Johdatus koneen oppimisen öljyn reservi

Öljy- ja kaasuteollisuus on pitkään luottanut seismiseen kuvantamiseen, kaivoihin ja ydinnäytteisiin, jotka kuvaavat pinnanalaisia varastoja. Kuitenkin nykyajan geotieteen datan puhtaasti volyymi ja monimutkaisuus ovat työntäneet perinteiset tulkitsevat menetelmät rajoilleen. Koneoppimisen (ML) algoritmit tarjoavat nyt tehokkaan vaihtoehdon, joka automaattisesti havaitsee kuvioita, käsittelee korkeaulotteisia syötteitä ja tuottaa probabilistisia ennusteita, jotka paranevat jokaisella uudella datapisteellä. MML on muokkaamassa sitä, miten insinöörit ja geoscientists ennustavat säiliön ominaisuuksia, kuten huokoisuutta, läpäisevyyttä, nestekylläisyyttä ja nettopalkan paksuutta.

Core Machine Learning Paradigms Soveltuu Reservoir ongelmia

Säilöntä- ja ennustustehtävät kuuluvat tavallisesti johonkin kolmesta keskeisestä ML-mallista, jotka soveltuvat eri tietotyyppeihin ja tavoitteisiin.

Määrällisen ominaisuuden arviointi

Yliopisto-opetus kouluttaa mallia tunnistetuissa esimerkeissä, joissa kohdeominaisuus (esim. huokoisuus mitattuna ydinpistokkeista) on tiedossa. Yhteiset algoritmit sisältävät [satunnaismetsät[[], tukivektorikoneisiin[[], ja []-keinotekoiset hermoverkot[]. Nämä mallit oppivat kartoituksen syöttöominaisuuksista (seismiset ominaisuudet, logikäyrät, petrofyysiset parametrit) kohdemuuttujaan. Kun ne on koulutettu, ne voivat ennustaa säiliön ominaisuuksia paikoissa, joissa on vain seismisiä tai logitietoja, tehokkaasti ylöspäin ulottuvat harvat maa-truttimittaukset koko kentällä. Tyypillinen työvirta käsittää aineiston jakamisen koulutukseen, validoinnin ja testisarjoihin, viritys hyperparametrejä ristivalidoinnin kautta ja valita mallin, jossa on pienin yleistysvirhe.

Valvomaton kasvojen luokittelu ja anomalinen havaitseminen

Valvomattomat menetelmät eivät edellytä kohteiden merkitsemistä. Sen sijaan ne tunnistavat datassa luonnollisia ryhmittymiä tai poikkeavuuksia. []K-merkittää ryhmittelyä[[], ]itseorganisoivia karttoja[[]], ja [[]]Gaussian-sekoitusmalleja[] käytetään laajalti luokiteltaessa elektrofaceja kaivojen lokeista, seismisistä aaltomuodoista ja havaitsemaan epätavallisia vyöhykkeitä, jotka voivat osoittaa murtumia, suolaisia runkoja tai hiilivetyindikaattoreita. Nämä tekniikat auttavat geologia rakentamaan johdonmukaisia malleja ja korostavat alueita, jotka edellyttävät lisätutkimuksia.

Porausoptimoinnin ja kenttäjohtamisen vahvistaminen

Vahvistusoppiminen (RL) kehykset varastonhallintaa peräkkäisenä päätöksenteko-ongelmana. RL-agentti on vuorovaikutuksessa säiliösimulaattorin kanssa, toteuttaa toimia, kuten mukauttaa hyvin nopeuksia tai porata uusia kaivoja, ja saa palkkioita, jotka perustuvat kumulatiiviseen öljyntuotantoon tai nykyarvon nettoun. Monissa jaksoissa agentti oppii optimaalisen politiikan, joka maksimoi pitkän aikavälin taloudellisen tuoton. Vaikka käytännössä RL on vielä kehittymässä, se on osoittanut lupaustaan hyvin sijoittamisessa ja tuotannon optimoinnissa epävarmuuden alaisena.

Avainsovellukset Reservoir Ennuste ja luonnehdinta

Koneoppimisalgoritmit ovat käytössä koko varaston elinkaaren ajan etsinnästä hylkäämiseen. Seuraavat sovellukset edustavat kypsimpiä ja vaikuttavimpia käyttötapauksia.

Seismisten tietojen tulkinta ja attribuuttianalyysi

Seismiset tutkimukset tuottavat teratavuja 3D-volyymeistä. ML-malleissa voidaan käsitellä näitä tietoja automaattisesti poimia horisontteja, havaita vikoja ja luokitella seismisiä kulmia. Esimerkiksi [konvolutionaaliset hermoverkot (CNNs)[[], joita on koulutettu tarratuilla seismisillä seismisillä osilla, voivat jakaa suolaisia runkoja tai tunnistaa kanavia ja sameita faneja tarkkuudella, joka on ristiriidassa ihmisen tulkkien kanssa. Lisäksi moniattribuuttisten seismisten kuutioiden (esim. amplitudi, johdonmukaisuus, kaarevuus) valvomaton klusteri tuottaa todennäköisyyskarttoja, jotka ohjaavat varastogeometrian mallintamista.

Porosi ja läpäisevyys Ennuste kaivon tukeista

Porosity ja läpäisevyys ovat kriittisiä syötteitä, joilla voidaan varata estimointi ja virtaussimulaatio. Perinteinen petrofyysinen analyysi käyttää empiirisiä yhtälöitä (esim. Archien laki, Wyllie aika-keskiarvo). ML-algoritmit sen sijaan voivat integroida useita logiikkakäyriä (gammasäde, resistenssi, neutroni, tiheys) ydinmittauksilla, joilla tuotetaan jatkuvia ennusteita. []Gradient ennustuslaitteet ja syvä hermoverkko [ ovat osoittaneet erinomaisen tarkkuuden heterogeenisessä karbonaatissa ja tiukoissa hiekkakivivarastoissa, erityisesti silloin kun logivasteet ovat ei-lineaarisia tai päällekkäisiä.

Nestekyllästys ja hiilivetyjen tyypitys

Öljyn erottaminen vedestä tai kaasusta on olennaista maksuvyöhykkeen tunnistamisessa. ML-luokitusten avulla voidaan ennustaa pelkästään perusjohtoputkiloista peräisin olevia nestetyyppejä. Menetelmät, kuten [-pääkomponenttianalyysi yhdistettynä []-satunnaismetsäluokitukseen [], vähentää dimensiokykyä ja korostaa kaikkein syrjivimpiä ominaisuuksia, mikä mahdollistaa reaaliaikaisen päätöksenteon porauksen aikana.

Tuotannon ennuste ja käyrän analyysi

Tulevaisuuden öljy- ja kaasumäärien ennustaminen antaa tietoa kenttäsuunnittelusta, laitoksen koon mitoituksesta ja taloudellisesta arvioinnista. ML-mallit laajentavat perinteistä laskukäyräanalyysia sisällyttämällä siihen muita muuttujia, kuten hyvin väli, valmistumisparametrit ja interferenssivaikutukset. Toistuvat hermoverkot (RNN) ja pitkän aikavälin muisti (LSTM)[] verkot kaappaavat aikariippuvuutta tuotannon aikasarjoissa, usein suoriutuvien Arpsien hyperbolinen lasku epätavanomaisissa kaivoissa, joissa on useita vaihtuvia virtausjärjestelmiä.

Tiedon valmistelu ja ominaisuuksien suunnittelu

ML-ennustusten laatu riippuu suuresti syöttötiedoista. Varaston tietoaineistot ovat usein meluisia, epätäydellisiä ja mittausvirheiden vaivaamia.

  • Outlier poisto:[ Poistamalla vääriä mittauksia, jotka johtuvat työkalun toimintahäiriöistä tai muodostumisvaurioista, käyttämällä tilastollisia kynnysarvoja tai ryhmittelyä.
  • Kadonneet tiedot:[ tekniikat, kuten moninkertainen imputaatio, MICE tai k-nearest naapurit täyttää aukot kaivon lokit tai ydinanalyysi.
  • Normisointi ja skaalaus:[] Luodaan uudelleen ominaisuuksia yleiselle alueelle (esim. min-max-skaalautus tai z-score-standardointi), jotta voidaan estää suuria mittasuhteita omaavien muuttujien hallitseminen mallissa.
  • Ominaisuuden valinta:[ Käyttämällä korrelaatioanalyysia, keskinäistä tietoa tai rekursiivinen ominaisuus poistaminen säilyttää vain ennustavimmat ominaisuudet ja vähentää ylivarustelua.
  • Seisminen ja hyvin tasaava linjaus:[ Korjataan syvyyserot seismisten volyymien ja kaivon merkkiaineiden välillä synteettisten seismogrammien tai automaattisten warping-algoritmien avulla.

Mallin validointi ja epävarmuus kvantitatiivinen

Varusteluennusteiden lisäksi on oltava luottamusta mittaavia toimenpiteitä. ML-mallit ovat alttiita ylisopimaan harvaan tai puolueellisiin koulutustietoihin, mikä johtaa liian optimistisiin virhearvioihin.

  • Blind hyvin testit: [ Pidätetään yksi tai useampi kaivon koulutusta ja arvioida ennusteita näissä paikoissa.
  • Kokoavan ryhmän menetelmät:[ Koulutus useita malleja (esim. pussitetut satunnaiset metsät, kasvatetut puut) ja käyttäen varianssia ensemble jäsenten kanssa ennusteiden epävarmuuden mittarina.
  • Probabiliset lähdöt:[ determinististen ML-regressortioiden muuntaminen kvantiiliregressortioksi tai Monte Carlon toiminnan keskeytyminen hermoverkoissa luoden luotettavuusvälit kiinteistökarttoja varten.
  • Kross-validointi tilatietoisuudella:[] Käytetään lohkon ristivalidointia tai yhden varauksen poistoa koskevia järjestelmiä, jotta estetään tila-autokorrelaation paisuttaminen suorituskyvyn mittareilla.

Integrointi fysiikan perustana olevaan simulointiin

Puhtaat datavetoiset ML-mallit voivat rikkoa tunnettuja fyysisiä lakeja (esim. massasuojelu, Darcyn laki). Luotettavuuden parantamiseksi tutkijat yhdistävät ML:n ja säiliösimuloinnin hybridilähestymisissä. [Fysiikalle tietoiset hermoverkot (PINNit)[[] upottavat DIFFERENTIAL EQUATIONSin tappiofunktioon, varmistaen, että ennusteet täyttävät virtausyhtälöt. Toinen käytännön strategia käyttää ML:aa mittarina kalliille täyden fysiikan simulaattoreille: simulaatioharjoituksiin koulutettu hermoverkko voi tarjota lähes välittömästi ennusteita historian yhteen sovittamisesta, optimoinnista ja herkkyysanalyysistä, jotka vähentävät laskentakustannuksia suuruusmäärillä.

Haasteet ja rajoitukset

Nopeasta edistymisestä huolimatta useat esteet estävät ML:n laajan käyttöönoton säiliön ennusteissa:

  • Tietojen niukkuus ja epätasapaino:[ Monissa säiliöissä on vain muutama kaivo, joissa on täysi ydin, ja kohdekiinteistö (esim. korkea läpäisevyysputket) voi olla harvinaista. Synteettinen yli- tai siirtooppiminen vastaavista säiliöistä voi auttaa, mutta aiheuttaa epävarmuutta.
  • Tasapaino:[ Syvien hermoverkkojen kaltaiset monimutkaiset mallit ovat usein mustia laatikoita. Geostutkijat ja sääntelyviranomaiset vaativat selityksiä päätöksille, mikä saa aikaan kiinnostuksen [SHAP (SHapley Additive explanations) ja LIME[]] osoittamaan ennusteita tiettyihin syöttöominaisuuksiin.
  • Ei-stationaarisuus:[ Geologiset prosessit vaihtelevat alueellisesti; samaan altaan malliin koulutettu voi epäonnistua toisessa. Verkkoalue-sopeutustekniikat, jotka tasaavat ominaisuusjakaumat eri kentillä, ovat aktiivinen tutkimusalue.
  • Kaaviokustannukset:[ Suurten 3D CNN -mallien koulutus seismisten tietojen koko määrästä edellyttää suorituskykyisiä laskentaresursseja, jotka voivat olla kohtuuttoman suuria pienemmille operaattoreille.

Tulevaisuuden suunnat

Seuraava aalto ML in altaan ennuste todennäköisesti keskellä kolme teemaa:

  1. Itsenäinen ja puoliksi valvottu oppiminen:[ Laajamittaisten seismisten voimien vähentäminen esikouluttautumaan malleihin ennen hienosäätöä harvaan merkittyihin tarroihin, mikä vähentää dramaattisesti manuaalisen tulkinnan tarvetta.
  2. Multimodaalinen datafuusio:[ Seismisen, hyvinkin tuotannon ja jopa satelliittien InSAR-datan integrointi yhtenäisiin malleihin, jotka kaappaavat koko pinnanalaisen kuvan.
  3. Reaaliaikainen suljettujen silmukka-optimointi:[ Käyttävät reunalaitteita poraus- ja tuotantovaiheessa jatkuvasti päivittääkseen säiliömalleja, jolloin voidaan mukauttaa toiminnan valvontaa.

Päätelmät

Koneoppimisen algoritmeista on tullut välttämättömiä työkaluja nykyaikaisen varastoinsinöörin työkalupakkiin. Ne nopeuttavat seismistä tulkintaa, parantavat petrofyysistä omaisuuden arviointia ja parantavat tuotannon ennusteita, samalla kun vähennetään etsintäriskiä ja kustannuksia. Onnistuva käyttöönotto edellyttää kuitenkin huolellista tietojen valmistelua, tarkkaa validointia ja harkittua integrointia verkkoaluefysiikan kanssa. Laskuvoima kasvaa ja syntyy uusia arkkitehtuuria, jolloin koneoppimisen ja geotieteiden välinen synergia tulee jatkossakin ajamaan tarkempaa, tehokkaampaa ja kestävää öljyn ja kaasun kehitystä.