La crescente sfida delle riserve stima in ambienti complessi sottosonda

Le riserve di bilancio geologico-complesso dei flussi di lavoro convenzionali al loro punto di rottura. Piattaforme di carbonato eterogenee, sistemi di turbidite di acque profonde, serbatoi interrati e non convenzionali come gas serra o oli, mostrano variazioni di proprietà che sfidano la semplice mediazione.

Dalle Assunzioni Determinanti ai Flussi Probabilistici, Data-Centric

I risultati tradizionali di stima dei dati relativi all'analisi dei dati, che si basano su una serie di fattori, sono spesso in grado di valutare i risultati di una valutazione dei dati relativi alla produzione, e di individuare i risultati di un'analisi dei dati.

L'Ecosistema dei dati Fondamentali per la stima delle riserve moderne

I grandi dati analytics non possono avere successo senza una solida base di dati ben curata. I beni moderni generano un torrente di informazioni da fonti diverse, e la sfida consiste nell'armonizzazione di questi flussi in un corpo coerente e queryable.

Imaging di sottosonda ad alta definizione: dati sismici e oltre

Le riserve sismiche di 3D e 4D distinguono la risoluzione spaziale che era inimmaginabile due decenni fa. La migrazione di profondità di pre-stack, l'inversione di piena-onda, e l'analisi di multi-attribuzione producono volumi densi di ampiezza, fase, frequenza e azimthal anisotropy attributi.

Wellbore Data: dai registri petroliferi ai dati di Core e Image

I flussi di dati di tipo digitale rimangono l'ossatura delle barriere di subsuperficie, ma il loro valore si moltiplica quando combinati con misurazioni di nucleo, campioni di pareti laterali e registri di immagini di borehole.

Sorveglianza dinamica: produzione in tempo reale, pressione e dati fluidi

I sistemi di rilevamento delle acque sono più veloci di quelli previsti per l'analisi dei flussi di dati, che possono essere analizzati con precisione e precisione.

Architetto dell'infrastruttura dati per analisi scalabili

L'acquisizione di dati grandi richiede più di semplice raccolta di file, richiede un'architettura deliberata per lo storage, l'elaborazione, la governance e l'accesso.

Governance dei dati, standard e assicurazione qualità

I team di ricerca affidabili e affidabili di dati di monitoraggio dei dati di linea, i cosiddetti "distretti" (distretti di riferimento) e i "distributori" (detti di riferimento) "distribuiscono i dati essenziali" (detti di riferimento) che minano anche i più sofisticati modelli ML.

Cloud-Native Data Lakes e High-Performance Computing

I sistemi di gestione delle risorse umane e di controllo delle risorse umane sono sempre più inadeguati per il volume e la varietà dei dati moderni. I laghi dati basati su cloud sono costruiti su piattaforme come AWS for Energy, Microsoft Azure Energy Data Services, o Google Cloud forniscono un'archiviazione degli oggetti scalabili, serverless ETL e cluster GPU on-demand per la formazione ML.

Modellazione e integrazione dei dati semantici

I dati grezzi provenienti da diverse discipline utilizzano diversi vocabulari e frame di riferimento. Un orizzonte sismico raccoglie file, un file LAS ben log, e un foglio di distribuzione di produzione tutti descrivono lo stesso serbatoio ma in schemi incompatibili. I modelli di dati semantici che mappano queste fonti disparate ad un comune ontologia sono critici per consentire le query cross-domain.

Imparare la macchina e intelligenza artificiale: il motore analitico

Con un set di dati pulito e integrato, gli algoritmi di machine learning diventano il motore per la stima delle riserve predittive. La scelta dell'algoritmo dipende dal tipo di problema, dalla disponibilità dei dati e dall'interpretabilità desiderata.

Imparare a leggere per i volumitrici e le previsioni EUR

I risultati dell'apprendimento supervisionato sono un modello su dati storici etichettati per prevedere una variabile di destinazione, più comunemente stimati recupero (EUR) o una proprietà serbatoio come la porosità.

Imparare senza supervisione per la conservazione Caratterizzazione e classificazione delle facies

I metodi non supervisionati identificano i raggruppamenti naturali nei dati senza dover ricorrere a obiettivi etichettati. Gli algoritmi di clustering come K-means, clustering gerarchico e mappe auto-organizzanti possono essere applicati a dati multidimensionali, attributi sismici, curve di registro o profili di produzione, per definire classi di serbatoio distinte.

Apprendimento profondo per il riconoscimento del modello spaziale e temporaneo

I sistemi di elaborazione di sistemi di controllo e di controllo dei sistemi di controllo (in inglese) sono in grado di fornire un'informazione più approfondita e più adatta a livello di controllo.

Reti neurali informatiche per la modellazione ibrida

Una frontiera promettente è la combinazione di dati-driven apprendimento con vincoli fisici. Le reti neurali informatiche (PINN) incorporano equazioni di governo - Legge di Darcy, conservazione di massa, relazioni di permeabilità relative - nella funzione di perdita della rete neurale. Ciò assicura che le previsioni siano coerenti con la fisica conosciuta, anche quando i dati di formazione sono radi.

Quantificare e comunicare l'incertezza nelle riserve

I risultati della ricerca sono stati ottenuti con una serie di dati che hanno portato a termine la valutazione di un'intera struttura di dati, che è stata effettuata con un'analisi comparativa dei dati.

Applicazioni reali: studi di casi in grandi riserve di dati

Diversi operatori hanno dimostrato il valore tangibile dei flussi di lavoro delle riserve incentrate sui dati, che illustrano la metodologia in azione e i risultati ottenuti.

Il bacino permiano, Stati Uniti: Un importante operatore indipendente con oltre 2.000 pozzi orizzontali ha applicato un modello di albero a gradiente-boosted per prevedere EUR come funzione di parametri geologici e di completamento. L'analisi ha rivelato che il carico di proppant per fase e la spaziatura di cluster ha spiegato circa il 40% della variabilità in EUR.

Carbonato Offshore, Medio Oriente:[] Una compagnia petrolifera nazionale ha integrato dati sismici time-lapse (4D), registri di produzione e analisi transitorie di pressione in un quadro Bayesiano per il rimanente petrolio in posizione. La gamma di incertezza (P90–P10) è stata ridotta del 50% rispetto alla precedente stima deterministica, permettendo al gestore di deferire una campagna multi-compilazione di maggiori quote di risparmio di petrolio.

I Turbiditi Deepwater, Golfo del Messico: Un operatore ha utilizzato le CNN per classificare le facies sismiche dai volumi pre-stack migrati a profondità e ha integrato i risultati in un modello di serbatoio. Il modello di facies ML-derived ha ridotto il mismatch tra i dati di produzione simulati e osservati del 35% rispetto ad un modello gesico precedentemente revisionato.

Questi esempi dimostrano che le grandi analisi dei dati possono fornire [ miglioramenti misurabili[]] in accuratezza delle riserve, riduzione del rischio e efficienza dei capitali attraverso diverse impostazioni geologiche e fasi di campo.

Indirizzare i Barrieri all'Adozione

Nonostante i vantaggi convincenti, molte organizzazioni lottano per implementare grandi flussi di lavoro di dati per la stima delle riserve. Le sfide sono tanto culturali quanto tecniche.

Integrazione dei dati Silos e Legacy System

I dati sono spesso diffusi in database disparati, fogli di calcolo e archivi di carta gestiti da diversi dipartimenti. I dati sismici vivono su un file system separato da ben log, che sono in un database diverso dai dati di produzione.

Competenze Gap e Cultura Organizzativa

La stima delle riserve è stata tradizionalmente il dominio di ingegneri del serbatoio e geoscienziati con decenni di esperienza. L’apprendimento automatico e la scienza dei dati richiedono una diversa abilità impostata che pochi nel settore possiedono. Le organizzazioni di successo creano team tigre disciplinari] che accoppiano esperti di dominio con i data sciences, promuovendo la collaborazione attraverso la co-location e gli obiettivi condivisi.

Conformità di regolazione e verifica

Le stime delle riserve sono soggette a controlli esterni da parte degli enti normativi (ad esempio SEC, FERC) e delle società di consulenza indipendenti. I modelli ML devono essere verificabili e spiegabili per soddisfare tali requisiti. Ciò significa documentare le fonti di dati, effettuare passi preprocessing, modellare l'architettura, il processo di formazione e convalidare i risultati in modo tracciabile.

Il futuro: Autonoma gestione del patrimonio e modelli di AI Foundational

I grandi dati di sviluppo delle riserve [F] sono stati utilizzati per l'aggiornamento continuo e autonomo dei modelli di sub-superficie che migliorano con ogni nuovo punto di dati. I gemelli digitali – replica dinamica digitale di migliaia di asset fisici che ingeriscono i dati dei sensori in tempo reale e gestiscono simulazioni predittive – consentiranno agli operatori di testare scenari di sviluppo e aggiornare le riserve in tempi quasi reali.

I campi complessi presentano sempre sfide uniche, ma gli strumenti esistono ora per affrontare queste sfide con rigore e trasparenza. Investendo in infrastrutture di dati, talenti interfunzionali e capacità di apprendimento automatico, gli operatori possono trasformare la stima delle riserve da un esercizio periodico con la soggettività in un processo continuo e basato sulle prove che costruisce fiducia con investitori, regolatori e stakeholder interni. Il payoff non è solo numeri migliori, ma è una migliore decisione, un minore rischio e un portafoglio maggiore.