فائدہ:
- یہ بتانے کی صلاحیت کہ کس طرح ذخائر کی خصوصیات کی 3D تقسیم (پوروسٹی، پارگمیتا، پانی کی سنترپتی) کو AI اور جغرافیائی اعداد و شمار کے ساتھ ماڈل بنایا گیا ہے۔
- فیز ماڈلنگ، ویریوگرام، کریگنگ اور مشین لرننگ کے ساتھ فیچر اسپریڈ کو تلاش کرنے کی صلاحیت
- مادی توازن، اچھی جانچ اور غیر یقینی صورتحال کے ساتھ ریزروائر ماڈل آؤٹ پٹ کی تصدیق کرنے کی صلاحیت
تیل یا گیس کی فیلڈ بنانے کے لیے، ہمیں سب سے پہلے اس کا ایک 3D ماڈل بنانے کی ضرورت ہے: ذخائر کی چٹان کہاں ہے، یہ کتنی غیر محفوظ ہے (پوراسٹی)، سیال کتنی آسانی سے بہتا ہے (پارگمیتا/ پارگمیتا)، اور کتنے سوراخ ہائیڈرو کاربن سے بھرے ہوئے ہیں (1 - پانی کی سنترپتی)۔ لیکن ہم ان خصوصیات کی پیمائش صرف ان مقامات پر کر سکتے ہیں جہاں ہم کنویں کھودتے ہیں۔ کنوؤں کے درمیان بڑا حجم خالی ہے اور اسے بھرنا ضروری ہے۔ ذخائر کی خصوصیت کنوؤں میں نقطہ کی پیمائش کر رہی ہے اور ارضیاتی منطق اور اعدادوشمار کا استعمال کرتے ہوئے انہیں پورے حجم تک بڑھا رہی ہے۔ اس یونٹ میں، ہم اس تقسیم کے کام میں مصنوعی ذہانت اور جیوسٹیٹسٹکس (اعداد و شمار کی شاخ جو غیر یقینی صورتحال کے ساتھ مقامی ڈیٹا کو ماڈل بناتے ہیں) کا استعمال کرتے ہیں۔ غیر متغیر اصول: ہر اچھی سے اچھی قیمت ایک تخمینہ ہے، اصل نہیں؛ غیر یقینی صورتحال ماڈل کا حصہ ہے اور اسے جسمانی توازن سے جانچا جاتا ہے۔
بنیادی تصورات
- چہرے: ایک چٹان کی قسم جس میں منفرد خصوصیات ہیں جو کسی خاص جمع کرنے والے ماحول میں بنی ہیں (مثلاً ندی نالی کی ریت، سمندری شیل، چٹان کا چونا پتھر)۔ ذخائر کا معیار چہروں سے قریب سے جڑا ہوا ہے: چینل ریت کو اچھی طرح سے نکالتا ہے، لیکن شیل نہیں۔
- ویریوگرام: مقامی تسلسل کا ایک پیمانہ جو یہ بتاتا ہے کہ دو پوائنٹس کے درمیان فاصلہ بڑھنے پر خصوصیت کی مماثلت کیسے کم ہوتی ہے۔ یہ جیوسٹیٹسٹکس کا بنیادی ٹول ہے۔
- کریگنگ: ایک ایسا طریقہ جو تخمینہ کی غیر یقینی صورتحال کے ساتھ ویریوگرام کا استعمال کرتے ہوئے غیر نمونہ والے پوائنٹس پر قیمت کا تخمینہ لگاتا ہے۔
- Stochastic تخروپن: ایک ہی "بہترین" اندازے کے بجائے اعداد و شمار کے ساتھ ہم آہنگ بہت سے یکساں طور پر ممکنہ ماڈلز (احساسات) تیار کرنا؛ یہ غیر یقینی صورتحال کو ظاہر کرتا ہے۔
- مادی توازن: ذخائر سے پیدا ہونے والے سیال کے درمیان تحفظ کا تعلق، دباؤ میں کمی اور باقی حجم؛ جسمانی اینکر جو ماڈل کے حجم کو آزادانہ طور پر جانچتا ہے۔
اشارہ: ریزروائر ماڈل ایک غیر یقینی تقسیم ہے، ایک عدد نہیں۔ صحیح زبان ہے "P90=35, P50=50, P10=72 ملین بیرل"، نہیں "ریزرو 50 ملین بیرل"۔ AI سے منظر نامے/تقسیم کے لیے پوچھیں، ایک نقطہ کا تخمینہ نہیں۔
AI اور Geostatistics ایک ساتھ کیسے کام کرتے ہیں۔
کلاسیکی جیوسٹیٹسٹکس (کریگنگ، ویریوگرام) طاقتور ہے لیکن ملٹی ویریٹ، نان لائنر تعلقات کے ساتھ جدوجہد کرتا ہے۔ یہ وہ جگہ ہے جہاں مشین لرننگ کھیل میں آتی ہے:
- چہرے کی درجہ بندی: لاگ سیٹ سے چہرے تفویض کرنا (زیر نگرانی سیکھنا)؛ پھر گائیڈ کے طور پر چہرے کا استعمال کرتے ہوئے خصوصیت کو تقسیم کریں۔
- انتساب کا تخمینہ: سیسمک انتساب + لاگ رشتہ (زلزلہ سے چلنے والی ماڈلنگ) سے بین کنویں پوروسیٹی کا تخمینہ لگانا۔
- خلا کو پُر کرنا: پڑوسی کنوؤں اور رشتوں سے لاپتہ لاگ رینج کو معقول حد تک مکمل کرنا۔
لیکن مشین لرننگ ارضیاتی منطق نہیں جانتی۔ ایک ماڈل کے ذریعہ تیار کردہ پوروسیٹی نقشہ غلط ہے اگر یہ جمع کرنے والے ماحول سے مطابقت نہیں رکھتا ہے (مثال کے طور پر شیل کے چہرے میں اعلی پارگمیتا)۔ ارضیاتی تعقل AI آؤٹ پٹ کا پہلا فلٹر ہے۔
مرحلہ وار: ریزروائر ماڈل ورک فلو
- ساختی کنکال۔ ریزروائر کی جیومیٹری کو زلزلہ سے افق اور فالٹس کے ساتھ قائم کریں (یونٹ 3 سے آؤٹ پٹ)۔
- چہرے کا ماڈل۔ کنویں میں چہرے کا تعین کریں (لاگ + کور)، ویریگرام/ارضیاتی رجحان کے ساتھ حجم میں تقسیم کریں۔ AI درجہ بندی کو تیز کرتا ہے۔
- خصوصیت کی تعیناتی۔ کریگنگ یا مشین لرننگ کے ذریعے ہر چہرے کے اندر پوروسیٹی، پارگمیتا، پانی کی سنترپتی تقسیم کریں۔ اگر زلزلہ ہو تو گائیڈ حاصل کریں۔
- بے یقینی اسٹاکسٹک تخروپن کے ساتھ بڑی تعداد میں احساس پیدا کریں؛ P90/P50/P10 والیوم آؤٹ پٹ ہیں۔
- تصدیق۔ مادی توازن اور تاریخ کے میچ کے ساتھ ٹیسٹ ماڈل کا حجم؛ اچھی طرح سے ٹیسٹ پارگمیتا کے ساتھ موازنہ کریں۔
تین چھوٹے کیسز: نمبرز کے حساب سے
کیس 1 - چہرے گائیڈ کی قدر۔ جب پورسٹی کو کسی سائٹ پر براہ راست کریگنگ کے ذریعے منتشر کیا جاتا تھا، تو اعلی پورسٹی کم معیار کے شیل زونز میں "لیک" ہو جاتی تھی۔ جب چہرے کا ماڈل پہلی بار قائم کیا گیا تھا اور چہرے کے اندر پوروسیٹی تقسیم کی گئی تھی، تو ماڈل حقیقت پسندانہ ہو گیا تھا اور سٹاکسٹک والیوم کم ہو گئے تھے: P50 والیوم میں 12% کی کمی ہوئی، لیکن غیر یقینی صورتحال کا بینڈ 40% تک کم ہو گیا۔ صحیح ڈھانچہ نے زیادہ حقیقت پسندانہ اور محفوظ دونوں نتائج برآمد کیے ہیں۔
کیس 2 - ایکسٹراپولیشن ٹریپ۔ مشین لرننگ ماڈل نے اس خطے میں جہاں کنویں مرتکز ہیں وہاں پوروسیٹی سیسمک تعلق کو اچھی طرح سیکھا۔ لیکن جب کنویں کے بغیر کنارے کے بلاک پر لاگو کیا جاتا ہے، تو یہ ٹریننگ رینج (ایکسٹراپولیشن) سے باہر گر گیا اور اس نے 28٪ کی غیر حقیقی پورسٹی پیدا کی۔ ماہر ارضیات نے ظاہر کیا کہ وہ بلاک مختلف چہرے والے زون میں تھا۔ ماڈل اس خطے میں غلط تھا۔ ایکسٹراپولیشن کی حد نشان زد ہے۔
کیس 3 - مادی توازن کا تنازعہ۔ ایک بھرپور 3D ماڈل P50 کے ذخائر نے 68 ملین بیرل حاصل کیے؛ تاہم، فیلڈ کے ابتدائی پیداواری دباؤ میں کمی نے مادی توازن میں زیادہ سے زیادہ ~45 ملین بیرل کے نظام کی نشاندہی کی۔ تضاد اس لیے آیا کہ ماڈل نے منقطع (الگ تھلگ) ریت کے جسموں کو بہت زیادہ منسلک سمجھا۔ کنکشن پر دوبارہ غور کیا گیا اور ماڈل کو چھوٹا کر دیا گیا۔ فزیکل اینکر نے جیومیٹرک ماڈل کو ٹھیک کیا۔
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ:
ریزروائر ماڈل اور ریزرو اس کنویں کے ڈیٹا سے اخذ کیے گئے ہیں۔[ڈیٹا]
طاقتور اشارہ:
ذیل میں (گمنام) کنویں اور سیسمک سمری سے ایک ریزروائر ماڈلنگ ڈرافٹ پلان تیار کریں۔ قواعد: - پہلے چہرے کا ماڈل بنائیں۔ پوروسیٹی/ پارگمیتا کو چہرے کے اندر تقسیم کریں۔ ہائیڈرو کاربن کی خصوصیت شیل/کم کوالٹی کے چہرے میں لیچنگ۔- ویریگرام پیرامیٹرز (سمت، حد) کو ارضیاتی رجحان سے درست کریں، ڈیٹا سے نہیں۔ مفروضوں کو واضح طور پر لکھیں۔- نتیجہ کو P90/P50/P10 حجم کی تقسیم کے طور پر پیش کریں، نہ کہ ایک عدد۔
چار کاپی ایبل ٹیمپلیٹس
1) چہرے کی درجہ بندی کا مسودہ:
مندرجہ ذیل نوشتہ جات سے چہرے کی درجہ بندی کا طریقہ تجویز کریں۔ استعمال کیے جانے والے نوشتہ جات، کلاس کی تعریفیں، اور بنیادی لیبلنگ کی ضرورت لکھیں۔ کلاسوں اور ارضیاتی قابلیت کی جانچ کے درمیان الجھن کے خطرے کی وضاحت کریں۔ ڈیٹا: [لاگ سیٹ]
2) ویریوگرام جواز:
اس porosity ڈیٹا کے لیے ایک ویریگرام قائم کرتے وقت، سمت اور رینج کے انتخاب کو ارضیاتی بارش کی سمت سے جوڑیں۔ isotropic فرض کرنے کے خطرے کی وضاحت کریں۔ بہت کم ڈیٹا کے ساتھ ویریوگرام کی وشوسنییتا کی حد بیان کریں۔ ڈیٹا: [پوراسٹی]
3) غیر یقینی صورتحال:
درج ذیل والیوم ان پٹس کے لیے P90/P50/P10 والیوم ڈسٹری بیوشن بنائیں (رقبہ، موٹائی، پوروسیٹی، سنترپتی، تبدیلی کا عنصر)۔ ہر ان پٹ کی غیر یقینی کی حد کے بارے میں پوچھیں، اسے فرض نہ کریں۔ غیر یقینی صورتحال (طوفان) کے سب سے زیادہ بااثر ذریعہ کی درجہ بندی کریں۔ ان پٹ: [values]
4) میٹریل بیلنس کراس چیک:
مادی توازن کے لیے درج ذیل 3D ماڈل والیوم کا دیے گئے ابتدائی پروڈکشن اور پریشر ڈراپ ڈیٹا سے موازنہ کریں۔ اگر عدم مطابقت ہے تو، ممکنہ وجوہات کی فہرست بنائیں (کنکشن، ایکویفر سپورٹ، حجم کی خرابی)۔ ماڈل: [حجم]، پیداوار/دباؤ: [ڈیٹا]
ریزروائر ماڈل کی تصدیق کی پرتیں۔
پرت
کیا ٹیسٹ
طریقہ
ارضیاتی قابلیت
چہرے - خصوصیت کی مستقل مزاجی
ماہر کا جائزہ
اچھی طرح سے ڈیٹا
جگہ کی پیمائش کی تعمیل
لاگ/بنیادی موازنہ
اچھی طرح سے ٹیسٹ
اصل پارگمیتا/دباؤ
دباؤ کا عارضی ٹیسٹ
مادی توازن
حجم کا تحفظ
دباؤ کی پیداوار کا رشتہ
پیداوار کی تاریخ
متحرک رویہ
تاریخ کا ملاپ
عام غلطیاں
- اچھلتے ہوئے چہرے۔ فیز گائیڈ کے بغیر خصوصیات کو تقسیم کریں اور چیز کے ساتھ ہائیڈرو کاربن لیک کریں۔
- سنگل پوائنٹ کی پیشن گوئی۔ غیر یقینی کی تقسیم کے بجائے ذخائر کی واحد تعداد کی اطلاع دینا۔
- Extrapolation. ٹریننگ ڈیٹا رینج سے باہر بلاکس پر ماڈل کو آنکھ بند کر کے لاگو کرنا۔
- مادی توازن کو چھوڑنا۔ جسمانی توازن کے ساتھ 3D ماڈل والیوم کی جانچ نہیں کرنا۔
- ویریگرام کو خودکار پر چھوڑ دیں۔ ارضیاتی رجحان کے بغیر سمت/حد کا انتخاب۔
خلاصہ میں
- ذخائر کی خصوصیت ارضیات اور جیوسٹیٹسٹکس کے ساتھ کنوؤں میں نقطہ کی پیمائش کو پورے حجم تک بڑھانا ہے۔
- AI اور مشین لرننگ چہرے کی درجہ بندی اور خصوصیت کی پیشن گوئی میں طاقتور ہیں۔ لیکن ارضیاتی قابلیت پہلا فلٹر ہے۔
- چہرے کے اندر خصوصیات تقسیم کریں؛ غیر یقینی صورتحال کو P90/P50/P10 تقسیم کے بطور رپورٹ کریں۔
- ایکسٹراپولیشن کی حدود کو نشان زد کریں؛ ٹریننگ رینج سے باہر ماڈل کو آنکھیں بند کرکے استعمال نہ کریں۔
- مادی توازن اور پیداوار کی تاریخ جسمانی اینکرز ہیں جو ہندسی ماڈل کی جانچ کرتے ہیں۔
درخواست کا کام
کھیت کے کئی کنوؤں (نمائندہ) سے پوروسیٹی/فیسیز ڈیٹا لیں۔ طاقتور پرامپٹ کے ساتھ ایک ماڈلنگ پلان تیار کریں۔ پھر: (1) چیک کریں کہ آیا پروسیٹی چہرے کے اندر تقسیم کی گئی ہے، (2) P90/P50/P10 کے طور پر ریزرو طلب کریں، ایک عدد نہیں، (3) ایک سادہ مادی توازن (پیدا کردہ + باقی) منطق کے ساتھ ماڈل کی طرف سے دیا گیا حجم تقریباً فراہم کریں۔ کم از کم ایک کنواں علاقے کے لیے ایکسٹرپولیشن وارننگ شامل کریں۔
چیک لسٹ
- [ ] میں سمجھتا ہوں کہ ریزروائر ماڈل ایک اچھی طرح سے تخمینہ ہے اور اس میں غیر یقینی صورتحال ہے۔
- [ ] میں فیز گائیڈ کے ساتھ فیچرز تقسیم کرتا ہوں، میں انہیں کم معیار والے چہرے میں نہیں لیتا ہوں۔
- میں ریزرو کو P90/P50/P10 تقسیم کے طور پر رپورٹ کرتا ہوں، ایک نمبر نہیں۔
- میں ایکسٹراپولیشن کی حدود کو نشان زد کرتا ہوں۔
- میں مادی توازن اور پیداوار کی تاریخ کے ساتھ ماڈل والیوم کی تصدیق کرتا ہوں۔