מבוא ל Machine Learning in Oil Reservoirחיזוי

תעשיית הנפט והגז כבר הסתמכות על הדמיה סיסמית, יומנים, ודגימות הליבה לאפיין מאגרים תת-קרקעיים.עם זאת, נפח הרהר ומורכבות של נתונים גיאו-מדעיים מודרניים דחפו שיטות פרשיות מסורתיות למגבלות שלהם. Machine Learning (ML) מציעים כעת אלטרנטיבה חזקה על ידי זיהוי אוטומטי של תבניות, טיפול במאגרי מידע גבוהים, ומייצרת תחזיות פרוביסטיות לשיפור כל אחד מתכונות מחקר, כגון פיתוח סטנדרטי, כמו מהנדסי חשמלאי, תכנון אורגני, כמו פיתוח סטנדרטי, כמו גם מאגרי בטיחות שטח.

Machine Learning Paradigms Applied to Reservoir Problem

משימות חיזוי Reservoir בדרך כלל ליפול מתחת לאחת משלוש פרדיגמות ML גדולות, כל אחת מתאימה לסוגים שונים של נתונים ומטרות.

למידה מבוססת על נכסים קוונטיים

(הלימודים המסופרים מאומנים מודל על דוגמאות מתוייגות שבו נכס היעד (למשל, נקבוביות נמדדת מקבצי הליבה) ידוע. אלגוריתמים נפוצים כוללים FLT:0random ForestsFLT:1,FLT:2 תומך מכונות וקטורות, לאחר איסוף נתונים כלליים, תכונות אימון אלקטרוניות אופייניות, כולל רשתות עצביות של שדה:5 אלה לומדים מיפוי מתכונות ספירליות (S) באופן יעיל, לאחר שולכות, לאחר שכאלו, תכונות קבועות, רק על פני שטח, תכונות קבועות, הן יכולות להיות פיזור, רק על פני שטח, תכונות).

למידה בלתי מבוקרת ל- Facies Classification ו- Anomaly Detection

(ה) שיטות לא מבוססות דורשות מטרות מתוייגות במקום זאת, הן מזהה קבוצות טבעיות או חריגות בנתונים.FLT:0K-means מקבץ 1, FLT:2 ארגון עצמי מארגן מפות מ-FLT 3: ו-FLT:4Gausian Mixing FLT:5 משמשים באופן נרחב לדגמי אלקטרו-פאקימיים ממערכות סטיות, או לדגימים, אשר מסייעות של גלקסיות מלח, או לדגימים, או לדגימים אחרים.

Reinforcement Learning for Moving Optimization and Field Management

Reinforcement Learning (RL) מפרסמת ניהול מאגר כבעיה בקבלת החלטות מקבילה. סוכן של ARL אינטראקציה עם סימולטור מאגר, ביצוע פעולות כגון התאמת מחירים או קידוח בארות חדשות, ומקבל פרסים המבוססים על ייצור שמן מצטבר או ערך נוכחי נטו.מעל פרקים רבים, הסוכן לומד מדיניות אופטימלית הממקסמת קצביבית של החזר כלכלי ארוך טווח בעוד עדיין מתפתח בפועל, הוכיחה גם היא הבטחה של ייצור ואופטימיזציה אוטומטית.

יישומים מרכזיים ב- Reservoirחיזוי ואפיון

אלגוריתמי למידת מכונות מופרסים בכל מחזור החיים של מאגר, מחיפוש ועד לנטישה.היישומים הבאים מייצגים את המקרים הנפוצים והמשפיעים ביותר.

פרשנות נתונים סיסמית ו- Attribute Analysis

סקרים סיסמית'ים מייצרים terabytes של כרכים תלת-ממדיים.מודלים של ML יכולים לעבד את הנתונים האלה באופן אוטומטי כדי לבחור אופקים, לזהות תקלות, ולסווג את הפארסיות הסיסמית'.לדוגמה, FLT:0convolutional neural networks (CNN)FLT:1 מאומן על חלקים קונדיסים מתויגים מתויגים יכול לקטוע גופם או לזהות ומעריצים מטושטשים עם דיוק יריבים, הסתברותיים (בנוסף, הסתברותיים) של מינרלים קוביות.

תחזיות תמימות ושגשוג של Well Logs

(הופנה מהדף פונדקאות ודמיית זרימה מסורתית (Frosity and Permeability) הם קלטות קריטיות לחיסכון בדמיון ולסימולציה של זרימה (לדוגמה, חוק ארצ'י, וילי (Valie Time-average) אלגוריתמים של חיות מחמד מסורתית, לעומת זאת, יכולים לשלב עקומות מרובות (gamma ray, התנגדות, neutron), עם מדידות ליבה לייצר חיזוי דם מתוחך:0Gateecting.

פלויד Saturation ו- Hydro Carbon Typing

פיזור שמן מן המים או הגז חיוני לזיהוי אזור תשלום. ML מסווג על יומני בוץ, נתונים דגימה נוזל, ו יומני ספקטרוסקופיה מתקדמים יכולים לחזות סוגים נוזליים של יומני חוט בסיסי לבד.טכניקות כגון FLT:0 (PCA)FLT:1 בשילוב עם FLT:2random Forest סיווגים בסיסיים 3Finating ולהפחית את מאפייני ההחלטה בפועל.

ניתוח הפקה ודצמבר Curve Analysis

חיזוי מחירי הנפט והגז העתידיים מודיע על תכנון פיתוח שדה, הטמעת המתקן וההערכה הכלכלית.מודלים של ML מרחיבים ניתוח עקומת הירידה המסורתית על ידי שילוב משתנים נוספים כמו ספיגה, פרמטרים של השלמת ואפקטים של הפרעות. רשתות עצביות חוזרות (RNs) ו-FLT:0 ארוך טווח זיכרון לטווח קצר (LSTM) לכידת זמן קצר בתפוקה, לעתים קרובות עם ירידה משמעותית של משטר לא יציב.

הכנת נתונים והנדסת תכונות

איכות תחזיות ML תלויה במידה רבה בנתונים של קלט.מאגרי נתונים הם לעתים קרובות רועשים, לא שלמים, ומוגסים על ידי שגיאות מדידה. צינור עיבוד חזק כולל:

  • (ב) הסרת:0Outlier: FLT:1 (ההעברה של כפל) של המדידות מעוררות בגרות הנגרמות על ידי תקלות בכלי או יצירת נזק באמצעות סף סטטיסטי או מקבץ.
  • (FLT:0) העברת מידע: FLT1 טכניקות כגון אימפולסים מרובים, MICE או שכנני k-nearest למלא פערים בגלות או ניתוח ליבה.
  • (FLT:0)Normalization ו-Croping:FreaLT:1) תכונות הפחתה למגוון משותף (למשל, דחיסה של מינוס או סטנדרטיזציה של z) כדי למנוע משתנים עם גודל גדול משליטה המודל.
  • (FLT:0) בחירה של תכונות: FLT:1 באמצעות ניתוח קורלציה, מידע הדדי, או ביטול תכונה חוזר כדי לשמור רק את התכונות המפחידות ביותר ולהקטין את הכדאיות.
  • (FLT:0) היערכות לעניבה: ⁇ FLT ( 1:1 תיקון אי התאמה עמוקה בין כרכים סיסמיים וסימןנים טובים באמצעות אלגוריתמים ססינטטיים או אלגוריתמים אוטומטיים.

אימות מודל וזיהוי בלתי-וודאות

תחזיות Reservoir חייבות להיות מלווה באמצעים של אמון.מודלים של ML נוטים לקבל נתונים מחוספסים או מוטים של הכשרה, מה שמוביל להערכות שגיאות אופטימיות יתר.

  • (ב) ,0) מבחנים טובים: FLT:1 Holding גב אחד או יותר מהכשרה והערכה של תחזיות במקומות אלה.
  • (FLT:0) שיטות של ארסמפול: FLT:1Build Models (למשל, יערות אקראיים מכווצים, העצים המוחזקים) ושימוש בחלופה על פני חברי האנסמבל כ Proxy לחיזוי אי-ודאות.
  • (FLT:0) תפוקה פרוביביליסטית: FLT:1) מהמיר את ה-ML ה-DIS לתוקפנות הקוונטית או באמצעות טיפת מונטה קרלו ברשתות עצביות כדי ליצור מרווחי ביטחון עבור מפות רכוש.
  • (FLT:0Cross-validation with space מודעות מרחבית: ⁇ FLT) 1 החלת בלוק חסימה או תוכניות יציאה-One-well-out כדי למנוע קירור מרחבי ממדדי ביצועים מנפחים.

שילוב עם סימולציה מבוססת פיזיקה

מודלים טהורים המונעים על ידי נתונים עשויים להפר חוקים פיזיים ידועים (למשל, שימור המונים, חוק דארסי) כדי לשפר את האמינות, החוקרים משלבים ML עם סימולציה בגישות היברידיות.FLT:0Physics-מודע רשתות עצביות (PINNs)FLT:1 הטמיעו משוואות שונות לתפקוד האובדן, ולהבטיח כי תחזיות גורמות לשימושים מעשיים אחרים כאנליזה יקרה עבור ניתוח עצבי מלא של סימולציות יכולות לספק סימולציה של סימולציה של סימולציה מלאה של סימולציה של סימולציה של סימולציה של סימולציה של סימולציה של סימולציה של סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה סימולציה , קרוב סימולציה סימולציה , קרוב , קרוב סימולציה סימולציה , קרוב .

אתגרים ומגבלות

למרות התקדמות מהירה, כמה מכשולים מעכבים אימוץ נרחב של ML בחיזוי המאגר:

  • (FLT:0) מחסור בנתונים וחוסר איזון: FLT:1, מאגרים רבים יש רק כמה בארות עם כיסוי ליבה מלא, ואת הנכס היעד (למשל, עוקץ גבוה) עשוי להיות נדיר.
  • (ב) [15] מודלים מורכבים כמו רשתות עצביות עמוקות הם לעתים קרובות ארגזים שחורים. Geoscientists ו הרגולטורים דורשים הסברים לקבלת החלטות, מעוררים עניין בFLT:2SHAP (SHapley Additive exPlanations)FLT 3 ו-FLT:4LIMEFLT:5 לייחס תחזיות לתכונות ספציפיות.
  • (FLT:0) אי-הסתה: FLT:1 תהליכים גיאולוגיים משתנים מרחבית; מודל מאומן באגן אחד עשוי להיכשל בטכניקות הסתגלות דומיין כי התאמות התפלגות תכונות על פני שדות הם אזור מחקר פעיל.
  • (FLT:0) עלויות חישוביות: FLT:1Build גדול 3D CNN מודלים על נתונים סיסמית מלא דורש משאבי מחשוב ביצועים גבוהים, אשר עשוי להיות אסרטיבי עבור מפעילי קטנים יותר.

כיוונים עתידיים

גל הבא של ML בחיזוי המאגר צפוי להיות מרכז על שלושה נושאים:

  1. (ב) [ה]הלימודים הנשגבים והמלאים: [ה]: [ה] [ה] [ה]]] [ה]] [ה]] [ה]]] [התחילה]]] [התחילה] [ה] [ה]] [ה] [התחילה]]] [ה] [ה]]] [ה]] [ה] [ה]]] [ה] [ה]] [ה]]] [הת]]] [הת] [הה] [ה]]] [הההההההת] [ה] [ה] היא [ה] [ה] [ה] [ה]]]] [ה] [ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] היא]]], על-[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה[[ה
  2. (FLT:0) מרבי-מודולל נתונים היתוך:IRLT:1 , Integrating Sismic, טוב, ייצור, ואפילו נתוני לוויינים לתוך מודלים מאוחדים שלוכדים את התמונה התת-קרקעית המלאה.
  3. (FLT:0) אופטימיזציה של ה-Open-loop: FIRLT:1 ,הפצה של מודלים של ML על מכשירים קצה באתר כדי לעדכן מודלים של מאגרים באופן רציף ככל שהנתונים החדשים מגיעים במהלך התרגיל והייצור, המאפשרים שליטה הסתגלות של פעולות.

מסקנה

אלגוריתמי למידת מכונות הפכו לכלים חיוניים בערכת הכלים של מהנדס המאגר המודרני.הם מאיצים פרשנות סיסמית, לשפר את הערכת רכוש פטרופי, ולשפר את תחזית הייצור, כל זאת תוך צמצום הסיכון לחקר ועלות. עם זאת, פריסה מוצלחת דורשת הכנה של נתונים זהירים, אימות קפדני ושילוב מתחשב עם פיזיקה.