收益：
- 能够解释利用人工智能预测孔隙度、渗透率和储层特性的工作流程
- 能够将机器学习应用于测井解释、相分类和产量预测
- 能够通过物理边界、试井和不确定性分析来验证油藏产量
石油或天然气储层是隐藏在地表以下数英里的多孔岩石中的液体的无形宝库。我们无法直接看到它；我们仅通过从油井收到的测井、岩心、地震阴影和生产数据来“读取”它。储层表征的任务是根据这些间接测量重建岩石含有多少流体（孔隙度）、释放流体的难易程度（渗透率）以及储层的三维结构。人工智能在这一领域非常强大：解释测井曲线、对相（岩石类型组合）进行分类、预测孔隙度-渗透率关系以及对生产趋势进行建模。但油藏与其他地质领域一样，充满了不确定性，并不是每一个预测都可以作为决策的依据，而不与物理边界、试井和不确定性分析相联系。
在本单元中，我们将涵盖储层研究的三个人工智能方面：测井解释和相分类（从测井中提取岩石类型和属性）、孔隙度-渗透率预测（储层质量预测）和产量预测（未来井将生产多少）。地统计学也是这里的支柱。我们用变异函数和模拟来填充井之间的空间。注：石油和天然气行业具有很强的商业敏感性；所有样本均采用匿名且具有代表性的值进行研究。
测井解释与相分类
测井曲线是连续测量沿孔的岩石物理特性的曲线：伽马射线（粘土含量）、电阻率（流体类型 - 水/碳氢化合物）、密度和中子（孔隙度）、声波（岩石硬度）。石油地质学家一起读取这些曲线并提取每个深度的岩石类型和流体。这就是模式识别，人工智能非常擅长：持续将数万米的原木分类为岩相。
但有两个限制。首先，对数解释是一个模型，而不是测量；同一测井可能有不同的相解释。其次，如果模型盲目地将在一个领域学到的测井相关系转移到另一个领域（不同的沉积环境、不同的成岩作用），就会犯严重的错误。因此，相输出是用岩心数据校准的；核心是将日志解释与地面事实连接起来的锚。
提示：在相信相模型的输出之前，请询问“哪些井已取芯以及这些井中的模型有多准确？”问。未经证实的相估计是未经检验的假设，无论它看起来多么合理。
孔隙度和渗透率：最关键的区别
储层质量的两个关键是孔隙度和渗透率，它们之间的区别是利用人工智能的最重要的点之一。孔隙度是岩石的孔隙率，可以从测井中以合理的精度得出。渗透率是指流体流过岩石的容易程度，不能直接从测井中测量；但也是间接估计的。渗透率对孔隙率的微小变化呈指数敏感性，并取决于孔隙几何形状、裂缝和胶结作用。
这就是为什么利用机器学习进行渗透率预测既有吸引力又危险的原因。该模型从其他测井中学习岩心井的孔隙度和渗透率；但它学到的关系是特定于该相和压力-温度条件的。外推到不同的岩性或无芯井（超出学习范围）将导致较大的错误。渗透率估算必须与岩心测量和油井测试联系起来（压降/膨胀测试给出实际的流动行为）。
注意：即使渗透率估计产生“好看”的图表，如果应用于训练数据的相和压力条件之外，它也是不可靠的。该模型学习的是相关性，而不是物理事实；始终进行岩心测试和油井测试。
生产预测和不确定性
一口井未来的产量取决于储层容纳和输送的流体量。经典方法（下降曲线分析）将过去的生产趋势延伸到未来；人工智能通过多井数据丰富了这一趋势，并从邻近井网中学习。但产量预测本质上是不确定的：油藏是非均质的、压力变化、操作条件变化。因此，呈现的是概率范围（低/中/高情景），而不是单一的“精确”生产曲线。
在填充井间体积时，地质统计学也存在不确定性。诸如顺序高斯模拟之类的方法会产生许多同样可能的模型，而不是单个“平均”模型；这些模型之间的区别在于不确定性本身。人工智能加速并解释这些模拟；但将结果减少到一个数字会隐藏不确定性，从而产生虚假的信心。
三个迷你案例：从数字来看
情况 1 — 外推错误。在一个地点的三口取心井上训练的渗透率模型给出的预测在第四口井上似乎是完美的。但这口井位于粘土岩相中，模型从未见过这个区间；试井显示实际渗透率约为估计值的五分之一。该模型被严重误认为是“好看”的图表；试井锚发现了错误。
案例 2 — 面相校准。在一个气田，人工智能快速将 14 口井的测井记录分类为相。与三口岩心井相比，该模型归类为“干净砂岩”的区域实际上是一个裂缝性的低质量单元。通过岩心校准，对模型进行了重新训练，并将储层体积估计值降低到了实际水平。
案例 3 — 脚本诚实。在产量预测中，该模型给出了一条曲线，并以奇数表示十年的产量。当团队通过顺序模拟生成低/中/高场景时，他们发现范围非常宽（高场景大约是低场景的两倍）。该宽度表明投资决策中需要进行额外的试井；单一的数字危险地掩盖了这种不确定性。
弱提示/强提示
弱提示：
查看这些测井曲线，计算渗透率，然后告诉我这口井的产量。 [日志数据]
强力提示：
您的角色：助理油藏地质师。使用下面的日志给出渗透率和产量的单个精确数字。相反：1）在进行相解释时说明哪些井可以通过岩心确认。2）解释渗透率估计不能直接从测井中测量，在什么条件（相/压力）下它是有效的，以及岩心/井测试的需要。3）建立生产的低/中/高情景逻辑，而不是单一曲线。4）列出影响结果的4个不确定性来源。数据是匿名的；没有真正的领域/公司。
四个可复制模板
1）测井相校准检查：
解释哪些井被取芯以进行相分类，以及我们如何测量这些井中模型的准确性。将未经验证的区域标记为“未测试”；不要盲目相信。
2）渗透率验证：
对于渗透率预测：指定模型训练的相和压力范围；标记哪些井/区域超出该范围（外推法）。强调如果没有在这些区域进行岩心和油井测试，则不应相信预测。不要给出确切的数字。
3）生产场景草案：
根据递减曲线/生产数据建立低、中、高生产情景逻辑。解释每个场景基于什么假设以及它们之间的差异意味着什么。不提供单一的“精确”曲线。
4）不确定性模拟解释：
解释多个同等可能的地质统计模型（例如顺序模拟）的输出：体积估计的分布有多宽，哪个区域最不确定，以及使用哪些附加数据（例如地震）可以缩小这种不确定性？减少到一个数字。
储层规格、可测量性和验证
特征/输出
可以从日志中测量吗？
人工智能风险
验证锚
孔隙率
以合理的精度推导
校准漂移
岩心孔隙率
渗透性
不，间接猜测
外推误差
岩心+试井
相
评论（型号）
场外交通
核心定义
流体类型
我从电阻率推论
错误评论
压力/样品测试
产量预测
趋势延伸
错误的确定性
场景+试井
提示：对于对水库的每一个估计，“什么直接测量可以反驳这一点？”测试一下说一下。岩心孔隙度、渗透率试井、相岩心定义。无法通过直接测量反驳的预测尚未得到证实。
常见错误
- 将渗透率视为孔隙率。渗透率不是直接根据原木测量的；外推法会产生较大误差，岩心/油井测试至关重要。
- 使用无岩心相模型。未经岩心校准的相是未经检验的假设。
- 将学到的关系带到另一个领域。不同的沉积环境和成岩作用改变了测井特征关系。
- 用一条曲线显示生产情况。如果情景中没有给出不确定性，投资决策就会基于错误的确定性。
- 将模拟减少到平均值。多个模型表明不确定性；将其减少到一个数字会破坏信息。
总之
- 水库是看不见的；它是通过测井、岩心、地震和生产数据间接读取的，每个预测都带有不确定性。
- 孔隙度可以从原木中得出；渗透率不是直接测量的，它必须与岩心和试井相结合。
- 相分类是一个模型；未经核心校准和异地运输是不可靠的。
- 所学到的关系是特定于教育条件的；外推法是最常见和最危险的错误。
- 产量和数量不是用单一数字来表示，而是用概率场景和模拟来表示，并明确给出不确定性。
应用任务
获取一组匿名测井记录（或代表值）。让模型通过“渗透率验证”模板找出哪些区域存在外推风险；通过故意将某个区域放置在训练范围之外来测试它是否会刺激该区域。然后，使用“生产场景草稿”模板生成低/中/高场景而不是单个曲线，并在句子中评论范围的宽度。
清单
- [ ] 我知道孔隙度和渗透率之间可测量性的差异，并且渗透率需要岩心/井测试。
- [ ] 我不认为在没有用岩心校准的情况下相分类是可靠的。
- [ ] 我认识到将学到的关系外推到另一个领域/条件的风险。
- [ ] 我用概率场景和模拟而不是单个数字来呈现产量和数量。
- [ ]“什么直接测量可以反驳每个水库的估计？”我用问题来测试一下。