Introduzione all'apprendimento automatico nella prevenzione del risparmio di olio

L'industria petrolifera e del gas ha a lungo fatto affidamento su immagini sismiche, ben registri e campioni di base per caratterizzare i serbatoi di subsuperficie. Tuttavia, il volume e la complessità dei dati di geoscienza moderni hanno spinto i metodi interpretativi tradizionali ai loro limiti.

Paradigmi di apprendimento della macchina principale applicati ai problemi di conservazione

I compiti di previsione del Conservatorio di solito rientrano in uno dei tre principali paradigmi ML, ciascuno adatto a diversi tipi di dati e obiettivi.

Imparare a stimare la proprietà quantitativa

I dati di base più bassi sono utilizzati per la formazione di un sistema di monitoraggio, che comprende i parametri di base, i parametri di calcolo, i parametri di calcolo, i parametri di calcolo, i parametri di base, i parametri di calcolo, i parametri di base, i parametri di calcolo, i parametri di base, i parametri di calcolo, i parametri di calcolo, i parametri di calcolo, i parametri di base, i parametri di calcolo, i parametri di calcolo, i dati di calcolo, i dati di base, i dati di base,

Imparare senza supervisione per le Facies Classificazione e Rilevazione Anomalia

I metodi non supervisionati non richiedono obiettivi etichettati. Invece, essi identificano raggruppamenti naturali o outliers nei dati. K-means clustering], mappe auto-organizzanti, e modelli di miscelazione gassiana sono ampiamente utilizzati per la classe di fasci

Apprendimento di rinforzo per Ottimizzazione di perforazione e gestione del campo

Un agente RL interagisce con un simulatore di serbatoi, facendo azioni come la regolazione dei tassi di bene o la perforazione di nuovi pozzi, e riceve ricompense basate sulla produzione di petrolio cumulativo o sul valore attuale netto. Oltre molti episodi, l'agente impara una politica ottimale che massimizza il rendimento economico a lungo termine.

Applicazioni chiave nella Predizione e caratterizzazione del Conservatorio

Gli algoritmi di apprendimento automatico sono distribuiti in tutto il ciclo di vita di un serbatoio, dall'esplorazione all'abbandono.Le seguenti applicazioni rappresentano i casi di utilizzo più maturi e impattanti.

Interpretazione Sismica dei dati e analisi degli attributi

I modelli ML possono elaborare questi dati per raccogliere automaticamente gli orizzonti, rilevare i difetti e classificare le facies sismiche. Ad esempio, reti neurali convoluzionali (CNNs)] formati su sezioni sismiche etichettate possono segmentare i corpi di sale o identificare i canali e i fan di turbidite con precisione rivali di interpreti umani.

Predizione di porosità e permeabilità da ben log

Le analisi piefisiche tradizionali utilizzano equazioni empiriche (ad esempio, la legge di Archie, la media di tempo di Wyllie). Gli algoritmi ML, al contrario, possono integrare molteplici curve di log (gamma ray, resistivity, neutron, densitÃ) con misurazioni del nucleo per produrre previsioni continue.

Saturazione fluida e stampaggio a idrocarburi

I classificatori ML formati su registri di fango, dati di campionamento dei fluidi e registri di spettroscopia avanzati possono prevedere tipi di fluidi da soli di fili di base. Tecniche come analisi dei componenti principali (PCA)]] combinate con classificazione forestale di gravità[dimensione di riduzione[Dati di tempo]

Previsione di produzione e analisi della curva di decline

I modelli ML estendono l'analisi tradizionale della curva di declino incorporando variabili aggiuntive come ben spacing, parametri di completamento e effetti di interferenza. Rettifica reti neurali (RNN) e lungo la memoria a breve termine (LSTM)]]] catturano dipendenze temporali nella serie di tempo di produzione, spesso superando la memoria multiforme di Arps.

Preparazione e Ingegneria dei dati

La qualità delle previsioni ML dipende fortemente dai dati di input. I set di dati di conservazione sono spesso rumorosi, incompleti e afflitti da errori di misura.

  • Rimozione più elevata:[] Eliminare le misure spurie causate da malfunzionamenti degli utensili o danni alla formazione utilizzando soglie statistiche o clustering.
  • Imputazione dei dati di errore:[[] Tecniche come l'imputazione multipla, MICE, o vicini di k-impastare per colmare le lacune nei registri di pozzo o nell'analisi del nucleo.
  • Normalizzazione e scaling:[[] Caratteristiche di riscaldamento ad una gamma comune (ad esempio, scalatura min-max o standardizzazione a z-score) per impedire variabili di grandi dimensioni di dominare il modello.
  • Selezione della struttura:[[]] Utilizzando l'analisi della correlazione, le informazioni reciproche o l'eliminazione delle funzioni ricorsive per mantenere solo gli attributi più predittivi e ridurre l'overfitting.
  • Allineamento di cravatte sismico-bene:[ Correzione di errori di profondità tra volumi sismici e marcatori di pozzo utilizzando sismogrammi sintetici o algoritmi di deformazione automatica.

Validazione del modello e quantificazione dell'incertezza

Le previsioni del mantenimento devono essere accompagnate da misure di fiducia. I modelli ML sono inclini a sovrapporre i dati di formazione radi o biased, con un'eccessiva stima degli errori ottimisti.

  • Blind well testings:[] Tenendo indietro uno o più pozzi di formazione e valutazione delle previsioni in quei luoghi.
  • Metodi di montaggio:[] Formazione di modelli multipli (ad esempio, foreste casuali incascate, alberi aumentati) e utilizzando la varianza tra i membri dell'ensemble come proxy per l'incertezza di previsione.
  • Probabilistic outputs:[] Convertire regressori ML deterministici in regressione quantile o utilizzando il dropout di Monte Carlo nelle reti neurali per generare intervalli di fiducia per le mappe di proprietà.
  • Valida della cavità con la consapevolezza spaziale:[[] Applicare schemi di cross-validazione o di lasciare-one-well-out per impedire l'autocorrelazione spaziale da metriche di prestazione gonfianti.

Integrazione con la simulazione basata sulla fisica

Per migliorare l'affidabilità, i ricercatori combinano ML con la simulazione del serbatoio in approcci ibridi. Physics-informato reti neurali (PINN)] embed equazioni differenziali nella funzione di perdita, assicurando che le previsioni soddisfino le equazioni di flusso.

Sfide e limitazioni

Nonostante i rapidi progressi, diversi ostacoli impediscono l'adozione diffusa di ML nella previsione del serbatoio:

  • Più scarsità e squilibrio dei dati:[ Molti serbatoi hanno solo pochi pozzi con copertura completa del nucleo, e la proprietà di destinazione (ad esempio, striature ad alta permeabilità) può essere rara.
  • Interpretabilità:[] I modelli complessi come reti neurali profonde sono spesso scatole nere. I geoscienziati e i regolatori richiedono spiegazioni per le decisioni, stimolando l'interesse verso SHAP (esPlanations aggiuntive di SSL) e ]LIME
  • Non-stationarity:[[] I processi geologici variano a livello spaziale; un modello formato in un bacino può fallire in un altro. Le tecniche di adattamento del dominio che allineano le distribuzioni delle caratteristiche in tutti i campi sono un'area di ricerca attiva.
  • Costo computazionale:[] I modelli CNN 3D di grandi dimensioni su dati sismici a volume pieno richiedono risorse di calcolo ad alte prestazioni, che possono essere proibitive per gli operatori più piccoli.

Le direzioni future

La prossima ondata di ML nella previsione del serbatoio probabilmente si concentrerà su tre temi:

  1. Imparare a semi-supervisione e semi-supervisione: Imparare a riprodurre vasti volumi sismici non etichettati per pretrain modelli prima di effettuare la fine-tuning su etichette sparse, riducendo drasticamente la necessità di interpretazioni manuali.
  2. Multi-modal data fusion:[] Integrazione dei dati sismici, bene, produzione e anche satelliti InSAR in modelli unificati che catturano l'immagine completa della subsuperficie.
  3. Ottimizzazione a tempo chiuso a tempo pieno:[] Sfruttando modelli ML su dispositivi a bordo presso il sito per aggiornare i modelli di serbatoio continuamente come nuovi dati arrivano durante la perforazione e la produzione, consentendo il controllo adattativo delle operazioni.

Conclusioni

Gli algoritmi di apprendimento automatico sono diventati strumenti indispensabili nel moderno kit di strumenti del serbatoio. Accelerano l'interpretazione sismica, migliorano la stima della proprietà petrofisica e migliorano la previsione di produzione, riducendo al contempo il rischio di esplorazione e i costi. Tuttavia, l'implementazione di successo richiede una preparazione accurata dei dati, una validazione rigorosa e una integrazione ponderata con la fisica del dominio.