مقدمه ای بر یادگیری ماشین در پیش بینی Reservoir Oil

صنعت نفت و گاز مدت ها است که به تصویربرداری لرزه ای، logs و نمونه های اصلی برای مشخص کردن مخازن زیر سطح متکی است، با این حال حجم و پیچیدگی داده های مدرن علوم زمین شناسی روش های تفسیر سنتی را به محدودیت های خود، الگوریتم های یادگیری ماشین (ML) در حال حاضر یک جایگزین قدرتمند با شناسایی الگوهای خودکار، رسیدگی به ورودی های بالا و تولید پیش بینی های تجربی است که هر کدام از طریق توسعه ابر، به عنوان مهندسین حوزه های اکتشاف، پیش بینی می کنند.

آموزش ماشین های اصلی برای پاسخگویی به مشکلات کاربردی است

وظایف پیش بینی Reservoir معمولاً تحت یکی از سه مدل بزرگ ML قرار می گیرند که هر کدام برای انواع مختلف داده ها و اهداف مناسب هستند.

آموزش عالی برای برآورد مالکیت کمی

آموزش سوپرvised مدلی را در نمونه های برچسب شده ای که در آن مالکیت هدف (به عنوان مثال، منافذ اندازه گیری شده از پلاگین های هسته ای) شناخته شده است، الگوریتم های رایج شامل (FLT:0) جنگل های تنظیم زمین ، اندازه گیری های تقسیم داده ها به طور موثر، ، و artificial Neuro] شبکه های عصبی [Fvaling] را انتخاب می کنند.

آموزش عالی برای طبقه بندی Fas و Anomaly detection

در عوض، روش های نظارت نشده نیاز به اهداف برچسب دار ندارند، بلکه گروه های طبیعی (FLT:2) یا خارج از داده ها را شناسایی می کنند.[۱۰] خوشه ای ، شاخص های خودسازمان دهی و Gausian مخلوط [FLT 1:3] نمونه های موجی که به طور گسترده ای از ترکیبات هیدروژکتیو استفاده می کنند، می توانند به خوبی از ترکیبات لرزه ای استفاده کنند و یا مناطق نمکی که به طور منظم از آنها را از آنها را از عناصر تشکیل دهند.

تقویت یادگیری برای بهینه سازی حفاری و مدیریت زمینه

یادگیری تقویت (RL) مدیریت مخازن را به عنوان یک مشکل تصمیم گیری متوالی تنظیم می کند.یک عامل RL با شبیه ساز مخزن ارتباط برقرار می کند، اقدامات مانند تنظیم نرخ های خوب یا چاه های جدید حفاری، و پاداش بر اساس تولید نفت تجمعی یا ارزش خالص فعلی را دریافت می کند.در بسیاری از قسمت ها، عامل یک سیاست بهینه را یاد می گیرد که بازده اقتصادی طولانی مدت را به حداکثر می رساند، در حالی که هنوز در حال ظهور است، و ثابت شده است که تولید خودکار و یا عدم اطمینان به خوبی و به خوبی و عدم اطمینان از آن.

برنامه های کلیدی در پیش بینی Reservoir و Characterization

الگوریتم های یادگیری ماشین در کل چرخه عمر یک مخزن، از اکتشاف تا رها کردن، استقرار می یابند.برنامه های زیر نشان دهنده بالغ ترین و موثرترین موارد استفاده هستند.

تفسیر داده ها و تجزیه و تحلیل ویژگی ها

نظرسنجی های Seismic تولید ترابایت 3D جلد. مدل های ML می توانند این داده ها را پردازش کنند تا به طور خودکار افق ها را انتخاب کنند، خطا ها را تشخیص دهند و انضباط های لرزه ای را طبقه بندی کنند.به عنوان مثال، مدل سازی های عصبی تکامل یافته (CNNs) [FLT 1 آموزش دیده شده در بخش های لرزه ای می تواند بدن های نمک را بخش کند یا کانال ها و فن آوری های سازگار با دقت بهره برداری از سنسور انسان (به علاوه بر این که راهنمای چند منظوره توزیع می کنند.

پیش بینی پوزیتی و قابلیت اطمینان از Well Logs

پوستیت و بی حسی ورودی های حیاتی برای برآورد ذخیره و شبیه سازی جریان هستند.[۵] تجزیه و تحلیل سنتی پترروفیزیک از معادلات تجربی (به عنوان مثال، قانون Archie، الگوریتم های زمان سنج Wyllie به طور متوسط) ML می تواند منحنی های متعدد logLT را ادغام کند (مانند پرتوهایmm، مقاومت، نوترون، چگالی) با اندازه گیری های هسته ای برای تولید پیش بینی های مداوم (FLT)

تخلیه مایع و هیدروژن

دفع روغن از آب یا گاز برای شناسایی منطقه پرداخت ضروری است. [۱] کلاس ML آموزش داده شده در logs گل، داده های نمونه گیری مایع، و لاگوسکوپی پیشرفته می تواند انواع مایع از چوب های پایه را به تنهایی پیش بینی کند، در حالی که تکنیک های حفاری مانند principal تجزیه و تحلیل (PCA) ترکیب با ویژگی های اولیه حفاری جنگل (F:2) و برجسته کردن اکثر تصمیم گیری های واقعی.

پیش بینی تولید و تجزیه و تحلیل ثابت

پیش بینی نرخ نفت و گاز آینده، برنامه ریزی توسعه زمینه، اندازه گیری و ارزیابی اقتصادی را به اطلاع می رساند. مدل های ML تجزیه و تحلیل منحنی کاهش سنتی را با ترکیب متغیرهای اضافی مانند فاصله خوب، پارامترهای تکمیل و اثرات مداخله، شبکه های عصبی تکراری (RNN) و (FLT:0 حافظه کوتاه مدت (LTM) [FLT 1] شبکه های زمان تولید را در جریان های انتقال غیر معمول با رژیم های کاهش می دهد.

آمادگی داده ها و مهندسی ویژگی

کیفیت پیش بینی ML به شدت به داده های ورودی بستگی دارد. مجموعه داده های Reservoir اغلب پر سر و صدا، ناقص و با خطا اندازه گیری درگیر هستند.یک خط لوله پیش پردازش قوی شامل:

  • حذف: {1 ] {Eminating اندازه گیری های فریبنده ناشی از خرابی ابزار یا آسیب های تشکیل با استفاده از آستانه های آماری یا خوشه.
  • ] از دست دادن داده های من قطع عضو: [FLT 1] تکنیک هایی مانند قطع عضو متعدد، MICE یا k نزدیک ترین همسایگان برای پر کردن شکاف در logs خوب یا تجزیه و تحلیل هسته ای.
  • عادی سازی و مقیاس پذیری: ویژگی های هدایت کننده به یک محدوده مشترک (به عنوان مثال، مقیاس پذیری من حداکثر یا استاندارد سازی z-score) برای جلوگیری از متغیرهای با اندازه های بزرگ از تسلط بر مدل.
  • انتخاب انتخابی: [FLT 1] با استفاده از تجزیه و تحلیل همبستگی، اطلاعات متقابل یا حذف ویژگی های بازگشتی برای حفظ تنها پیش بینی کننده ترین ویژگی ها و کاهش بیش از حد.
  • هم ترازی به خوبی پیوند می دهد: اصلاح ناسازگاری عمق بین حجم لرزه و نشانگرهای خوب با استفاده از seogramism مصنوعی یا الگوریتم های اتوماتیک.

اعتبار مدل و عدم اطمینان

پیش بینی های Reservoir باید با اقدامات اعتماد به نفس همراه باشد، مدل های ML مستعد بیش از حد ضعیف یا داده های آموزش پیش زمینه هستند که منجر به تخمین های خطای بیش از حد خوش بینانه می شود.

  • تست های خوب را به خوبی انجام دهید: [FLT 1 ] [ 1 ] برگزاری یک یا چند چاه از آموزش و ارزیابی پیش بینی در آن مکان.
  • روش های جمع آوری: آموزش مدل های متعدد (به عنوان مثال، جنگل های تصادفی کیسه، درختان تقویت شده) و استفاده از تفاوت ها در سراسر اعضای گروه به عنوان یک پروکسی برای عدم اطمینان پیش بینی.
  • خروجی های احتمالی: تبدیل به محرک های ML تصمیم گیری به عقب نشینی کوانتومی یا استفاده از مونت کارلو در شبکه های عصبی برای ایجاد فواصل اطمینان برای نقشه های اموال.
  • ارزش گذاری با آگاهی فضایی: اعمال بلوک عبور ازvalidation یا طرح های خروج از یک مرحله برای جلوگیری از آسیب پذیری فضایی از افزایش معیارهای عملکرد.

ادغام با شبیه سازی مبتنی بر فیزیک

مدل های ML مبتنی بر داده ممکن است قوانین فیزیکی شناخته شده (به عنوان مثال، حفاظت از توده، قانون دارسی) را برای بهبود قابلیت اطمینان، محققان ML را با شبیه سازی مخزن در رویکردهای هیبریدی ترکیب کنند. [FLT:Physics-fiics-fi] شبکه های عصبی سازگار با فرکانس های کامپیوتری (PINNs) معادلات متمایز را به عملکرد از دست دادن، اطمینان از پیش بینی های پردازش دقیق دیگر، می دهد.

چالش ها و محدودیت ها

علی رغم پیشرفت سریع، چندین مانع از پذیرش گسترده ML در پیش بینی مخزن می شوند:

  • ] کمبود و عدم تعادل داده: بسیاری از مخازن تنها چند چاه با پوشش هسته ای کامل دارند و اموال هدف (به عنوان مثال، رگه های با کارایی بالا) ممکن است نادر باشد.
  • قابلیت پیش بینی: مدل های پیچیده مانند شبکه های عصبی عمیق اغلب جعبه های سیاه هستند. [دانشمندان و تنظیم کنندگان نیاز به توضیح برای تصمیم گیری دارند، و علاقه خود را به (SHapley افزودنی های افزودنی افزودنی) و LIME [F5 پیش بینی های ورودی خاص را به ویژگی های ورودی خاص.
  • عدم ایستگاه: فرآیندهای زمین شناسی متفاوت است؛ یک مدل آموزش دیده در یک حوضه ممکن است در تکنیک های اقتباس دامنه دیگر شکست بخورد که توزیع ویژگی در سراسر زمینه ها یک منطقه تحقیقاتی فعال است.
  • هزینه محاسباتی: آموزش مدل های بزرگ 3D سی ان در داده های لرزه ای پر حجم نیاز به منابع محاسباتی با کارایی بالا، که ممکن است برای اپراتورهای کوچکتر ممنوع است.

مسیر های آینده

موج بعدی ML در پیش بینی مخزن احتمالاً در سه موضوع قرار خواهد گرفت:

  1. خود را بالا و نیمه آموزش یادگیری: Leveraging حجم لرزه ای بی برچسب گسترده به مدل های پیش دبستانی قبل از نصب بر روی برچسب های کوچک، به طور چشمگیری کاهش نیاز به تفسیر دستی.
  2. ] چند ترکیب داده های چند منظوره: یکپارچه سازی لرزه، خوب، تولید و حتی داده های ماهواره ای InSAR به مدل های یکپارچه که تصویر زیر سطح کامل را ضبط می کنند.
  3. بهینه سازی حلقه بسته واقعی: استقرار مدل های ML در دستگاه های لبه در محل به روز رسانی مدل های مخزن به طور مداوم به عنوان داده های جدید در طول حفاری و تولید، قادر به کنترل سازگار عملیات.

نتیجه گیری

الگوریتم های یادگیری ماشین ابزار ضروری در ابزار مدرن مهندسی مخزن تبدیل شده اند.آنها سرعت تفسیر لرزه، بهبود برآورد اموال حیوانات خانگی، و افزایش پیش بینی تولید، همه در حالی که کاهش خطر اکتشاف و هزینه، با این حال، استقرار موفق نیاز به آماده سازی دقیق داده ها، اعتبار دقیق و یکپارچه سازی متفکرانه با فیزیک دامنه، به عنوان قدرت محاسباتی رشد و معماری های جدید ظهور، syner بین ماشین یادگیری و یادگیری زمین و توسعه دقیق تر نفت، ادامه خواهد داد.