מדוע שדות בוגרים עדיין להחזיק נפחי מימן תת-קרקעיים

לאחר עשרות שנים של התאוששות ראשונית ומשתפת, שדות בוגרים - אלה מייצרים במשך יותר מ-20 שנים - לעזוב באופן בלתי צפוי 60 עד 80% של שמן המקורי במקום unrecovered.סיבות מושרשות במורכבות המאגר. ⁇ ⁇ ממוצעים ב Permeability, porosity, ו- רטובות ליצור מחסומים זרימה כי כל תאומי תשלום מטאטאים.

נתוני הייצור נושאים לעתים קרובות את החתימה של כרכים מעוקלים אלה. קיצוץ במים, סטיית לחץ בלתי צפויה, או דפוסים התערבות בין בארות רמז על תאים בלתי מוזנחים.אך באופן ידני מחלחלים אלפי אותות של בארות עם תכונות גיאולוגיות היא משימה בלתי אפשרית בקנה מידה. Machine Learning הופכת את האתגר הזה מציד ידני לתהליך גילוי שיטתי, מונח על ידי נתונים.

מתוך: AIntegrated Data-Driven Discovery

אפיון מאגרי האמנה תלוי בחוויה של גיאו-מדעיסט וניתוח יומני מבוסס הכלל. בעוד יעיל עבור מיפוי בקנה מידה גדול, שיטות אלה לא להיכשל ללכוד את מערכות היחסים הבין-ממדיות, לא לינאריות הטבוע בנתונים תת-קרקעיים. גיאופיזיקאי יכול לשלב כמה תכונות סיסמיות כדי להדגיש חולות ערוץ, אבל הקשר בין amplitude, שלב, ו-info הוא לעתים רחוקות יחסית לשילוב של מהנדסים ומשתנים, אך לעתים רחוקות, אך באופן טבעי, אך ורק על ידי סימטריים, אך ורק על ידי סימטריים, אך ורק לעתים רחוקות, לעומת זאת, לעומת זאת, באופן טבעי, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, הוא גם על ידי מודלים, באופן אוטומטי, עם מודלים, עם סימטריים, אך ורק לעתים רחוקות, לעומת זאת, עם מתודולוגיה, לעומת זאת, עם סימטריים, עם מודלים, לעומת זאת, לעומת זאת, לעומת זאת, באופן אוטומטי, עם מודלים, אך באופן טבעי, עם סימטריים, עם סימטריים, עם מתודולוגיה, אך באופן טבעי, אך באופן טבעי, אך באופן דומה, אך גם על ידי מתודולוגיה, לעומת זאת, אך ורק לעתים רחוקות, לעומת זאת, לעומת זאת, לעומת זאת,

למידת מכונה מפלסמת העבודה מ"שלבת לאחר מכן" ל"תתתחילה לאחר מכן" האלגוריתם מסמן את כל הנתונים הזמינים בו זמנית - תכונות סימטריות של ה-ML-stack, לפני ה-STack מתאספים, סוויטות יומן, מדידות ליבה, שיעורי ייצור, היסטוריה של לחץ, היסטוריית קידוחים, ואפילו היווצרות העליון של סמנים מפרשים - ומזהה דפוסים רב-ממדיים עם תוספת גבוהה יותר מ- 50% מהתיקים שנחשפה ירידה זו.

טכניקות למידה מכונות מפתח לגילוי רמפות נסתרות

בחירת האלגוריתם הנכון לבעיה תת-קרקעית היא קריטית.האמנות עומדת להתאים את פרדיגמת הלמידה לסוג הנתונים ואת השאלה ביד, תוך שמירה על עקרונות גיאולוגיים ראשונים.

למידה על חשבון Reservoir נכסים חיזוי

כאשר הנתונים המתוייגים קיימים – תכונות סימטריות וגלויות, יערות או משקעים נוזליים מניתוח לוגיסטי – מיקומים מבוססים במפה תכונות ססוציאליות וגלו-דרטיביות לנכסים אלה.יער אקראי ו- ⁇ מאיץ מכונות (XGBoost, LightGBM, CatBoost) פועלות היטב על נתונים סלולאריים עם משתנים רבים, כי הם באופן טבעי ללכוד אינטראקציות לא-ליות וערכים חסומים חסומים עמוקים (D) לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, נפחים מדויקים של חומר עמוק של תאים עצביים 3, כמו קיבולת גבוהה יותר, לאחר מכן, לאחר מכן, 000, 000, 000, לאחר מכן, 000, כמו קיבולת שטחית, 000, לאחר מכן, לאחר מכן, 000, 000, 000, לאחר מכן, 000 קיבולת גבוהה יותר, 000 קיבולת גבוהה יותר, 000, 000, 000, 000, 000, לאחר מכן, 000, 000 קיבולת גבוהה יותר, לאחר מכן, 000, 000 קיבולת שטח מאובטח יותר, 000, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, 000 קיבולת שטח מאובטח יותר, 000 קיבולת גבוהה יותר, לאחר מכן, 000 קיבולת שטח מאובטח יותר, 000

לדוגמה, מודל למידה עמוק המוכשר על הבדלים סיסמיים 4D יכול לחזות ישירות אזורי שמן עקפים על ידי למידה היחסים בין שינויים בעצימה של הזמן ונפחים המיוצרים.טכניקה זו היא חזקה במיוחד כאשר בשילוב עם נתוני הקצאת הייצור המצביע על אילו הפסקות תרמו ביותר לשיקום מצטבר.

לא מבוקרת על קלוסטרינג עבור פקולטות והשוואה

בתחומים רבים בוגרים, המיקום המדויק של תשלום נשאר אינו ידוע - אין דוגמאות מתוייגות להכשיר מודל מבוקר.טכניקות לא מבוססות כגון K-means, DBSCAN, או מפות ארגון עצמי (SOM) קבוצה דומה רב-אטורות של קרינת סימבסטיים שנפתחו על ידי משקעים חדשים, או שטף תגובות רדיקאליות חדשות ללא תוויות קודמות.

גרסה יעילה במיוחד היא תערובת Gaussian מודלים (GMM), אשר לא רק להקצות כל נקודה ל facies אבל גם מספק הסתברות שההקצאה נכונה.הערכה אי הוודאות הזו מועילה ישירות לסיכון בארות באגן אחד. במחקר אחד של אגן פרמאני, GMMing על multivariate היטב זיהה נתונים גבוהים, סטיות נמוכות מים כי כבר עבר בהצלחה תוכנית מוצלחת על ידי השלמת בהצלחה.

סמי-על-ביקור והעברת למידה להגדרות של נתונים-סרסה

מחסום מרכזי בחומים הוא המחסור בנתונים בעלי איכות גבוהה. Semi-supervised למידה ממנתח מספר קטן של מרווחים מתוייגים (למשל, נפיחות הליבה ממספר בארות) לצד כמויות עצומות של יומן לא מלוטש או נתונים סיסמיים לשיפור התחזיות.זה שימושי במיוחד כאשר נתונים ליבה חדשים הם מוגבלים אך אלפי פרטים בסיסיים עם סוויטות בסיסיות קיימים באמצעות מודלים לא מקודמים, בעוד נתונים לא ממוחזרים באמצעות שימוש כולל של נתונים.

למידה העברה מרחיבה את הרעיון הזה על ידי אימון מודל על שדה אנלוגי עשיר נתונים - כגון מערכת פיקדונות דומה באותה אגן - ולאחר מכן כוונו אותו בסדר על שדה היעד עם רק קומץ של דגימות מתוייגות.טכניקה זו יכולה לקפוץ על החיפוש אחר עתודות נסתרות בתחומים שבהם נתונים מורשת הוא בשפע אך מעוגן בצורה גרועה.

מידע מופרע: ההפניה הכבדה שנותנת תוצאות

שום פרויקט למידה מכונה מצליח ללא בסיס נתונים מוצק.נתוני שדה בוגר חיים ממוקמים בפורמטים נפרדים: ביוטומים בעלי הכשרה עמוקה בקבצי LAS, נתוני ייצור במאגרי נתונים של תאגיד SQL, סיסמית ב SEG-Y, ודיווחים כמו שכנפיים סריקות PDF מאוישות.שלב אינטנסיבי של נתונים מתעמלים, בקרה איכותית ונורמליזציה היא חובה.

הנדסה תכונה לעתים קרובות מפרידה מודל בינוני-מחדש מן אחד באמת משתנה שטח. במקום להאכיל תכונות גלם, פטרופיזיקאים ומדענים נתונים לשתף פעולה כדי לבנות תכונות מדע-מודע: יחס נטו-ל-צומח, אינדקס איכות המאגר, מרחק עד קצה מרכזי משטחים הקשורים לשמן, ומיקום סטריפי בתוך רצף.

מחקרים: Machine Learning Delivering Real Reserve

דוגמה משכנעת מהים הצפוני ממחישה את ההשפעה.שדה שיצר במשך 25 שנים נחשב שולי עבור קידוח נוסף ב-Fill.A Machine Learning Initiative שילבה 4D הבדלים סיסמיתים, יומני היסטורי ו-30 שנים של נתוני ייצור.מודל XGBoost תוכנן כדי לחזות את ייצור הנפט המצטבר של כל אחד מערכי הליבה והשלמה.

בדומה לכך, מפעילי אגן Permian השתמשו ברשתות עצביות ב-3D כדי לזהות ניכוי תשלום בהתפתחויות ספסל ערימה.על ידי אימון עם יומני ייצור כי ציון מרווחי זמן, הרשת העצבית למדה את החתימה הסיסמית של מיטות דקות פרודוקטיביות - רק כמה מטרים עבה כי קודם לכן מיצויי מפוספסו מחדש קמפיינים אלה ML-135 מקודמים ברשת SLTS , אשר תועדות מוקדם יותר מ-S מהדורות קודמות:0 מקודמות קודמות של כתבי אישום:

מקרה משכנע נוסף מגיע משדה על החוף במערב אפריקה, המשלב לא מבוקר על נתונים סיסמיים רב-אטים עם רגרסיה מבוקרת על יומני טוב זיהה סדרה של כיכרות טורדניות מבודדות אשר הוחלפו על ידי תבניות מים קודמות.

יתרונות Beyond Discovery: Cost, Sustainability, and Field Life Extension

זיהוי עתודות נסתרות ישירות מגביר את גורמי ההתאוששות על ידי 5 עד 15 נקודות בתחומים החלים הערכה מחדש מונחת ML מונחה מחדש.הכפלה הכלכלית מוגדלה כי עתודות אלה נמצאות בתוך תשתיות קיימות.הפחתת חבית חדשה משדה בוגר עולה חלק של פיתוח שדה ירוק - ביטול עלויות שכירות, בנייה צינורות, והוצאות הון נמוכות יותר מתורגמות לשווי גבוה יותר, אפילו במחירי שמן צנועים.

יתרונות סביבתיים משכנעים באותה מידה.העברת החיים של שדה מפחיתה את הצורך בחיפוש חדש בתחומים רגישים.כל חבית התאוששה מבארבורים קיימים יש טביעת רגל פחמן נמוכה יותר בהשוואה למקדח והשלמת בארות חדשות מאפס.בנוסף, למידת מכונה אופטימיזציה של צינורות מים וגז, צמצום האנרגיה הנדרשת כדי להתמודד עם נוזלים המיוצרים.

יתר על כן, הערכה מחדש מונעת ML לעתים קרובות מזהה הזדמנויות שפוטרו בעבר כ unכלכלי. על ידי שיפור הדיוק של הערכות נפח וצמצום הסיכון הקידוח, מפעילי יכולים לפייס ולפתח הצטברויות קטנות שאחרת יישארו מחוסנים.זה תואם עם מגמות גלובליות לקראת למקסם את ניצול הנכסים וצמצום ההשפעה הסביבתית.

אתגרים: נתונים, אי-חשיבות ותרבות

למרות ההבטחה, מחסומים נמשכים.ספארסיות נתונים היא המכשול הראשי.תחומים בוגרים רבים חסרים את הנתונים המודרניים הצפופים - יומני מיקרו-דימויים מלאים, יומני NMR, 3D פשיזם עם מחסניות - הכרחיים לאימון מודלים אמינים. Mitigations כוללים ייבוא נתונים אנלוגיים ממאגרים דומים, יצירת נתונים סינתטיים באמצעות סימולציה גיאסטית, ושימוש במשוואות פיזיקלימיות שלעתים רחוקות יותר ממערכות למידה.

הפרשנות המודל נותרה נקודת מפנה לאימוץ.A "קופסא שחורה" המלצה למקד 10 מיליון דולר טוב לא יעבור את לוח ההחלטות ללא הצדקה גיאולוגית.טכניקות כמו SHAP (SHapley Additive exPlanations) ו-LIME (גשרים בין-מודל-אגנוסטיים מקומיים) עוזרים על ידי דירוג התרומות האופייניות ומראה כיצד כל מאפיין השפיע על חיזוי חזותי של אזורי קיבולת גבוהה לצד אותם חלקים של אלגוריתמים וגרסאות אלגוריתמיות ועיוותים בין אלגוריתמיות היטב בין אלגוריתמיות לאלגוריתמיות לאלגוריתמיות לאלגוריתמיות גיאולוגיות בפלטפורמה של אלגוריתמיות היטב.

שילוב תרבותי הוא חשוב בדיוק כמו כן.התוצאות הטובות ביותר מגיעות מקבוצות רב תחומיות שבהן גיאו-מדעיסטים, מהנדסים ומדענים נתונים מודלים של שיתוף פעולה ואתגרים את הנחותיו של זה. ארגונים המטפלים בלמידה מכונה ככלי לשיפור המומחיות האנושית - לא להחליף אותה - ראו אימוץ מהיר יותר ותוצאות חזקות יותר. תוכניות הכשרה שמגבירות את הגאו-מדעי המידע באוריינות מאיצה את השינוי המוביל הזה, הקימו מרכזי מצוינות ומדענים פעילים בתחום העבודה הסטנדרטיים.

בניית זרם עבודה של מכונות בר קיימא עבור שדות בוגרים

מסגרת חוזרת חיונית להגדלת ההצלחה.הצעדים הבאים מכנים גישה מוכחת בשימוש על ידי מפעילי מרובים ברחבי העולם:

1.הגדרה אובייקטיבית ו-Data Audit

ברור שהגדרת השאלה העסקית: האם אנו מחפשים שמן מעוקל בתאים בלתי-מושרשים, אופטימיזציה במקומות טובים, או זיהוי מועמדים לזיכרון מחדש? ואז מלאי את כל הנתונים הזמינים: ראשיים, סקרים סטיים, יומני פטרופי, ניתוחי ליבה, כרכים סיסמיים, ייצור והיסטוריית ההזרקה, נתונים, ופירושים גיאולוגיים.

2. ניקוי נתונים והנדסת תכונות

מעמקי אלנץ, נרמל יומני, להסיר את החריגים, ומלא פערים באמצעות שיטות דומיין-מודעות. ליצור תכונות נגזרות כגון עובי תשלום גולמי, נקבוביות ממוצעת באזור היעד, מרחק לאשמה הקרוב ביותר, והזרקת נוזל מצטברת בבארות הסובבות. משלבת תכונות דינמיות: מים לחתוך מדרון, קצב האבולוציה GOR, ירידה בלחץ זה לעתים קרובות חושף בעיות איכות, שפעם, פעם, מודלים קונבנציונאליים, כמו גם מודלים קונבנציונאליים.

3.מודל בחירה ואימון

בחר משפחה מודל שמתאים לתכלית הנתונים והחיזוי.ל תחזית הרכוש המרחבי, עצים או רשתות עצביות עובדים היטב.לזיהוי קבוצות טבעיות, להשתמש במודלים של תערובת גאוסית.תמיד פיצול נתונים על ידי טוב או על ידי חסימת אשמה כדי למנוע דליפת מרחבית כי בנפח הערכות דיוק.

4.פרשנות והערכה של סיכונים

תחזיות מפה למסגרת הגיאולוגית.אס. אי הוודאות באמצעות תוקפנות קוונטית, מונטה קרלו טיפות, או מגפיים כדי לייצר מפות הסתברות ולא ניחושים טובים יותר אחד.לעכב אמון במפות מטרה: מיקום בעל יכולות גבוהה עם אמון במודל נמוך מחייב רכישת נתונים נוספים - טייס טוב או ניתוח מפורט יותר של איכויות סיסמית'יות - לפני ביצוע לפיתוח מלא.

5.הפצה והביקור

ארוז את המודל לכל ידידותי למשתמש - לעתים קרובות תוסף בתוך תוכנה קיימת כגון פטרול, טכנולוגיה או OpenWorks - כל כך גיאו-מדעיסטים יכולים לחקור תוצאות אינטראקטיביות. כמו בארות חדשות הם קידוח והנתונים חדשים שנרכשו, לאימון המודל באופן אוטומטי או על בסיס מתוכנן. Monitor התאמות חיזוי חיזוי כדי לזהות סחף מודל, אשר עשוי לשנות מאגר אותות, דינמיות תפעוליות, או צורך תכונות נוספות.

הדרך קדימה: AI-Augmented Reservoir Management

למידת מכונה הופכת להיות מוטבעת במחזור החיים של ניהול המאגר.התפתחויות עתידיות יגבירו את השילוב הזה.רשתות עצביות בעלות מידע על פיזיקה המיודעות שיפתרו את המשוואות השונות החלקיות השונות תוך התאמה של נתונים תצפיתיים להפחית את התלות על נתונים מתוייגים גדולים ולהבטיח תחזיות של זרימת פיזיקת נוזלים גבוהה, ייצור מערכות ניהול מתקדמות יותר של תאים אוטונומיים או מעודכנים, כדי לשפר את קבוצות אימון, במיוחד בדגמי זמן חדשות, ועדכונים חדשים, יכול ליצור מעודכנים יותר, התאמות המבוססות על ידי מותאמות אישית, יכול ליצור מותאמות אישית, מותאמות אישית, מותאמות אישית, סלקטיבית, יכול ליצור ® ® ® ® ® ® ® ® ® ® ® ®dial יותר ®dexrectiondial יותר ®dial ®dial ®dial ® (Generative Reductions) יכול ליצור ® (Generative Reductions) יכול ליצור נתונים ®dial יותר ®dial יותר ®dial ®dial ® לפני ®dexitated ® (Generative Reductions) יכול ליצור נתונים ®dial ®d

יתר על כן, מחשוב ענן וסטנדרט נתונים לקדם את הדמוקרטיזציה של יכולות אלה.קטן ומפעילים בינוניים יקבלו גישה לכלים שפעם מאוחסנים עבור מרכזי קוד פתוח כמו sikit-learnsorFlow, ו PyTorch, בשילוב עם פלטפורמות ספציפיות דומיין כגון FLT:0open dataפלטפורמות עבור אנרגיהFillo 1LT, מטה הכניסה למפתח יהיה שילוב של מומחיות גיאולוגית וזיכרון אנושי.

ניהול מכונות כאמצעי אסטרטגי

השימוש במכונה למידה לזהות עתודות נסתרות בתחומים בוגרים עבר מעבר לפרויקטים של פיילוט ליישום הזרם המרכזי.זה מתייחס לאתגר הבסיסי של התעשייה: לעשות יותר עם נכסים קיימים תוך צמצום טביעת הרגל הסביבתית. המפעילה מכונות למידה לתוך תהליכי השיקום הסטנדרטיים שלהם הם לגלות עתודות כי זרמי עבודה קודמים החמצו, מרחיבים את חיי השדה, ומייצרים תשואה משמעותית על ההשקעה.