Mga nadagdag:
- Kakayahang ipaliwanag kung paano na-modelo ang 3D distribution ng reservoir properties (porosity, permeability, water saturation) gamit ang AI at geostatistics
- Kakayahang mahanap ang feature spread gamit ang facies modelling, variogram, kriging at machine learning
- Kakayahang i-verify ang mga output ng modelo ng reservoir na may balanse ng materyal, mahusay na pagsubok at mga sitwasyon ng kawalan ng katiyakan
Upang makagawa ng isang field ng langis o gas, kailangan muna nating bumuo ng isang 3D na modelo nito: kung nasaan ang reservoir rock, gaano ito porous (porosity), gaano kadaling dumaloy ang fluid (permeability/permeability), at gaano karami sa mga pores ang napupuno ng hydrocarbons (1 − water saturation). Ngunit masusukat lamang natin ang mga tampok na ito sa mga punto kung saan tayo nag-drill ng mga balon; Ang malaking volume sa pagitan ng mga balon ay walang laman at dapat punan. Ang reservoir characterization ay ang pagkuha ng mga point measurements sa mga balon at pagpapalawak ng mga ito sa buong volume gamit ang geological logic at statistics. Sa unit na ito, gumagamit kami ng artificial intelligence at geostatistics (ang sangay ng mga istatistika na nagmomodelo ng spatial na data nang walang katiyakan) sa gawaing ito ng pagpapakalat. Ang hindi nagbabagong prinsipyo: bawat well-to-well value ay isang pagtatantya, hindi isang aktwal; Ang kawalan ng katiyakan ay bahagi ng modelo at sinusubok ng pisikal na balanse.
Pangunahing Konsepto
- Mga Facies: Isang uri ng bato na may mga natatanging katangian na nabuo sa isang partikular na kapaligiran ng deposito (hal. buhangin ng ilog, marine shale, reef limestone). Ang kalidad ng reservoir ay malapit na nakatali sa mga facies: ang channel ay umaagos ng buhangin, ngunit hindi shale.
- Variogram: Isang sukat ng spatial na pagpapatuloy na naglalarawan kung paano bumababa ang pagkakatulad ng tampok habang tumataas ang distansya sa pagitan ng dalawang punto. Ito ang pangunahing kasangkapan ng geostatistics.
- Kriging: Isang paraan na tinatantya ang halaga sa mga hindi naka-sample na punto gamit ang variogram, kasama ang kawalan ng katiyakan sa pagtatantya.
- Stochastic simulation: Gumagawa ng maraming pantay na posibilidad na mga modelo (realization) na tugma sa data, sa halip na isang "pinakamahusay" na hula; Ginagawa nitong nakikita ang kawalan ng katiyakan.
- Balanse ng materyal: Konserbasyon na relasyon sa pagitan ng likido na ginawa mula sa reservoir, pagbaba ng presyon at natitirang dami; pisikal na anchor na malayang sumusubok sa dami ng modelo.
Hint: Ang reservoir model ay isang uncertainty distribution, hindi isang solong numero. Ang tamang wika ay "P90=35, P50=50, P10=72 million barrels", hindi "Reserve 50 million barrels". Humingi sa AI para sa isang senaryo/pamamahagi, hindi isang pagtatantya ng punto.
Paano Nagtutulungan ang AI at Geostatistics
Ang klasikal na geostatistics (kriging, variogram) ay makapangyarihan ngunit nakikipagpunyagi sa multivariate, nonlinear na relasyon. Dito pumapasok ang machine learning:
- Pag-uuri ng mga facies: Pagtatalaga ng mga facies mula sa set ng log (pinamamahalaang pag-aaral); Pagkatapos ay ipamahagi ang feature gamit ang facies bilang gabay.
- Pagtatantya ng katangian: Pagtantya ng inter-well porosity mula sa seismic attribute + log relationship (seismic driven modelling).
- Pagpuno ng gap: Pagkumpleto ng nawawalang mga hanay ng log na makatwirang mula sa mga kalapit na balon at mga relasyon.
Ngunit hindi alam ng machine learning ang geological logic. Ang porosity map na ginawa ng isang modelo ay hindi tama kung ito ay hindi naaayon sa depositional na kapaligiran (hal. mataas na permeability sa shale facies). Ang geological plausibility ay ang unang filter ng AI output.
Hakbang-hakbang: Workflow ng modelo ng reservoir
- Structural skeleton. Itatag ang geometry ng reservoir na may mga horizon at faults mula sa seismic (output mula sa Unit 3).
- Modelo ng facies. Tukuyin ang mga facies sa mga balon (log + core), ipamahagi sa volume na may variogram/geological trend. Pinapabilis ng AI ang pag-uuri.
- Pag-deploy ng feature. Ipamahagi ang porosity, permeability, water saturation sa loob ng bawat facies sa pamamagitan ng kriging o machine learning; Kung may seismic, kumuha ng gabay.
- Kawalang-katiyakan. Bumuo ng isang malaking bilang ng mga realization na may stochastic simulation; Ang mga volume na P90/P50/P10 ay output.
- Pagpapatunay. Subukan ang dami ng modelo na may balanse ng materyal at tugma sa kasaysayan; Ikumpara sa well test permeability.
Tatlong Mini Case: Sa pamamagitan ng Mga Numero
Case 1 — Gabay sa halaga ng facies. Kapag ang porosity ay dispersed sa isang site nang direkta sa pamamagitan ng kriging, mataas na porosity "leaked" sa mababang kalidad na shale zone. Noong unang naitatag ang modelo ng facies at naipamahagi ang porosity sa loob ng mga facies, naging makatotohanan ang modelo at lumiit ang stochastic volume: Bumaba ng 12% ang volume ng P50, ngunit lumiit ng 40% ang uncertainty band. Ang tamang istraktura ay nagbunga ng parehong mas makatotohanan at mas ligtas na mga resulta.
Kaso 2 — Extrapolation trap. Natutunan ng modelo ng machine learning ang porosity-seismic na relasyon sa rehiyon kung saan ang mga balon ay puro; ngunit kapag inilapat sa isang gilid na bloke na walang balon, nahulog ito sa labas ng hanay ng pagsasanay (extrapolation) at gumawa ng hindi makatotohanang porosity na 28%. Ipinakita ng geologist na ang bloke na iyon ay nasa ibang facies zone; ang modelo ay hindi wasto sa rehiyong iyon. Ang limitasyon ng extrapolation ay minarkahan.
Kaso 3 — Salungatan sa balanse ng materyal. Isang mayamang 3D model na P50 reserves ang nagbunga ng 68 milyong bariles; gayunpaman, ang maagang pagbaba ng presyon ng produksyon ng field ay nagpahiwatig ng isang sistema na may hindi hihigit sa ~45 milyong bariles sa balanse ng materyal. Dumating ang kontradiksyon dahil ipinapalagay ng modelo na masyadong konektado ang mga nakadiskonekta (nakahiwalay) na katawan ng buhangin. Ang koneksyon ay muling isinasaalang-alang at ang modelo ay ginawang mas maliit. Inayos ng pisikal na anchor ang geometric na modelo.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Ang modelo ng reservoir at reserba ay nagmula sa data ng balon na ito.[data]
Napakahusay na prompt:
Bumuo ng reservoir modellingDRAFT plan mula sa (anonymized) well at seismic summary sa ibaba. Mga Panuntunan:- Unang bumuo ng mga facies na modelo; Ipamahagi ang porosity/permeability SA LOOB ng mga facies. Hydrocarbon feature leaching sa shale/mababang kalidad na facies.- I-justify ang mga parameter ng variogram (direksyon, hanay) mula sa geological trend, hindi mula sa data; Isulat ng MALINAW ang mga pagpapalagay.- Ilahad ang resulta bilang P90/P50/P10 volume distribution, hindi isang solong numero.- I-flag ang panganib ng extrapolation sa mga wellless na rehiyon.- Isulat kung paano i-verify gamit ang materyal na balanse/kasaysayan ng produksyon.Data: [summary]
Apat na Nakokopyang Template
1) Draft ng pag-uuri ng facies:
Magmungkahi ng diskarte sa pag-uuri ng facies mula sa sumusunod na hanay ng mga log. Isulat ang mga log na gagamitin, mga kahulugan ng klase, at ang pangangailangan para sa pangunahing pag-label. Tukuyin ang panganib ng pagkalito sa pagitan ng mga klase at ang pagsusuri sa pagiging totoo ng geological. Data: [set ng log]
2) pagbibigay-katwiran sa Variogram:
Kapag nagtatatag ng variogram para sa data ng porosity na ito, iugnay ang pagpili ng direksyon at hanay sa direksyon ng geological precipitation. Ipaliwanag ang panganib ng pagpapalagay ng isotropic. Sabihin ang limitasyon ng pagiging maaasahan ng variogram na may kaunting data. Data: [porosity]
3) Sitwasyon ng kawalan ng katiyakan:
Bumuo ng P90/P50/P10 volume distribution para sa mga sumusunod na volume input (lugar, kapal, porosity, saturation, conversion factor). Hilingin ang hanay ng kawalan ng katiyakan ng bawat input, huwag ipagpalagay ito. I-rank ang pinaka-maimpluwensyang pinagmumulan ng kawalan ng katiyakan (buhawi). Input: [mga halaga]
4) cross check ng balanse ng materyal:
Ihambing ang sumusunod na dami ng modelong 3D sa ibinigay na data ng maagang produksyon at pagbaba ng presyon para sa balanse ng materyal. Kung mayroong hindi pagkakatugma, ilista ang mga posibleng dahilan (koneksyon, suporta sa aquifer, error sa volume). Modelo: [volume], produksyon/presyon: [data]
Mga Layer ng Pag-verify ng Modelo ng Reservoir
layer
Anong mga pagsubok
Pamamaraan
Geological plausibility
Facies-feature consistency
Pagsusuri ng eksperto
mahusay na data
Pagsunod sa pagsukat ng spot
Paghahambing ng log/core
mabuti pagsubok
Aktwal na pagkamatagusin/presyon
Pansamantalang pagsubok ng presyon
Balanse ng materyal
pagtitipid ng dami
Relasyon ng presyon-produksyon
Kasaysayan ng produksyon
dinamikong pag-uugali
Pagtutugma ng kasaysayan
Mga karaniwang pagkakamali
- Lumalaktaw ang mga mukha. Ipamahagi ang mga feature na walang facies guide at i-leak ang mga hydrocarbon gamit ang bagay.
- Isang puntong hula. Pag-uulat ng isang solong bilang ng mga reserba sa halip na isang pamamahagi ng kawalan ng katiyakan.
- Extrapolation. Blindly na inilalapat ang modelo sa mga block sa labas ng hanay ng data ng pagsasanay.
- Nilaktawan ang balanse ng materyal. Hindi sinusubukan ang 3D model volume na may pisikal na balanse.
- Iwanan ang variogram sa awtomatiko. Pagpili ng direksyon/saklaw na walang geological trend.
Sa buod
- Ang reservoir characterization ay ang pagpapalawig ng mga sukat ng punto sa mga balon sa buong volume na may geology at geostatistics.
- Ang AI at machine learning ay makapangyarihan sa pag-uuri ng facies at paghula ng tampok; ngunit ang geological plausibility ay ang unang filter.
- Ipamahagi ang mga feature sa loob ng facies; Iulat ang kawalan ng katiyakan bilang isang pamamahagi ng P90/P50/P10.
- Markahan ang mga limitasyon ng extrapolation; Huwag bulag na gamitin ang modelo sa labas ng hanay ng pagsasanay.
- Ang balanse ng materyal at kasaysayan ng produksyon ay mga pisikal na anchor na sumusubok sa geometric na modelo.
Gawain ng aplikasyon
Kumuha ng data ng porosity/facies mula sa ilang mga balon (kinatawan) ng isang field. Magkaroon ng isang plano sa pagmomodelo na nabuo gamit ang malakas na prompt. Pagkatapos: (1) suriin kung ang porosity ay ibinahagi sa loob ng facies, (2) hingin ang reserba bilang P90/P50/P10, hindi isang solong numero, (3) halos ibigay ang volume na ibinigay ng modelo na may simpleng materyal na balanse (ginawa + natitira) na lohika. Magdagdag ng extrapolation na babala para sa kahit isang wellless na rehiyon.
checklist
- [ ] Naiintindihan ko na ang reservoir model ay isang well-to-well na pagtatantya at nagdadala ng kawalan ng katiyakan.
- [ ] Ibinabahagi ko ang mga feature gamit ang facies guide, hindi ko ibinubuhos ang mga ito sa mababang kalidad na facies.
- [ ] Iniuulat ko ang reserba bilang P90/P50/P10 na pamamahagi, hindi isang numero.
- [ ] Minarkahan ko ang mga limitasyon ng extrapolation.
- [ ] Bine-verify ko ang dami ng modelo sa balanse ng materyal at kasaysayan ng produksyon.