מודלים של למידת מכונות לשיפור תחזיות הנפט

האבולוציה של תחזיות הנפט

עבור רוב ההיסטוריה של התעשייה, estimation הסתמכות על קומץ טכניקות ליבה: חישובים מורכבים המונעים על ידי מיפוי גיאולוגי, ניתוח עקומה לייצור שדות, ומשוואות חומריות. שיטות אלה נותרו הכרחיים, אבל הם מוגבלים באופן טבעי על ידי הנחות על מאגר הומוגניות, סיווג סטטי, וטיה פרשנותית.

הדיגיטליזציה בשדה הנפט יצרה לקטנות מידע מ סקרים סיסמית 3D, סיבים אופטיים חישה, מדפי לחץ מטה, ויחידות בוץ.למצת מידע זה יחד באופן ידני הוא לא מעשי, אשר פתח את הדלת ליישומים מוקדמים של למידת מכונה ב-2010.

מאמצים מוקדמים גילו במהירות כי מודלים של ML יכולים להכיל זרמי נתונים שיגרמו לזרז את זרימת העבודה המסורתית ידנית.לדוגמה, סקר סיסמית תלת-ממדי יחיד יכול להכיל עשרות מיליארדי voxels; תמצית תכונות משמעותיות על ידי יד היא בלתי אפשרית. חגורת אטומית מהפכתית עכשיו לבצע מעקב וזיהוי במשימות, אשר לקח בעבר קבוצות של שבועות מתורגמן.

הבנת טכניקות למידת מכונות לחיזוי תת-קרקעי

למידת מכונות בחיזוי מילואים אינה בעיה מונוליטית.בעיות שונות קוראות לאלגוריתמים שונים, והבחירה לעתים קרובות נשענת על המבנה של הנתונים הזמינים והמגבלות הפיזיות של האגן.מודל המעוצב היטב חייב לאזן את הכוח הנבאי עם הפרשות, במיוחד כאשר התוצאות ניזונות למסגרות דיווח של ה-SEC או PRMS.

למידה מבוססת על תחזיות טובות

מודלים על-ידי פיקוח שולטים על זרמי העבודה התפעוליים הנוכחיים.FLT:0.Gradient-boosawphsFLT:1 (XGBoost, LightGBM) ו-FLT:2random ForestFLT 3 (הידועים על-ידי גירסאות עדכניות של נתונים מהירים, אשר מאפשרות מאות תכונות פטרופיזיות, השלמת פרמטרים ותכונות גיאולוגיות - בעודם מנוגדים על פני תחזיות מהירות כגון:

גרסה אחת עוצמתית היא השימוש במחסנית, שבה מודלים רבים של בסיס (לדוגמה, XGBoost, רשת עצבית רדודה, ו- ridge regressor) משולבים באמצעות מטבול-לומד. גישה זו לעתים קרובות מניבה תחזיות חזקות יותר, במיוחד כאשר ההגדרה הגיאולוגית היא heterogene.עם זאת, הפרשיות הופכת מאתגרת יותר, כך מומחים בתחום חייב לוודא בזהירות כי האנסמבל אינו ממריץ בין החלמה, כלומר, כלומר, כלומר, החלת, החלת, לאחר מכן, לאחר מכן, שינוי שיטות הפעלה (אשר יכול להיות מגובשת).

למידה עמוקה עבור נתונים סיסמיים ו Temporal

כאשר הקלט הוא קוביית 3D או סדרת זמן ייצור, ארכיטקטורות למידה עמוקה מתחילות לזרוח.FLT:0convolutional neuralרשתות (CNN) veFLT:1 מאומן על כרכים סיסטמיים מתויגים יכול לזהות רשתות פגומות, מלכודות סטריגרפיים, ואינדיקטורים הידרוקרבמיים ישירים עם סובייקטיביות נמוכה יותר.

רשתות עצביות חוזרות (RNN) אנדרלופ 1 וגרסאות המודרניות שלהם - ארוך טווח זיכרון לטווח קצר (LSTM) ומודלים המבוססים על זמן - החל ללמוד את התנהגות ההידרדרות של בארות מורכבות, במיוחד אלה המציגים שינויים מרובים-phase זרימה או הפרעה מהשלמתם של למעלה מ-3%, לדוגמה, יכולים לשלב תשומת לב כי מנגנונים מופחתים של אגן עונתי, כלומר, ירידה של 2 חודשים, שינוי זרימה מוגברת של מנגנונים מתקדמים, שינוי מנגנונים, שינוי משמעותי, שינוי מוקדם יותר, שינוי משמעותי, שינוי זרימה של מנגנונים מתקדמים של מנגנונים מתקדמים של מנגנונים, לעומת מנגנונים מנגנונים מתקדמים של מנגנונים, ירידה של מנגנונים מנגנונים מנגנונים מנגנונים הדבקה, לעומת מנגנונים מנגנונים מתקדמים, ירידה בהגדרות הדבקה, ירידה של הדבקה, לעומת מנגנונים מתקדמים של מנגנונים מתקדמים, ירידה ב-מחדשניים, לעומת מנגנונים מתקדמים, ירידה של מנגנונים מתקדמים, ירידה בהגדרות מנגנונים מתקדמים, ירידה בהגדרות מנגנונים מתקדמים, ירידה בהגדרות מנגנונים מתקדמים של מנגנונים מתקדמים, ירידה ברזולוציה, לעומת מנגנוני ייצור מנגנונים מתקדמים, לעומת הסתברות, לעומת מנגנוני ייצור מנגנונים מנגנונים מנגנונים מנגנוני ייצור מנגנוני מנגנוני מנגנוני ייצור מנגנוני

רשתות עצביות (GNNs) מייצגות גבול חדש יותר.מערכות ריבאואר הן גרף מטבען: בארות מתחברות למאגרים באמצעות נזילות ושברים, ופגמים בזרימת תאים. GNNs מודל במפורש יחסים אלה, למידה כיצד לחץ על פי אחת טובה משפיעה על שכנותיה.יישומים מוקדמים שיפרו חיזוי יורו בגזרות ממושכות על ידי לכידת הורים-ילדים באופן ברור שגרסאות קונבנציונאליות לחלוטין.

גישה בלתי מבוקרת ופיסיקה - Informed Approaches

(הלמידה הבלתי מבוקרת, כגון מאגרים של מאגרים ואוטומטיים, עוזרת למאגרי מאגרים ללא תווית מפורשת.K-means המקובצים על יומני פטרופיזיקה יכולים לייצב יחידות זרימה יקרות ערך במאגרים פחמן, בעוד ש- Autoencoders יכולים לזהות תפקודים טבעיים ישירות על ידי פיתוח של מערכות הגנה (למשל, דליפות או נזקי היווצרות) אשר עלולים אחרת ירידה בניתוח לאחרונה, משוואות של למערכות של פיזור נתונים (NINEFIN) בין מספר פעמים (N) לבין משוואות אבטחה).

איסוף נתונים וקידום עבור Accurate Modeling

אפילו האלגוריתם המתוחכם ביותר יכשל אם יאכיל נתונים באיכות נמוכה.בנייה של תחזית מבוססת ML אמינה מתחילה – ולעיתים קרובות מסתיימת – עם הנדסה של נתונים. בהקשר הנפט והגז, הנתונים שוכנים ב-Silos: מודלים גיאולוגיים ב-Petel, כרכים בייצור מסדי נתונים של PI, תוך מקדימים דיווחים כטקסט לא מובנה.המאמץ הנדרש כדי לצבור ולנזק בחשבונות אלה בדרך כלל עבור 60–0% מהארגונים של זמן שמשקיעים מוקדם יותר מאשר תמיכה בנתונים.

צינור חזק חייב לטפל:

(FLT:0) נתונים סטטיסטיים מדרגים: FIRLT:1 [פוסט-stack amplitudes עשוי צריך נורמליזציה על פני ויינטאג'ס. Pre-stack לאסוף דורש זווית-המראה או המרה לנכסים גמישים לפני האכילה לתוך מודלים.ללא קנה דרוג זהיר, וריאציות מאמפדות מקמפיינים שונים של רכישה יכול לצות את האות הגיאולוגי האמיתי.
(FLT:0) ובכן, פגיעה בהתחמשות:FLT:1uls ממגוון רחב של צירים, ספקים, תנאי נביעה לעתים קרובות מפגינים שינויים שיטתיים. עומק אוטומטי תואם, הסרת חוץ, ונורמליזציה רב-טוב באמצעות פונקציות מבוקרות מכונה יכול להתאים את gamma ray, התנגדות, ודחיסות לבסיס משותף. AST PPE הראה כי שילוב פשוט של חיזוי לתוך רשת קרינת VRADV.
(FLT:0) היסטוריית הייצור: FLT:1 Missing או שגוי נתוני זרימה הוא נפוץ, במיוחד בתחומים ישנים יותר שבהם רשומות נשמרו על נייר. ML מבוסס מוטציות, באמצעות התנהגות שכנות טובה או זמניים decomposition, יכול למלא פערים ללא הצגת הטיה מלאכותית.
(FLT:0Geological תכונה הנדסה:FLT:1eur מומחיות דומיין מקודד באמצעות תכונות נגזרות, כגון מרחק עד קרוב ביותר, עובי של אזור השכר העיקרי, או תכונות רפה מופקים מבחירת האופק.תכונות אלה פועלות כגשר בין קוראי חיישן גולמי והבנה פיזית.
(FLT:0) מיצוי נתונים: FLT:1 עיבוד שפה טבעית יכול כעת לפצח דוחות, יומני השלמת, ומבצעים יומיים מסכמים כדי לחלץ מידע מובנה כגון אירועי מחזור אבודים, להיטים frac וחסמים פצליפים.זה פותח עשרות שנים של תצפיות איכותיות אשר שימשו כבר זמן על ידי מתורגמן אנושי, אך מעולם לא משולב באופן שיטתי לתוך מודלים מספריים.

ללא קפדני QA / QC והנדסת תכונה, תחזיות ישקף ממצאים נתונים ולא מאגר יסודות. לימודי תעשייה, כגון אלה שפורסמו על ידי FLT:0 ociety של מהנדסי נפט הנדסת חשמל LT:1, שוב ושוב מדגיש כי איכות הנתונים קלט שולט התקרה האולטימטיבית של ביצועים מודל. A פרגמטית היא להפעיל נתונים לפני כל מודל מתחיל, מתפתל היטב עם סטיות חשודות, בדרך כלל עם סטיות ברורות עם ⁇ .

בחירת מודלים של ML עבור Reserve אסטימוation

בחירת מודל היא לעתים רחוקות החלטה חד-משמעית.התהליך הוא הססגוני וקשור קשר הדוק לבשלות המאגר.עבור מחסום חיפוש ירוק שדה עם רק קומץ של בארות ממותקים, מודל פשוט ביירסי אשר לו כוח מהנתונים האנלוגיים האזוריים עשוי לחדור רשת עצבית מורכבת אשר מעל לדגימות העפרות.

זרימת עבודה הכשרה חייבת לטפל במודולים של הרכב המרחבי המוטבע בנתונים תת-קרקעיים.פיצול נתונים אקראיים התעלמו מיקומים טובים יכול לייצר ציונים אופטימיים יותר כי דליפות מידע בין בארות סמוכים. A מבחינה גיאולוגית FLT:0spatial cross-validation FLT:1 תוכנית קמפיין דיווח - קבוצות על ידי ספינות, או מפעיל - יותר מאשר המודל של השגיאה כללית על ידי חוקרים מפולסים, כאשר הם יכולים להיות מעורבים 10 אחוזים, כאשר הם יכולים להפעיל תוצאות מרשימות על ידי ביצועים אקראיים על ידי ביצועים חדשים על ידי אכזבים, כאשר הם מובילים על ידי הדבקה על ידי אקטיביים על ידי שבץ, כאשר הם מרשימות על ידי אכזבים על ידי ביצועים חדשים על ידי אקטיביים, כאשר הם מובילים על ידי אקטיביים על ידי מפיצים על ידי ביצועים חדשים על ידי ביצועים חדשים על ידי אקטיביים על ידי ביצועים חדשים על ידי אקטיביים, כאשר הם יכולים להיות מעורבים על ידי מפיצים על ידי אקטיביים על ידי אקטיביים על ידי אקטיביים על ידי ביצועים חדשים על ידי אקטיביים על ידי אקטיביים על ידי אנליסטים מאכזבים על ידי אנליסטים.

Hyperparameter כוונון באמצעות אופטימיזציה Bayesian או אלגוריתמים גנטיים עוד יותר מתאים מודל.אבל, אולי הצעד הקריטי ביותר הוא FLT:0feat חשיבות ניתוח חשיבות חסכונית (FLT:1) באמצעות ערכי SHAP או חשיבות ההסתה.כאשר גיאולוגים ומהנדסי המאגר בודקים את החשיבות הזו, הם יכולים לזהות חוסר עקביות פיסית - כגון מודל שמבוסס במידה רבה על החלפה על משתנה זה צריך להיות רק מאופיין באפקטיבי של תהליך של למידה קונבנציונלית יותר.

שיקול מעשי נוסף הוא עלות חישובית.בעוד שמודלים למידה עמוקה יכולים להשיג דיוק מעט יותר טוב, הם דורשים משאבי GPU משמעותיים וזמני אימון ארוכים יותר.בשדה עם עדכוני מודל תכופים (למשל, מילואים חודשיים), היתרון המצטבר לא יכול להצדיק את העלות.קל אור ⁇ -boosted מודלים, אשר מתאמנים תוך דקות על CPU, לעתים קרובות נשאר את העבודה עבור תחזית יום-יומי, בעוד חיזוי מעמיק למידה מורכבת היא למידה רזולוציה גבוהה.

אימות, אי-וודאות Quantification, ומודל Interpretability

בדיווחי מילואים, אי הוודאות אינה קצבה; היא החברה הנמסרת לציבורית חייבת לחשוף הוכחה, סבירות, ורזרבות אפשריות תחת הנחיות ה-SEC או ה- PRMS, כל קטגוריה המייצגת רמה של ביטחון.מודלים של ML, אם לא בקפידה מוגדרת, יכולה לייצר להקות אי הוודאות הצרה, שמובילות לסודיות יתר ופוטנציאל כתיבה לאחור, ולכן יש להעריך מסגרת לא רק דיוק אמיתי של 80% - אלא גם כן מכיל את התחזיות האמיתיות של ההסתברות של ההסתברות של ההסתברות של ההסתברות של 80% של ההסתברות?

טכניקות לכמת אי ודאות כוללות:

(FLT:0) מונטה קרלו טיפותout: FLT:1 לרוץ מספר קדימה עם ירידה מופעל לייצר הפצה של תחזיות שלוכדות את חוסר הוודאות האפיסטמי מודל. שיטה זו יעילה חישובית הוכח לספק מרווחים מתואמים היטב ביישומים גיאו-מדע כאשר שיעור הירידה מכוונן כמדפרמטר.
(FLT:0)Quantile regression יערות: ההרחבה הראשונה של תפוקה P10, P50 ו- P90 מעריך, היישר באופן טבעי עם מסגרות סיווג.בניגוד למודלים המבוססים על משמעות, הם משמרים את צורת ההפצה המלאה, אשר קריטי ללכידת האופי של משאבים.
(FLT:0) חיזוי פורמלי: שיטה ללא מסגרת המספקת מרווחי חיזוי תקפים ללא הנחות הפצה חזקות, במיוחד שימושי כאשר תהליך יצירת הנתונים אינו יציב עקב תרגולים מתפתחים או שינויים רגולטוריים. חיזוי קונפורמנטלי יכול לעטוף בכל מודל קיים, מה שהופך אותו אטרקטיבי עבור זרימת עבודה מורשת.
(FLT:0)רכבי אדג'ט: 1 מאמנת מודלים מרובים עם סימולציות ואדריכלות שונות מייצרת הרכב ששוונותיו משקפים הן נתונים והן את אי הוודאות המודל.

חשוב באותה מידה (FLT:0)interpretabilityFIRLT:1 [החוקרים, המשקיעים, ומקבלי ההחלטות הפנימיים, שאינם בוטחים במודלים של תיבות שחורות-box.טכניקות כמו FLT:2LIMEIRLT 3:2LIMEREFLT 3: (המודל הבין-צפוי המקומי של המודל הבין-לאומי) ו-FLT:4integrated ⁇ s:5 יכול להסביר תחזית ספציפית על ידי מודל אסטרטגי, אשר עשוי להשפיע בעיקר על ידי מהנדסי, אשר עשוי להשפיע על ידי מהנדסי, אך ורק על ידי מהנדסי, בעיקר על ידי מהנדסי.

מחקרים אמיתיים ואימוץ התעשייה

כמה מגמות ומפעילים עצמאיים יש תחזית מבוססת ML על בסיס רזולוציה עם תוצאות מדידה. באגן Permian, חברת E&P הקימה מודל למיקומים מתקדמים של קידוח ברמה גבוהה על פני ההיקף שלה. על ידי שילוב תכונות סיסמיות, נתונים סטרופיזיקה, ואינדיקטורים לייצור מוקדם, המודל שיפר את החיזוי EUR על ידי 15% ביחס לשיטת סוג של מורשת, המאפשר הפחתה של 100 מיליון דולר עלות נמוכה יותר עלות דיווחו על ידי ירידה של מודל יבשה.

מקרה נוסף כרוך בחברת שמן לאומית במזרח התיכון שהשתמשה במודולקודים מהפכתיים כדי להגדיל את הפרשנות הסיסמית של 4D עבור שדה פחמן בוגר, המודל שזוההה על ידי כיסים שמן מעוקלים ומתאים בלתי-מושרשים שדמיית מאגר קונבנציונלית התעלמו, המוביל לשיפוץ של בסיס המילואים מוכח של שדה על ידי כ-8%.

חברות שירות גם חלוצה פתרונות ספין-קי.פלטפורמות מבוססות ענן עכשיו מקדחות נתונים בזמן אמת והתאמה מפות תת-קרקעיות על זבוב, האכלה הערכות מילואים דינמיות בחזרה ל- rig.ספק אחד דיווח כי מערכת ה-ML-מרוצה להפחית את הזמן כדי ליצור מילואים פרובאביליביניסטית משש שבועות עד יומיים עבור מפעיל בינוני.

דוגמה בולטת מהים הצפוני ממחישה את הערך של למידה העברה. An מפעיל בים Barents, אגן גבול עם רק שלוש בארות, ממונף מודל מומן מראש מהים הנורבגי יותר.כוונון עדין על תכונות סיסמיות מקומיות ומדידות ליבה מניבים הערכות כי התאמת תוצאות לאחר עיבוד של 10%, בעוד שטכניקות נפח מסורתיות היו שגיאה 40%.

אתגרים: מחסור בנתונים, איכות ושילוב תפעולי

למרות המומנטום, מחסומים משמעותיים מונעים מ-ML להפוך למנוע החיזוי ברירת המחדל.FLT:0 Data scarcityFLT:1 נשאר הדאגה העיקרית.במאגרי גבולות או משחקים מים עמוקים, ייתכן ששליטה מלאה מוגבלת לתוספת אחת של הערכה יחידית היטב.

(FLT:0Data QualityigFLT:1) הוא מתפשט: נתונים מורשת לעתים קרובות מכילים מערכות יחידות בלתי עקביות, meta-data חסרות על מד calibration, ותיקוןים וינטג 'לא מוצפים.Build a Data-centric ML בתעשייה שהורגלת לזרימות עבודה ממוקדות במסמך דורש שינוי ארגוני, כולל תפקידים הנדסיים ייעודיים והשקעה בנתוני נתונים עם ממשל קפדניים שבדרך כלל יוצרים מהנדסי נתונים גיאוגרפיים, כולל צוותים.

(FLT:0)ModelסחףFLT:1) מהווה סיכון עדין יותר.מודל המוכשר על נתונים מ-2010-2020 לא יכול לצפות היטב בקידוח ב-2025 עם מטרות ארוכות יותר, מכווץ יותר, או אינטראקציה חדשה של הורים-ילד עם דינמיקת מודל רציפה ושיקום מחזורי, משולב בתוך מסגרת MLOPS, הופך חיוני שילוב תפעולי זה הוא לעתים קרובות החלק הקשה ביותר, בין היתר, בין היתר, לבין מערכות אבטחה רבות, אשר יכולות ל-ידי מערכת למידה מרחוק, אשר יכולות לדבר על ידי מערכות למידה, לבין מערכות אבטחה ומעבדות, אשר יכולות להיות מתחום מדעי המחשבתית, אשר דורשות, אשר דורשות, אשר דורשות, אשר דורשות יותר, אשר דורשות יותר, אשר דורשות, אשר יכולות להיות מתחום מדעי המחשב ה-ידי מערכת אבטחה של נתונים של מערכות אבטחה של מערכות אבטחה של מערכות למידה, אשר דורשות, אשר דורשות, אשר דורשות, אשר דורשות, אשר דורשות יותר, אשר יכולות להיות משולבות, אשר דורשות, אשר דורשות, אשר דורשות יותר, אשר דורשות, אשר דורשות, אשר דורשות, אשר יהיו מעורבים יותר, אשר יהיו מעורבים יותר, אשר יהיו מעורבים יותר, אשר יהיו מעורבים יותר, אשר דורשות, אשר יהיו מעורבים יותר

עלות-לחץ גם לסחוט חדשנות.מפעילים רבים אינם מעוניינים לממן תוכניות ML רבות שנתיות כאשר מטרות ייצור לטווח קצר שולטות.עם זאת, ראיות מוקדמות-דוקטורט מצביעות על כך שיחס העלות לטווח ארוך-לטוב הוא חיובי.עבור תובנות עמוקות יותר לתוך המשחק בין אנרגיה וטכנולוגיה, מכון FLT:0fordOxford למחקרי אנרגיה FLT 1FLT מפרסם באופן קבוע ניתוחים דיגיטליים ב- Gasstreams.

אתגר נוסף הוא (FLT:0) אי יכולת בקנה מידה גדול יותר (למרות ערכי SHAP עובדים היטב עבור מודלים לשוניים, להסביר תחזיות מ- CNN שפועלת על כרכים סיסמיים הוא הרבה יותר קשה. Regulators מתחילים לדחוף להסביריות, והתעשייה מגיבה עם טכניקות כמו מפות הפעלה וניתוח סליחת.

מגמות עתידיות: מודלים היברידיים, AI-Informed פיסיקה, ו- Digital Twins

הגבול הבא הוא לא בחירה / או בחירה בין פיזיקה ונתונים, אלא ספקטרום של מודלים היברידיים. פיזיקליים-ממוזגים מכונה למידהFLT:1] הולך מעבר PINN כדי לשלב מפעילי ספציפי לתחום, כגון משוואה דיפרנציאלית עבור ניתוח זמני לחץ, או חזית ריצוף באקלי-לנט, ישירות לתוך הארכיטקטורה העצבנית זה להפחית את התיאבון של נתונים עמוקים ולוודא משוואות זמן קצר יותר מתצפיות מסוימות של תאים קצרים יותר מאשר חיזוי חלקי של חומרת של חומרת של חומרת תאים שונים של חומרת תאים היסטוריים.

(FLT:0) תאי תאומים ⁇ 1 - חיים, מתעדכנים באופן רציף העתקים וירטואליים של מאגרים - יעוגן את הדור הבא של ניהול מילואים. ייצור צ'יפס דיגיטלי, לחץ ונתונים מעקב בזמן אמת, פועל אנסמבל של לינוקס סימולטורים כי קרוב לסימולציה מלאה של פיזיקליים בשבריר של עלות חישובית, והזמנות מעודכנים טווח מדי יום במקום כל שנה, אם יש צורך בבדיקה דיגיטלית, או אחרת, כמו למשל שינויים זמניים, כגון שינוי מוקדם של זמן קצר של זמן, או שינוי רזולוציה, או ירידה של זמן, כמו פתורים, או ירידה של זמן, או ירידה של סימולציה של זמן, כמו סימולציה של זמן, או ירידה של זמן, או ירידה של 3, או ירידה של זמן, או ירידה של זמן, או ירידה של מחזוריתים, או ירידה של זמן, או ירידה של זמן, אם יש צורך באפקט ספאריבית, אם יש צורך באפקטים, אם יש צורך באפקטים, אם כך, כמו שחזור מיידי, אם כך, או ירידה של זמן קצר יותר מאשר ב-זמנית של זמן קצר של זמן, לדוגמה, או ירידה של זמן קצר יותר מאשר סימולציה של זמן, אם יש צורך בדגמינלי, לדוגמה, אם

מגמה נוספת היא ההתכנסות של עיבוד שפה טבעי (NLP) 1FLT והנתונים המובנים. Petabytes של דוחות קידוח, רשומות השלמת רשומות, והערות פרשנות גיאו-מדעי נעולות ב- PDF. צינורות NLP יכולים לחלץ מידע עובדתי - מנגנונים של fracture פגעו בתיאורים, מראות של שמן בבוץ, דגימות ליבה - ולהאכיל אותם כתכונות לדגימים אלה, כמו תצפיות מורכבות, כלומר, כמו תצפיות על ידי מודלים של נתונים, 1 דחיסות, אשר נמצאים כעת, אשר נמצאים תחת תצפיות מורכבות, כאשר הם רק על ידי מודלים של דחיסות, כמו תצפיות מעבדה, כמו תצפיות מעבדה, 000, 000, 000, כמו תצפיות על ידי מודלים של נתונים, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 תצפיות מעבדה, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 תצפיות מורכבות, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000

מסגרות קוד פתוח ומודולים מבוססי הקהילה גם מורידים מחסומים.מיזמים כגון FLT:0.SEG Machine Learning ContestveFLT:1 ו-Repositories of Public Well data מאפשר שיתוף פעולה אקדמי ותעשייה, מאיץ קידום אלגוריתמי של אלגוריתמים.בינתיים, הגופים הרגולטוריים מתחילים לשקול הנחיות עבור הערכות מוסמכות AI, אשר צפויות לעצב שיטות מקובלות סביב מודל, שקיפות, מסלולים, ו- 20, 000, 000, אשר נועדו לאחרונה, פעולות של ניהוליות, אשר נועדו לפרסם שיטות עבודה של פעולות של פעולות של פעולות "מחדש" (R) על ידי "ניהוליים" (R) על ידי מילואים"מחדשהועדות" (R) על ידי מילואים, 000, 000 שיטות עבודה, 000 שיטות עבודה, 000) על ידי מילואים, 000.

צעדים מעשיים ליישום

עבור ארגונים המעוניינים לעבור מעבר לפרויקטים של טייס, מומלץ גישה מגובשת:

(FLT:0)Start עם מקרה שימוש ממוקד: FIRLT:1 במקום לשנות את כל ספר עתודות, לכוון אגן יחיד או אפילו יצירה יחידה שבה נפח הנתונים גבוה והתשלום הכלכלי ברור.

(FLT:0) להרכיב צוות רב תחומי: FLT:1 משלב מהנדס מאגר, גיאופיזיקאי, מהנדס נתונים ומומחה ML-functional צוותים לגשר על הפער בין אינטואיציה התחום לבין rigor אלגוריתמי.זה קריטי כי גיאופיזיקאי יש כוח וטו על תכונות להפר עקרונות פיזיים.

(FLT:0) Invest בתשתיות נתונים: FLT:1; אגם נתונים מבוסס ענן עם צינורות צפיית גלישה אוטומטיים וקטלוג מאוחד אינו אופציונלי; זהו תנאי מוקדם עבור ML. Tools כגון Prefect for Workflowation ו- DBT לטרנספורמציה של נתונים להאיץ את מחזור ההנדסה.

(FLT:0)Prototype במהירות: FLT:1 לבנות מודל בסיס באמצעות עצים ⁇ -boosted בתוך שבועות.השוואה הביצועים שלה נגד השיטה ידנית הקיימת על מערכת במבחן שנערך ללא סתום.Iterate על תכונת הנדסה המבוססת על משוב מצוות התחום. a Common נפילה היא לבלות חודשים על למידה עמוקה לפני אימות מודל פשוט עובד.

(FLT:0)Deploy עם משמרות: 1.(Wrap the Model in an Infrastructure that Monitors סחף, חיזוי יציבות ומדדי ביצועים: קביעת פרוטוקולי הסלמה עבור כאשר התחזיות משתנות מחוץ לסובלנות מוגדרת מראש.לדוגמה, אם ה- P50 של המודל להעריך חפיסות עד 20% מהחודש הקודם ללא שינויים תפעוליים, צריך לעשות בדיקה אנושית.

(FLT:0) תקשורתית: באופן שקוף: FLT:1 Explain the Model's Logic toרזות רואי חשבון ובעלי עניין פנימיים באמצעות ויזואליזציה כמו פיסות התלות חלקית וערכים שפליים. Win Trust לפני הגדלה.מפעילים רבים מחזיקים "מפגשי ביקורת מודל" חודשי שבו מדען הנתונים מציג את מדדי הביצועים האחרונים ודן כל תחזיות אטומיות.

כלים כגון MLflow למעקב אחר ניסויים, ציפיות גדולות לאימות נתונים, ומדומנים המבוססים על בסיס מזימה עבור ניטור בזמן אמת יוצרים מערכת אקולוגית שבה ניתן להטמיע באופן אחראי בתהליך ניהול הרזרבות. יישום מוצלח בדרך כלל רואה 3-5x החזר על ההשקעה בתוך השנתיים הראשונות באמצעות יעילות הון משופרת וסיכון מופחת לכתיבה לאחור.

שכפול והשלכות כלכליות

תחזית למידת מכונות כי מילואים להעריך את התוצאות הכספיות והחוקיות.תחת חוק 4-10 של תקנה S-X, עתודות מוכחות חייבות להיות נתמכת על ידי "נתוני גאולוגיים וההנדסה" ולהפגין "ודאות סבירה" (סעיף 4-10) של מודל ה-ML לתושביעים עם מסגרת זו, אך רק אם ההנחות הבסיסיות מתועדות ומאומתות יותר ויותר, אם משתמשים ב-MRI, כך, כך, כך, כך, כך, כך, כך ש- 2024, יכולים להסביר את ההערכות לגבי חוסר יכולת בדיקה אובייקטיבית, כך, כך, כך, כך, כך, כך שפחות, כך, כך, לפיהסברים, לפיהספקית, לפי הערכות, לפי הערכות, לפי הערכות, לפי הערכות של מדדי משקל.

מוסדות פיננסיים גם מציינים.תחזיות מילואים טובות להפחית את עלות ההון על ידי הורדת הסיכון הנתפס של ייצור עתידי. סוכנויות דירוג אשראי החלו לשאול על התפקיד של AI במילואים במהלך דיאליגנציה עבור מימון הפרויקט. לעומת זאת, מודל ML over-optimistic שמוביל לרישיון כתיבה לאחור של נזקי ניהול בתוך מודל - ב- 11-7 ואילך, אשר פועל מודל אנרגיה תקין, אשר פועל על ידי שימוש ב-"מודל אנרגיה תקף"ד"ד"ד"ד"ד"ר-"מאמין.

מנקודת מבט מס, הערכות מילואים משפיעות על קצבאות מחיקה וחובות פרישה נכסים. תחזיות ML לא מדויקות יכולות להוביל לעמדות מס לא נכונות, הפעלת ביקורת. מחלקות מס צריך להיות מעורב מוקדם בתהליך פריסת המודל כדי להבטיח שהמתודולוגיה משביעה הגדרות רגולטוריות מקומיות.אופי חוצה גבולות של חברות שמן רבות מוסיף מורכבות, כמו תחומי שיפוט שונים (SEC לעומת PRMS לעומת 51-N) יש שונות עבור שיטות ניהוליות.

מסקנה

למידת מכונות אינה כדור כסף, אבל היא הרחבה הכרחית לערכת הכלים של מילואים הנפט, על ידי טיפול מציאותי לא-לינאריות, שילוב זרמי נתונים נפרדים, וקביעת אי הוודאות עם השקיה הסטטיסטית המודרנית, מודלים של ML הם שינוי רזרבות של תעשיית הרזרבות גבוהה יותר, מונעים על ידי פעילות גופנית רציפה, משמעת מבוססת נתונים, אשר מייצרת את המסלולים הדיגיטליים האלה, אשר תמיד, כדי להטמיעו את התהליכים הדיגיטליים, כדי להטמיעו מחדש, כדי להרחיב את המשתנים, תוך כדי להרחיב את המשתנים, תוך כדי התקדמותם של שיטות מתקדמות יותר, תוך כדי להרחיב את המשתנים, תוך כדי שיפור תהליכים מתקדמים יותר, תוך כדי כך, תוך כדי התקדמותם של תרופות מתקדמות יותר, תוך כדי כך, תוך כדי כך, תוך כדי כך, תוך כדי התקדמותם, בין הרשתות הדיגיטליים, בין הרשתות החברתיות, תוך כדי כך, תוך כדי כך שמשתנים, תוך כדי כך, תוך כדי כך, תוך כדי כך שמשתנים מחדש, תוך כדי כך, תוך כדי כך שמשתנים, תוך כדי כך, תוך כדי כך שמשתנים, תוך כדי כך, תוך כדי כך, תוך כדי כך שמשתנים, תוך כדי כך שמשתנים, תוך כדי כך, תוך כדי כך, תוך כדי כך שמשתנים, תוך