Table of Contents
האתגר הגדל של מילואים אסטימום בסביבה מורכבת
הפדרים של חומרים מורכבים מבחינה גיאולוגית דוחקים את זרימת העבודה המקובלת לנקודת השבר שלהם.הפלטפורמות הפלימפטומטריות המותקנות, מערכות זעזוע מים עמוקות, מאגרים מרתפים שבורים, ולא קונבנציונליים כגון גז חזק או פצלי שמן מפגינים עתודות רכוש כי defy averaging, מוטציות על גבי רמות אבטחה מסורתיות, התנהגות רב-אפילמטית, אשר עלולות גבוהה יותר, בתנאי חירום (Dreconsotroately) ואפקטיביות גבוהה על פני השטח).
מתוך הנחה נחושה להסתברות, זרימת עבודה של Data-Centric
תיבות כלי ההצדקה של המערכת כוללות שלוש שיטות עיקריות, כל אחת עם חסרונות משינויים בהגדרות מורכבות.טכניקות מורכבות compute in-place כרכים של נפח סלע גולמי, פורוזיות, מאגר מים, ויחס נטו-ל-להגדלה ישירות של נתונים (במאגרי מידע פונקציונליים), מפות אלה מנטרפולות בין ספירות של שימוש בדוגמיות גיאולוגיות לעתים קרובות כדי למנוע נטיות חד-אופטיות קבועות (C) ופעולות של חומרים).
מערכת המידע של Foundational Data Ecosystem for Modern Reserves Asimation
ניתוח נתונים גדול לא יכול להצליח ללא בסיס נתונים חזק, ממוחזר היטב.נכסים מודרניים מייצרים טור מידע ממקורות מגוונים, והאתגר הוא לפגוע בזרמים אלה לתוך גוף משותף, מעורר שאילתות.
מינוף גבוה: נתונים סיסמיים ומעבר
סקרים פשיסטיים עכשוויים 3D ו-4D מספקים פתרון מרחבי שלא ניתן להעלות על הדעת לפני שני עשורים: הגירה לעומק Pre-stack, קידוד מלא, וניתוח רב-אטים מייצרים כמויות צפופות של אמפליטודו, שלב, תדירות, ו-Azimuthal של תכונות שטח מבוזרות לחלוטין.
מידע טוב: מ- Petrophysical Logs to Core and Image Data
יומנים דיגיטליים נשארים עמוד השדרה של תפישות משנה, אבל הערך שלהם מכפיל כאשר בשילוב עם מדידות ליבה, דגימות מחסומים, וגלומים תמונה של חצץ מתקדם של יצירת חיים המטופי עכשיו משלבים מחדש מגנטית גרעינית (NMR), פיזור דיאלקטרי והופכים את היסודות לקליטורים חשמליים נוספים כדי לנפח מינרליביות, פורוזיות, וסת עם דיוק גדול יותר מאשר קיבולת מחזורית של לחץ דם מורכבת.
דינמי: ייצור בזמן אמת, לחץ ונתוני פלויד
מדדי השבר הקבועים, טמפרטורת הסיבים-אופטיקה וההקצאה האקוסית (DTS/DAS), משטחים של מטבוליזם של תאי זרימה, ומערכות SCADA מייצרות נתונים עתירי זמן גבוהים שלוכדים את התגובה הדינמית של המאגר.זרמי נתונים אלה הם קריטיים לאימות ועדכון של אלגוריתמים ברורים יותר מאשר להסתמך על עקומה שנתית אחת, מהנדסים יכולים כעת לבנות את ה-F: 0, לדוגמה, סוג של בדיקות נתונים מדויקות, מאשר עלייה מהירה יותר מאשר עלייה מהירה יותר של נתונים, מאשר ירידה מהירה יותר מאשר ירידה מהירה יותר מאשר ירידה מהירה של נתונים, מאשר ירידה של אלגוריתמית תאים חדשים של נתונים, מאשר ירידה מהירה יותר מאשר ירידה של נתונים, מאשר ירידה שנתית אחת, מאשר ירידה שנתית אחת, 000, 000, 000, 000, מאשר ירידה שנתית אחת, 000, 000, 000, 000, 000, 000.
אדריכלות הנתונים עבור Scalable Analytics
הפחתת נתונים גדולים דורש יותר מאשר איסוף קבצים.הוא דורש אדריכלות מכוונת לאחסון, עיבוד, ממשל וגישה.
Data Governance, Standards, and Quality Assurance
הבסיס של כל הערכה אמינה הוא נתונים אמינים.Duplicate היטב המזהים, יחידות עומק לא עקביות, מאגרים חסרים, ו יומני וינטג 'ספרתיים נמוכים יוצרים תרחישים של אשפה, אשפה-out כי לערער אפילו את המודלים המתוחחכמים ביותר של ML.אופרות חייב לקבוע בקרה פתוחה:0entere- Management-Global ManagementFLT:1), אשר מפרטת מוסכמות, יחידות נתונים, דרישות מוטציות ותקנות לקטלוג קבועות (CLC) יכולות לפקח על פני נתונים פתוח.
Cloud-Native Data Lakes and High-Performance מחשוב
אחסון נתונים מראש ו- compute אינם מספיקים יותר ויותר עבור נפח ומגוון של נתונים תת-קרקעיים מודרניים.אגמים נתונים מבוססי ענן שנבנה על פלטפורמות כגון FLT:0AWS for Energy Modelacccliation הוא 1, Microsoft Azure Energy Data Services, או Google Cloud מספקת אחסון יישומים חדשים, אחסון ללא שרתי ETL, ועל גבי דרישות GPUs לאימון ML זה מאפשר ל-Sate Softwareic Software, תוך כדי אחסון מהיר של מערכות הפעלה של מוצרי אחסון של תאים קלים של מוצרי אחסון.
מודלים נתונים סטטיסטיים ושילוב Cross-Domain
נתונים רול מתחומים שונים משתמשים ב-vocabularies שונים ו-Commissions. a Seismic אופק Picks file, קובץ לוגן טוב LAS, וגליון ייצור כל מתאר את אותו מאגר אבל לא עקבי של schemas.S מודלים נתונים סימנטטיים הממפה מקורות אלה חסומים היטב לאבחון משותף, הם קריטיים המאפשרים שאילתות cross-domain.
Machine Learning and Artificial Intelligence: The Analytical Engine
עם נתונים נקיים ומשולבים במקום, אלגוריתמי למידת מכונה הופכים למנוע עבור estimation עתירי חיזוי.בחירה של אלגוריתם תלויה בסוג הבעיה, זמינות נתונים ופירושים הרצויים.
למידה על-ידי חיזוי כרך מורכב ותחזיות EUR
למידה סופר-בורד מאמן מודל על נתונים היסטוריים מתוייגים לחיזוי משתנה מטרה - לרוב מוערך התאוששות סופית (EUR) או נכס מאגר כגון porosity. Algorithms כגון יערות אקראיים, עצים ⁇ -Bouted עצים (XGBoost, LightGBM), תמיכה ב-Virnative Regression, ורשתות עצביות יכולות להתמודד עם מאות תכונות קלטות המתפרשות על פני גיאולוגיה, petrophysics, פרמטרים, פרמטרים קוונטיים, ואפקטים, ו-ofreative Data) של ריכוז בינוניים, כמו גם כן, כמו גם כן, כלומר, כלומר, כלומר, כלומר, כלומר, 000 תכונות ריכוז יעיל יותר, 000 יחידות אבטחה רלוונטיות, כלומר, או קיבולת גבוהה יותר, 000, 000, 000 של נתונים של נתונים של תאים קריטי, או קיבולת גבוהה יותר, או קיבולת גבוהה יותר, 000, 000, 000, 000, 000, 000 של אבטחה, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 תכונות אבטחה לטווח קצר יותר, 000, 000,
למידה בלתי מבוקרת ל- Reservoir Characterization ו- Facies Classification
שיטות לא מבוססות זיהוי קבוצות טבעיות בנתונים מבלי לדרוש מטרות מומות. אלגוריתמים כגון K-means, היררכי, מפות ארגון עצמי ניתן ליישם נתונים רב-ממדיים - תכונות סוציולוגיות, עקומות יומן או פרופילי ייצור - כדי להגדיר קטגוריות מידע נפרדות.
למידה עמוקה ל-ספאטי ו-Temporal Pattern Recognition
למידה עמוקה מרחיבה את למידת המחשב לנתונים תלת-ממדיים עם מבנים מורכבים.רשתות עצביות מהפכתיות (CNN) הצטמצמות בעיבוד תמונות סיסמית ורצףי לוגיים, זיהוי דפוסים עדינים שעשויים להתאים לאיכות המאגר. סיווגים סיאולוגיים באמצעות CNN יכול לחטוף מנגנוני חישוביים גיאוגרפיים חדשים - תחזיות לטווח ארוך של 1A) ושפל של תחזיות ייצור לטווח ארוך (NLS) ושערי חשמל לטווח ארוך (N) לטווח ארוך) הם תחזיות לטווח ארוך (N) וגרסאות לטווח ארוך (RLS) וגרסאות לטווח ארוך (RLS) וזיכרון לטווח ארוך (N ארוך (N) ושערי זיכרון לטווח ארוך (N) ושערי זיכרון לטווח ארוך) ושפל ארוך (N ארוך) ושפל ארוך) ושפל ארוך (N ארוך) וזיכרון לטווח ארוך (N ארוך) וטרידפסיביאו אופציונלי) וטריחותמיכותמיכות ארוך (N ארוך (N ארוך) וטריחותמיכותמיכותמיכות ארוך (N ארוך (N ארוך) וטריחותמיכותנה) וטריחותמיכותנה של תחזיות לטווח ארוך) וטריחותמיכותנה של טמפרטורות לטווח ארוך (N) וטריחותמיכות
רשתות ערפיליות מתקדמות עבור מודלים היברידיים
גבול מבטיח הוא השילוב של למידה מבוססת נתונים עם מגבלות פיזיות.רשתות עצביות בעלות מודעות לפיזיקה (PINN) להטביע משוואות שלטוניות – חוק ה-Darcy, שימור המונים, יחסי אחריות יחסית – לתפקוד האובדן של הרשת העצבית.זה מבטיח כי תחזיות עקביות עם הפיזיקה המוכרת, גם כאשר נתוני אימון הם חסופים.
המונחים: Unquiated in Reserves
אחד היתרונות המשמעותיים ביותר של סיווגים מבוססי נתונים גדולים הוא היכולת לייצר 3, 000:0) התפלגות פרוביליבית (FLT) מספק את הספקות של נתונים גדולים יותר (FLT) 1 (FLT) במקום מספרים בודדים, במקום לדווח על מספר עתודות מוכחות, הפלט עשוי להיות עקומת הסתברות מצטברת המציגה את תוצאות ההשקעה של P90, P50 ו-P10.
יישום אמיתי-עולם: מחקרים ב-Big Data Reserves אסטימו
כמה מפעילי הדגימו את הערך המוחשי של זרימת עבודה ממוקדת נתונים.מחקרים אלה מראים את המתודולוגיה בפעולה ואת התוצאות העסקיות שהושגו.
(FLT:0) אגן פרסמני, ארצות הברית:FearLT:1) מפעיל עצמאי גדול עם יותר מ-2,000 בארות אופקיות להחיל מודל עץ מודבק חזה EUR כתפקוד של פרמטרים גיאולוגיים והשלמה.הניתוח גילה כי proppant לטעון לבמה ו-2,000 ספיגה אשכולית הסביר כ-40% מהגמישות ב-EUR. על ידי תכנון מחדש של מטרות לערכים אופטימליים, הממוצע השתפר על ידי רזרבות הון גדולות יותר על ידי תוכנית ה-4% (D) אשר הוכח על ידי עדכון על ידי הגדלת יעילותו על ידי תוכנית ה-8% (המודלים על ידי הגדלת יעילותם).
(FLT:0)Offshore Carbonate, המזרח התיכון:FearLT:1) חברת שמן לאומי שילבה את זמן-הזמן (D) נתונים סיסמיים, יומני ייצור, ולחצים לניתוח transient Transient למסגרת Bayesian עבור שמן שנותר במקום.טווח אי הוודאות (P90–P10) הצטמצם ב -50% בהשוואה לאמדן הקבע הקודם.
(FLT:0)Deepwater Turbidites, מפרץ מקסיקו:BuildFLT 1:1 מפעיל השתמש CNN כדי לסווג את המשרות הסיסמיתות מן כרכים pre-stack מעוגות עמוק ושילוב התוצאות לתוך מודל מאגר.המודל של ML-derived facies הפחית את השגיאה בין סימולציה ונצפית נתונים על ידי 35% בהשוואה למודל קונבנציונאלי ל- 10%, אשר מותאמים בעבר.
דוגמאות אלה מראות כי ניתוח נתונים גדול יכול לספק את FLT:0 שיפורים ניכרים שיפור דיוק עתודות, ירידה בסיכון ויעילות הון על פני הגדרות גיאולוגיות שונות ותצלומי שדה.
כתובת: The Barriers to Adoption
למרות היתרונות המשכנעים, ארגונים רבים נאבקים ליישם זרימות עבודה גדולות של נתונים עבור משקעים עתודות.האתגרים הם תרבותיים כמו טכניים.
מערכת המידע Silos ו- Legacy Systemאינטגרציה
נתונים מפוזרים לעתים קרובות על פני מסדי נתונים נפרדים, גליונות התפשטות וארכיון נייר המנוהלים על ידי מחלקות שונות. ⁇ sic נתונים חיים על מערכת קבצים נפרדת ממאגרים שונים, אשר נמצאים במסד נתונים שונה מנתוני הייצור.Break Down אלה דורש מאמץ שילוב מכוון, לעתים קרובות מעורבים שחזור נתונים ידני מפורמטים מורשת. גישה שלב כי מעדכנת נתונים מזהמים - כגון ייצור עדכני של נתונים מכל התכונות של צינורות אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אט אטמוספירציה.
מיומנויות גפר ותרבות ארגונית
ההערכות של ה-Inves estimation היו תחום מהנדסי מאגר וגיאו-מדעיסטים עם עשרות שנים של ניסיון. Machine Learning and Data Science דורש מיומנות שונה לקבוע כי מעטים בתעשייה מחזיקים.ארגונים מצליחים יוצרים את ה-FLT:0cross-דיסציפלינרית צוותים NLT:1 כי שני מומחי דומיין עם מדענים, לטפח שיתוף פעולה באמצעות הקצאה משותפת ומטרות משותפות.
סליחות וביקורת
הערכות רמפות כפופות לביקורת חיצונית על ידי גופים רגולטוריים (למשל, ה-SEC, FERC) וחברות ייעוץ עצמאיות.מודלים של ML חייבים להיות ביקורתיים וסבירים לספק את הדרישות הללו.זה אומר לתעד את מקורות הנתונים, צעדים מוקדמים, אדריכלות מודל, תהליך הכשרה, ותוצאות אימות באופן מעקב.
העתיד: ניהול אוטונומי ומודלים של AI Foundational
(הופנה מהדף מילואים נקודות הערכה לעבר נתונים רצופים, אוטונומיים של מודלים תת-קרקעיים לשיפור בכל נקודת נתונים חדשה. תאומים דיגיטליים - העתקים דיגיטליים דינמיים של הנכס הפיזי שהופך את הנתונים בזמן אמתיים ביותר של חיישן זמן אמתי ומריצים סימולציות חיזוי - יאפשרו למפעילים לבחון תרחישים פיתוח ועדכונים בנוגע לטווח הארוך ביותר של מערכות מידע על פני השטח של ה-F2, גם על פני ה-ידי שימוש ב-FDVates-FDVates-FDVates-FDVates-S-of-Intancestances-Squaretectation, יאפשרו-of the Open Indexs-of the Open Data, ו-of the Access ReLT2, גם כן, בתנאי , אשר יאפשרו-Outation Indexs-of the Access ReLT2, ל-Outation ב-of-of the Open Analysissto-of the Access Resuration in the Open Developments-of the Access Revisions-Intulations-of the Open Developments-Outlooks-of the Access Revisions-of the Access Revisions-of the Open Data, ו-of
שדות מורכבים תמיד יציגו אתגרים ייחודיים, אבל הכלים הקיימים כעת כדי לעמוד באתגרים אלה עם הקפדה ושקיפות. על ידי השקעה בתשתיות נתונים, כישרון חוצה-תפקודי ויכולות למידת מכונה, המפעילים יכולים להפוך את המשקעים של משקעים מפעילות גופנית תקופתית המפולגת עם סובייקטיביות לתהליך מתמשך, מבוסס ראיות, אשר בונה אמון עם משקיעים, הרגולטורים ובעלי העניין הפנימיים.