Il progetto di completamento rappresenta una parte sostanziale della spesa totale di un capitale del pozzo e influenza profondamente la sua traiettoria di produzione a lungo termine. Gli ingegneri devono navigare in un insieme complesso di parametri intercorrenti - dalla geometria della perforazione e dalla chimica del fluido di stimolazione all'architettura del controllo della sabbia - per costruire un sistema che massimizza il recupero mentre gestiscono i costi e il rischio operativo.

Comprendere bene la progettazione di completamento

Il completamento del pozzo comprende l'ingegneria e l'installazione delle attrezzature e dei processi necessari per portare un pozzo in produzione dopo la perforazione è terminata. Questa fase traduce il potenziale teorico del serbatoio in flusso di idrocarburi fisico. I componenti chiave di un progetto di completamento possono essere ampiamente classificati nel completamento inferiore, che si interfaccia direttamente con la formazione, e il completamento superiore, che collega il completamento inferiore alle strutture testate e superficie.

I parametri di progettazione critici all'interno del completamento inferiore includono:

  • Strategia di perforazione:[[] Decisioni riguardanti la densità di scatto, la fase, la profondità di penetrazione e il diametro del foro di entrata. Questi parametri controllano direttamente l'area di flusso e possono influenzare la produzione di sabbia e la stabilità del pozzo.
  • Stimolazione della formazione:[ Per molti pozzi, raggiungere i tassi di flusso economici richiede fratture idrauliche o matrice acidificante. Le variabili chiave includono il tipo di fluido e viscosità, la concentrazione di proppanto e la dimensione della maglia, la velocità della pompa e il volume di trattamento. L'interazione tra queste variabili e il regime di stress locale determina la geometria e la conducibilità della rete di frattura creata.
  • Controllo di massa:[] In formazioni non consolidate, i metodi di controllo della sabbia come i sassi, i frac-pack, o gli schermi di sabbia espandibile sono essenziali. La scelta del metodo e la sua specifica dimensionamento (ad esempio, dimensione della rete metallica gravel) devono bilanciare la ritenzione della sabbia con l'efficienza del flusso.
  • Controllo di fondo:[[] I dispositivi di controllo del flusso (ICD) e le valvole di controllo intervalali (ICVs) sono sempre più utilizzati per gestire il flusso lungo il lato, bilanciando il dispendio e ritardando la svolta dell'acqua o del gas. Il numero di scomparti e le impostazioni specifiche di questi dispositivi costituiscono variabili di progettazione chiave.

Ottimizzare questi parametri è reso difficile dalla natura eterogenea delle formazioni subsuperficiali. Un design che produce ottimi risultati in una arenaria ad alta permeabilità potrebbe svolgere scarsamente in un carbonato stretto. Il contesto economico – prezzo dell'olio, costi di servizio, tasso di sconto – aggiunge un altro strato di complessità all'obiettivo di ottimizzazione, che è spesso quello di massimizzare il valore attuale netto (NPV) piuttosto che semplicemente la produzione cumulativa.

Imparare la macchina come una soluzione per l'ottimizzazione dei parametri

Mentre la simulazione fornisce una base fisica robusta, è computazionalmente costosa. Questo limita il numero di scenari che possono essere valutati realisticamente. Modelli di apprendimento automatico, una volta formati su dati storici, possono valutare migliaia o milioni di progetti candidati in pochi secondi. Non sostituiscono la simulazione ma aumentano consentendo una ricerca molto più ampia e più veloce dello spazio dei parametri.

L'apprendimento supervisionato è il paradigma più comune per questo compito. Il modello è formato per prevedere una variabile di destinazione, come la produzione di olio cumulativo di 1 anno, il recupero definitivo stimato (EUR), o NPV, basato su una serie di caratteristiche di input. Queste caratteristiche includono i parametri di completamento sopra elencati, proprietà geologiche (porosità, permeabilità, pressione iniziale), e dati di perforazione (indicatori di danno di formazione).

Gli algoritmi ML sono intrinsecamente adatti a catturare le relazioni non lineari e ad alta dimensione inerenti al design di completamento. Possono identificare modelli che non sono evidenti agli analisti umani utilizzando metodi statistici tradizionali. Per esempio, un modello ML potrebbe rilevare che una particolare combinazione di applicazione di perforazione phasing e di concentrazione di proppant produce risultati superiori in regimi di stress specifici, un rapporto che sarebbe molto difficile da quantificare attraverso le corse manuali di cross-vatura o singolo-

Metodologie e flusso di lavoro

L'implementazione di un flusso di lavoro di ottimizzazione basato su ML comporta diverse fasi distinte, ognuna delle quali richiede un'attenta attenzione ai dettagli.

Curazione dei dati e Ingegneria delle caratteristiche

Per i ben completamenti, questo significa assemblare un insieme di dati coerente su più pozzi. Ciò comporta spesso tirare i dati da fonti disparate: rapporti di perforazione, rapporti di completamento, registri petrofisici, database di produzione e record finanziari.

La gestione dei dati mancanti è una sfida comune. I pozzi possono mancare di registri chiave, hanno rapporti di stimolazione incompleti, o dati di pressione mancanti. Le strategie di imputazione devono essere selezionate con attenzione per evitare di introdurre pregiudizi. L'ingegneria della caratteristica è dove l'esperienza del dominio diventa inestimabile. Le variabili crude sono spesso combinate per creare predittori più informativi.

  • Intensità di regolazione:[] Massa di proppanto totale divisa per lunghezza di intervallo perforato.
  • Rapporto di dimensioni:[ Rapporto di conducibilità frattura, fattore di pelle senza dimensione.
  • Indicatori geomeccanici:[ Il rapporto tra il modulo e il Poisson è stato mediamente superiore alla zona di destinazione.
  • Caratteristiche spaziali:[ Distanza al contatto dell'acqua, distanza da iniettori offset, ben spaziatura.

L'ingegneria delle funzioni attenta migliora l'accuratezza del modello e, nel caso dei modelli a base di albero, fornisce un modo diretto per capire quali processi fisici il modello considera più importante.

Selezione di Algoritm

Diversi tipi di algoritmi sono adatti per l'ottimizzazione del completamento. La scelta dipende dalla dimensione del set di dati, dall'interpretabilità richiesta e dal target di previsione specifico.

  • Random Forest:[] Un insieme di alberi decisionali che media le previsioni. È robusto per i outlier, gestisce bene la non linearità e fornisce punteggi di importanza caratteristica nativa.
  • Gradient Boosting (XGBost, LightGBM, CatBoost): Questi algoritmi costruiscono alberi sequenziali, ogni nuovo albero correggendo gli errori dei precedenti. Spesso ottengono risultati all'avanguardia sui dati tabulari.
  • Reti neurali:[] Le reti neurali profonde completamente connesse possono catturare interazioni complesse, ma richiedono set di dati più grandi e un'attenta elaborazione dei parametri ipertestuali.
  • Support Vector Machines (SVM):[] Efficace per i piccoli set di dati e spazi ad alta dimensione, ma meno comune per questo specifico problema di regressione rispetto ai metodi di ensemble.

In pratica, una combinazione di questi modelli viene spesso valutata, e il miglior performer viene selezionato in base alle metriche di validazione.

Formazione del modello, convalida e quantificazione di uncertezza

La standard k-fold cross-validation presuppone che i campioni di dati siano indipendenti e distribuiti identicamente. Questa ipotesi è spesso violata in dati ben precisi perché i pozzi all'interno dello stesso campo condividono una storia geologica e operativa comune. Se i pozzi dello stesso campo sono divisi tra i set di formazione e di validazione, il modello apparirà più accurato di quanto sia veramente.

Invece di prevedere un singolo punto (ad esempio, EUR = 500.000 barili), i modelli o metodi Bayesian come Quantile Regression possono fornire un intervallo di previsione (ad esempio, 10 ° percentile = 400.000, 90 ° per centoile = 600.000).

Vantaggi pratici di un flusso di lavoro di completamento ML-Driven

Integrare l'apprendimento automatico nel processo di progettazione di completamento offre diversi vantaggi tangibili che si traducono direttamente a prestazioni di asset migliorate.

Speed of Evaluation:[] Un simulatore basato sulla fisica calibrato può richiedere ore o giorni per valutare uno scenario di completamento unico. Un modello ML può valutare milioni di scenari in una frazione di secondo. Questo permette agli ingegneri di esplorare lo spazio completo di progettazione esaurientemente, piuttosto che limitarsi a una manciata di casi selezionati manualmente.

Analisi oggettiva e sistemica:[] Le biasi e i preconcetti umani possono influenzare inavvertitamente i processi di progettazione tradizionali. Un modello ML, formato su un ampio set di dati storici, pondera oggettivamente le prove di tutti i pozzi disponibili.

Capibilità del design probabilistico: Piuttosto che produrre un unico design "ottimo", i modelli ML possono generare una previsione probabilistica completa per qualsiasi dato scenario di completamento. Questo permette agli operatori di scambiarsi esplicitamente tra rischio e ricompensa. Ad esempio, un design con un rischio medio leggermente inferiore ma significativamente inferiore potrebbe essere preferito in un ambiente di basso prezzo.

Sfide tecniche e operative

Nonostante il suo potenziale, l'applicazione di ML al design di completamento non è senza sfide significative che devono essere gestite esplicitamente.

Data Quality and QuantitÃ: Questo à ̈ l'ostacolo piÃ1 comunemente citato. I set di dati sono notoriamente radi, rumorosi e inconsistenti. Molte variabili che influenzano bene le prestazioni non sono misurate o sono registrate in modo incongruente attraverso le acquisizioni. Un modello formato su dati di scarsa qualità produrrà previsioni inaffidabili, indipendentemente dalla sofisticabilità dei dati algoritmo richiesti.

Model Interpretibilità e fiducia: Gli ingegneri e decisori sono comprensibilmente esitanti a fidarsi di un modello i cui lavori interni sono opachi. Un modello potrebbe prevedere prestazioni forti per un particolare design, ma se gli ingegneri non riescono a capire perché, saranno riluttanti ad usarlo.

Integrazione con i flussi di lavoro esistenti: L'adozione di un approccio basato su ML richiede modifiche ai flussi di lavoro di ingegneria consolidati. Richiede la collaborazione tra scienziati di dati, petrofisici, geologi e ingegneri di completamento.

L'evoluzione delle competenze Ingegneria con AI

L'onda corrente delle applicazioni ML è solo l'inizio, il campo si sta muovendo verso sistemi AI più integrati e fisicamente coerenti.

Le reti neurali informatiche (PINN): Le reti neurali standard possono fare previsioni che violano le leggi fisiche. I PINN incorporano le equazioni differenziali parziali di governo (ad esempio, le equazioni di flusso fluido) direttamente nella funzione di perdita durante la formazione.

Imparare a rinforzare il controllo in tempo reale: Per i pozzi con completamento intelligente (ad esempio, più ICV), l'apprendimento del rinforzo può essere utilizzato per formare un agente per gestire autonomamente bene le impostazioni in tempo reale. L'agente impara una politica di controllo che massimizza la ricompensa cumulativa (ad esempio, la produzione di petrolio) regolando le valvole in risposta a condizioni di taglio a valle di caduta.

Modelli generativi:[] Le reti avversarie generative (GAN) e gli autoencoders Variational (VAEs) possono essere utilizzati per generare dati realistici di bene sintetico. Ciò può essere particolarmente utile per aumentare i set di dati radi o per generare un insieme diversificato di progetti candidati che esplorano nuove aree dello spazio dei parametri, guidando la ricerca per i completamento veramente ottimali.

Conclusioni

L'integrazione dell'apprendimento automatico nel design di completamento rappresenta un passo avanti significativo nella capacità del settore di ottimizzare il valore patrimoniale. La transizione da flussi di lavoro basati esclusivamente sulla fisica a quelli basati su dati ibridi, informati, è ben avviata. Mentre le sfide legate alla qualità dei dati, all'interpretazione dei modelli e al cambiamento organizzativo rimangono, la capacità di esplorare rapidamente e sistematicamente lo spazio di progettazione ad alta dimensione offre un chiaro vantaggio competitivo.