri ay nagpakita ng aktwal na permeability na humigit-kumulang isang-ikalima ng pagtatantya. Ang modelo ay seryosong napagkamalan bilang isang "magandang" graph; Nahuli ng well test anchor ang error.
Case 2 — Pag-calibrate ng facies. Sa isang larangan ng gas, mabilis na inayos ng artificial intelligence ang mga log ng 14 na balon sa mga facies. Kung ihahambing sa tatlong cored well, ang zone na inuri ng modelo bilang isang "malinis na sandstone" ay talagang isang bali, mababang kalidad na yunit. Sa pangunahing pagkakalibrate, ang modelo ay muling sinanay at ang pagtatantya ng dami ng reservoir ay ibinaba sa isang makatotohanang antas.
Kaso 3 — Katapatan ng script. Sa pagtataya ng produksyon, ang modelo ay nagbigay ng isang kurba at nagpahayag ng sampung taong produksyon sa mga kakaibang numero. Kapag nakabuo ang team ng low/medium/high scenario sa pamamagitan ng sequential simulation, nalaman nilang napakalawak ng range (ang mataas na scenario ay humigit-kumulang dalawang beses na mas mababa). Ang lapad na ito ay nagpahiwatig na ang karagdagang pagsusuri ng balon ay kinakailangan sa desisyon sa pamumuhunan; Mapanganib na itinago ng nag-iisang numero ang kawalan ng katiyakan na ito.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Tingnan ang mga log ng balon na ito, kalkulahin ang permeability, at sabihin sa akin kung magkano ang bubuo ng balon. [log data]
Napakahusay na prompt:
Ang iyong tungkulin: Assistant reservoir geologist. Pagbibigay ng ISANG EKSAKTONG NUMBER para sa permeability at produksyon kasama ang mga log sa ibaba. Sa halip:1) Sabihin kung aling mga balon ang maaaring kumpirmahin sa pamamagitan ng core kapag gumagawa ng interpretasyon ng facies.2) Ipaliwanag na ang pagtatantya ng permeability ay hindi masusukat nang direkta mula sa mga log, sa ilalim ng kung anong mga kondisyon (facies/pressure) ito magiging wasto, at ang pangangailangan para sa core/well testing.3) Magtatag ng low/medium/high scenario logic para sa produksyon, hindi isang solong 4ty na pinagmumulan ng 4ataD na makakaapekto sa resulta ng 4) List4ata. anonymous; Walang tunay na larangan/kumpanya.
Apat na Nakokopyang Template
1) Pagsusuri sa pagkakalibrate ng log-facies:
Ipaliwanag kung aling mga balon ang naka-core para sa pag-uuri ng facies at kung paano natin masusukat ang katumpakan ng modelo sa mga balon na ito. Markahan ang mga hindi na-verify na zone bilang "hindi nasubukan"; Huwag magtiwala nang walang taros.
2) Pagpapatunay ng permeability:
Para sa permeability prediction: tukuyin ang facies at pressure range kung saan ang modelo ay sinanay; Markahan kung aling mga balon/zone ang nasa labas ng saklaw na ito (extrapolation). Bigyang-diin na ang hula ay hindi dapat pagkatiwalaan nang walang core at well testing sa mga zone na ito. Huwag magbigay ng eksaktong numero.
3) Draft ng senaryo ng produksyon:
Nagtatatag ng low, medium, high production scenario logic mula sa curve ng pagtanggi/data ng produksyon. Ipaliwanag kung ano ang mga pagpapalagay na batay sa bawat senaryo at kung ano ang ibig sabihin ng mga pagkakaiba sa pagitan ng mga ito. Nag-aalok ng walang iisang "eksaktong" curve.
4) Interpretasyon ng simulation ng kawalan ng katiyakan:
Bigyang-kahulugan ang output ng isang maramihang pantay na posibilidad na geostatistical na modelo (hal., sequential simulation): gaano kalawak ang distribusyon ng pagtatantya ng volume, kung aling rehiyon ang pinaka-hindi sigurado, at sa anong karagdagang data (well, seismic) pinaliit ang kawalan ng katiyakan na ito? Pagbabawas sa iisang numero.
Reservoir Specification, Measurability at Verification
tampok/output
Maaari ba itong masukat mula sa mga log?
Panganib sa AI
anchor ng pagpapatunay
porosidad
Hinango nang may makatwirang katumpakan
Pag-calibrate drift
Core porosity
pagkamatagusin
Hindi, hindi direktang hula
Extrapolation error
Core + well test
mga mukha
Komento (modelo)
Off-site na transportasyon
pangunahing kahulugan
Uri ng likido
Deduce ko mula sa resistivity
maling komento
Pagsubok sa presyon/sample
Pagtataya ng produksyon
extension ng trend
maling katiyakan
Scenario + well test
Hint: Para sa bawat pagtatantya sa reservoir "anong direktang pagsukat ang maaaring pabulaanan ito?" Subukan ito sa pamamagitan ng pagsasabi. Core para sa porosity, well test para sa permeability, core definition para sa facies. Ang isang hula na hindi maaaring pabulaanan sa pamamagitan ng direktang pagsukat ay hindi pa nakumpirma.
Mga karaniwang pagkakamali
- Nakikita ang permeability bilang porosity. Ang permeability ay hindi direktang sinusukat mula sa mga log; Ang extrapolation ay nagbibigay ng malalaking error, ang core/well testing ay mahalaga.
- Gamit ang modelo ng facies na walang core. Ang isang facies na hindi pa na-calibrate ng core ay isang hindi pa nasusubukang hypothesis.
- Dala ang natutunang relasyon sa ibang larangan. Binabago ng iba't ibang depositional environment at diagenesis ang log-trait na relasyon.
- Pagtatanghal ng produksyon na may iisang kurba. Kung ang kawalan ng katiyakan ay hindi ibinigay kasama ng mga sitwasyon, ang desisyon sa pamumuhunan ay batay sa maling katiyakan.
- Pagbawas ng simulation sa mean. Maraming mga modelo ang nagpapahiwatig ng kawalan ng katiyakan; Ang pagbawas nito sa isang solong numero ay sumisira sa impormasyon.
Sa buod
- Ang reservoir ay hindi nakikita; Ito ay binabasa nang hindi direkta gamit ang mga log, core, seismic at data ng produksyon at bawat hula ay nagdadala ng kawalan ng katiyakan.
- Ang porosity ay maaaring makuha mula sa mga log; Ang permeability ay hindi direktang sinusukat, dapat itong isama sa core at well testing.
- Ang pag-uuri ng facies ay isang modelo; hindi maaasahan nang hindi na-calibrate ng core at dinadala sa labas ng site.
- Ang relasyong natutunan ay tiyak sa mga kondisyong pang-edukasyon; Ang extrapolation ay ang pinakakaraniwan at mapanganib na pagkakamali.
- Ang produksyon at dami ay ipinakita hindi sa isang solong numero, ngunit may probabilistikong senaryo at simulation, na may malinaw na kawalan ng katiyakan.
Gawain ng aplikasyon
Kumuha ng hindi kilalang hanay ng mga log ng balon (o mga kinatawanng halaga). Ipaalam sa modelo kung aling mga zone ang nasa panganib ng extrapolation gamit ang template na "permeability validation"; Subukan kung pinasisigla nito ang isang zone sa pamamagitan ng sadyang paglalagay nito sa labas ng hanay ng pagsasanay. Pagkatapos, gamitin ang template na "production scenario draft" para makagawa ng low/medium/high scenario sa halip na isang curve at magkomento sa lapad ng range sa isang pangungusap.
checklist
- [ ] Alam ko ang pagkakaiba sa pagsukat sa pagitan ng porosity at permeability at ang permeability ay nangangailangan ng core/well testing.
- [ ] Hindi ko itinuturing na maaasahan ang pag-uuri ng facies nang hindi ito na-calibrate gamit ang core.
- [ ] Kinikilala ko ang panganib ng pag-extrapolate ng natutunang kaugnayan sa ibang larangan/kondisyon.
- [ ] Ipinakikita ko ang produksyon at volume na may probabilistikong mga sitwasyon at simulation sa halip na mga solong numero.
- [ ] "Anong direktang pagsukat ang maaaring pabulaanan ang bawat pagtatantya ng reservoir?" Sinusubukan ko ito sa tanong.