עיצוב ההשלמה מייצג חלק משמעותי של ההוצאה הכוללת של ההון והשפעות עמוקות של מסלול הייצור לטווח ארוך שלה.מהנדסים חייבים לנווט קבוצה מורכבת של פרמטרים הקשורים בין-תחומיים - החל מגאומטריה וכימיה נוזלית לאדריכלות בקרת חול - לבנות מערכת שממקסימה במהירות את תהליכי ההתאוששות תוך ניהול עלות ושיטות אופטימיזציה של האמנה, כולל סימולציה מספרית מלאה ואנליזה ללא גירוי מספקת ערך, לעתים קרובות, זיהוי מיידי של תכונות למידה וחיזוי של זמן, ופתרון גבוה.

הבנה טובה של עיצוב

השלמת מלאה את ההנדסה וההתקנה של הציוד והתהליכים הדרושים כדי להביא את הייצור לאחר השלמת התרגיל.שלב זה מתרגם את הפוטנציאל התיאורטי של המאגר לתוך זרימת מימן פיזית.מרכיבים מרכזיים של עיצוב השלמת ניתן לסווג באופן רחב לתוך ההשלמה התחתונה, אשר ממשקים ישירות עם היווצרות, ואת ההשלמה העליונה, אשר מחבר את ההשלמה התחתונה למתקנים משטחים ומשטח.

פרמטרים עיצוביים קריטיים בתוך ההשלמה התחתונה כוללים:

  • (FLT:0) אסטרטגיה של פריצה: החלטות 1FLT לגבי צפיפות יורים, מיקוד, עומק חדירה, וקוטר כניסה. פרמטרים אלה שולטים ישירות באזור הזרימה ויכולים להשפיע על ייצור חול ויציבות רבה.
  • (FLT:0) ⁇ :FLT:1 עבור בארות רבות, השגת שערי זרימה כלכלית דורשות fracturing הידראולי או ממטריקס חומצה. משתנים מרכזיים כוללים סוג נוזל ואת הגמישות, ריכוז proppant וגודל mesh, קצב משאבה, ונפח הטיפול.המשחק בין משתנים אלה לבין הלחץ המקומי קובע את הגיאומטריה והתנהלות של רשת השבירה שנוצרה.
  • (FLT:0Sand Control:FLT:1 בצורות בלתי פתורות, שיטות שליטה חול כגון חבילות קבר, frac-packs, או מסך חול מורחב הם חיוניים.
  • (FLT:0)Flow Control:001 (Inflow Control Devices) ו- Interval Control Valves (ICVs) משמשים יותר ויותר לניהול זרימה לאורך המאוחר, איזון בין היתר לבין עיכוב מים או פריצת דרך גז.מספר התאים וההגדרות הספציפיות של מכשירים אלה מהווים משתנים עיצוב מפתח.

אופטימיזציה של פרמטרים אלה היא קשה על ידי הטבע הטרוגאני של היווצרות תת-קרקעית. עיצוב הניב תוצאות מצוינות אבן חול בעלות יכולת גבוהה עשוי להופיע גרוע בהקשר הכלכלי - מחיר שמן, עלויות שירות, שיעור הנחה - מעלה שכבה נוספת של מורכבות למטרה אופטימיזציה, אשר לעתים קרובות כדי למקסם את הערך הנוכחי (VNP) ולא רק ייצור מצטבר.

Machine Learning as a Solution for Parameter Optimization

זרמי עבודה עיצוב מסורתיים מסתמכים על ניתוח שיקול דעת מומחה ורגישות מבוסס סימולציה.בעוד סימולציה מספקת בסיס פיזי חזק, זה יקר חישובי.זה מגביל את מספר התרחישים שניתן להעריך באופן מציאותי.מודלים למידה מכונה, פעם מאומן על נתונים היסטוריים, יכולים להעריך אלפי או מיליוני עיצובים מועמדים בשניות.הם לא מחליפים סימולציה אלא מגבירים אותה על ידי כך שהם מאפשרים הרבה יותר רחב יותר וחיפוש אחר המרחב הפרמטר.

למידה על-ידי Supervised היא הפרדיגמה הנפוצה ביותר למשימה זו.המודל מאומנים לחזות משתנה מטרה - כגון ייצור שמן מצטבר של שנה, התאוששות האולטימטיבית משוערת (EUR), או NPV - מבוסס על סט של תכונות קלט.תכונות אלה כוללות את הפרמטרים ההשלמה המפורטים לעיל, תכונות גיאולוגיות (porosity, Permeability, Permeability, לחץ ראשוני), ומקד נתונים (הת מעקב אחר מסלול טוב, נזק היווצרות).

אלגוריתמים של ML מתאימים באופן טבעי ללכידת מערכות יחסים לא לינאריות, גבוהות ממדים הטבועים בעיצוב ההשלמה.הם יכולים לזהות דפוסים שאינם ברורים לאנליסטים אנושיים באמצעות שיטות סטטיסטיות מסורתיות.לדוגמה, מודל ML עשוי לזהות כי שילוב מסוים של perforation phasing ו proppant מניב תוצאות מעולות במשטרים ספציפיים, מערכת יחסים שיהיה קשה מאוד לכמת באמצעות דוגמאות אקראיות או קבועות של מודלים אלה.

שיטות הליבה וזרימת העבודה

יישום של ML מבוסס אופטימיזציה של השלמת תהליך כולל מספר שלבים נפרדים, כל אחד דורש תשומת לב זהירה לפרטים.הצלחת הפרויקט כולו תלויה באיכות הנתונים ואת הקפדה של תהליך אימות.

עיבוד נתונים והנדסת תכונות

הביצועים של כל מודל ML מוגבל ביסודו על ידי איכות הנתונים שהוא מאומנים על.עבור השלמתם, זה אומר ensembling a dataset עקבית על פני מספר רב של בארות.זה כרוך לעתים קרובות למשוך נתונים ממקורות נפרדים: מקדחות, דוחות השלמת, יומני פטרופיזיקה, מסדי נתונים ייצור, רשומות פיננסיות סטנדרטיזציה של שמות משתנים, יחידות, מדידה היא צעד ראשון הכרחי.

נתונים חסרים הוא אתגר משותף. וולס עלול להיות חסר לו יומני מפתח, יש דוחות גירוי לא שלמים, או חסרים נתונים של לחץ. אסטרטגיות אימפולס יש לבחור בקפידה כדי להימנע מלהציג הטיה.

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • יחס של אפס:0 (ביחסי אימפולסים: 1) יחס התנהגותי, גורם עור חסר מימד.
  • (ב) ⁇ :0) אינדיקטורים גאומכאניים: FLT:1, המודולו של יאנג ויחסו של פומפסון היה בממוצע על פני אזור היעד.
  • (ב) ,0) תכונות של סולט: מרחק 1:1 למגע מים, מרחק כדי להתחיל מזרקים, ספיגה טובה.

הנדסה תכונה קפדנית משפרת את דיוק המודל, במקרה של מודלים המבוססים על עץ, מספק דרך ישירה להבין אילו תהליכים פיזיים המודל מחשיב החשוב ביותר.

אלגוריתאם בחירה

מספר שיעורים של אלגוריתמים מתאימים לאופטימיזציה של השלמת האופטימיזציה.הבחירה תלויה בגודל של הנתונים, הפירוש הנדרש, והמטרה הספציפית של החיזוי.

  • (בלטינית:0)Random Forest: 1FLT: Aאנסמבל של עצי החלטות שממוצע תחזיות.זה חזק לדירות, מטפל טוב בלי לינאריות, ומספק ציוני חשיבות מולדים.
  • (ב) [ה][דרוש מקור]] [ה], [ה], [ה], [ה], [ה],] [ה], [ה][דרוש מקור]]]]]] [ה[[המאה ה-20],]]], כל עץ חדש שתקן את שגיאות העבר.
  • (FLT:0)Neural Networks: 1FLT:1 רשתות עצביות עמוקות מחוברות יכולות ללכוד אינטראקציות מורכבות, אבל הם דורשים נתונים גדולים יותר וכוונון היפר-פרפרפרמטר זהה יותר מאשר מודלים המבוססים על עץ ללא כלים מיוחדים.
  • (FLT:0) מכונות Vector (SVMori): יעילות של 1:1 עבור נתונים קטנים יותר ומרחבים ממדיים גבוהים, אך פחות נפוץ עבור בעיה זו של נסיגה ספציפית בהשוואה לשיטות הרכב.

בפועל, שילוב של מודלים אלה הוא לעתים קרובות מוערכ, ואת הביצועים הטובים ביותר נבחר על בסיס מדדי אימות.

מודל אימון, אימות ותיקון בלתי-וודאות

סיכות סטנדרטיות של C-fold מניח כי דגימות נתונים הן עצמאיות וזהות מבוזר. ההנחה הזו מופרת לעתים קרובות בנתונים טובים כי בארות בתוך אותו שדה חולקים היסטוריה גיאולוגית ותפעולית משותפת.אם בארות מאותו תחום מחולקות על פני אימונים והגדרות אימות, המודל יופיע מדויק יותר מאשר זה באמת. טכניקה הנקראת חוסם-קרוס, שבו יש הרבה שטח ספציפי או נמצאים יחד עם מודל מציאותי יותר של ביצועים אמיתיים.

קוונטיות בלתי-וודאית היא חיונית לקבלת החלטות בעלות מודעות סיכון, במקום לחזות נקודה אחת (למשל, EUR=500 חביות), מודלים בייסיים או שיטות כמו Quantile Regression יכול לספק מרווח חיזוי (למשל, 10 אחוזון = 400,000, 90th%ile= 600,000). הערכת הדיוק של מרווחים אלה היא צעד חיוני באימות המודל לשימוש עסקי.

יתרונות מעשיים של ML-Driven Completion Workflow

הגדלת למידת מכונה בתהליך עיצוב ההשלמה מציעה מספר יתרונות מוחשיים המתורגמים ישירות לביצועי נכסים משופרים.

(FLT:0Speed של הערכה:FLT:1) סימולטור מבוסס פיזיקה יכול לקחת שעות או ימים כדי להעריך תרחיש אחד של השלמת.מודל ML יכול להעריך מיליוני תרחישים בשבריר שנייה.זה מאפשר למהנדסים לחקור את חלל העיצוב המלא באופן מלא באופן מלא, ולא להיות מוגבל קומץ של מקרים נבחרים באופן ידני.

(FLT:0) Objective and Systematic Analysis: ⁇ 1) הטיות אנושיות ודעות קדומות יכולות להשפיע באופן בלתי נמנע על תהליכי עיצוב מסורתיים.מודל ML, שהוכשר על בסיס נתונים היסטורי רחב, משקל אובייקטיבי את הראיות מכל בארות הזמינות.זה מתייחס באופן שיטתי את אותו לוגיקה על פני כל התיק, הבטחת עקביות בקבלת החלטות.

(FLT:0) מודלים עיצוב פרוביביליסטיים Capability:FreaLT:1 במקום לייצר עיצוב יחיד "אופטימי", מודלים ML יכולים ליצור תחזית אבולוציונית מלאה לכל תרחיש סיום נתון.זה מאפשר למפעילים לסחור באופן מפורש בין סיכון לתגמול.לדוגמה, עיצוב עם מעט נמוך יותר EUR אבל נמוך משמעותית הסיכון עשוי להיות מועדף בסביבה דלת מחירים נמוכה.

אתגרים טכניים ומבצעיים

למרות הפוטנציאל שלו, היישום של ML כדי להשלים עיצוב לא ללא אתגרים משמעותיים שיש לנהל במפורש.

(FLT:0) איכות נתונים ושוויון: 1.(FLT:1) זהו המכשול הנפוץ ביותר. ובכן, נתונים הם לשמצה ספאאר, רועש, ולא עקבי. משתנים רבים המשפיעים על ביצועים טובים אינם נמדדים או מתועדוים באופן עקבי על פני רכישות.מודל מאומן על נתונים באיכות ירודה יניב תחזיות לא אמינות, ללא קשר לחיקוי של עיקרון זה בדרך כלל ניתן להפעיל באופן יעיל של אלגוריתם פסולת.

(FLT:0)Model Interpretability ו- Trust:035 ; מהנדסים ומקבלי החלטות מבינים כי הוא חייב לסמוך על מודל שעבודותיו הפנימיות הן תכונה: מודל עשוי לחזות ביצועים חזקים עבור עיצוב מסוים, אבל אם המהנדסים לא יכולים להבין מדוע, הם לא יהיו מעוניינים להשתמש בו.כלי כמו SHAP (נספח Addley Additiveplanations) קיבלו ביצועים משמעותיים ב-Computer Software) ל-Computer Software, אם הם מציעים תכונה קריטית של תכונות אלה.com.

(FLT:0) אינטגרציה עם זרימת עבודה קיימת: ההרחבה: 1:1 אימוץ גישה מבוססת ML דורש שינויים בזרימות עבודה הנדסיות מבוססות.זה דורש שיתוף פעולה בין מדענים נתונים, פטרופיזיקאים, גיאולוגים, ומהנדסי השלמה של התנגדות תרבותית לשינוי, חוסר מומחיות במדעי נתונים בתוך הצוות, והעדר פלטפורמות תוכנה משולבת יכול להפריע לכל אימוץ מוצלח בדרך כלל דורש ארגון ישר ואופן ברור של הדגמה על פיילוט לפני פיילוט על פיילוט.

התפתחות הנדסה של Completions עם AI

הגל הנוכחי של יישומי ML הוא רק ההתחלה.השדה מתקדם לעבר מערכות AI משולבות יותר ועקביות יותר מבחינה פיזית.

(FLT:0 Physics-Informed Neural Networks (PINNs): רשתות עצביות סטנדרטיות של קונסולת:1 יכולות לבצע תחזיות המפרות חוקים פיזיים. PINNs משלבות את המשוואות החלקיות החלקיות (למשל, משוואות זרימה נוזליות) ישירות לתוך תפקוד האובדן במהלך אימון.זה מאלץ את המודל ללמוד פתרונות עקביים עם פיזיקה, שיפור כללי וצמצום הצורך במהירויות מסיביות של נתונים היברידיות.

(FLT:0) Reinforcement Learning for Real-Time Control:Build:cioFLT) 1 עבור בארות עם השלמתם אינטליגנטית (למשל, מספר ICVs), למידה חיזוק ניתן להשתמש כדי להכשיר סוכן לניהול אוטונומי של הגדרות בזמן אמת.הסוכן לומד מדיניות בקרה הממקסמת את הפרס המצטבר (למשל, שמן) על ידי התאמת שסתום בתגובה לתנאי שינוי תפקוד GOR.com.

(FLT:0) מודלים גמישים:FLT:1Buildive Adversarial Networks (גנים) ו- Variational Autoencoders (VAEs) ניתן להשתמש כדי ליצור נתונים סינתטיים היטב.זה יכול להיות שימושי במיוחד עבור הגדלת נתונים ספאריים או ליצירת קבוצה מגוונת של עיצובים מועמדים אשר לחקור אזורים חדשים של הפרמטר, להנחות את החיפוש עבור באמת השלמה אופטימלית.

מסקנה

השילוב של למידת מכונה בעיצוב מושלם של השלמתו מייצג צעד משמעותי קדימה ביכולת התעשייה לייעל את ערך הנכסים.המעבר מפיזיקה טהורה המבוססת על פיזיקה היברידית מבוססת על זרימת עבודה מבוססת נתונים מונחת היטב.בעוד אתגרים הקשורים לאיכות נתונים, הפרשיות מודל ושינוי ארגוני נשאר, היכולת לחקור במהירות ובשיטתיות את המרחב הממוחשב גבוה מספק יתרון תחרותי.