המונחים: The Shift into Automated Well Log

במשך עשרות שנים, גיאו-מדעיסטים נפט התבססו על פרשנות ידנית של יומני טוב לזהות ליתולוגיה וסוגי נוזל - תהליך הדורש מומחיות דומיין נרחבת והוא סובייקטיבי מטבעו אפילו מתורגמנים מנוסים יכולים לייצר תוצאות בלתי עקביות כאשר עובדים על אגן שונים או עם תגובות ביוץ מעורפלות יותר.המבוא של אינטליגנציה מלאכותית (AI) לניתוח לוגיסטי טוב שינה את הנוף הזה ולמידה עמוקה עכשיו מאפשרת תובנות מדויקות יותר של חומרים אלה, לא רק על פני השטח המודרני, לעתים קרובות יותר, כי הוא יעיל יותר, כלומר, לא יעיל יותר, לא יעיל יותר, כי הוא יעיל יותר, אלגוריתמים, כי הוא יעיל יותר, אלגוריתמים של חומרים גמישים, כי הוא יעיל יותר, כי הוא יעיל יותר, כי הוא יעיל יותר, כי הוא יעיל יותר, כי הוא יעיל יותר, כלומר, אלגוריתמים מדויקים יותר, אלגוריתמים של חומרים מתקדמים של חומרים גמישים, אלגוריתמים, כי הוא יעיל יותר, לעתים קרובות יותר, אלגוריתמים, אלגוריתמים מדויקים יותר, כי הוא יעיל יותר, כי הוא יעיל יותר, כי הוא יעיל יותר, אלגוריתמים, לעתים קרובות יותר, אלגוריתמים של חומרים אלגוריתמים של אינטליגנציה מלאכותית, כי הוא יעיל יותר, כי הוא יעיל יותר, כי הוא יעיל יותר, כי הוא יעיל

במאמר מורחב זה, אנו בודקים כיצד אלגוריתמי AI מוחלים על אסתטיקה וזיהוי נוזלים, האלגוריתמים הספציפיים המבצעים את הטוב ביותר, את זרימת העבודה עבור פריסת המודלים האלה, אתגרים משותפים, ואת הכיוון של המחקר הנוכחי. בין אם אתה גיאולוג, פטרופיזיקאי או מדען נתונים העובד במחקר אנרגיה, הבנה של טכניקות אלה הופכת חיונית עבור אימות תת-קרקעי יעיל.

למה אוטומטי ליתולוגיה וזיהוי פלויד?

פרשנות יומן ידני הוא לעתים קרובות צוואר בקבוק בחיפוש וזרימות עבודה הייצור. a אחד טוב יכול לייצר מאות מטרים של נתונים יומני מכלים מרובים: gamma ray, התנגדות, נקבוביות, צפיפות, סציפיות, ועוד.שחיתות של המדידות האלה עם תיאורים ליבה, חיתוך ניתוח, ובדיקות לחץ הוא זמן-consuming.

אוטומציה המונעת בינה מלאכותית מתייחסת לנקודות הכאב הללו על ידי עיבוד של חלקים שלמים של בארות דקות, שמירה על קריטריונים סיווג עקביים על פני אלפי בארות, וגילוי מערכות יחסים לא לינאריות שאינן נראות לשיטות מסורתיות של מחסומים.התוצאה היא הערכה מהירה יותר של מאגר, ירידה אי הוודאות בחישובים מורכבים, ובסיס אובייקטיבי יותר למקדח החלטות.

Core AI Algorithms for Well Log Classification

בחירת האלגוריתם הנכון תלויה בטבע של נתוני האימון הזמינים, המורכבות של ההגדרה הגיאולוגית, ופתרון הפלט הרצוי.למטה אנו דנים בקטגוריות העיקריות, ממחשב קלאסי לומד לאדריכלות למידה עמוקה מודרנית.

שיטות למידה סופר-מעודכן

אלגוריתמים מצופים דורשים בדיקת נתונים מתויגת של הכשרה שבה כל מרווחי יומן כבר מוקצה ליתולוגיה ו / או מחלקה נוזלית (לעתים קרובות מניתוח הליבה או בחירתים מפורשים) המודל לומד כדי למפות תשובות לשיעורים אלה ולאחר מכן מאמתים לקטעים לא מחוסנים.הטכניקות המפוקפקות ביותר כוללות:

  • (FLT:0) מכונות Vector (SVMori): FLT 1 SVMs למצוא היפר-מטוס אופטימלי המפריד כיתות בחלל תכונה גבוהה.הם עובדים היטב עם נתונים קטנים עד בינוניים והם חזקים נגד התאמה יתר כאשר הקרנל הנכון נבחר.
  • (FLT:0Random Forest (RF): ההרחבה של עצי ההחלטות המפחיתים את השחלות ומשפר את הכללה.מודלים של RF יכולים להתמודד עם סוגי נתונים מעורבים (מתמידים וקטגוריים) ולספק דירוגים בעלי חשיבות כוללת, חושף אשר תורמים לרוב לסיווג.
  • (FLT:0)Gradient Boosting (XGBoost, LightGBM): LightGBM:Freave:1LT שיטות האנסמבל המשתנים הללו לבנות עצים שתיקון שגיאות מהעצים הקודמים.הם לעתים קרובות מחוץ לפורמונים במונחים של דיוק על נתונים מהונדסיים, במיוחד כאשר היחסים בין משתנים מורכבים.
  • (FLT:0) Multi-Layer Perceptron (MLP): רשת עצבית בסיסית מלאכותית עם שכבה אחת או יותר מוסתרת. MLP יכול מודל גבולות החלטה לא לינארית והם משמשים כאשר הגיאולוגיה מראה מגמות לא-לינאריות (למשל, ערבוב סוגי סלע) הם משמשים כאבן צעד ללמידה עמוקה.

למידה בלתי מבוקרת ו-Clustering

כאשר תוויות הליבה של איכות-איכותיות אינן זמינות או כאשר בוחנים שיטות חדשות, שאינן מבוססות-על עוזרות לזהות אשכולות טבעיים בחלל הלוגן.

  • (FLT:0K-Means Clustering: ⁇ 1) מפיץ את הנתונים הסט לתוך אשכולות K המבוססים על מרחק Euclidean.לעתים קרובות חל על יומנים רגילים לקבוצה אלקטרופאדות דומות.המתורגמן מקנה לתיאולוגיה לכל אשכול באמצעות ידע קטנופי מוגבל.
  • (FLT:0) ,Hierarchical Clustering: ⁇ 1) בונה מנדרגרמה של אשכולות ממוזגים, שימושי עבור הדמיה של האופן שבו אלקטרופיפונים מתייחסים לעומק.
  • (FLT:0)Self-Organizing Maps (SOMura): 1:1 סוג של רשת עצבית לא מבוססת המניב נתונים על רשת 2D. SOMs לשמר יחסים טופולוגיים - יומני דומה מפה לנקודות סמוכות - מה שהופך אותם פופולריים עבור מיפוי ובקרת איכות.

שיטות לא מבוקרות משמשות לעתים קרובות ככלי אימות מונע נתונים: אם מודל בפיקוח צופה שיעור נופל מחוץ לכל אשכולות טבעיים, זה עשוי להצביע על חיקוי שגוי או ליתולוגיה לא מוכרת.

למידה עמוקה עם רשתות מהפכתיות והתחדשות

יומני טוב הם נתונים מהותיים, עם דפוסים תלותיים עומק שמשקפים שינויים בסביבות פיקדונות, קומפקטיות, ואנשי קשר נוזלי.אדריכלות למידה עמוקה נועדו ללכוד את התלויות המרחביות והזמניות הללו.

  • (FLT:0convolutional Neural Networks (CNN): irFLT:1 במקור עבור תמונות, 1D CNN תהליך סלפט חלונות של עקומות יומני כדי לחלץ דפוסים מקומיים - לדוגמה, עלייה חדה התנגדות ואחריו ירידה הדרגתית עשוי לסמן חול מלוטש עם מגע שמן מים CNN יכול ללמוד באופן אוטומטי מסננים כי הם המקבילים לתכונות משמעותיות מבחינה גיאולוגית.
  • (FLT:0) רשתות ניאלריות חוזרות ונשנות (RNN) ו- Long Short- Memory Conditions (LSTM) LSTMREFLT:1 רשתות אלה לשמור על מצב חבוי שמתפשט לעומק, ומאפשרות להם מודל של תלות ארוכת טווח.בזיהוי נוזלים, LSTM יכול "זוכר" כי אזור התנגדות נמוך בעומק אחד עשוי להיות מושפע על ידי מיטה גבוהה לידות, אפילו אם לא להראות לעצמם תואמים ישיר.
  • Hybrid CNN-LSTM:03FLT:1] שילוב מהפכת עבור מיצוי תכונה מקומית עם הישנות בהקשר עמוק-הפוטנציאלי מניב את התוצאות של המדינה- of-the-art בסיווג של הליטוף, במיוחד במאגרים ⁇ סטיים מורכבים.

הכנת נתונים והנדסת תכונות

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מאומן עליהם.רוונרים מכילים רעש, אפקטים כתף, וריאציות בגודל של חור, ותיקון סביבתי. צינור עיבוד חזק הוא קריטי.

בקרת איכות ונורמליזציה

ראשית, יומני חייב להיות מעוות עמוק ובדיקה עבור ספייקים חריגים (למשל, בשל כיפוף כביסה) נקודות נתונים רעים הם מעוותים באמצעות סף על קוראי קלפיר.אז, כל עקומה יומן הוא נורמלי בקנה מידה משותף (בדרך כלל אפס משמעות וחלות יחידה) כך שאלגוריתמים אינם מוטים כלפי מדידות עם טווחים גדולים (למשל, התנגדות אומתיתיתיתיתיתיתיתיתיתיתיתית).

בנייה

מעבר לערכי יומן גולמי, תכונות נגזרות משפרות לעיתים קרובות את הדיוק הסיווג:

  • כרך א' (ב"ג): "וְהִיא אִם נָאֶת אִם הוּא" (בראשית כ"ד, כ"ד).
  • ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • יחסי גומלין (למשל, עמוק עמוק עמוק, עמוק עמוק עמוק) רגישים לפלישה או אזורי שפיכות.
  • תכונות מרקם גיאולוגיות: הפעלת ממוצעים, ⁇ s, או coefficients גליגל שלוכדים את הקרדיקליולוגיה.

שיטות בחירה תכונות (למשל, מידע הדדי, חיסול חוזר) מסייעות להפחית את המימדליות ולשפר את הכללת המודל, במיוחד כאשר מספר בארות במערכת האימונים הוא קטן.

אינטגרציה: מהנתונים ועד החלטות

הגבלת AI לתימטולוגיה וזיהוי נוזלים אינה תהליך אחד של לחץ.זה דורש תכנון קפדני ושילוב עם תוכנת פרשנות פטרופיאלית קיימת.זרימת עבודה טיפוסית מתקדמת כדלקמן:

  1. (FLT:0Data Collection and Labeling:FLT:1 Gather היטב יומניs, תיאורים הליבה, נתונים ליבה של צדול, ותוצאות מבחן היווצרות.Gologist מרווחי הדרכה נבחרים יד, באופן אידיאלי עם מלוא הליבה-tolog calibration.צעד זה הוא המכשול ביותר זמן אבל קובע את התקרה של המודל.
  2. (FLT:0) עיבוד ומיצוי תכונות: צמיד:1 יומני נקי, אפקטים סביבתיים נכונים, חישוב עקומות נגזרות.חלק נתונים לתוך הכשרה, אימות וקביעת בדיקות - להבטיח שלא יהיה טוב מחולק על פני קפלים.
  3. (FLT:0)Model Selection and Training:FLT:1hil השווה מספר אלגוריתמים (RF, SVM, CNN) על מערכת אימות של ניתוק. השתמש בסתירה בין-צלב כדי להעריך את השגיאה הכללה.
  4. (FLT:0) יובל ו- Unquity Quantification:FLT 1:1 דיוק, דיוק, זיכרון, ו- F1-score לכיתה.עבור מודלים פרובביליסטיים (למשל, רשתות עצביות רכה), לבחון את רמת האמון בחיזוי.
  5. (FLT:0 Integration into פרשנות Platform:FreaLT:1) ייצוא המודל כקובץ מסלק, פורמט ONNX, או ישירות לתוך תוכנת petrophysics באמצעות Plug-ins. Run the Model on new Wells in אצווה או בזמן אמת בעת כניסה.
  6. (FLT:0) ,המשך ההסרה: 1 כפי שבארות חדשות ממקדחות והנתונים הליבה הופכים זמינים, לאימון המודל כדי לשלב אידיאולוגיות חסרות או סוגים נוזליים.

ארגונים רבים משתמשים כעת ב-AI ככלי "pre-interpre-pre-pre-pre-pre-interpre-pre-pre-pre-pre-pre-pre-pre-pre-pre-pre-pre-pre-tation" - המודל מייצר יומן לימוזינה דו-צדדי ראשון שפטרופיזיקאי אחר כך סוקר את הזמן שבילה על בחירתות שגרתיות.

היתרונות שצופים בבקשות שדה

מחקרים בנושא התעשייה מדווחים על שיפורים משמעותיים לאחר אימוץ סיווג מבוסס בינה מלאכותית:

  • (ב) ניכוי זמן: 1:1 , זמן פרשנות ל טיפות ימים עד דקות, המאפשר מחקרים רב-וול שהיו בעבר לא מעשיים.
  • (FLT:0)Consistency:FLT:1 אותו מודל החל על שדה שלם מניב בחירת ליתולוגיה אחידה, חיסול מתורגמן-to-interpreter variability.
  • (FLT:0) מחיקת תכונות של סובטלה: ⁇ F1) מודלים עמוקים CNN יכולים לזהות מיטות דקות (בכפוף למגבלות החלטה עריכת קוד מקור) כי מתורגמן אנושי לעתים קרובות מתגעגע, במיוחד ברצף חול מלוטש.בדוגמה אחת ממפרץ מקסיקו, CNN זיהתה נכון 15 ס"מ חולות עבות שמן במטען נמוך.
  • (FLT:0)פלויד צור: מיפוי מגע: 1FLT: שימוש בנתונים מנוגדים ולחץ, מודלים בפיקוח השיגו דיוק של יותר מ-90% בקביעת יחסי שמן וגז, אפילו באזורי מעבר שבהם שיטות קונבנציונליות מאפשרות אותות ממושכים.

אתגרים: נתונים, יכולת ביניים, ו- Domain Shift

למרות ההבטחה, כמה מכשולים מונעים אימוץ נרחב, מלא-אוטומטי.

דרושים Datasets

מודלים סופר-בידור עמוק ולמידה דורשים אלפי דגימות מתוייגות כדי להכלל.ת תוויות מרווחי יומן עם ליתולוגיה ליבת-הקודמת הליבה יקר ודורש זמן מומחה.עבור שדות בוגרים רבים, תיאורים הליבה המורשתיים עשויים לא לכסות את כל הליתולוגיות או אולי להשתמש nomenclature מיושן. Transfer Learning (fine-tuing מודל מראש מאגן דומה) הוא אזור מחקר פעיל אבל עדיין לא סטנדרטי.

מודל Interpretability

גיאו-מדעיסטים הם מזועזעים מתחזיות של ארגז שחור.אם מודל בינה מלאכותית מסמן מרווח כמו "אבן חול נושאת נפט" אבל המטופיזיקאי רואה ray והתנגדות נמוכה, הם צריכים להבין את ה-FLT:0reaves:0 whyFLT:1 the Model has has that resolution.s like SHAP (apley AdditivePlanations) ו- charifives) ו-me Models (reects) , לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, ניתן לשלב את הפירושים אינטראקטיביים בתבנית אינטראקטיביים).

שינוי דומיין בין וולס

מודל המוכשר על יומני מבאר אחת יכול להיכשל על אחר בגלל כלים שונים של צמידים, מערכות בוץ, או תנאי הילה.לדוגמה, יומן צפיפות הדחוס במים טריים יקרא אחרת בבוץ רווי מלח.נורמליזציה ותיקון סביבתי עוזר, אבל הם לא יכולים לחסל את כל מקורות השחלות. סטריפיגרפיה וגמישות על פני שדה גם להפחית את יכולת העברת.

המונחים: unquitification

רוב האלגוריתמים הסטנדרטיים מייצרים תווית כיתה אחת ללא אי ודאות.להחלטות קריטיות בטיחות (למשל, מרווחי ההנצחה), חיוני לדעת מתי המודל אינו בטוח. פלטים אבולוציוניסטים, רשתות עצביות בייסיאן, או שיטות הרכב מתחילים לשמש, אבל הם מוסיפים מורכבות חישובית.

מחקר מקרה: AI-Driven Lithology Identification in a Clastic Reservoirir

בהתחשב ב- 10-well Dataset של North Sea ברנט Group, שבו ליתולוגיה משתנה מפרשיות מסיביות כדי לפצל עם מיתרי פחמן דקים.מדריך זיהה חמישה ליטרים: חול מסיבי, חול מחוספס, סייר, סיפטסטון, חיזוי פחמן-סמדומים, ו- פציפקוד של פחמן-ד'י-ד-ד-ד-ד-ד-סי-סי-בורד, שעדיין לא היה בשימוש ב-דמרוץ-ברמה-ב-סימניפולני-אין-אין-סימניפולני-סימניאקשן-סימני, כאשר ה-טי-סימניאקשן-אין-סימניאקשן-סי-סי-טי-סי-אין-סי-סי-סי-טי-טי-טי-טי-סי-סי-סי-אין-סי-סי-סי-סי-סי-סימני-סימני-סימניאקשן-אין-סימניאקשן-אין-אין-אין-אין-אין-ה-ה-סימני-ב-ב-ב-ה-ב-המתני-ב-אין-אין-אין-אין-ה-ה-סי

כיוונים עתידיים: לעבר Transud ו-Integrated AI

מספר מגמות מחקר מבטיחות להתגבר על המגבלות הנוכחיות:

  • (FLT:0) למידה מבוססת-עצמית ומבוססת-עצמית: FLT:1 שיטות אלה דורשות פחות תוויות על ידי מינוף נתונים לא-מבולים כדי ללמוד ייצוגים שימושיים קודם, ולאחר מכן כוונון עדין על קבוצה קטנה של תוויות.
  • (FLT:0) Multi-modal Data Fusion:veFLT:1 ; integrating היטב יומני עם תכונות סיסמיות, תולעי גז בוץ, ואפילו יומני תמונות (תמונות של בועות) למודל יחיד. לדוגמה, CNN יכול לעבד כתמים תלת מימדיים של שתי שכבות התנגדות, בעוד RN מעבד עקומות קונבנציונליות, לייצר חיזוי מתודולוגיה מאוחדת.
  • (FLT:0) רשתות נילי מתקדמות (PINNs): 1FreaLT:1d-coding למערכות יחסים פטרופיזיקה (למשל, חוק ארכי) לתוך תפקוד האובדן. PINNs להבטיח כי התחזיות עקביות מבחינה גופנית, אשר בונה אמון ומפחיתה את ההטבות לרעש לא פיזיקלי.
  • (FLT:0) למידה קולקטיבית ותיקון אינטראקטיבי: קיד 1 כלים המאפשרים גיאו-מדעיסטים לתקן מספר מרווחים לא ממומנים, ולאחר מכן מחדש את המודל.
  • (FLT:0) ביטריאן די-למידה: על ידי הצבת התפלגות על משקל רשת, המודל מפיץ מפות אי ודאות (למשל, הסתברות של להיות בעל גז) זה חיוני עבור קבלת החלטות מבוסס סיכון בתכנון בקידוחוול.

מסקנה

ליתולוגיה אוטומטית וזיהוי נוזלים באמצעות AI כבר לא סקרנות מחקר; זוהי מציאות מבצעית בחברות מחקר רבות וייצור.מודלים למידה מכונה - מזרמים אקראיים לרשתות אבולוציוניות עמוקות - הוכיחו את היכולת להאיץ פרשנות, לשפר את העקביות, לזהות תכונות תת-קרקעיות כי מתורגמן ידני עשוי להתעלם.אבל הפריסה מוצלחת של מודלים אלה תלויה בנתונים הכשרה באיכות גבוהה, זהירות, הכנה, מודל לחיזוי יכולת לחיקוי, ומומחה לאסטרטגיה, עם החלמה.

בעוד התעשייה ממשיכה לייצר כמויות גדולות של נתונים מעודכנים של מידע וכן כמו כלים של AI הפרשיות בוגר, התפקיד של הגיאו-מדעיסט ישתנה מבחירת כל גבול באופן ידני כדי להנחות ולאמת תחזיות אוטומטיות.המטרה הסופית היא לא להחליף את המומחה, אלא כדי להגביר את היכולת שלהם לאפיין את תת-קרקעי, להפחית את אי הוודאות, ולקבל החלטות מהירות יותר, עבור חברות גז ומכוונים לייעל את ההתאוששות והסיכון למזער את הסיכון למינימום של AI.

(ב) לקריאה נוספת על יישום מעשי, ראה החברה של פטרופיזיקאים ו- Well Log Analysts (SPWLA) מאמרים על למידת מכונה ב- petrophysics (ראה:0SPWLA ניירות טכניות ®PLT:1), ה-FLT:2Journal of Oil and EngineeringFLT 3: למידה עמוקה עבור סיווגים (Freavealsph for Data) ו-SLT5;