Introduction à l'apprentissage automatique dans la prévision du réservoir d'huile

L'industrie pétrolière et gazière a longtemps fait appel à l'imagerie sismique, aux registres de puits et aux échantillons de base pour caractériser les réservoirs souterrains. Cependant, le volume et la complexité des données géoscientifiques modernes ont poussé les méthodes d'interprétation traditionnelles à leurs limites. Les algorithmes d'apprentissage automatique (ML) offrent maintenant une alternative puissante en détectant automatiquement les modèles, en manipulant des intrants à haute dimension et en produisant des prévisions probabilistes qui s'améliorent avec chaque nouveau point de données.

Paradigmes d'apprentissage de la machine de base appliqués aux problèmes de réservoir

Les tâches de prévision des réservoirs relèvent généralement de l'un des trois grands paradigmes de LM, chacun adapté à différents types de données et objectifs.

Apprentissage supervisé pour l'estimation quantitative des biens

L'apprentissage supervisé forme un modèle sur des exemples marqués où la propriété cible (p. ex., porosité mesurée à partir des fiches de base) est connue. Les algorithmes communs comprennent forêts aléatoires, machines vectorielles de soutien, et réseaux neuraux artificiels.Ces modèles apprennent à cartographier les caractéristiques d'entrée (attributs sismiques, courbes logiques, paramètres pétrophysiques) à la variable cible. Une fois formés, ils peuvent prédire les propriétés des réservoirs à des endroits où il n'existe que des données sismiques ou logiques, augmentant efficacement les mesures de la vérité au sol à faible échelle dans tout le champ.

Apprentissage non supervisé pour la classification des facultés et la détection des anomalies

Les méthodes non supervisées n'exigent pas de cibles marquées. Elles identifient plutôt des groupements naturels ou des valeurs aberrantes dans les données. Les regroupements de K[, [cartes auto-organisées] et Les modèles de mélanges de gazussiens[ sont largement utilisés pour classer les électrofacies provenant de bûches de puits, les formes de forme d'onde sismique de cluster et détecter les zones anormales qui peuvent indiquer des fractures, des corps de sel ou des indicateurs d'hydrocarbures.

Renforcement de l'apprentissage pour l'optimisation du forage et la gestion sur le terrain

Un agent de RL interagit avec un simulateur de réservoir, prenant des mesures comme l'ajustement des taux de puits ou le forage de nouveaux puits, et reçoit des récompenses basées sur la production de pétrole cumulative ou la valeur actuelle nette. Au cours de plusieurs épisodes, l'agent apprend une politique optimale qui maximise le rendement économique à long terme.

Principales applications de la prévision et de la caractérisation des réservoirs

Les algorithmes d'apprentissage automatique sont déployés sur tout le cycle de vie d'un réservoir, de l'exploration à l'abandon. Les applications suivantes représentent les cas d'utilisation les plus matures et les plus percutants.

Interprétation des données sismiques et analyse des attributs

Les modèles ML peuvent traiter ces données pour sélectionner automatiquement les horizons, détecter les défauts et classer les faciès sismiques. Par exemple, les réseaux neuronaux convolutionnels (CNNs) formés sur des sections sismiques marquées peuvent segmenter les corps de sel ou identifier les canaux et les ventilateurs de turbidites avec précision rivalisant avec les interprètes humains.

Porosité et perméabilité Prédiction de puits

L'analyse pétrophysique traditionnelle utilise des équations empiriques (p. ex., la loi d'Archie, la moyenne temporelle de Wyllie). Les algorithmes ML peuvent, en revanche, intégrer plusieurs courbes logarithmiques (rayon gamma, résistivité, neutrons, densité) avec des mesures de cœur pour produire des prédictions continues. ]Les machines de stimulation des granulés et les réseaux neuraux profonds ont démontré une précision supérieure dans les réservoirs hétérogènes de carbonate et de grès serré, surtout lorsque les réponses logarithmiques ne sont pas linéaires ou se chevauchent.

Saturation des fluides et dypage des hydrocarbures

Les classificateurs ML formés sur les billes de boue, les données d'échantillonnage des fluides et les billes de spectroscopie avancées peuvent prédire les types de fluides à partir des billes de base des lignes filaires seulement. Les techniques telles que analyse des composants principaux (PCA) combinées avec classification des forêts aléatoires[ réduisent la dimensionnalité et mettent en évidence les caractéristiques les plus discriminantes, permettant ainsi la prise de décisions en temps réel pendant le forage.

Prévisions de production et analyse de la courbe de déclin

Les modèles ML prolongent l'analyse traditionnelle des courbes de déclin en intégrant d'autres variables comme l'espacement des puits, les paramètres d'achèvement et les effets d'interférence. Les réseaux neuronaux récurrents (RNN) et la mémoire à court terme longue (LSTM) les réseaux capturent les dépendances temporelles dans les séries chronologiques de production, ce qui dépasse souvent le déclin hyperbolique d'Arps sur les puits non conventionnels avec de multiples régimes de débit transitoire.

Préparation des données et ingénierie des caractéristiques

La qualité des prévisions de ML dépend fortement des données d'entrée. Les ensembles de données du réservoir sont souvent bruyants, incomplets et entachés d'erreurs de mesure.

  • Éliminer les mesures fallacieuses causées par des dysfonctionnements d'outils ou des dommages à la formation à l'aide de seuils statistiques ou de regroupements.
  • ]Masquant l'imputation des données:[ Techniques telles que l'imputation multiple, MICE, ou voisins k-neareset pour combler les lacunes dans les journaux de puits ou l'analyse de base.
  • Normalisation et mise à l'échelle: Caractéristiques de rééchelonnement à une plage commune (p. ex., échelle min-max ou standardisation z-score) pour empêcher les variables à grande magnitude de dominer le modèle.
  • Sélection des caractéristiques :[ En utilisant l'analyse de corrélation, l'information mutuelle ou l'élimination des caractéristiques récursives pour ne retenir que les attributs les plus prédictifs et réduire le surajustement.
  • Alignement de la liaison sismique à la liaison de puits:[ Correction des écarts de profondeur entre les volumes sismiques et les marqueurs de puits à l'aide de sismogrammes synthétiques ou d'algorithmes de distorsion automatique.

Validation du modèle et quantification de l'incertitude

Les prévisions du réservoir doivent être accompagnées de mesures de confiance. Les modèles ML sont susceptibles de suradapter des données d'entraînement peu nombreuses ou biaisées, ce qui conduit à des estimations d'erreurs trop optimistes.

  • Tests de puits à blind:[ Retenir un ou plusieurs puits de formation et évaluer les prévisions à ces endroits.
  • Englober les méthodes :[ Entraîner plusieurs modèles (p. ex., forêts bagées aléatoires, arbres boostés) et utiliser la variance entre les membres de l'ensemble comme substitut de l'incertitude de prédiction.
  • Projections probabilistes: Conversion des régresseurs ML déterministes en régression quantile ou utilisation de l'abandon Monte Carlo dans les réseaux neuronaux pour générer des intervalles de confiance pour les cartes de propriétés.
  • Validation de la corrosion avec conscience spatiale:[ Appliquer des schémas de validation croisée ou de sortie de blocs pour empêcher l'autocorrélation spatiale de gonfler les mesures de performance.

Intégration à la simulation basée sur la physique

Pour améliorer la fiabilité, les chercheurs combinent la LM avec la simulation de réservoir dans les approches hybrides. Les réseaux neuronaux éclairés en physique (PINNs) intègrent les équations différentielles dans la fonction perte, assurant que les prédictions satisfont aux équations de débit.Une autre stratégie pratique utilise la LM comme substitut pour les simulateurs de physique intégrale coûteux : un réseau neuronal formé sur des parcours de simulation peut fournir des prédictions quasi instantanées pour l'appariement de l'histoire, l'optimisation et l'analyse de sensibilité, réduisant les coûts de calcul par ordre de grandeur.

Défis et limites

Malgré des progrès rapides, plusieurs obstacles empêchent l'adoption généralisée de la LM dans la prévision des réservoirs :

  • Résistance et déséquilibre des données:[ De nombreux réservoirs ne possèdent que quelques puits avec une couverture complète du cœur, et la propriété cible (p. ex., des stries à haute perméabilité) peut être rare.
  • Interprétabilité: Des modèles complexes comme les réseaux neuronaux profonds sont souvent des boîtes noires. Les géoscientifiques et les régulateurs exigent des explications pour prendre des décisions, stimulant l'intérêt pour SHAP (SHapley Additive exPlanations)[ et LIME[ pour attribuer des prédictions à des fonctions d'entrée spécifiques.
  • Non-stationnarité: Les processus géologiques varient spatialement; un modèle formé dans un bassin peut échouer dans un autre. Les techniques d'adaptation de domaine qui harmonisent les distributions des caractéristiques entre les champs sont un domaine de recherche actif.
  • Coût de calcul:[ La formation de grands modèles CNN 3D sur des données sismiques en volume complet exige des ressources informatiques de haute performance, ce qui peut être prohibitif pour les petits exploitants.

Orientations futures

La prochaine vague de LM dans la prévision des réservoirs sera probablement axée sur trois thèmes :

  1. Apprentissage autosupervisé et semisupervisé: Tirer parti de vastes volumes sismiques non marqués pour préformer les modèles avant de les régler sur des étiquettes éparses, réduisant ainsi considérablement le besoin d'interprétation manuelle.
  2. Fusion de données multimodales:[ Intégration des données sismiques, de la production et même des données de satellite dans des modèles unifiés qui capturent l'image de la sous-surface complète.
  3. Optimisation en boucle fermée en temps réel:[ Déployer des modèles ML sur les dispositifs de bord sur le site du puits pour mettre à jour les modèles de réservoir en continu à mesure que de nouvelles données arrivent pendant le forage et la production, permettant un contrôle adaptatif des opérations.

Conclusion

Les algorithmes d'apprentissage automatique sont devenus des outils indispensables dans la trousse de l'ingénieur du réservoir moderne. Ils accélèrent l'interprétation sismique, améliorent l'estimation des propriétés pétrophysiques et améliorent la prévision de la production, tout en réduisant les risques d'exploration et les coûts. Cependant, le déploiement réussi nécessite une préparation minutieuse des données, une validation rigoureuse et une intégration réfléchie avec la physique du domaine.