तेल जलाशय भविष्यवाणी में मशीन लर्निंग अल्गोरिदम का अनुप्रयोग

द्रव संतृप्ति और हाइड्रोकार्बन टाइपिंग

पानी या गैस से तेल को अलग करना भुगतान क्षेत्र की पहचान के लिए आवश्यक है। एमएल क्लासिफायर को मिट्टी लॉग, द्रव नमूना डेटा और उन्नत स्पेक्ट्रोस्कोपी लॉग पर प्रशिक्षित किया जाता है, अकेले मूल वायरलाइन लॉग से द्रव प्रकार की भविष्यवाणी कर सकता है। तकनीक जैसे प्राइमरी घटक विश्लेषण (PCA) ] ]]random वन वर्गीकरण ] आयामीता को कम करें और सबसे भेदभाव सुविधाओं को उजागर करें, ड्रिलिंग के दौरान वास्तविक समय के निर्णय को सक्षम करें।

उत्पादन पूर्वानुमान और डिक्लाइन वक्र विश्लेषण

भविष्य के तेल और गैस दरों का पूर्वानुमान क्षेत्र विकास योजना, सुविधा आकार और आर्थिक मूल्यांकन को सूचित करता है। एमएल मॉडल अतिरिक्त चर जैसे अच्छी तरह से रिक्ति, पूरा करने के मापदंडों और हस्तक्षेप प्रभाव को शामिल करके पारंपरिक गिरावट वक्र विश्लेषण का विस्तार करते हैं। कई क्षणिक प्रवाह व्यवस्थाओं के साथ अपरंपरागत कुओं पर अक्सर एआरपी की अति-तरल गिरावट को दर्शाता है।

डेटा तैयारी और सुविधा इंजीनियरिंग

एमएल भविष्यवाणियों की गुणवत्ता इनपुट डेटा पर भारी निर्भर करती है। जलाशय डेटासेट अक्सर माप त्रुटियों से शोर, अधूरी और plagued होते हैं। एक मजबूत प्रीप्रोसेसिंग पाइपलाइन में शामिल हैं:

• ]Outlier हटाने: उपकरण खराबी या सांख्यिकीय थ्रेसहोल्ड या क्लस्टरिंग का उपयोग करके गठन क्षति के कारण होने वाले गंभीर माप को खत्म करना।
• ]Missing data imputation: कई imputation, MICE, या k-nearest neighbors जैसे तकनीकें अच्छी तरह से लॉग या कोर विश्लेषण में अंतराल भरने के लिए।
• Normalization and स्केलिंग: मॉडल पर हावी होने से बड़े पैमाने परिमाण वाले चर को रोकने के लिए एक आम सीमा (जैसे, न्यूनतम अधिकतम स्केलिंग या z स्कोर मानकीकरण) के लिए रीस्कलिंग फीचर्स।
• Feature चयन: केवल सबसे अधिक पूर्वानुमान विशेषताओं को बनाए रखने और ओवरफिटिंग को कम करने के लिए सहसंबंध विश्लेषण, पारस्परिक जानकारी, या पुन:प्राप्ति सुविधा उन्मूलन का उपयोग करना।
• ]Seismic-to-well टाई संरेखण: सिंथेटिक भूकंप या स्वचालित warping एल्गोरिदम का उपयोग करके भूकंपीय मात्रा और अच्छी तरह से मार्करों के बीच गहराई में कमी को सुधारना।

मॉडल सत्यापन और अनिश्चितता क्वांटिफिकेशन

जलाशय भविष्यवाणियों को आत्मविश्वास के उपायों के साथ होना चाहिए। एमएल मॉडलों को मोटे या पूर्वाग्रहित प्रशिक्षण डेटा को ओवरफिट करने की संभावना है, जिससे ओवरली ऑप्टिमाइज़िक त्रुटि अनुमान होता है। अच्छा अभ्यास में शामिल हैं:

• Blind well test: उन स्थानों पर प्रशिक्षण और मूल्यांकन भविष्यवाणियों से एक या अधिक कुओं को वापस पकड़ना।
• ]Ensemble तरीकों:] प्रशिक्षण एकाधिक मॉडल (जैसे, बैगर्ड यादृच्छिक जंगलों, पेड़ों को बढ़ावा दिया) और अनिश्चितता के लिए एक प्रॉक्सी के रूप में पहनावा सदस्यों के पार विविधता का उपयोग करना।
• ]Probabilistic outputs: मात्रात्मक प्रतिगमन में या संपत्ति के नक्शे के लिए आत्मविश्वास अंतराल उत्पन्न करने के लिए तंत्रिका नेटवर्क में Monte Carlo dropout का उपयोग करने के लिए नियतात्मक एमएल regressors परिवर्तित करना।
• ]स्थानिक जागरूकता के साथ क्रॉस-वैलिडेशन: प्रदर्शन मीट्रिक को बढ़ाने से स्थानिक ऑटोकोरेशन को रोकने के लिए ब्लॉक क्रॉस-वैलिडेशन या छुट्टी-एक अच्छी योजना लागू करना।

भौतिकी आधारित सिमुलेशन के साथ एकीकरण

शुद्ध डेटा संचालित एमएल मॉडल ज्ञात भौतिक कानूनों (जैसे, जन संरक्षण, डेरसी कानून) का उल्लंघन कर सकते हैं। विश्वसनीयता में सुधार के लिए, शोधकर्ता हाइब्रिड दृष्टिकोण में जलाशय सिमुलेशन के साथ एमएल को जोड़ते हैं। Physics-informed तंत्रिका नेटवर्क (PINNs) ने नुकसान समारोह में अंतर समीकरणों को एम्बेड किया, यह सुनिश्चित करने के लिए कि भविष्यवाणियां प्रवाह समीकरणों को संतुष्ट करती हैं। एक अन्य व्यावहारिक रणनीति एमएल को महंगे पूर्ण भौतिकी सिम्युलेटर के लिए प्रॉक्सी के रूप में उपयोग करती है: सिमुलेशन रनों पर प्रशिक्षित एक तंत्रिका नेटवर्क इतिहास मिलान, अनुकूलन और संवेदनशीलता को कम करने के लिए निकट-ती भविष्यवाणियां प्रदान कर सकता है।

चुनौतियां और सीमाएं

तेजी से प्रगति के बावजूद, जलाशय भविष्यवाणी में एमएल की कई बाधाओं ने व्यापक रूप से गोद लेने की घोषणा की:

• डेटा की कमी और असंतुलन: कई जलाशयों में पूर्ण कोर कवरेज के साथ केवल कुछ कुओं हैं, और लक्ष्य संपत्ति (जैसे उच्च-मूल्यांकन स्ट्रेक्स) दुर्लभ हो सकती है। सिंथेटिक ओवरसैम्पलिंग या एनालॉग जलाशयों से सीखने को स्थानांतरित करने से अनिश्चितता को लागू करने में मदद मिल सकती है।
• ]इंटरप्रेबिलिटी: जटिल मॉडल जैसे गहरे तंत्रिका नेटवर्क अक्सर काले बक्से होते हैं। जियोसाइंटिस्ट और नियामकों को निर्णयों के लिए स्पष्टीकरण की आवश्यकता होती है, SHAP (SHapley Additive exPlanations)] ]]] और LIME]] विशिष्ट इनपुट सुविधाओं के लिए पूर्वानुमान के लिए।
• ]गैर-स्थिरता: भूवैज्ञानिक प्रक्रियाएं स्थानिक रूप से बदलती हैं; एक बेसिन में प्रशिक्षित एक मॉडल दूसरे में विफल हो सकता है डोमेन अनुकूलन तकनीक जो क्षेत्रों में सुविधा वितरण को संरेखित करती हैं, एक सक्रिय अनुसंधान क्षेत्र है।
• Computational cost: प्रशिक्षण बड़े 3D CNN मॉडल पर पूर्ण मात्रा में भूकंपीय डेटा उच्च प्रदर्शन कंप्यूटिंग संसाधनों की मांग करता है, जो छोटे ऑपरेटरों के लिए निषेधात्मक हो सकता है।

भविष्य निर्देश

जलाशय भविष्यवाणी में एमएल की अगली लहर तीन विषयों पर केन्द्रित होगी:

1. ]स्वयं पर्यवेक्षित और अर्ध-पर्यवेक्षित शिक्षा: sparse लेबल पर ठीक ट्यूनिंग से पहले मॉडल को पूर्व निर्धारित करने के लिए विशाल अलाभित भूकंपीय वॉल्यूम का लाभ उठाते हुए, नाटकीय रूप से मैनुअल व्याख्या की आवश्यकता को कम करते हैं।
2. ]बहु मोडल डेटा संलयन: एकीकृत भूकंपीय, अच्छी तरह से, उत्पादन, और यहां तक कि उपग्रह InSAR डेटा एकीकृत मॉडल में एकीकृत है जो पूर्ण उपसतह चित्र को कैप्चर करता है।
3. ]Real-time बंद लूप अनुकूलन: अच्छी तरह से जलाशय मॉडल को अद्यतन करने के लिए एमएल मॉडल को वितरित करने के लिए लगातार नए डेटा ड्रिलिंग और उत्पादन के दौरान पहुंचते हैं, जिससे संचालन के अनुकूल नियंत्रण सक्षम हो जाता है।

निष्कर्ष

मशीन लर्निंग एल्गोरिदम आधुनिक जलाशय इंजीनियर के टूलकिट में अनिवार्य उपकरण बन गए हैं। वे भूकंपीय व्याख्या में तेजी लाते हैं, पेट्रोफिजिकल प्रॉपर्टी estimation में सुधार करते हैं, और अन्वेषण जोखिम और लागत को कम करते समय उत्पादन पूर्वानुमान को बढ़ाते हैं। हालांकि, सफल तैनाती के लिए सावधानीपूर्वक डेटा तैयारी, कठोर सत्यापन और डोमेन भौतिकी के साथ विचारशील एकीकरण की आवश्यकता होती है। चूंकि कम्प्यूटेशनल पावर बढ़ती है और नई वास्तुकला उभरती है, मशीन लर्निंग और भूविज्ञान के बीच तालमेल अधिक सटीक, कुशल और टिकाऊ तेल और गैस विकास को जारी रखेगा।