La aplicación de algoritmos de aprendizaje automático en la predicción de los reservadores de aceite

Proyección de producción y análisis de curvas declina

La previsión de las tasas futuras de petróleo y gas informa sobre la planificación del desarrollo de campo, el tamaño de las instalaciones y la evaluación económica. Los modelos ML extienden el análisis tradicional de la curva declinación incorporando variables adicionales como el espaciado, los parámetros de terminación y los efectos de interferencia. Las redes neuronales recurrentes (RNNs) y de largo tiempo de memoria (LSTM)

Preparación de datos e ingeniería de valores

La calidad de las predicciones de ML depende en gran medida de los datos de entrada. Los datasets de reserva son a menudo ruidosos, incompletos y plagados de errores de medición. Un sólido conducto de preprocesamiento incluye:

• Eliminación más completa: Eliminar las mediciones espurias causadas por fallos de herramientas o daños de formación utilizando umbrales estadísticos o agrupación.
• La imputación de datos de la misión: Técnicas como la imputación múltiple, MICE o vecinos de la lucha contra el cinismo para llenar las lagunas en registros bien o análisis de núcleo.
• Normalización y escalado: Rescaling características a un rango común (por ejemplo, escalado min-max o estandarización de z-score) para evitar que las variables con grandes magnitudes dominaran el modelo.
• Selección de características: Usar análisis de correlación, información mutua o eliminación de características recursivas para retener sólo los atributos más predictivos y reducir el exceso de ajuste.
• Alineación de corbatas sismicas a fin de mantener la corbata: Corregir los desfases entre volúmenes sísmicos y marcadores bien utilizando sismografías sintéticas o algoritmos de urdimbre automáticos.

Validación modelo y cuantificación de incertidumbre

Las predicciones de reserva deben ir acompañadas de medidas de confianza. Los modelos ML son propensos a la obtención de datos de entrenamiento desprevenidos o parciales, lo que lleva a estimaciones de errores demasiado optimistas.

• Pruebas bien definidas: Mantener uno o más pozos de la capacitación y evaluación de las predicciones en esos lugares.
• Métodos conjuntos:] Capacitación de múltiples modelos (por ejemplo, bosques aleatorios endoblados, árboles impulsados) y uso de la varianza entre los miembros del conjunto como un proxy para la incertidumbre de predicción.
• Probabilistic outputs: Convertir regresión determinista de ML en regresión cuntil o utilizando desplegamiento de Monte Carlo en redes neuronales para generar intervalos de confianza para mapas de propiedades.
• Cross-validación con conciencia espacial: Aplicando esquemas de validación cruzada o de salida de un solo permiso para evitar la autocorrelación espacial de la inflación de métricas de rendimiento.

Integración con simulación basada en la física

Los modelos de ML puramente basados en datos pueden violar las leyes físicas conocidas (por ejemplo, la conservación de masas, la ley de Darcy).Para mejorar la confiabilidad, los investigadores combinan ML con simulación de depósito en enfoques híbridos. redes neuronales informadas por física (PINNs) incorporan ecuaciones diferenciales en la función de pérdida, asegurando que las predicciones satisfacen las ecuaciones de flujos costos de flujos costos de optimizados.

Desafíos y limitaciones

A pesar de los rápidos progresos, varios obstáculos impiden la adopción generalizada de ML en la predicción de los depósitos:

• ]Destaca escasez y desequilibrio: Muchos depósitos tienen sólo unos pocos pozos con cobertura básica completa, y la propiedad objetivo (por ejemplo, las estribaciones de alta permeabilidad) puede ser rara. El oversampling sintético o el aprendizaje de transferencias de los depósitos análogos pueden ayudar a introducir incertidumbre.
• Interpretabilidad: Los modelos complejos como redes neuronales profundas son a menudo cajas negras. Los geocientíficos y reguladores requieren explicaciones para las decisiones, estimulando el interés en SHAP (Explanaciones aditivas de SHADY) y ]LY ] para atribuir características específicas de la predicción.
• No-estationarity: Los procesos geológicos varían espacialmente; un modelo formado en una cuenca puede fallar en otra. Las técnicas de adaptación de dominio que alinean las distribuciones de características en los campos son un área de investigación activa.
• ] Costo computacional: La formación de modelos de CNN 3D grandes sobre datos sísmicos de volumen completo exige recursos de computación de alto rendimiento, que pueden ser prohibitivos para operadores más pequeños.

Future Directions

La próxima ola de ML en predicción de embalses probablemente se centrará en tres temas:

1. Aprendizaje autosupervisado y semisupervisado: Aprovechando grandes volúmenes sísmicos sin etiquetar para preentrenar modelos antes de ajustarse en etiquetas de escaso, reduciendo drásticamente la necesidad de interpretación manual.
2. fusión de datos multimodales: Integrando datos sísmicos, bien, producción e incluso satélites InSAR en modelos unificados que capturan la imagen de la subsuperficie completa.
3. Optimización de cierre de tiempo real: Deplorando modelos ML en dispositivos de bordes en el pozo para actualizar continuamente los modelos de depósitos a medida que llegan nuevos datos durante la perforación y producción, permitiendo el control adaptativo de las operaciones.

Conclusión

Los algoritmos de aprendizaje de máquinas se han convertido en herramientas indispensables en el moderno kit de herramientas del ingeniero de embalses. Aceleran la interpretación sísmica, mejoran la estimación de propiedades petrofísicas y mejoran la previsión de producción, todo ello reduciendo el riesgo y el costo de exploración. Sin embargo, el despliegue exitoso requiere una preparación de datos cuidadosa, una validación rigurosa y una integración reflexiva con la física de dominio.