Estimando reservas en formaciones de aceite de la vista usando análisis avanzados

Aprendizaje supervisado para la producción

Supervisado de modelos de aprendizaje características de entrada: descriptores geológicos, parámetros de terminación y datos de producción a tiempo inicial, a una variable objetivo como el aceite acumulativo de 6 meses o 30 años de EUR. Bosques aleatorios, máquinas de impulso gradiente (XGBoost, LightGBM) y soporte de regresión vectorial se han convertido en factores de trabajo de la industria.

Deep Learning and Recurrent Neural Networks

Series de tiempo pronosticando beneficios de arquitecturas que modelan dependencias secuenciales, como redes de memoria a corto plazo (LSTM) y unidades recidivas cerradas (GRUs).Aplicados a datos de producción diaria, estos modelos pueden aprender la forma de declive característica de un pozo de petróleo ajustado sin asumir ninguna ecuación basada en la física.

Ingeniería de características y selección

El éxito de cualquier modelo supervisado depende de la calidad y relevancia de sus características de entrada. En la estimación de reservas de aceite ajustada, la ingeniería de características implica la construcción de variables que capturan geología (porosidad, TOC, saturación de agua, volumen de arcilla), geomecánica (Moludio de Young, ratio de Poisson, estrés horizontal mínimo), terminaciones (propiedad por pie, longitud de estadio, eficiencia de agrupación) y producción temprana

Enfoques no supervisados y informados por Física

Más allá de la previsión directa, la analítica avanzada juega un papel crítico en el descubrimiento y validación. El aprendizaje no supervisado identifica agrupaciones naturales en datos sin etiquetas predefinidas, revelando patrones que pueden representar nuevas facies de embalses, interacciones impulsadas por fracturas o regímenes de producción. Cuando se combinan con la simulación basada en la física, estos métodos aseguran que las predicciones respeten la conservación masiva, la termodinámica y la puramente resistente a la carga.

Clustering for Facies and Rock Typing

Los mapas de geometría de los cúmulos y los mapas autoorganizados se aplican de manera rutinaria a los vectores de atributos sísmicos y bien logizados para generar electrofacies objetivas. Estas características digitales se comparan con descripciones básicas y registros de producción.En la formación de Bakken, por ejemplo, los operadores han utilizado agrupaciones espectrales en las distribuciones de cúmulos NMR y espectroscopía elemental para distinguir entre los intervalos productivos.

Redes neuronales con formación física

Un avance reciente es la integración de las leyes físicas en la formación de redes neuronales. Las redes neuronales (PINN) informadas por Física incrustan las ecuaciones de flujo de fluidos, como la ecuación de difusividad para el análisis de presión transitoria, directamente en la función de pérdida del modelo. Esto obliga a la red a producir predicciones que no sólo coinciden con los datos de producción histórica sino también a la conservación de masa y el impulso.

Reducción de la dimensionalidad para el reconocimiento de patrones de gran escala

Con cientos de curvas de registro, atributos sísmicos y variables de terminación disponibles para cada pozo, el espacio de características en análisis de aceite ajustado puede superar 200 dimensiones. técnicas de reducción de la dimensión como PCA, t-SNE y la aproximación y proyección uniformes de múltiples dimensiones (UMAP) comprime este espacio de alta dimensión en dos o tres dimensiones interpretables al tiempo que preserva la estructura local y global de los datos.

De la predicción a la decisión: Integración operacional

El valor se encuentra en la rosca de esa visión a través de todo el ciclo de planificación del desarrollo de campo. Los flujos de trabajo integrados combinan el modelado geológico, las previsiones de aprendizaje automático y la optimización económica para guiar bien el espaciado, la selección de zonas de aterrizaje y la asignación de capital. Por ejemplo, un mapa de EUR probabilístico con modelos de costes de perforación y terminación permite una optimización de mercado de productos básicos actualizados que evoluciones de beneficiosa

Cuantificación de incertidumbre y gestión de riesgos

Los nuevos métodos de regulación de los activos de Bay deben clasificarse con el grado de certeza. Los análisis avanzados proporcionan marcos sólidos para la cuantificación de incertidumbre mediante la agregación de bootstrap, el promedio del modelo Bayesian y la predicción conformacional. Los datos de detección de los activos de Bay permiten una función de densidad de probabilidad, con valores de P90, P50 y P10 directamente calculados de la distribución posterior del modelo.

Optimización de carteras y asignación de capital

Cuando las estimaciones de reservas son probabilísticas en lugar de deterministas, la optimización de cartera se convierte en un riguroso ejercicio cuantitativo. Los operadores pueden ejecutar simulaciones de Monte Carlo en toda su cartera de activos, calculando la probabilidad de cumplir con objetivos de producción corporativa o pactos de deuda en diferentes escenarios de desarrollo. Optimización algoritmos – incluyendo programación voláctica y aprendizaje de refuerzo – identifican la secuencia de decisiones de perforación que maximiza la clasificación de NPV prevista sujeto a restricciones presupuestarias y rigtics.

Éxitos y lecciones aprendidas

La aplicación de los análisis avanzados en reservas de petróleo ajustadas no es teórica. En la cuenca de Midland, un operador independiente importante desplegó un oleoducto automatizado de aprendizaje automático que ingería producción diaria, concluciones y datos geológicos de más de 5.000 pozos horizontales.El modelo generó predicciones de P50 EUR que cayeron en el 12% de la producción acumulativa real de 5 % de los pozos, una mejora marcada mejora en la banda de errores.

Lecciones de las deficiencias en la aplicación

No todas las iniciativas de análisis tienen éxito, y las fallas ofrecen valiosas lecciones para la industria.Los obstáculos comunes incluyen modelos de capacitación sobre conjuntos de datos parciales que representan pozos de alta calidad, descuidando la contabilización de recortes económicos y limitaciones operativas en las previsiones de EUR, y desplegando modelos sin cuantificación de incertidumbre adecuada, lo que conduce a reservas de reserva excesivas.

La dirección de la carretera: Aprendizaje continuo y gestión de los servicios autónomos

El futuro de la estimación de reservas en el aceite ajustado se definirá mediante un cambio de las evaluaciones estáticas, periódicas a los sistemas continuos de cierre. Como la detección de fibra óptica y el cálculo de bordes ofrecen presión en tiempo real, temperatura y datos de tensión de los laterales horizontales, modelos de aprendizaje automático actualizarán las previsiones de EUR a diario, aprendiendo de cada nuevo escenario de producción que regirá el capital más bajo.

El papel de los modelos de la IA y la Fundación Generativas

La inteligencia artificial generativa, incluyendo modelos de lenguaje grande y arquitecturas basadas en la difusión, está empezando a encontrar aplicaciones en la ingeniería de embalses. Modelos de la Fundación pre-entrenados en la masiva corpora de la literatura de ingeniería del petróleo, informes bien, y bases de datos de producción pueden generar descripciones iniciales de embalses, sugerir parámetros de curva de declinación, e incluso redactar informes de reserva en lenguaje natural.

Integrar el Elemento Humano

Para todas sus sofisticaciones técnicas, la analítica avanzada sigue siendo una herramienta que aumenta, en lugar de sustituir, el juicio humano. Las implementaciones más exitosas combinan datos de datos con ingenieros de embalses y geólogos experimentados que pueden comprobar resultados de modelos, identificar cuando una predicción viola la razón física, y reconocer las tendencias emergentes de cuencas que pueden faltar.