石油およびガス業界は、将来の井戸の生産とガイドの貯水池管理の決定を推定するために、過去に減少曲線分析(DCA)に依存しています。従来の方法は、生産データを手動でプロットし、モデルを低下させ、反復的にパラメータを調整するためにアナリストが必要であり、時間がかかりますだけでなく、人間のバイアスやエラーに敏感であるプロセス。 最近の人工知能(AI)と機械学習(ML)は、このワークフローを自動化することにより、このワークフローを変革し、曲線の調整、より速く、より正確な生産を可能にし、より正確な生産を拡張可能にします。

自動デクラインカーブ継手とは?

自動化された転倒曲線フィッティングは、AIとMLアルゴリズムを歴史の制作データに適用し、継続的なヒューマン・ビジュアライゼーションを必要としない最適な低下モデルとパラメータを特定します。このシステムは、生の生産速度、圧力データ、および運用イベントを摂取し、Arpsのハイパーボリック、指数関数的、調和的、またはストレッチされた指数関数などの高度なモデルを、目的のエラー・メトリクスを使用して最適なフィットを選択したりします。手動とは異なり、自動システムは、数百の候補を検証したり、データやレギュレーションを調節したり、データやレギュアモデルを調節したりすることができます。

これらのアルゴリズムは、従来の曲線にフィットする技術と神経ネットワークまたは勾配のブーストを組み合わせて、非線形関係をキャプチャします。例えば、再発ニューラルネットワーク(RNN)は、時間の経過とともに生成データから学習し、複雑なリザーブの動作を考慮する下軌跡を予測することができます。結果は、数千もの井戸に一貫した出力を提供する堅牢で反復可能な予測プロセスです。

AIと機械学習の重要な利点

精度の向上

AIモデルは、従来の手動継手がしばしば見落とす複雑な多変量関係を処理することができます。 そのようなボトムホール圧力、完了パラメータ、およびオフセットの良好な干渉などの変数を組み込むことにより、MLアルゴリズムは、実際の貯水池の動的を反映した低下曲線を生成します。 []]]:自動DCAは、手動方法と比較して予測エラーを20〜40%削減する、特に多相動作と過度な動作を介入する不便性再発症で、特に示した。

時間の効率

小規模なポートフォリオが数日または数週間で完了できるようになったのは、自動システムが生データを処理し、クリーンにし、モデルを埋め、最小限のユーザーインタラクションでレポートを生成します。このアクセラレーションにより、エンジニアは、繰り返しの手動調整を実行し、戦略的決定を下すのではなく、より多くの時間を費やすことができます。

一貫性と客観性

人間のアナリストは、よく親しみやすいモデル、過誤のノイズ、早期データを無視する微妙なバイアスを導入しています。機械学習アルゴリズムは、同じ数学的基準をすべての井戸に適用し、主観的な解釈から自由である同等の予測を生成します。この一貫性は、異なるチームや地域を横断する資産ポートフォリオを評価するときに特に価値があります。

資産ポートフォリオ全体でスケーラビリティ

自動化されたシステムは、数千もの井戸を同時に分析し、毎日数千の記録をそれぞれ分析することができます。 []]クラウドベースのアーキテクチャは、分の全バインの並列処理を可能にし、企業が毎月または毎週更新し、新しいデータが到着することを可能にします。 このスケーラビリティは、ポートフォリオの最適化、予算の最適化、および非推奨速度でのレポートの予備的なレポートをサポートしています。

適応学習と継続的な改善

MLモデルは、新しい生産データが利用可能になると再訓練することができます, 貯水池の状態を変更するために適応することができます, 刺激効果, または施設の制約. 当初は十分に予測されたモデルが、実際のデータの数ヶ月後に自己補正することができます. このクローズドループ学習は、予測が資産の寿命により正確になることを確認します.

運用決定に影響を及ぼす

自動化されたカーブフィッティングは、直接重要な運用ワークフローに供給します。 生産エンジニアは、ほぼリアルタイムの予測を使用して、人工リフトの最適化、緩和、または作業オーバーを通じて、介入から利益を得ることができる、介入の利益を下回る井戸を特定します。 貯水池エンジニアは、再資源モデルの精製、生産率の割り当て、および掘削キャンペーンの計画を集計した減少傾向に依存しています。 財務面では、より高速で、および予測の調整が向上し、このような状況を改善します。

また、IoTセンサーとSCADAシステムとの統合により、実際の生産が予測された低下から大幅に悪化したときに自動DCAがアラートをトリガーできます。この早期警告機能は、オペレータが収益の損失を最小限に抑え、最適な回復要因を維持するのに役立ちます。

課題と考察

利点にもかかわらず、自動減衰曲線フィッティングは、パンセアではありません。データ品質は、単一の最大の課題を残します。不完全で、騒々しい、または誤って生産記録をフラグし、MLアルゴリズムを誤解させ、非現実的な曲線を作り出します。 過度の検出、ギャップフィリング、および速度の正規化を含む、強力なデータ処理は、任意の自動化されたフィッティングが開始される前に不可欠です。

モデルは、他の懸念です。 ディープニューラルネットワークなどの多くの高精度なMLモデルが、特定の低下軌跡が選ばれる理由を理解するために、エンジニアが困難にしているようにする「ブラックボックス」として動作する。 []は、より説明可能なAI(XAI)技術を採用しています[[]。 機能重要スコアと部分的な依存性が自動出力で信頼を築くためにプロットを提供します。

最後に、組織変更管理は無視できません。信頼できるマニュアルプロセスから自動化システムへの移行には、トレーニング、ワークフロー再設計、およびデータ主導の意思決定に対する文化的シフトが必要です。テクノロジーと人々の両方に投資する企業は、自動化から最も利益をあげます。

リアルワールド・アプリケーションと事例

複数の主要な演算子は、自動DCAを実装した後に重要な利益を報告しました。 1つのペルミアン・バイン・オペレータは、5,000を超える水平井戸を分析するためにクラウドベースのMLプラットフォームを展開しました。 このシステムは、月間保存レポートを3週間から2日間に作成する時間を減らし、手動フィッティングと比較して予測精度を18%増加させました。 別の独立したオペレータは、Bakkenの形成のための統合されたデジタルツインの一部として自動DCAを使用しており、リアルタイムの優先順位付けを有効にし、非計画停止を12%削減しました。

サービス企業は、自動DCAを商用アプリケーションに組み込むこともできます。例えば、[]]のSmith Internationalのデジタル分析スイートは、より広範な保守管理プラットフォーム内のモジュールとして自動減衰曲線継手を提供しています。このようなツールは、オペレータが単一のインタフェースで経済モデル、リスク分析、およびシナリオ計画で減少予測を組み合わせることを可能にします。

自動デクラインカーブ解析の未来

自動化された DCA の次のフロンティアは、隣接するテクノロジーとより深い統合にあります。 []]] は、完成設計データで機械学習による減少予測を組み合わせることにより、ドリルされた前であっても、将来の井戸を最適化する予測モデルが有効になります。 リアルタイムの生産監視とエッジコンピューティングとの統合により、ディフュージョンカーブは、イベントが発生した際に動的に調整できます。たとえば、作業用やパイプラインのシャットダウン後に自動再較正します。

もう一つの有望な方向は、物理情報に基づいたニューラルネットワーク(PINN)を使用して、リザーバシー物理を直接トレーニングプロセスに埋め込むことです。これらのモデルは、スパースデータからでも、物理的に一貫した低下曲線を生成し、データドリブンと物理ベースのアプローチの間のギャップを埋めることができます。さらに、クラウドコストが削減され続けると、小規模なオペレータは、ソフトウェア・サービス(SaaS)が提供するエンタープライズ規模のDCA機能へのアクセスを得ることができます。

最終的に、自動減衰曲線継手は、デジタル油分野の標準コンポーネントになり、自動予備レポート、生産最適化ダッシュボード、および企業計画システムにシームレスに供給されます。今日これらのツールを採用する会社は、精度、速度、敏捷性において競争優位性を構築しています。

導入ベストプラクティス

自動化されたDCAを正常に実行するには、組織は、クリーンで公然利用可能なデータで井戸のサブセットに焦点を当てたパイロットプログラムを開始する必要があります。これにより、チームは、既知の成果に対してモデルのパフォーマンスを検証し、スケーリング前に自信を築きます。 []]]]は、ドメインの専門家を含むことが重要です。 保守担当者、ゲオジスト、およびデータサイエンティストは、モデル開発と検証で、その出力が物理的な期待に合わせることを確実にします。

日々、または毎週新しい生産記録を摂取するためにデータパイプラインが自動化されなければならない。そして、ガバナンスポリシーは、モデルを再訓練され検証される頻度を定義する必要があります。 最後に、手動ベンチマークによる自動予測を比較した直感的なダッシュボードを通して結果を発表することで、利害関係者は価値を見、採用を奨励するのに役立ちます。

さらなる学習のためのリソースには、 ]SPEデジタルエネルギー技術セクション[]]、石油工学における機械学習に関する文献、例えば[]OnePetro会議論文[]が含まれています。 これらのソースは、自動化を検討するチームのためのケーススタディ、アルゴリズム、および性能ベンチマークを提供します。

AIとMLを使用した自動減衰曲線フィッティングは、もはや未来的な概念ではありません。それは、精度、速度、一貫性、スケーラビリティで測定可能な利点を提供する実用的な実証済みのツールです。このテクノロジー、石油およびガス会社を組み込むことで、生産データを戦略的資産に変えることができ、フィールドからボードルームへのより良い決定を可能にします。