收益：
- 能够解释如何使用 AI 和地质统计学对储层特性（孔隙度、渗透率、含水饱和度）的 3D 分布进行建模
- 能够通过相建模、变异函数、克里金法和机器学习来定位特征分布
- 能够通过物质平衡、试井和不确定性场景验证油藏模型输出
要构建油气田，我们首先需要构建其 3D 模型：储层岩石的位置、孔隙度（孔隙度）、流体流动的难易程度（渗透率/渗透率）以及孔隙中充满碳氢化合物的程度（1 − 水饱和度）。但我们只能在钻井点测量这些特征；井之间的巨大空间是空的，必须填充。储层表征是在井中进行点测量，并利用地质逻辑和统计学将其扩展到整个体积。在本单元中，我们在传播工作中使用人工智能和地统计学（对具有不确定性的空间数据进行建模的统计学分支）。不变的原则：每个孔间的值都是估计值，而不是实际值；不确定性是模型的一部分，并通过物理平衡进行测试。
基本概念
- 相：在特定沉积环境中形成的具有独特性质的岩石类型（例如河道砂、海相页岩、礁灰岩）。储层质量与相密切相关：河道能很好地排出砂土，但不能排出页岩。
- 变异函数：空间连续性的度量，描述特征相似性如何随着两点之间的距离增加而减少。它是地质统计学的基本工具。
- 克里金法：一种使用变差函数以及估计不确定性来估计未采样点的值的方法。
- 随机模拟：产生许多与数据兼容的同等可能性的模型（实现），而不是单个“最佳”猜测；它使不确定性变得可见。
- 物质平衡：油藏产液、压降和剩余体积之间的守恒关系；独立测试模型体积的物理锚点。
提示：油藏模型是一个不确定性分布，而不是单个数字。正确的说法是“P90=35，P50=50，P10=7200万桶”，而不是“储备5000万桶”。向 AI 询问场景/分布，而不是单点估计。
人工智能和地统计学如何协同工作
经典地质统计学（克里金法、变异函数）功能强大，但在处理多元、非线性关系方面遇到了困难。这就是机器学习发挥作用的地方：
- 相分类：从测井集中分配相（监督学习）；然后使用相作为指导来分布特征。
- 属性估计：根据地震属性+测井关系（地震驱动建模）估计井间孔隙度。
- 间隙填充：从邻近井和关系中合理地补充缺失的测井范围。
但机器学习不了解地质逻辑。如果模型生成的孔隙度图与沉积环境不一致（例如页岩相的高渗透率），则它是不正确的。地质合理性是人工智能输出的第一个过滤器。
一步一步：油藏模型工作流程
- 结构骨架。根据地震（第 3 单元的输出）的层位和断层建立储层的几何形状。
- 相模型。确定井中的相（测井+岩心），用变异函数/地质趋势分布到体积。人工智能加快分类速度。
- 功能部署。通过克里格法或机器学习分布每个相内的孔隙度、渗透率、含水饱和度；如果发生地震，请寻求指导。
- 不确定。通过随机模拟生成大量实现；输出 P90/P50/P10 卷。
- 确认。通过物料平衡和历史匹配测试模型体积；与试井渗透率进行比较。
三个迷你案例：从数字来看
案例 1 — 相指南的价值。当通过克里格法直接在某个地点分散孔隙度时，高孔隙度“泄漏”到低质量页岩区域。当相模型首次建立并且孔隙度分布在相内时，模型变得现实并且随机体积变窄：P50体积下降了12%，但不确定性带变窄了40%。正确的结构产生了更现实和更安全的结果。
案例 2 — 外推陷阱。机器学习模型很好地学习了井集中区域的孔隙度-地震关系；但当应用于没有井的边缘块时，它超出了训练范围（外推法）并产生了 28% 的不切实际的孔隙率。地质学家表明该区块位于不同的相带；该模型在该地区无效。外推极限被标记。
案例 3 — 物料平衡冲突。丰富的 3D 模型 P50 储量产量为 6800 万桶；然而，该油田的早期生产压力下降表明系统的物料平衡最多约为 4500 万桶。矛盾的出现是因为模型假设不相连（孤立）的砂体联系过于紧密。重新考虑了连接并将模型做得更小。物理锚固定几何模型。
弱提示/强提示
弱提示：
油藏模型和储量均来自该井数据。[数据]
强力提示：
根据下面的（匿名）井和地震摘要生成油藏建模草案计划。规则：- 首先建立相模型；在相内分布孔隙度/渗透率。 碳氢化合物特征浸入页岩/低质量相。-根据地质趋势而不是数据证明变异函数参数（方向、范围）；清楚地写出假设。- 将结果呈现为 P90/P50/P10 体积分布，而不是单个数字。- 标记在无井地区进行外推的风险。- 写出如何通过物料平衡/生产历史进行验证。数据：[摘要]
四个可复制模板
1）相分类草案：
建议从以下一组测井中采用相分类方法。写下要使用的日志、类定义以及核心标记的需要。指定类别和地质合理性检查之间混淆的风险。数据：[日志集]
2) 变异函数论证：
当为此孔隙度数据建立变差函数时，请将方向和范围选择与地质降水方向相关联。解释假设各向同性的风险。用少量数据说明变异函数可靠性的极限。数据：[孔隙率]
3）不确定场景：
为以下体积输入（面积、厚度、孔隙率、饱和度、转换系数）生成 P90/P50/P10 体积分布。询问每个输入的不确定性范围，不要假设它。对最具影响力的不确定性来源（龙卷风）进行排名。输入：[值]
4）物料平衡交叉核对：
将以下 3D 模型体积与给定的早期生产和压降数据进行材料平衡比较。如果存在不兼容，请列出可能的原因（连接、含水层支持、体积错误）。型号：[体积]，产量/压力：[数据]
油藏模型验证层
层
什么测试
方法
地质合理性
相特征一致性
专家评审
井数据
点测量合规性
日志/核心比较
井测试
实际渗透率/压力
压力瞬变测试
物料平衡
体积守恒
压力-生产关系
生产历史
动态行为
历史匹配
常见错误
- 面部跳跃。无需相引导即可分布特征，并用物体泄漏碳氢化合物。
- 单点预测。报告单一数量的储量而不是不确定性分布。
- 外推法。盲目地将模型应用于训练数据范围之外的块。
- 跳过物料平衡。未使用物理平衡测试 3D 模型体积。
- 将变异函数保留为自动。在没有地质趋势的情况下选择方向/范围。
综上所述
- 储层表征是将井中的点测量扩展到地质学和地质统计学的整个体积。
- 人工智能和机器学习在相分类和特征预测方面具有强大的功能；但地质合理性是第一个过滤器。
- 在相内分布特征；将不确定性报告为 P90/P50/P10 分布。
- 标记外推极限；不要盲目使用训练范围之外的模型。
- 物料平衡和生产历史是测试几何模型的物理锚点。
应用任务
从油田的几口井（代表性井）获取孔隙度/相数据。通过强大的提示生成建模计划。然后：（1）检查孔隙度是否分布在相内，（2）要求储量为P90/P50/P10，而不是单个数字，（3）通过简单的物质平衡（生产+剩余）逻辑粗略地提供模型给出的体积。为至少一个无井地区添加外推警告。
清单
- [ ] 据我了解，油藏模型是逐井估计，具有不确定性。
- [ ] 我将特征与相指南一起分发，我不会将它们泄漏到低质量相中。
- [ ] 我将储备报告为 P90/P50/P10 分布，而不是单个数字。
- [ ] 我标记了外推极限。
- [ ] 我用物料平衡和生产历史验证模型体积。