فائدہ:
- AI کے ساتھ porosity، پارگمیتا اور ذخائر کی خصوصیات کی پیشن گوئی میں ورک فلو کی وضاحت کرنے کی صلاحیت
- مشین لرننگ کو اچھی طرح سے لاگ تشریح، چہرے کی درجہ بندی اور پیداوار کی پیشن گوئی میں پوزیشن دینے کی صلاحیت
- جسمانی حدود، اچھی جانچ اور غیر یقینی صورتحال کے تجزیہ کے ذریعے ذخائر کی پیداوار کی تصدیق کرنے کی صلاحیت
تیل یا گیس کا ذخیرہ سطح سے میلوں نیچے غیر محفوظ چٹان میں پھنسے ہوئے سیالوں کا ایک پوشیدہ خزانہ ہے۔ ہم اسے براہ راست نہیں دیکھ سکتے۔ ہم اسے صرف کنویں سے حاصل ہونے والے نوشتہ جات، کور، زلزلے کے سائے اور پیداواری ڈیٹا کے ساتھ "پڑھتے ہیں"۔ ذخائر کی خصوصیت ان بالواسطہ پیمائشوں سے دوبارہ تعمیر کرنے کا کام ہے کہ چٹان میں کتنا سیال ہے (پوروسٹی)، یہ کتنی آسانی سے سیال خارج کرتا ہے (پارگمیتا)، اور ذخائر کس قسم کا سہ جہتی ڈھانچہ ہے۔ AI اس علاقے میں طاقتور ہے: اچھی طرح سے لاگوں کی ترجمانی کرنا، چہرے کی درجہ بندی کرنا (چٹان کی اقسام کے اسمبلیجز)، پوروسیٹی پارگمیتا تعلقات کی پیش گوئی، اور پیداواری رجحانات کی ماڈلنگ۔ لیکن آبی ذخائر، دیگر ارضیاتی شعبوں کی طرح، غیر یقینی صورتحال سے بھرے ہوئے ہیں، اور ہر پیشین گوئی جسمانی حدود، اچھی جانچ اور غیر یقینی صورتحال کے تجزیہ سے منسلک کیے بغیر فیصلے کی بنیاد نہیں بن سکتی۔
اس یونٹ میں ہم آبی ذخائر کے مطالعہ کے تین AI پہلوؤں کا احاطہ کریں گے: کنویں کی تشریح اور چہرے کی درجہ بندی (لاگز سے چٹان کی قسم اور خصوصیات کا اخراج)، پوروسیٹی پارگمیتا پیشین گوئی (ذخائر کے معیار کی پیشن گوئی)، اور پیداوار کی پیشین گوئی (مستقبل میں کنواں کتنی پیداوار دے گا)۔ جیوسٹیٹسٹکس یہاں بھی ریڑھ کی ہڈی کی حیثیت رکھتا ہے۔ ہم کنویں کے درمیان کی جگہ کو ویریگرام اور سمولیشن سے بھرتے ہیں۔ نوٹ: تیل اور گیس کا شعبہ تجارتی لحاظ سے بہت حساس ہے۔ تمام نمونوں کا گمنام اور نمائندہ اقدار کے ساتھ مطالعہ کیا جاتا ہے۔
ویسے لاگ انٹرپریٹیشن اور فیسیس کی درجہ بندی
کنویں کے نوشتہ ایسے منحنی خطوط ہیں جو بور کے ساتھ چٹان کی جسمانی خصوصیات کی مسلسل پیمائش کرتے ہیں: گاما رے (مٹی کا مواد)، مزاحمتی صلاحیت (فلوڈ کی قسم — پانی/ہائیڈرو کاربن)، کثافت اور نیوٹران (پوروسیٹی)، سونک (چٹان کی سختی)۔ ایک پیٹرولیم ماہر ارضیات ان منحنی خطوط کو ایک ساتھ پڑھتا ہے اور ہر گہرائی میں چٹان کی قسم اور سیال نکالتا ہے۔ یہ پیٹرن کی شناخت ہے، اور AI اس میں بہت اچھا ہے: مسلسل دسیوں ہزار میٹر لاگز کو چہرے میں چھانٹنا۔
لیکن اس کی دو حدود ہیں۔ سب سے پہلے، لاگ تشریح ایک ماڈل ہے، پیمائش نہیں؛ ایک ہی لاگ مختلف چہروں کی تشریحات کے لیے کھلا ہو سکتا ہے۔ دوم، اگر ماڈل آنکھ بند کرکے ایک فیلڈ میں سیکھے ہوئے log-facies تعلقات کو دوسرے فیلڈ میں منتقل کرتا ہے (مختلف جمع کرنے والا ماحول، مختلف ڈائیگنیسیس)، تو یہ سنگین غلطیاں کرتا ہے۔ لہذا، چہرے کی پیداوار کو بنیادی ڈیٹا کے ساتھ کیلیبریٹ کیا جاتا ہے۔ کور وہ اینکر ہے جو لاگ تشریح کو زمینی سچائی سے جوڑتا ہے۔
ٹپ: چہرے کے ماڈل کے آؤٹ پٹ پر بھروسہ کرنے سے پہلے، پوچھیں کہ "کن کنویں کو کور کیا گیا ہے اور ان کنوؤں کا ماڈل کتنا درست ہے؟" پوچھنا ایک غیر مصدقہ چہرے کا تخمینہ ایک غیر تجربہ شدہ مفروضہ ہے، چاہے یہ کتنا ہی قابل فہم معلوم ہو۔
پوروسیٹی اور پارگمیتا: سب سے اہم امتیاز
ذخائر کے معیار کی دو کلیدیں پوروسیٹی اور پارگمیتا ہیں، اور ان کے درمیان فرق AI کے استعمال کے سب سے اہم نکات میں سے ایک ہے۔ Porosity چٹان کا باطل تناسب ہے اور مناسب درستگی کے ساتھ نوشتہ جات سے اخذ کیا جا سکتا ہے۔ پارگمیتا یہ ہے کہ چٹان سے سیال کتنی آسانی سے بہتا ہے اور براہ راست لاگوں سے نہیں ماپا جاتا ہے۔ لیکن اس کا اندازہ بالواسطہ ہے۔ پارگمیتا porosity میں چھوٹی تبدیلیوں کے لئے تیزی سے حساس ہے اور تاکنا جیومیٹری، دراڑیں، اور سیمنٹیشن پر منحصر ہے.
یہی وجہ ہے کہ مشین لرننگ کے ساتھ پارگمیتا کی پیش گوئی پرکشش اور خطرناک بھی ہے۔ ماڈل بنیادی کنوؤں میں پوروسیٹی اور دوسرے لاگ سے پارگمیتا سیکھتا ہے۔ لیکن یہ جو تعلق سیکھتا ہے وہ ان چہروں اور دباؤ کے درجہ حرارت کی حالت سے مخصوص ہے۔ ایک مختلف لتھولوجی یا بغیر کور شدہ کنویں میں (سیکھے ہوئے رینج سے باہر منتقل ہونے) کے نتیجے میں بڑی غلطیاں ہوں گی۔ پارگمیتا کا تخمینہ بنیادی پیمائش اور اچھی جانچ سے منسلک ہونا چاہیے (پریشر ڈراپ/سوول ٹیسٹ اصل بہاؤ کا رویہ دیتے ہیں)۔
احتیاط: یہاں تک کہ اگر پارگمیتا کا تخمینہ ایک "اچھا نظر آنے والا" گراف بناتا ہے، تو یہ ناقابل اعتبار ہے اگر تربیتی اعداد و شمار کے چہرے اور دباؤ کے حالات سے باہر لگایا جائے۔ ماڈل ایک ارتباط سیکھتا ہے، جسمانی حقیقت نہیں؛ ہمیشہ بنیادی اور اچھی جانچ کے ساتھ ٹیسٹ کریں۔
پیداوار کی پیشن گوئی اور غیر یقینی صورتحال
مستقبل میں کنواں کتنا پیدا کرتا ہے اس کا انحصار اس بات پر ہوتا ہے کہ ذخائر کتنا سیال رکھتا ہے اور فراہم کرتا ہے۔ کلاسیکی طریقے (انحراف وکر کا تجزیہ) ماضی کی پیداوار کے رجحان کو مستقبل میں بڑھاتے ہیں۔ AI ملٹی ویل ڈیٹا کے ساتھ اس رجحان کو تقویت دیتا ہے اور پڑوسی کنویں کے نمونوں سے سیکھتا ہے۔ لیکن پیداوار کی پیشن گوئی فطری طور پر غیر یقینی ہے: ذخائر متفاوت ہے، دباؤ میں تبدیلیاں، آپریٹنگ حالات تبدیل ہوتے ہیں۔ لہذا، ایک امکانی حد (کم/درمیانی/اعلی منظرنامہ) پیش کی جاتی ہے، ایک بھی "عین" پیداوار وکر نہیں۔
کنوؤں کے درمیان حجم کو بھرتے وقت جغرافیائی اعدادوشمار بھی غیر یقینی صورتحال کا باعث بنتے ہیں۔ طریقہ کار جیسا کہ ترتیب وار Gaussian simulation ایک واحد "اوسط" ماڈل کے بجائے بہت سے یکساں طور پر ممکنہ ماڈل تیار کرتے ہیں۔ ان ماڈلز کے درمیان فرق خود غیر یقینی صورتحال ہے۔ مصنوعی ذہانت ان نقالی کو تیز کرتی ہے اور اس کی تشریح کرتی ہے۔ لیکن نتیجہ کو ایک نمبر تک کم کرنا غیر یقینی صورتحال کو چھپا کر غلط اعتماد پیدا کرتا ہے۔
تین چھوٹے کیسز: نمبرز کے حساب سے
کیس 1 - Extrapolation کی خرابی۔ ایک سائٹ پر تین کورڈ کنوؤں پر تربیت یافتہ پارگمیتا ماڈل نے ایک پیشین گوئی کی جو چوتھے کنویں پر بالکل درست دکھائی دی۔ لیکن یہ کنواں مٹی سے بھرے چہرے میں تھا اور ماڈل نے یہ وقفہ کبھی نہیں دیکھا تھا۔ اچھی جانچ نے تخمینہ کا پانچواں حصہ حقیقی پارگمیتا کو ظاہر کیا۔ ماڈل کو "اچھی نظر آنے والی" گراف کے لیے سنجیدگی سے غلطی ہوئی تھی۔ کنویں کے ٹیسٹ اینکر نے غلطی پکڑی۔
کیس 2 - چہرے کی انشانکن۔ ایک گیس فیلڈ میں، مصنوعی ذہانت نے 14 کنوؤں کے نوشتہ جات کو جلد سے چہروں میں ترتیب دیا۔ جب تین کورڈ کنوؤں سے موازنہ کیا جائے تو، ماڈل نے جس زون کو "صاف سینڈ اسٹون" کے طور پر درجہ بندی کیا ہے وہ درحقیقت ایک ٹوٹی ہوئی، کم معیار کی اکائی تھی۔ بنیادی کیلیبریشن کے ساتھ، ماڈل کو دوبارہ تربیت دی گئی اور ذخائر کے حجم کے تخمینہ کو حقیقت پسندانہ سطح پر لایا گیا۔
کیس 3 - اسکرپٹ کی ایمانداری۔ پیداوار کی پیشن گوئی میں، ماڈل نے ایک وکر دیا اور طاق تعداد میں دس سالہ پیداوار کا اظہار کیا۔ جب ٹیم نے ترتیب وار تخروپن کے ذریعے کم/درمیانے/اعلی منظر نامہ تیار کیا، تو انہوں نے پایا کہ حد بہت وسیع ہے (اعلی منظرنامہ تقریباً دو گنا کم تھا)۔ اس چوڑائی نے اشارہ کیا کہ سرمایہ کاری کے فیصلے میں اضافی اچھی جانچ کی ضرورت تھی۔ واحد نمبر نے خطرناک حد تک اس غیر یقینی صورتحال کو چھپایا۔
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ:
ان کنویں کے نوشتہ جات کو دیکھیں، پارگمیتا کا حساب لگائیں، اور مجھے بتائیں کہ کنواں کتنی پیداوار دے گا۔ [لاگ ڈیٹا]
طاقتور اشارہ:
آپ کا کردار: اسسٹنٹ ریزروائر جیولوجسٹ۔ ذیل میں لاگز کے ساتھ پارگمیتا اور پیداوار کے لیے واحد صحیح نمبر دینا۔ اس کے بجائے: 1) یہ بتائیں کہ چہرے کی تشریح کرتے وقت کن کنوؤں کی کور سے تصدیق کی جا سکتی ہے۔ 2) وضاحت کریں کہ پارگمیتا کا تخمینہ براہ راست لاگز سے نہیں ماپا جا سکتا، کن حالات میں (چہروں/دباؤ) یہ درست ہو گا، اور کور/کنویں کی جانچ کی ضرورت ہے۔ نتیجہ کو متاثر کرتا ہے۔ ڈیٹا گمنام ہے۔ کوئی حقیقی فیلڈ/کمپنی نہیں۔
چار کاپی ایبل ٹیمپلیٹس
1) لاگ فیسس کیلیبریشن چیک:
وضاحت کریں کہ کون سے کنویں چہرے کی درجہ بندی کے لیے جڑے ہوئے ہیں اور ہم ان کنوؤں میں ماڈل کی درستگی کی پیمائش کیسے کر سکتے ہیں۔ غیر تصدیق شدہ زونز کو بطور "غیر جانچ شدہ" نشان زد کریں؛ اندھا اعتماد نہ کریں۔
2) پارگمیتا کی توثیق:
پارگمیتا کی پیشین گوئی کے لیے: چہرے اور دباؤ کی حد کی وضاحت کریں جس کے لیے ماڈل کو تربیت دی گئی ہے۔ نشان زد کریں کہ کون سے کنویں/زون اس حد سے باہر ہیں (ایکسٹراپولیشن)۔ اس بات پر زور دیں کہ ان زونز میں بنیادی اور اچھی جانچ کے بغیر پیشین گوئی پر بھروسہ نہیں کیا جانا چاہیے۔ صحیح نمبر نہ دیں۔
3) پیداواری منظر نامے کا مسودہ:
کمی وکر/پروڈکشن ڈیٹا سے کم، درمیانے، اعلی پیداواری منظر نامے کی منطق کو قائم کرتا ہے۔ وضاحت کریں کہ ہر منظر نامہ کن مفروضوں پر مبنی ہے اور ان کے درمیان فرق کا کیا مطلب ہے۔ کوئی واحد "عین" وکر پیش نہیں کر رہا ہے۔
4) غیر یقینی صورتحال نقلی تشریح:
ایک سے زیادہ یکساں طور پر ممکنہ جیوسٹیٹسٹیکل ماڈل کے آؤٹ پٹ کی تشریح کریں (مثال کے طور پر، ترتیب وار تخروپن): حجم کے تخمینے کی تقسیم کتنی وسیع ہے، کون سا خطہ سب سے زیادہ غیر یقینی ہے، اور کس اضافی ڈیٹا (اچھی طرح سے، زلزلہ) کے ساتھ یہ غیر یقینی صورتحال کم ہے؟ ایک عدد تک کم کرنا۔
ذخائر کی تفصیلات، پیمائش اور تصدیق
خصوصیت/آؤٹ پٹ
کیا اسے نوشتہ جات سے ماپا جا سکتا ہے؟
AI خطرہ
تصدیقی اینکر
porosity
معقول درستگی کے ساتھ ماخوذ
انشانکن بڑھے
کور porosity
پارگمیتا
نہیں، بالواسطہ اندازہ
Extrapolation کی خرابی۔
کور + اچھی جانچ
چہرے
تبصرہ (ماڈل)
آف سائٹ نقل و حمل
بنیادی تعریف
سیال کی قسم
میں مزاحمت سے اخذ کرتا ہوں۔
غلط تبصرہ
پریشر/نمونہ ٹیسٹنگ
پیداوار کی پیشن گوئی
رجحان کی توسیع
جھوٹی یقین
منظر نامہ + اچھی جانچ
اشارہ: ذخائر پر ہر تخمینہ کے لیے "کونسی براہ راست پیمائش اس کو غلط ثابت کر سکتی ہے؟" کہہ کر پرکھ لیں۔ پوروسیٹی کے لیے کور، پارگمیتا کے لیے اچھی طرح سے ٹیسٹ، چہرے کے لیے بنیادی تعریف۔ ایک ایسی پیشین گوئی جس کی براہ راست پیمائش سے تردید نہیں کی جا سکتی اس کی ابھی تک تصدیق نہیں ہو سکی ہے۔
عام غلطیاں
- پارگمیتا کو porosity کے طور پر دیکھنا۔ پارگمیتا کو براہ راست نوشتہ جات سے نہیں ماپا جاتا ہے۔ Extrapolation بڑی غلطیاں دیتا ہے، بنیادی/ اچھی جانچ ضروری ہے۔
- کور کے بغیر چہرے کے ماڈل کا استعمال کرنا۔ ایک ایسے چہرے جو کور کے ذریعہ کیلیبریٹ نہیں کیے گئے ہیں ایک غیر جانچا ہوا مفروضہ ہے۔
- سیکھے ہوئے رشتے کو دوسرے میدان میں لے جانا۔ مختلف جمع کرنے والے ماحول اور ڈائی جینیسس لاگ انٹریٹ تعلقات کو تبدیل کرتے ہیں۔
- ایک واحد وکر کے ساتھ پیداوار پیش کرنا۔ اگر غیر یقینی صورتحال منظرناموں کے ساتھ نہیں دی جاتی ہے، تو سرمایہ کاری کا فیصلہ غلط یقین پر مبنی ہوتا ہے۔
- نقلی کو وسط تک کم کرنا۔ متعدد ماڈل غیر یقینی صورتحال کی نشاندہی کرتے ہیں۔ اسے ایک عدد تک کم کرنا معلومات کو تباہ کر دیتا ہے۔
خلاصہ میں
- حوض پوشیدہ ہے؛ اسے بالواسطہ طور پر لاگز، کور، سیسمک اور پروڈکشن ڈیٹا کے ساتھ پڑھا جاتا ہے اور ہر پیشین گوئی میں غیر یقینی صورتحال ہوتی ہے۔
- پوروسیٹی نوشتہ جات سے حاصل کی جا سکتی ہے۔ پارگمیتا کی براہ راست پیمائش نہیں کی جاتی ہے، اسے بنیادی اور اچھی جانچ کے ساتھ جوڑا جانا چاہیے۔
- چہرے کی درجہ بندی ایک ماڈل ہے؛ کور کے ذریعے کیلیبریٹ کیے بغیر اور آف سائٹ پر منتقل کیے بغیر ناقابل اعتبار۔
- سیکھا تعلق تعلیمی حالات سے مخصوص ہے۔ Extrapolation سب سے عام اور خطرناک غلطی ہے۔
- پیداوار اور حجم کو ایک عدد کے ساتھ نہیں بلکہ ایک امکانی منظر نامے اور تخروپن کے ساتھ پیش کیا گیا ہے، جس میں غیر یقینی صورتحال واضح طور پر دی گئی ہے۔
درخواست کا کام
کنویں لاگ (یا نمائندہ اقدار) کا ایک گمنام سیٹ حاصل کریں۔ ماڈل کو یہ معلوم کرنے کے لیے کہ کون سے زونز کو "پارمییبلٹی توثیق" ٹیمپلیٹ کے ساتھ ایکسٹراپولیشن کا خطرہ ہے۔ جانچ کریں کہ آیا یہ کسی زون کو جان بوجھ کر ٹریننگ رینج سے باہر رکھ کر متحرک کرتا ہے۔ پھر، ایک وکر کے بجائے کم/درمیانے/اعلی منظر نامہ تیار کرنے کے لیے "پیداواری منظر نامے کا مسودہ" ٹیمپلیٹ کا استعمال کریں اور ایک جملے میں رینج کی چوڑائی پر تبصرہ کریں۔
چیک لسٹ
- [ ] میں porosity اور پارگمیتا کے درمیان پیمائش میں فرق جانتا ہوں اور یہ کہ پارگمیتا کے لیے بنیادی/ اچھی جانچ کی ضرورت ہوتی ہے۔
- میں چہرے کی درجہ بندی کو کور کے ساتھ کیلیبریٹ کیے بغیر قابل اعتماد نہیں سمجھتا۔
- [ ] میں سیکھے ہوئے رشتے کو کسی دوسرے فیلڈ/حالت سے نکالنے کے خطرے کو تسلیم کرتا ہوں۔
- میں پیداوار اور حجم کو واحد اعداد کے بجائے امکانی منظرناموں اور نقالی کے ساتھ پیش کرتا ہوں۔
- [] "کونسی براہ راست پیمائش ہر ذخائر کے تخمینے کو غلط ثابت کر سکتی ہے؟" میں اسے سوال کے ساتھ جانچتا ہوں۔