Lợi nhuận:
- Khả năng giải thích quy trình làm việc trong việc dự đoán các đặc tính độ xốp, độ thấm và tầng chứa bằng AI
- Khả năng định vị máy học trong việc giải thích nhật ký tốt, phân loại tướng và dự báo sản xuất
- Khả năng xác minh sản lượng hồ chứa thông qua ranh giới vật lý, kiểm tra giếng và phân tích độ không đảm bảo
Một bể chứa dầu hoặc khí đốt là một kho tàng chất lỏng vô hình bị mắc kẹt trong đá xốp, cách bề mặt hàng dặm. Chúng ta không thể nhìn thấy nó một cách trực tiếp; Chúng tôi chỉ "đọc" nó bằng các bản ghi, lõi, bóng địa chấn và dữ liệu sản xuất mà chúng tôi nhận được từ giếng. Đặc tính hồ chứa là nhiệm vụ xây dựng lại từ các phép đo gián tiếp này lượng chất lỏng mà đá giữ được (độ xốp), mức độ dễ dàng giải phóng chất lỏng (độ thấm) và loại cấu trúc ba chiều của hồ chứa. AI rất mạnh trong lĩnh vực này: giải thích nhật ký giếng, phân loại tướng (tập hợp các loại đá), dự đoán mối quan hệ độ xốp-thấm và mô hình hóa xu hướng sản xuất. Nhưng các hồ chứa, giống như các mỏ địa chất khác, chứa đầy sự không chắc chắn và không phải mọi dự đoán đều có thể là cơ sở để đưa ra quyết định mà không được liên kết với các ranh giới vật lý, kiểm tra giếng và phân tích độ không chắc chắn.
Trong phần này, chúng tôi sẽ đề cập đến ba khía cạnh AI của nghiên cứu hồ chứa: giải thích nhật ký giếng và phân loại tướng (khai thác loại đá và tính chất từ các bản ghi), dự đoán độ xốp-thấm (dự đoán chất lượng hồ chứa) và dự đoán sản lượng (giếng sẽ sản xuất bao nhiêu trong tương lai). Địa thống kê cũng là xương sống ở đây; Chúng tôi lấp đầy khoảng trống giữa các giếng bằng variogram và mô phỏng. Lưu ý: ngành dầu khí rất nhạy cảm về mặt thương mại; Tất cả các mẫu đều được nghiên cứu với giá trị ẩn danh và đại diện.
Giải thích nhật ký giếng và phân loại tướng
Nhật ký giếng là những đường cong liên tục đo các tính chất vật lý của đá dọc theo lỗ khoan: tia gamma (hàm lượng đất sét), điện trở suất (loại chất lỏng - nước/hydrocarbon), mật độ và neutron (độ xốp), âm thanh (độ cứng của đá). Một nhà địa chất dầu khí đọc các đường cong này cùng nhau và trích xuất loại đá và chất lỏng ở mỗi độ sâu. Đây là công nghệ nhận dạng mẫu và AI rất giỏi trong lĩnh vực này: liên tục sắp xếp hàng chục nghìn mét khúc gỗ thành các tướng.
Nhưng có hai giới hạn. Đầu tiên, việc diễn giải nhật ký là một mô hình chứ không phải một phép đo; Nhật ký tương tự có thể được mở cho các cách giải thích các tướng khác nhau. Thứ hai, nếu mô hình chuyển một cách mù quáng mối quan hệ log-facies mà nó đã học được từ lĩnh vực này sang lĩnh vực khác (môi trường lắng đọng khác, cơ chế hình thành khác nhau), thì nó sẽ mắc phải những sai lầm nghiêm trọng. Do đó, đầu ra tướng được hiệu chỉnh bằng dữ liệu cốt lõi; Cốt lõi là cái neo kết nối việc giải thích nhật ký với sự thật cơ bản.
Mẹo: Trước khi tin cậy vào kết quả đầu ra của mô hình tướng, hãy hỏi “những giếng nào đã được lấy lõi và mô hình trong các giếng đó chính xác đến mức nào?” hỏi. Một ước tính về tướng không được chứng thực là một giả thuyết chưa được kiểm chứng, cho dù nó có vẻ hợp lý đến đâu.
Độ xốp và độ thấm: Sự khác biệt quan trọng nhất
Hai yếu tố then chốt quyết định chất lượng hồ chứa là độ xốp và độ thấm, và sự khác biệt giữa chúng là một trong những điểm quan trọng nhất khi sử dụng AI. Độ xốp là tỷ lệ rỗng của đá và có thể được lấy từ các khúc gỗ với độ chính xác hợp lý. Tính thấm là mức độ chất lỏng dễ dàng chảy qua đá và không được đo trực tiếp từ các khúc gỗ; nhưng nó được ước tính gián tiếp. Tính thấm rất nhạy cảm theo cấp số nhân với những thay đổi nhỏ về độ xốp và phụ thuộc vào hình dạng lỗ rỗng, vết nứt và quá trình xi măng.
Đó là lý do tại sao việc dự đoán tính thấm bằng học máy vừa hấp dẫn vừa nguy hiểm. Mô hình tìm hiểu độ xốp trong lõi giếng và độ thấm từ các khúc gỗ khác; nhưng mối quan hệ mà nó học được là đặc trưng cho các tướng đó và điều kiện nhiệt độ áp suất đó. Phép ngoại suy sang một thạch học khác hoặc tới một giếng không có lõi (di chuyển ra ngoài phạm vi đã học) sẽ dẫn đến sai số lớn. Việc ước tính độ thấm phải được liên kết với phép đo lõi và kiểm tra giếng (kiểm tra độ giảm/độ phồng áp suất cho biết trạng thái dòng chảy thực tế).
Thận trọng: Ngay cả khi ước tính độ thấm tạo ra một biểu đồ "đẹp mắt", nó vẫn không đáng tin cậy nếu được áp dụng bên ngoài các tướng và điều kiện áp suất của dữ liệu huấn luyện. Mô hình tìm hiểu mối tương quan chứ không phải thực tế vật lý; luôn luôn kiểm tra với thử nghiệm cốt lõi và tốt.
Dự báo sản xuất và sự không chắc chắn
Lượng giếng sản xuất trong tương lai phụ thuộc vào lượng chất lỏng mà hồ chứa chứa và cung cấp. Các phương pháp cổ điển (phân tích đường cong suy giảm) mở rộng xu hướng sản xuất trong quá khứ sang tương lai; AI làm phong phú thêm xu hướng này bằng dữ liệu nhiều giếng và học hỏi từ các mẫu giếng lân cận. Nhưng dự báo sản lượng vốn không chắc chắn: hồ chứa không đồng nhất, áp suất thay đổi, điều kiện vận hành thay đổi. Do đó, một phạm vi xác suất (kịch bản thấp/trung bình/cao) được trình bày chứ không phải một đường cong sản xuất "chính xác" duy nhất.
Địa thống kê cũng mang đến sự không chắc chắn khi lấp đầy thể tích giữa các giếng. Các phương pháp như mô phỏng Gaussian tuần tự tạo ra nhiều mô hình có khả năng như nhau thay vì một mô hình "trung bình" duy nhất; Sự khác biệt giữa các mô hình này chính là sự không chắc chắn. Trí tuệ nhân tạo tăng tốc và diễn giải những mô phỏng này; nhưng việc giảm kết quả xuống một con số sẽ tạo ra sự tự tin sai lầm bằng cách che giấu sự không chắc chắn.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Lỗi ngoại suy. Mô hình thấm được huấn luyện trên ba giếng lõi tại một địa điểm đã đưa ra dự đoán có vẻ hoàn hảo ở giếng thứ tư. Nhưng cái giếng này có bề mặt đất sét hơn và mô hình chưa bao giờ nhìn thấy khoảng thời gian này; Thử nghiệm giếng cho thấy khả năng thấm thực tế bằng khoảng 1/5 so với ước tính. Mô hình này đã bị nhầm lẫn nghiêm trọng với một biểu đồ “đẹp mắt”; Mỏ neo kiểm tra giếng đã phát hiện lỗi.
Trường hợp 2 - Hiệu chỉnh khuôn mặt. Trong một mỏ khí, trí tuệ nhân tạo đã nhanh chóng sắp xếp nhật ký của 14 giếng thành các tướng. Khi so sánh với ba giếng lõi, khu vực mà mô hình phân loại là “đá sa thạch sạch” thực ra là một đơn vị bị nứt nẻ, chất lượng thấp. Với hiệu chuẩn lõi, mô hình đã được huấn luyện lại và ước tính thể tích hồ chứa được đưa xuống mức thực tế.
Trường hợp 3 - Tính trung thực của kịch bản. Trong dự báo sản lượng, mô hình đưa ra một đường cong duy nhất và thể hiện sản lượng 10 năm bằng số lẻ. Khi nhóm tạo ra kịch bản thấp/trung bình/cao thông qua mô phỏng tuần tự, họ nhận thấy rằng phạm vi rất rộng (kịch bản cao thấp gần gấp đôi). Chiều rộng này cho thấy cần phải tiến hành thử nghiệm giếng bổ sung khi quyết định đầu tư; Con số duy nhất che giấu sự không chắc chắn này một cách nguy hiểm.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Nhìn vào các bản ghi giếng này, tính toán độ thấm và cho tôi biết giếng sẽ tạo ra bao nhiêu. [dữ liệu nhật ký]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Trợ lý nhà địa chất hồ chứa. Cung cấp MỘT SỐ CHÍNH XÁC cho tính thấm và sản xuất với các nhật ký bên dưới. Thay vào đó:1) Nêu rõ giếng nào có thể được xác nhận bằng lõi khi thực hiện giải thích tướng.2) Giải thích rằng ước tính độ thấm không thể được đo trực tiếp từ nhật ký, trong những điều kiện nào (mặt/áp suất) nó sẽ hợp lệ và nhu cầu kiểm tra lõi/giếng.3) Thiết lập logic kịch bản thấp/trung bình/cao cho sản xuất, không phải một đường cong duy nhất.4) Liệt kê 4 nguồn không chắc chắn ảnh hưởng đến kết quả. Dữ liệu là ẩn danh; Không có lĩnh vực/công ty thực sự.
Bốn mẫu có thể sao chép
1) Kiểm tra hiệu chỉnh khuôn mặt nhật ký:
Giải thích những giếng nào được lấy lõi để phân loại tướng và cách chúng tôi có thể đo lường độ chính xác của mô hình trong các giếng này. Đánh dấu các khu vực chưa được xác minh là "chưa được kiểm tra"; Đừng tin tưởng một cách mù quáng.
2) Xác nhận tính thấm:
Để dự đoán tính thấm: chỉ định các tướng và phạm vi áp suất mà mô hình được huấn luyện; Đánh dấu các giếng/khu vực nằm ngoài phạm vi này (ngoại suy). Nhấn mạnh rằng dự đoán sẽ không đáng tin cậy nếu không có thử nghiệm cốt lõi và tốt ở các khu vực này. Đừng đưa ra con số chính xác.
3) Dự thảo kịch bản sản xuất:
Thiết lập logic kịch bản sản xuất thấp, trung bình, cao từ dữ liệu sản xuất/đường cong suy giảm. Giải thích những giả định mà mỗi kịch bản dựa trên và sự khác biệt giữa chúng có ý nghĩa gì. Không cung cấp đường cong "chính xác" duy nhất.
4) Giải thích mô phỏng độ không đảm bảo đo:
Giải thích kết quả đầu ra của một mô hình địa thống kê có nhiều khả năng xảy ra như nhau (ví dụ: mô phỏng tuần tự): mức độ phân bổ ước tính khối lượng rộng đến mức nào, khu vực nào không chắc chắn nhất và với dữ liệu bổ sung nào (à, địa chấn) thì độ không chắc chắn này được thu hẹp? Giảm đến một số duy nhất.
Đặc điểm kỹ thuật, khả năng đo lường và xác minh hồ chứa
tính năng/đầu ra
Nó có thể được đo từ nhật ký?
Rủi ro AI
neo xác minh
độ xốp
Xuất phát với độ chính xác hợp lý
Hiệu chuẩn trôi
Độ xốp lõi
tính thấm
Không, đoán gián tiếp
Lỗi ngoại suy
Kiểm tra lõi + giếng
tướng mạo
Bình luận (mô hình)
Vận chuyển ngoài công trường
độ nét cốt lõi
Loại chất lỏng
Tôi suy ra từ điện trở suất
bình luận sai
Kiểm tra áp suất/mẫu
Dự báo sản xuất
mở rộng xu hướng
sự chắc chắn sai lầm
Kịch bản + kiểm tra giếng
Gợi ý: Với mọi ước tính về hồ chứa "phép đo trực tiếp nào có thể bác bỏ điều này?" Kiểm tra nó bằng cách nói. Lõi kiểm tra độ xốp, kiểm tra độ thấm tốt, xác định lõi cho tướng. Một dự đoán không thể bác bỏ bằng phép đo trực tiếp vẫn chưa được xác nhận.
Những lỗi thường gặp
- Xem tính thấm là độ xốp. Độ thấm không được đo trực tiếp từ các khúc gỗ; Phép ngoại suy cho sai số lớn, việc kiểm tra lõi/giếng là cần thiết.
- Sử dụng mô hình tướng không có lõi. Một tướng chưa được hiệu chỉnh bằng lõi là một giả thuyết chưa được kiểm chứng.
- Mang mối quan hệ đã học sang lĩnh vực khác. Môi trường lắng đọng và quá trình hình thành khác nhau làm thay đổi mối quan hệ log-tính trạng.
- Trình bày sản xuất với một đường cong duy nhất. Nếu sự không chắc chắn không được đưa ra trong các kịch bản thì quyết định đầu tư sẽ dựa trên sự chắc chắn sai lầm.
- Giảm mô phỏng về mức trung bình. Nhiều mô hình cho thấy sự không chắc chắn; Giảm nó xuống một con số sẽ phá hủy thông tin.
Tóm lại
- Hồ chứa là vô hình; Nó được đọc gián tiếp với nhật ký, dữ liệu cốt lõi, địa chấn và sản xuất và mọi dự đoán đều mang theo sự không chắc chắn.
- Độ xốp có thể được lấy từ các khúc gỗ; Độ thấm không được đo trực tiếp mà phải kết hợp với kiểm tra lõi và giếng.
- Phân loại tướng là một mô hình; không đáng tin cậy nếu không được hiệu chuẩn bằng lõi và vận chuyển ra khỏi địa điểm.
- Mối quan hệ được học là cụ thể đối với điều kiện giáo dục; Ngoại suy là sai lầm phổ biến và nguy hiểm nhất.
- Sản lượng và khối lượng được trình bày không phải bằng một con số duy nhất mà bằng một kịch bản xác suất và mô phỏng, với sự không chắc chắn được đưa ra rõ ràng.
Nhiệm vụ ứng dụng
Nhận một tập hợp ẩn danh các nhật ký giếng (hoặc giá trị đại diện). Yêu cầu mô hình tìm ra vùng nào có nguy cơ ngoại suy bằng mẫu "xác thực tính thấm"; Kiểm tra xem nó có kích thích một vùng hay không bằng cách cố tình đặt nó ngoài phạm vi luyện tập. Sau đó, sử dụng mẫu "dự thảo kịch bản sản xuất" để tạo kịch bản thấp/trung bình/cao thay vì một đường cong duy nhất và nhận xét về độ rộng của phạm vi trong câu.
danh sách kiểm tra
- [ ] Tôi biết sự khác biệt về khả năng đo lường giữa độ xốp và độ thấm và độ thấm đó đòi hỏi phải kiểm tra lõi/giếng.
- [ ] Tôi không coi việc phân loại tướng là đáng tin cậy nếu không hiệu chỉnh nó bằng lõi.
- [ ] Tôi nhận thấy nguy cơ ngoại suy mối quan hệ đã học sang lĩnh vực/điều kiện khác.
- [ ] Tôi trình bày sản lượng và khối lượng bằng các kịch bản xác suất và mô phỏng thay vì các con số đơn lẻ.
- [ ] "Phép đo trực tiếp nào có thể bác bỏ ước tính của từng hồ chứa?" Tôi kiểm tra nó bằng câu hỏi.