אסטיגמציה מקבלת AI Overhaul

הערכת מילואים הייתה כבר מזמן הבסיס של החלטות השקעה של נפט וגז.מאמנים באופן מסורתי מסתמכים על זרמי עבודה ידניים כי יש לנו יחד פרשנות סיסמית, מודלים גיאולוגיים, ניתוח פטרופיאלי, וסימולציה מאגרים אלה תלויים במומחים מנוסים אשר ריפאו כל תהליך של נתונים על ידי ידיים.התוצאות היו מוגבלות על ידי תקופות תשומת לב אנושית, טיפול ידני, ומורכבות של מערכות תת-ידי אינטליגנציה מלאכותית, הן מורכבות של מערכת למידה מלאכותית, אשר משינויים מהותית, אשר ממערכות למידה מלאכותית, הן מורכבות, אשר ממערכות בינה מלאכותית, הן מורכבות מאוד.

מבנה המילואים המסורתי

הערכת estimation באופן מסורתי משתרעת על מספר דיסציפלינות מקושרות. Geoscientists להתחיל עם סקרים 2-D ו 3D סיסמי, לפרש תבניות השתקפות כדי למפות מלכודות מבניות ואינדיקטורים הידרו פחמן.פטרופיזיקאים להעריך נתונים היטב - קרן קרינת גמה, התנגדות, סימולציות נויטרונים, ו יומני צוותים - כדי להעריך נקבוביות, עמידות, מים, גנטיקה, ואז לדגמי גדילה גיאולוגיים אלה תכונות דינמית רק לאחר מכן החלים סטנדרטיות.

זרימת עבודה זו היא מטבעה של אינסוף וזמן-consuming. פרויקט פרשנות סיסמית יחיד יכול למתוח במשך שבועות או חודשים. שליטה איכותית ידנית של אלפי יומנים היטב מציגה לעתים קרובות חוסר עקביות והטיה.הפחתת מודלים גיאולוגיים עם נתונים חדשים קידוח בדרך כלל דורש שינוי משמעותי של מודלים סימולציה שלב זה נשאר יותר אמנות מאשר מדע.

AI Technology Stack for Reserve אסטימוation

אינטליגנציה מלאכותית בהקשר זה אינה פתרון יחיד, אלא קבוצה של שיטות הנמשכות מלמידה מכונה, למידה עמוקה ועיבוד שפה טבעית, כל אחד מהם חל על חלקים שונים של פאזל ההשמדה.העיקרון המנחה הוא ללמד אלגוריתמים לזהות דפוסים בנתונים - בין אם נפח אמפולסי, קבוצה של עקומות טובות, או אלפי דפים של דוחות קידוחים היסטוריים - ולאחר מכן להשתמש בתחזיות אלה כדי לקבל החלטות אוטומטיות.

למידה על נכסים

מודלים למידה על-ידי פיקוח, שהוכשרו על נתונים מתוייגים שבו הפלט ידוע, הפכו להיות מעשינים לחיזוי תכונות סלע הרחק משליטה טובה.לדוגמה, למפעיל עשוי להיות מדידות ליבה של פורוזיות ונחיתות במספר מוגבל של בארות נמלטות. יער אקראי או מודל ⁇ -boosted מכונה יכול להיות מאומן לחזות תכונות אלה בכל רשת של 3D על ידי למידה בין ימים ספורים ו-ידי תמונה של נתונים של חומרת, כמו גם כן, כמו נתונים קבועים, כמו גם כן, כמו נתונים.

למידה בלתי מבוקרת ו-Clustering

טכניקות לא מבוססות עוזרות להפוך את תחושת הנתונים המורכבים מבלי לדרוש דוגמאות מראש. Clustering אלגוריתמים כמו k-means או אשכולות היררכיים יכולים לפרט מאגר לתוך אלקטרופאורות - סוגים רוק שחולקים תשובות יומן דומות - מתן zon גיאולוגי בעל משמעות כי גם מידע על המודל הסטטי וסימולציה לאחר מכן.זה מסירים סובייקטיביות מן ה facies ומאפשרים את ה-S להיות מדגימים במהירות כמו שיטות ניתוח חזותיות.

למידה עמוקה לפרשנות הסיסמית

רשתות עצביות מהפכתיות (CNN) וגרסאות 3D שלהם עכשיו מוחלות באופן שגרתי על משימות פרשנות סיסמית כי פעם דרש מאות שעות של קו ידני-על-ידי קו-ליין (Pault פרשנות) מציע דוגמא משכנעת. A CNN מאומן על אלפי תמונות סיסמיות אשר ניתנותנות באופן ידני על ידי גיאולוגים מבניים יכולים לסרוק נפח 3D שלם ולהפיק תקלות בתוך דקות, באופן עקבי, תוך איסוף קווי המתאר של קבוצות אנושיות שעשויות לנטראקטיביות, כגון הדגמה של זמן, באופן ישיר, ללא ויזואלית, באופן ישיר, או סטריאוטיפים, באופן ישיר, ללא סטריאוטיפים, או סטריאוטיפים, באופן ידני, כדי מעקב אחר סטריאוטיפים של קבוצות למידה, באופן ידני, באופן ידני, כדי לעקוב אחר סטריאוטיפים, באופן ידני, או סטריאוטיפים, באופן ישיר, באופן ידני, באופן ידני, על ידי סטריאוטיפים, באופן ידני, על ידי סטריאוטיפים, על ידי סטריאוטיפים של קבוצות למידה, באופן ידני, ללא צורך, באופן ידני, באופן ידני, על ידי סטריאוטיפים של קבוצות למידה, ללא סטריאוטיפים של קבוצות למידה, על ידי סטריאוטיפים של סטריאוטיפים של סטריאוטיפים של סטריאוטיפים של סטריאוטיפים, באופן

עיבוד שפה טבעית לנתונים לא מאורגנים

חלק משמעותי של המידע הדרוש לגימור מילואים נלכד בפורמטים לא מובנה: דוחות קידוח ישנים, יומני בוץ יומיים, כרטיסי השלמת ואפילו הערות אתר כתובות היטב.מודלים לעיבוד שפה טבעית (NLP) יכולים לחלץ נתונים ממסמכים אלה - רישום שמן מראה, קידוח בעיות, יצירת למעלה - ולהאכיל אותם לתוך מסד הנתונים המרכזי.

חידוש העבודה של סוף-סוף

הכוח האמיתי של AI עולה כאשר טכניקות אינדיבידואליות אלה זורקות לתוך זרימת עבודה אוטומטית משולבת המשתרעת על כל מחזור חיי השמדה של מילואים במקום לטפל בכל משימה בבידוד, מפעילי הם כעת בבניית צינורות דיגיטליים שבהם נתונים זורמים בצורה חלקה מרכישה לסיווג משאבים סופי, עם התערבות מינימלית של בני אדם עבור שלבים שגרתיים.

מידע אוטומטי Aggregation and Quality control

השלב הראשון של כל פרויקט הערכה הוא איסוף ואימות נתונים ממקורות נפרדים: מסדי נתונים תאגידיים, קבצים מסופקים של שותפים, מאגר ציבורי של נתונים מונעים על ידי AI יכול להתחבר למקורות אלה, למשוך מידע מעודכן, להשוות אותו נגד schemas הצפויה, ומפעילי הדגל דיווחו על מוסכמות כגון יומני פרויקט חסרים, תיאום, או יחידות - של פעולות אלה, לעתים קרובות להפיץ את האוטומציה של ימים לאחר מכן.

פרשנות גיאופיזיקה וגיאולוגית

ברגע שהנתונים מוצצים, מודלים למידה עמוקה לאסוף את המריבה הכבדה המפרשית. 3D CNN יוצרים סימנים ראשוניים ופירושים אופקיים, אשר נבדקים על ידי גיאו-מדעיסט באמצעות לוח נתונים אינטראקטיבי.המומחה האנושי מתואם כמה נקודות קריטיות ומאשר את הפרשנות, במקום להתחיל מבד ריק.ה AI מזהה גם אינדיקטורים פחמן ישיר ו anomaomas אחרים, ומדגיש אותם עבור מודלים של מפוארך, לאחר זמן חדש, אשר מתוחזק, כמו גם הוא מסתמך על ידי פיסול אמיתי, לאחר מכן, הוא מקודד דיגיטלי, כמו גם על ידי ריצוף, אשר היה מאופק, לאחר מכן, הוא מסתמך על ידי ריצוף זמן רב יותר, כמו גם על ידי סימטרי, הוא מסתמך על ידי סימטרי, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, כמו גם על ידי סימולציה, 000, 000, 000, 000, 000, 000, 000, 000, 000 זמן רב יותר, 000 זמן רב יותר, 000, 000, 000 זמן רב יותר, 000, 000 זמן רב יותר, 000, 000, 000 זמן רב יותר, 000, 000, 000 זמן רב יותר, 000 זמן רב יותר, 000 זמן רב יותר, 000 זמן רב יותר

רצף Reservoir Simulation והיסטוריה Matching

סימולציה דינמית והיסטוריה התאמת היו באופן מסורתי החלקים אינטנסיביים ומיומנים ביותר של זרימת העבודה. AI הופכת את זה באמצעות מודלים Proxy ופרמטר אוטומטי ⁇ .רשת עצבית יכול להיות מאומן לפעול כמו חיקוי מהיר של סימולטור פיזיקלי מלא, בהתחשב במערך של פרמטרים מתקדמים - חוסר יכולת התאמה, כוח מוזר, פגום - התחזיות של ייצור הפרוקסי מספק במהירות גבוהה יותר מאשר כמה שעות ניסיון קצר לאחר מכן, כלומר, כלומר, לאחר מכן, החלמות של זמן קצר יותר מאשר ניסיון של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים סטנדרטיים, מאשר אלגוריתמים של זמן קצר יותר מאשר אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים סטנדרטיים.

אספקת חשמל ו-Probabilistic Reserve

תקני רגולציה כגון מערכת ניהול משאבי SPE דורשים כי עתודות דווחו בשפע, לעתים קרובות להתבטא P90, P50, ו- P10 הערכות.יצירת טווחים פרוביביליסטיים אלה דורש מהנדסים להפעיל תרחישים ⁇ יים מרובים ו להקצות סבירות סטטיסטית להורדת מידע באופן סובייקטיבי, מאשר בדיקת נתונים אלקטרוניים מופעלת על ידי ביצוע Monte קרלו או מארקוב שרשרת קרלו מדגימה על גבי סימולציה של כל אחד, כל אחד פונקציות ההסתברותיות המונעות פחמן.

דיווח מקיף והמשך

הקישור הסופי בשרשרת הוא דור דוחות עתודות ו ניטור מתמשך של ייצור שדות. אלגוריתמים טבעיים שפה טבעית ניתן לאמן כדי לנסח דו"ח עתודות ראשוניות, תיאור מתודולוגיה, מקורות נתונים, וממצאים מרכזיים ב prose טכנית קוהרנטית אשר עוקב אחר תבניות החברה.בינתיים, נתוני ייצור בזמן אמת לתוך מודל AI קל משקל בדיקות אם ביצועים בפועל הם מעקב בתוך הלהקה החיזוי.

יתרונות וראיות תעשייתיות

המעבר לכיוון estimation של AI הוא מניב בטון, דיווח על היתרונות על פני המגזר upstream. A 2020 דו"ח של סוכנות האנרגיה הבינלאומית (ראהFLT:0:0) igitalization ואנרגיה FLT:1) הדגיש כי טכנולוגיות דיגיטליות, כולל AI, יכול להפחית את עלויות הייצור על ידי 10-20% ולהגדיל את המשאבים הניתנים לשחזור טכנית על ידי כ -5% שיפור ופיתוח של מאגרים אלה משולבים בדגם אסטרונלי של ARMI.

מעבר לחיסכון בזמן, הטבות פחם סביב כמה אזורי מפתח:

  • (FLT:0) עקביות וחזרות: מודלים של AI LT:1, פעם מאומן, ליישם את אותו הקפדה וכללים לכל סט נתונים, הסרת הסובייקטיביות שיכולה לגרום לשני מתורגמן לייצר מפות שונות מזוהות מאותה קוביה סיסמית.זה חשוב במיוחד עבור רזרבות ביקורת ומיזמים מטופחים שותפים שבו שקיפות היא חיונית.
  • (FLT:0)איכותיות: ⁇ FLT:1 , זרימת עבודה אוטומטית בקנה מידה ללא מאמץ כדי להתמודד עם נתונים מסיביים מרכישות מודרניות, כגון סקרי צומת האוקיינוס או ניטור רציף היטב. שבו צוות עשוי להיאבק כדי לפרש 100 בארות, צינור בינה מלאכותית יכול להתמודד עם 10,000 ללא אובדן נאמנות.
  • (FLT:0) שימור הידע: 1FLT (בתרגום חופשי: לוגיקה של החלטות מומחה במומחים) לאלגוריתמים, חברות מטביעות את עצמן כנגד אובדן אנשי מפתח.המודל הופך לאפוטרופוס דיגיטלי של עשרות שנים של חוכמה פרשנות.
  • (FLT:0) בטיחות ואפקט ESG: FLT:1 , הקטנת הצורך ביקורים חוזרים לאיסוף נתונים מורידה את החשיפה של אנשי הצוות לסיכון תפעולי.
  • (FLT:0) החלטות השקעה של FLT:1 בסביבה מחירים תנודתית, היכולת להעריך במהירות תגליות או להעריך מחדש שדות בוגרים יכול להיות ההבדל בין זמן קצר צולל הזדמנות מפספסת. AI חותך את מחזור ההערכה, נותן החלטות - מקבל את התובנה שהם צריכים מוקדם יותר.

ניווט אתגרים

הדרך לשילוב בינה מלאכותית מלא אינה ללא מכשולים.למרות הצעת הערך המשכנעת, ארגונים רבים נאבקים לעבור מעבר לפרויקטים בודדים של טייסים.יש לטפל באתגרים מתמידים רבים לאימוץ רחב של ארגונים.

איכות נתונים וסילוס

מודלים של בינה מלאכותית הם צרכנים בלתי-מיושבים של נתונים מתוייגים, אך תעשיית הנפט והגז לעתים קרובות מאחסנת נתונים במסגרות מפוצלות, פורמטים מורשת מתפשטים על פני מחלקות מרובות ושותפים למיזמים משותפים. ובכן, יומני יכול להיות שוכן במאגר אחד, פרשנות סיסמית' באחר, וייצור נתונים במערכת ניהול נתונים בנפרד של נתונים ייצור.

המיומנות גפפה והתנגדות תרבותית

פיזור AI בגיאו-מדע וזרימות עבודה הנדסיות דורשות מיומנות היברידית: אנשי מקצוע שמבינים הן את הפיזיקה של תת-קרקעי ואת המתמטיקה של למידת מכונה.כישרון כזה הוא בקושי מבוקש מאוד לאחר.בנוסף, מתורגמן מנוסים אשר בנו קריירה על מומחה עשוי לא לסמוך על מודלים של ארגז שחור שנראה לעקוף את המומחיות שלהם.

מודל Interpretability ואימות

הערכות רציונל נושאות משקל פיננסי עצום ומדווחות למשקיעים ולרגולטורים.בעלי העניין הם בעלי הבנה של תחזיות שלא ניתן להסבירן.רשתות עצביות עמוקות, במיוחד, מתחו ביקורתיות כ"אופ"ל התעשייה מגיבה לטכניקות AI אפשריות: LIME ו- SHAP יכולות להדגיש אילו תכונות סימטריות או מדבקות המושפעות ביותר מחיזוי, ומפות יכולות להראות היכן רשת ממוקדת כאשר בוחנים את הפחתת האבטחה של ה-AI-Fensanceer (ה) היא יעילה (התגובה לבדיקות אבטחה) כנגד שיטות אבטחה חיוניות (DVicial) כנגד שיטות אבטחה).

Horizon: תאומים דיגיטליים ו- Reservoirs אוטונומיים

במבט קדימה, estimation AI-automated מתפתח למשהו עוד יותר שאפתני: התאום הדיגיטלי של המאגר. A Digital Twin הוא חי, העתק וירטואלי של נכס פיזי המשלב ייצור בזמן אמת, לחץ, ו ניטור נתונים עם עדכון מודלים באופן רציף. בסביבה כזו, קו בין estimationtime ו-Retchsects. AI לא רק מנפח עתודות ראשוניות, אלא גם ממקסם נתונים חדשים כמו פתורים של פתורים של תכונות פתורות, תוך פתורות באופן יומיומיות, תוך כדי פתורות, תוך כדי פתורות, תוך כדי פתורות, תוך כדי פתורות, תוך כדי פתורות מחדש של אופטימיזציה אוטונומיות, תוך כדי פתורות, תוך כדי פתורות, תוך כדי פתורות, תוך כדי פתורות, תוך כדי פתורות של משאבים חדשים של פתורות של אבטחה פתורות, תוך כדי פתורות של משאבים חדשים, תוך כדי פתורים של אבטחה אוטומטית, תוך כדי פתורות, תוך כדי פתורות של אופטימיזציה אוטומטית, תוך כדי פתורות, תוך פתורות, תוך כדי פתורות של פתורות של פתורות, תוך כדי פתורות מחדש של פתורות, תוך

הפורום הכלכלי העולמי (FLT:0) כיצד AI מסייע לתעשיית הנפט והגז לנווט את מעבר האנרגיה של מעבר אנרגיה 1 (FLT) ציין כי הדיגיטליזציה, כולל ניהול מאגר AI-מעצמות, היא אחד מההלכים היעילים ביותר לצמצום פליטות גזי החממה המיוצר, שכן היא מצמצם את הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת ה

משוך את החוטים ביחד

היישום של אינטליגנציה מלאכותית לשמירת estimation מייצג חשיבה יסודית של האופן שבו התעשייה עוברת מילואים, מסלולים, ומתקשר ערך תת-קרקעי.על ידי הפעלת השלבים המזעזעים, החוזרים על עצמם – נתונים מתנדנדים, איסוף סיסמי, מניעת נכסים, היסטוריה מתקדמת, התאמה חוזרת של זמן פנוי – AI משחררת את האינטלקט האנושי להתמקד במשיכת השאלות הנכונות ופירוש הסיפורים הגיאולוגיים שעדיין לא יכולים להיות ממריצים את האלגוריתם של כוח-זמנית של כוח-אדם, אלא על בסיס קבוע יותר.