Η εφαρμογή των αλγόριθμων της μάθησης μηχανών σε πετρέλαιο Reservoir Prediction

Εισαγωγή στη Μηχανική Μάθηση στην Πετρέλαιο Reservoir Πρόβλεψη

Η βιομηχανία πετρελαίου και φυσικού αερίου έχει στηριχθεί εδώ και καιρό σε σεισμικές απεικονίσεις, καλά λογαρίθμια, και δείγματα πυρήνα για να χαρακτηρίσει υποεπιφανειακές δεξαμενές. Ωστόσο, ο καθαρός όγκος και η πολυπλοκότητα των σύγχρονων δεδομένων γεωεπιστήμης έχουν ωθήσει παραδοσιακές ερμηνευτικές μεθόδους στα όριά τους. Η μηχανική μάθηση (ML) αλγορίθμων προσφέρει τώρα μια ισχυρή εναλλακτική λύση με την αυτόματη ανίχνευση προτύπων, χειρισμό υψηλής διάστασης εισόδους, και την παραγωγή probabilist προβλέψεις που βελτιώνονται με κάθε νέο σημείο δεδομένων. Από την εξερεύνηση κλίμακας λεκάνης στον σχεδιασμό ανάπτυξης πεδίου, ML αναδιαμορφώνει πώς οι μηχανικοί και γεωεπιστήμονες προβλέπουν ιδιότητες δεξαμενής, όπως πορώδες, διαπερατότητα, ρευστό κορεσμό, και καθαρό πάχος μισθών.

Core Machine Μάθηση Παράδειγμά που εφαρμόζονται για την διατήρηση προβλημάτων

Οι εργασίες πρόβλεψης Reservoir συνήθως εμπίπτουν σε ένα από τα τρία κύρια πρότυπα ML, το καθένα κατάλληλο για διαφορετικούς τύπους δεδομένων και στόχους.

Επιθεωρημένη Μάθηση για την Ποσοτική Εκτίμηση Ιδιοκτησίας

Η επιβλεπόμενη μάθηση εκπαιδεύει ένα μοντέλο σε επισημασμένα παραδείγματα όπου η ιδιότητα του στόχου (π.χ., πορώδες μετρούμενο από τα βύσματα πυρήνα) είναι γνωστή. Οι κοινοί αλγόριθμοι περιλαμβάνουν δάση τύχης, μηχανές διανυσματικών υποστηριγμάτων] και τεχνητά νευρωνικά δίκτυα[]. Αυτά τα μοντέλα μαθαίνουν μια χαρτογράφηση από χαρακτηριστικά εισόδου (σειστικές ιδιότητες, καμπύλες καταγραφής, πετροφυσικές παράμετροι) στη μεταβλητή στόχου. Μόλις εκπαιδευτούν, μπορούν να προβλέπουν ιδιότητες δεξαμενής σε τοποθεσίες όπου υπάρχουν μόνο σεισμικά ή δεδομένα καταγραφής, βελτιώνοντας αποτελεσματικά τις αραιές μετρήσεις της αξίας εδάφους σε ολόκληρο το πεδίο. Η τυπική ροή εργασίας περιλαμβάνει διαχωρισμό του συνόλου δεδομένων σε εκπαίδευση, επικύρωση, και σε σύνολα δοκιμών, tuning hyperparameters cross-validation, και επιλέγοντας το μοντέλο με το σφάλμα της χαμηλότερης γενίκευσης.

Ανεπιτήδευτη Μάθηση για την Κατάταξη των Ειδών και Ανίχνευση Ανωμαλιών

Οι μη-επιφανειακές μέθοδοι δεν απαιτούν χαρακτηρισμένους στόχους. Αντίθετα, προσδιορίζουν φυσικές ομαδοποιήσεις ή απώτερους στα δεδομένα. Κ-σημαίνει συσπειρωματοποίηση[, αυτο-οργανώνοντας χάρτες[], και []Τα μοντέλα μείγματος Γκαουσσιανών[[] χρησιμοποιούνται ευρέως για την ταξινόμηση των ηλεκτροφαιών από καλά λογαρίθμια, σχήματα σεισμικών κυματομορφών συστάδων και την ανίχνευση ανωμαλιών ζωνών που μπορεί να υποδηλώνουν κατάγματα, σώματα αλατιού ή δείκτες υδρογονανθράκων. Αυτές οι τεχνικές βοηθούν τους γεωλόγους να κατασκευάζουν συνεπή μοντέλα εκ πρώτης όψεως και να επισημαίνουν περιοχές που δικαιολογούν περαιτέρω διερεύνηση.

Ενίσχυση της μάθησης για τη βελτίωση της διάτρησης και τη διαχείριση πεδίων

Η ενίσχυση της μάθησης (RL) πλαισιώνουν τη διαχείριση δεξαμενής ως ένα διαδοχικό πρόβλημα λήψης αποφάσεων. Ένας παράγοντας RL αλληλεπιδρά με έναν προσομοιωτή δεξαμενής, λαμβάνοντας μέτρα όπως η προσαρμογή των τιμών των φρεάτων ή γεώτρηση νέων φρεάτων, και λαμβάνει ανταμοιβές με βάση τη σωρευτική παραγωγή πετρελαίου ή την καθαρή παρούσα αξία. Σε πολλά επεισόδια, ο πράκτορας μαθαίνει μια βέλτιστη πολιτική που μεγιστοποιεί τη μακροπρόθεσμη οικονομική απόδοση.

Βασικές εφαρμογές στην κράτηση προβλεψιμότητας και χαρακτηρισμού

Οι αλγόριθμοι μηχανικής μάθησης αναπτύσσονται σε όλο τον κύκλο ζωής μιας δεξαμενής, από την εξερεύνηση μέχρι την εγκατάλειψη. Οι ακόλουθες εφαρμογές αντιπροσωπεύουν τις πιο ώριμες και επιρρεπείς περιπτώσεις χρήσης.

Διερμηνεία σεισμικών δεδομένων και ανάλυση χαρακτηριστικών

Τα μοντέλα ML μπορούν να επεξεργαστούν αυτά τα δεδομένα για να επιλέξουν αυτόματα ορίζοντες, να ανιχνεύσουν σφάλματα και να ταξινομήσουν σεισμικά εκ πρώτης όψεως. Για παράδειγμα, συνολικά νευρωνικά δίκτυα (CNNs) εκπαιδευμένα σε σημασμένα σεισμικά τμήματα μπορούν να διαμελίσουν σώματα αλατιού ή να εντοπίσουν κανάλια και ανεμιστήρες του turbidites με ακρίβεια που ανταγωνίζονται τους διερμηνείς του ανθρώπου. Επιπλέον, η μη επιτηρούμενη συσπειρίωση πολυ-προστιθέμενων σεισμικών κύβων (π.χ. πλάτος, συνοχή, καμπυλότητα) δίνει εκ πρώτης όψεως χάρτες πιθανοτήτων που καθοδηγούν τη γεωμετρία της δεξαμενής μοντελοποίηση.

Πρόβλεψη της Πόροσότητας και της Διαπερατότητας από τα Πηγαία Αρχεία

Η παραδοσιακή πετροφυσική ανάλυση χρησιμοποιεί εμπειρικές εξισώσεις (π.χ., νόμος του Άρτσι, χρόνος Wyllie-μέσος όρος). Οι αλγόριθμοι ML, αντίθετα, μπορούν να ενσωματώσουν πολλαπλές καμπύλες καταγραφής (ακτίδα gamma, αντίσταση, νετρόνιο, πυκνότητα) με μετρήσεις πυρήνα για την παραγωγή συνεχών προβλέψεων. Οι ενισχυτικές μηχανές με ακτινοβολία και τα βαθιά νευρωνικά δίκτυα έχουν αποδείξει ανώτερη ακρίβεια σε ετερογενείς δεξαμενές ανθρακικού και σφιχτού ψαμμίτη, ειδικά όταν οι αντιδράσεις log είναι μη γραμμικές ή επικαλυπτόμενες.

Τύπωση υγρών κορεσμού και υδρογονανθράκων

Οι ταξινομητές ML που εκπαιδεύονται σε κορμούς λάσπης, δεδομένα δειγματοληψίας υγρών και προηγμένα λογόγραμμα φασματοσκοπίας μπορούν να προβλέπουν τύπους υγρών από βασικά κορμοτεμάχια καλωδίων μόνο. Τεχνικές όπως ]Κύριοι παράγοντες ανάλυσης συστατικών (PCA) σε συνδυασμό με Η ταξινόμηση δασών σε random μειώνουν τη διάσταση και τονίζουν τα πιο διακριτικά χαρακτηριστικά, επιτρέποντας τη λήψη αποφάσεων σε πραγματικό χρόνο κατά τη διάρκεια της γεώτρησης.

Προβλεψιμότητα παραγωγής και ανάλυση καμπυλότητας

Τα μοντέλα ML επεκτείνουν την παραδοσιακή ανάλυση καμπύλης μείωσης, ενσωματώνοντας πρόσθετες μεταβλητές όπως η διαπόσταση, οι παράμετροι ολοκλήρωσης και τα αποτελέσματα παρεμβολών. Επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και ] μακράς διάρκειας μνήμη (LSTM) δίκτυα αποτυπώνουν χρονικές εξαρτήσεις σε σειρές παραγωγής, συχνά ξεπερνούν την υπερβολική πτώση του Arps σε μη συμβατικά πηγάδια με πολλαπλά καθεστώτα παροδικής ροής.

Προετοιμασία δεδομένων και Μηχανική Χαρακτηριστικών

Η ποιότητα των προβλέψεων ML εξαρτάται σε μεγάλο βαθμό από τα δεδομένα εισόδου. Τα σύνολα δεδομένων Reservoir είναι συχνά θορυβώδη, ελλιπή και μαστίζονται από σφάλματα μέτρησης.

• Εξωγήινη αφαίρεση: Εξάλειψη των ανόθευτων μετρήσεων που προκαλούνται από δυσλειτουργίες του εργαλείου ή βλάβη σχηματισμού με τη χρήση στατιστικών κατώτατων ορίων ή συσπειρωτήρων.
• Απώλεια καταλογισμού δεδομένων: Τεχνικές όπως πολλαπλός καταλογισμός, MICE, ή k-κοντά γειτονικά για να καλυφθούν κενά σε καλά αρχεία καταγραφής ή ανάλυση πυρήνα.
• Κανονική και κλιμάκωση: Επαναπροσδιορισμός χαρακτηριστικών σε ένα κοινό εύρος (π.χ., min-max κλιμάκωση ή z-score τυποποίηση) για να αποτραπεί η επικράτηση του μοντέλου σε μεταβλητές με μεγάλα μεγέθη.
• Επιλογή χαρακτηριστικών: Χρησιμοποιώντας ανάλυση συσχέτισης, αμοιβαίας πληροφορίας ή αναδρομικής εξάλειψης χαρακτηριστικών για να διατηρήσει μόνο τα πιο προγνωστικά χαρακτηριστικά και να μειώσει την υπερπροσαρμοσμένη.
• Σεισμική στο-καλό ευθυγράμμιση δεμάτων:[[LFT:1]] Διορθώνοντας τις αναντιστοιχίες βάθους μεταξύ σεισμικών όγκων και δεικτών πηγαδιού χρησιμοποιώντας συνθετικά σεισμογράμματα ή αυτόματους αλγόριθμους δίνης.

Υπόδειγμα επικύρωσης και αβεβαιότητας

Οι προβλέψεις των εφεδρειών πρέπει να συνοδεύονται από μέτρα εμπιστοσύνης. Τα μοντέλα ML είναι επιρρεπή σε υπερβολικά αραιά ή μεροληπτικά δεδομένα κατάρτισης, οδηγώντας σε υπερβολικά αισιόδοξες εκτιμήσεις σφαλμάτων.

• Δοκιμές με καλά λαμπάκια: Κρατώντας πίσω ένα ή περισσότερα πηγάδια από την εκπαίδευση και την αξιολόγηση προβλέψεων σε αυτές τις τοποθεσίες.
• Μέθοδοι συναρμολόγησης: Εκπαίδευση πολλαπλών μοντέλων (π.χ., σφιγμένα τυχαία δάση, ενισχυμένα δέντρα) και χρήση της διακύμανσης μεταξύ των μελών του συνόλου ως διαμεσολαβητή για την αβεβαιότητα πρόβλεψης.
• Προβαμπιλιστικές εξόδους: Μετατροπή ντετερμινιστικών οπισθοδρόμων ML σε ποσοτική παλινδρόμηση ή χρήση του Monte Carlo που αποσυνδέεται σε νευρωνικά δίκτυα για να δημιουργηθούν διαστήματα εμπιστοσύνης για χάρτες ιδιοκτησίας.
• Διασταύρωση-επικύρωση με χωρική επίγνωση:[[LFT:1] Εφαρμογή διασταυρώσεων φραγμών ή συστημάτων εξουδετέρωσης ενός ευρέος επιπέδου για την αποτροπή της χωρικής αυτόματης διαβρώσεως από την υπερπλήρωσης των μετρήσεων επιδόσεων.

Ολοκλήρωση με την προσομοίωση με βάση τη φυσική

Για να βελτιώσουν την αξιοπιστία, οι ερευνητές συνδυάζουν την ML με την προσομοίωση της δεξαμενής σε υβριδικές προσεγγίσεις. Τα νευρωνικά δίκτυα που έχουν ενημερωθεί για τη φυσική φυσική (PINNs) ενσωματώνουν διαφορικές εξισώσεις στη λειτουργία απώλειας, εξασφαλίζοντας ότι οι προβλέψεις ικανοποιούν τις εξισώσεις ροής. Μια άλλη πρακτική στρατηγική χρησιμοποιεί την ML ως πληρεξούσιο για ακριβούς προσομοιωτές πλήρους φυσικής: ένα νευρωνικό δίκτυο που έχει εκπαιδευτεί σε διαδρομές προσομοίωσης μπορεί να παρέχει σχεδόν ασταθείς προβλέψεις για την αντιστοίχιση, βελτιστοποίηση και ανάλυση ευαισθησίας, μειώνοντας το υπολογιστικό κόστος με εντολές μεγέθους.

Προκλήσεις και Περιορισμοί

Παρά την ταχεία πρόοδο, αρκετά εμπόδια εμποδίζουν την ευρεία υιοθέτηση του ML στην πρόβλεψη δεξαμενής:

• Ληξιγένεια και ανισορροπία δεδομένων: Πολλές δεξαμενές έχουν μόνο λίγα πηγάδια με πλήρη κάλυψη του πυρήνα, και η ιδιότητα-στόχος (π.χ., ραβδώσεις υψηλής διαπερατότητας) μπορεί να είναι σπάνια. Συνθετική υπερδειγματοληπτική ή μεταφορά μάθησης από αναλογικές δεξαμενές μπορεί να βοηθήσει αλλά να εισαγάγει αβεβαιότητα.
• Διερμηνεία: Σύνθετα μοντέλα όπως τα βαθιά νευρωνικά δίκτυα είναι συχνά μαύρα κουτιά. Οι γεωεπιστήμονες και οι ρυθμιστές απαιτούν εξηγήσεις για αποφάσεις, παροτρύνοντας το ενδιαφέρον για SHAP (Shapley Additive exPlanations) και LIME] για να αποδοθούν προβλέψεις σε συγκεκριμένα χαρακτηριστικά εισόδου.
• Μη-σταθερότητα:[ Οι γεωλογικές διεργασίες ποικίλλουν χωρικά· ένα μοντέλο εκπαιδευμένο σε μια λεκάνη μπορεί να αποτύχει σε μια άλλη. Οι τεχνικές προσαρμογής τομέα που ευθυγραμμίζουν τις κατανομές χαρακτηριστικών σε όλους τους τομείς είναι μια ενεργή περιοχή έρευνας.
• Υπολογιστικό κόστος: Κατάρτιση μεγάλων τρισδιάστατων μοντέλων CNN σε σεισμικά δεδομένα πλήρους όγκου απαιτεί υψηλής απόδοσης υπολογιστικούς πόρους, οι οποίοι μπορεί να είναι απαγορευτικοί για μικρότερους φορείς εκμετάλλευσης.

Μελλοντικές οδηγίες

Το επόμενο κύμα της ML στην πρόβλεψη δεξαμενής πιθανότατα θα επικεντρωθεί σε τρία θέματα:

1. Αυτοελεγχόμενη και ημιελεγχόμενη μάθηση: Απομόχλευση αχανών μη ετικετών σεισμικών όγκων σε μοντέλα προεκπαιδεύσεως πριν από την εξομάλυνση των λεπτών ετικετών, μειώνοντας δραματικά την ανάγκη χειροκίνητης ερμηνείας.
2. Πολυτροπική σύντηξη δεδομένων: Ενσωματώνοντας σεισμικά, καλά, παραγωγή, ακόμα και δορυφορικά δεδομένα InSAR σε ενοποιημένα μοντέλα που αποτυπώνουν την πλήρη εικόνα της επιφάνειας.
3. Βελτιστοποίηση κλειστού loop σε πραγματικό χρόνο: Αναπτύσσοντας μοντέλα ML σε συσκευές άκρων στην περιοχή του φρεατίου για να ενημερώνετε συνεχώς τα μοντέλα δεξαμενής καθώς νέα δεδομένα φθάνουν κατά τη διάρκεια της γεώτρησης και της παραγωγής, επιτρέποντας τον προσαρμοστικό έλεγχο των λειτουργιών.

Συμπέρασμα

Οι αλγόριθμοι μηχανικής μάθησης έχουν γίνει απαραίτητα εργαλεία στο εργαλείο του σύγχρονου μηχανικού δεξαμενής. Επιτάχυνση της σεισμικής ερμηνείας, βελτίωση της εκτίμησης της πετροφυσικής ιδιοκτησίας, και την ενίσχυση πρόβλεψης παραγωγής, όλα ενώ μείωση του κινδύνου εξερεύνησης και του κόστους. Ωστόσο, η επιτυχής ανάπτυξη απαιτεί προσεκτική προετοιμασία δεδομένων, αυστηρή επικύρωση, και στοχαστική ολοκλήρωση με τη φυσική τομέα. Καθώς η υπολογιστική δύναμη αυξάνεται και νέες αρχιτεκτονικές αναδύονται, η συνέργεια μεταξύ της μάθησης μηχανών και της γεωεπιστήμης θα συνεχίσει να οδηγεί πιο ακριβή, αποτελεσματική, και βιώσιμη ανάπτυξη πετρελαίου και φυσικού αερίου.