オイル貯水池予測における機械学習アルゴリズムの応用

流体飽和・炭化水素チッピング

水やガスからの油を区別することは、ペイゾーン識別のために不可欠です。 泥のログ、流体のサンプリングデータ、および高度な分光ログで訓練されたMLの分類器は、基本的なワイヤラインログから流体タイプを予測することができます。 ]などの技術は、主なコンポーネント分析(PCA)と組み合わせて]]ランダム林分類は、寸法を減らし、ほとんどのディスクの決定を有効にします。

生産予測と意思決定曲線分析

将来の油とガスレート予測では、フィールド開発計画、施設のサイジング、および経済評価を通知します。 MLモデルは、従来の減少曲線分析を拡張し、スパッシング、完了パラメータ、および干渉効果などの追加の変数を組み込むことができます。 再発ニューラルネットワーク(RNN)と[]の長期的メモリ(LSTM)]]]ネットワークは、生産時間シリーズの一時的な依存性をキャプチャし、多くの場合、Arpsの過剰な転帰の流れを過剰に変形させることが多い。

データ作成と機能工学

ML予測の品質は、入力データに大きく依存します。 貯水池のデータセットは、多くの場合、ノイズ、不完全、および測定エラーによって盗まれています。 強力なプリプロセッシングパイプラインは次のとおりです。

• 剥離:]] 工具故障による浄化測定や、統計的閾値またはクラスタリングによる形成損傷を排除します。
• []データの暗示:[複数の暗黙、MICE、またはk-nearest隣人のような技術は、よくログやコア分析のギャップを埋めます。
• []正規化とスケーリング:[]] 共通範囲(例えば、最小限のスケーリングまたはzスコアの標準化)に機能を再スケールして、モデルを支配する大きな倍率で変数を防止します。
• 機能選択:]] 相関分析、相互情報、または最も予測的な属性だけを保持し、過度の影響を減らすための再帰的機能の排除を使用して。
• [] 地震対井戸のタイの直線:[[]]] 地震の容積と合成地震の地震または自動歪むアルゴリズムを使用して、よくマーカー間の深さの不一致を修正します。

モデル 検証と不確実性 定量

貯水池予測は自信の対策を伴って必要です。 MLモデルは、過度の誤差推定につながる、スパールや偏見トレーニングデータをオーバーフィットする傾向があります。 良好な練習は、次のとおりです。

• [] よくテストされた:[]] トレーニングから1つ以上、それらの場所における予測の評価を支持する。
• []メソッドを組み立てる:[]]複数のモデルをトレーニング(例えば、袋詰めされたランダムフォレスト、木を増加)、アンサンブルメンバーを横断した分散を使用して、予測の不確実性をプロキシとして使用。
• [確率的出力:[ 変形性ML回帰器を定量化またはニューラルネットワークのモンテカルロドロップアウトを使用して、プロパティマップの信頼性の間隔を生成します。
• [空間意識による断層的な変化:[] ブロックの断層化や、空間オートコル化を防ぐための離脱方式を施すことで、性能メトリックの膨脹を防止します。

物理ベースのシミュレーションとの統合

純粋なデータ主導のMLモデルは、既知の物理的法(例、質量保護、ダーシーの法律)に違反する可能性があります。 信頼性を向上させるために、研究者は、ハイブリッドアプローチで貯水池シミュレーションとMLを組み合わせます。 物理情報情報情報情報型ニューラルネットワーク(PINN)は、さまざまな条件を損失関数に組み込むことで、予測がフローの式を満たしていることを確認します。 もう一つの実用的な戦略は、計算能力を最適化するために高価な分析として使用し、計算能力を最適化することができます。

課題と限界

急速な進歩にもかかわらず、いくつかの障害は、貯水池予測におけるMLの広範な普及を妨げます:

• データ希少性と不均衡:[]] 多くの貯水池は、フルコアのカバレッジで数少ない井戸を持っているし、対象のプロパティ(例えば、高精細性縞)はまれであるかもしれません。 アナログリザーブワーズから学習を合成または転送することは、助けることができるが、不確実性を導入することができます。
• []解釈性:[]]深層ニューラルネットワークのような複雑なモデルがしばしば黒いボックスです。 ジオサイエンティストと規制当局は、決定のための説明、 の利益を削減する ]および [[]]]LIME特定の入力機能に対する予測を属性に必要とします。
• [非静止度:[]]地質学的プロセスは空間的に変化します。 1つの盆地で訓練されたモデルは、別の場所で失敗するかもしれません。 フィールド全体で機能分布を揃えるドメイン適応技術は、アクティブな研究領域です。
• 計算コスト:]] 大量の3D CNNモデルをフルボリューム地震データでトレーニングすると、高性能コンピューティングリソースが要求され、小規模なオペレータにとっては禁止されています。

今後の方向性

貯水池予測におけるMLの次の波は、おそらく3つのテーマに集中するであろう:

1. []自己監修と半監修学習:[]]] 多角的な無数の地震ボリュームを緩和し、スパースラベルを微調整する前にモデルを事前に訓練し、手動解釈の必要性を大幅に削減します。
2. [マルチモーダルデータ融合:[地震、井戸、生産、さらには衛星InSARデータを統合して、完全なサブサーフェス画像をキャプチャする統一モデルに。
3. []リアルタイムクローズドループ最適化:[] 現場でMLモデルを展開して、新しいデータを掘削と生産中に着きますので、現場で再サービルモデルを更新し、操作の適応制御を有効にします。

コンテンツ

マシンラーニングアルゴリズムは、現代の貯水池エンジニアのツールキットに不可欠なツールになっています。 地震の解釈を加速し、石油化学的特性推定を改善し、生産予測を強化し、すべての一方で探査リスクとコストを削減します。 しかし、成功した展開は、慎重なデータの準備、厳格な検証、およびドメイン物理との思考的統合を必要とします。 計算された電力が成長し、新しいアーキテクチャが出現すると、機械学習と地理科学の間の相乗効果が、より正確で効率的な開発、および持続可能なガス開発を推進し続けます。