기계 학습 알고리즘의 응용 프로그램 오일 Reservoir Prediction

Oil Reservoir Prediction의 기계 학습 소개

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Core Machine Learning Paradigms는 저수지 문제로 적용

보존 작업은 일반적으로 3 가지 주요 ML 패러다임 중 하나에 떨어지며, 각 다른 데이터 유형과 목표에 적응.

Quantitative Property Estimation에 대한 감독 학습

Supervised Learning은 대상 속성 (예 : 핵심 플러그에서 측정 된)을 나타내는 예제에서 모델을 훈련합니다. 일반적인 알고리즘은 [[FLT : 0]] 랜덤 숲[FLT : 1], [[FLT : 2]]] 지원 벡터 머신[[FLT : 3]], [FLT : 4]]]]]artificial neparaural network[FLT : 5]를 포함합니다. 이 모델은 특정 영역의 데이터를 입력하고, 특정 영역의 데이터를 입력하는 데 필요한 데이터를 입력 할 수 있습니다.

Facies 분류 및 Anomaly 탐지를 위한 감독된 학습

최적화 및 현장 관리에 대한 보강 학습

RL(Reinforcement Learning) 프레임은 순차적인 결정 문제로 관리합니다. RL 에이전트는 보수 시뮬레이터와 상호 작용하며, 새로운 웰빙을 조정하고, 누적 오일 생산 또는 순 현재 가치를 기반으로 보상을받습니다. 많은 에피소드 위에, 에이전트는 장기 경제 수익을 극대화하는 최적의 정책을 배웁니다. 실제로 연습에서 여전히 신흥 동안 RL은 자동 생산 및 순 현재 가치를 기반으로 보상을받습니다. 많은 에피소드에, 에이전트는 장기적인 경제 수익을 극대화하는 최적의 정책을 배웁니다. 실제로 RL은 자동 생산 및 생산에 대한 약속을 보였습니다.

Reservoir Prediction 및 Characterization의 주요 응용

기계 학습 알고리즘은 탐험에서 포기까지, 방부제의 전체 수명주기를 통해 배포됩니다. 다음 응용 프로그램은 가장 성숙하고 충격적인 사용 사례를 나타냅니다.

Seismic Data Interpretation 및 Attribute 분석

세리즘 조사는 3D 볼륨의 테라 바이트를 생성합니다. ML 모델은 이러한 데이터를 자동으로 수평선을 선택, 결함을 감지하고, 세리즘 facies를 분류 할 수 있습니다. 예를 들어, convolutional neural network (CNNs) 라벨 세리즘 섹션에서 훈련하거나 정확도 라이벌 인 인간 해석기를 가진 채널과 turbidite 팬을 식별 할 수 있습니다. 또한, 비열성 물질적 인지도, 확증성적 인지도를 측정하는 데 사용됩니다.

유변성 및 침투성 예측

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

유체 포화 및 탄화수소 타이핑

물이나 가스에서 증류 오일은 유료 영역 식별에 필수적입니다. 진흙 로그, 유체 샘플링 데이터에 훈련 된 ML 클래스터 및 고급 분광기 로그는 기본 유선 로그에서 유체 유형을 혼자 예측할 수 있습니다. 주요 구성 요소 분석 (PCA)과 결합 random 숲 분류 차원을 감소시키고, 가장 중요한 결정은 가장 중요한 결정적인 기능을 가능하게하는 동안 가장 중요한 결정적인 특징을 만드는 차원을 강조합니다.

생산 예측 및 Decline 곡선 분석

Data Preparation 및 기능 공학

ML 예측의 품질은 입력 데이터에 크게 의존합니다. 저수지 데이터 세트는 종종 노이즈, 불완전하고 측정 오류로 백구를 나타냅니다. 견고한 사전 처리 파이프라인은 다음과 같습니다.

Outlier 제거: statistical 임계값이나 클러스터링을 사용하여 공구용 malfunction 또는 대형 손상에 의한 비열한 측정을 제거.
Misssing data imputation: 여러개의 imputation, MICE, 또는 k-nearest Neighbors와 같은 기술로 잘 로그 또는 핵심 분석에 있는 격차를 채우기 위하여.
정상화 및 스케일링: 일반적인 범위(예: 최소-최대 스케일링 또는 z-score 표준화)에 대한 확장 기능으로 모델의 투약에서 큰 규모의 변수를 방지합니다.
특징: 상관 분석, 상호 정보, 또는 반복적인 기능 제거를 사용하여 가장 예측 속성만 유지하고 과감한 결과를 감소시킵니다.
세로닉-투웰 넥타이 정렬: 합성 세로그램이나 자동 전사 알고리즘을 사용하여 세로닉 볼륨과 잘 마커 사이의 깊이 손상을 수정합니다.

모델 검증 및 Uncertainty Quantification

보존 예측은 신뢰의 측정에 의해 동반되어야 합니다. ML 모델은 과도한 낙관적 오류 추정에 이르는 위험 또는 비틀림된 교육 데이터를 초과하는 것입니다. 좋은 연습은 다음과 같습니다.

Blind well tests: 훈련에서 하나 이상의 잘 유지 하 고 그 위치에 예측을 평가.
Ensemble 메서드: 여러 모델(예: bagged random forests, boosted tree)를 훈련하고, ensemble 회원의 다양한 활용을 통해 예측 불확실성을 위한 프록시로 활용합니다.
Probabilistic output: quantile regression로 deterministic ML regressors를 변환하거나, 속성 맵에 대한 신뢰 간격을 생성하기 위해 신경 네트워크의 Monte Carlo dropout을 사용하여.
공간 인식을 가진 크로스 유효성:] 블록 크로스 유효성 또는 출하-하나-well-out 계획을 적용하여 성능 메트릭에서 공간 자동 상관관계를 방지합니다.

Physics 기반 Simulation과 통합

연구원들은 연구원들이 연구원들의 연구원들이 연구원들의 연구원들이 연구원들의 연구원들의 연구원들이 연구원들의 연구원들이 연구원들의 연구원들이 연구원들의 연구원들의 연구원들을 돕고 있습니다. 연구원들은 연구원들이 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들이 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들을 돕고 있습니다. 연구원들은 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들의 연구원들을 돕고 있습니다.

도전과제

급속한 진도에도 불구하고, 몇몇 장애는 저수지 예측에 있는 ML의 광대한 채택을 무방합니다:

]데이터 스카이시 및 불균형:] 많은 저수지에는 전체 코어 적용으로 몇 가지 잘 가지고 있으며, 대상 속성(예: 고가용성)은 드문 경우가 있습니다. 아날로그 방부제로부터 합성 과잉 또는 이동 학습은 도움이 될 수 있지만 불확실성을 도입합니다.
Interpretability:] 의 깊숙한 네트워크와 같은 복잡한 모델은 종종 블랙 박스입니다. Geoscientists 및 레귤레이터는 결정에 대한 설명, ]SHAP (SHapley 첨가제 exPlanations)] 및 LIME] 의 특정 입력 기능에 대한 예측에 대한 설명이 필요합니다.
Non-stationarity: 지질 공정은 공간적으로 다를 수 있습니다; 한 분기에 훈련 된 모델은 다른 곳에서 실패 할 수 있습니다. 필드 전체에 걸쳐 기능 분포를 정렬하는 도메인 적응 기술은 활성 연구 영역입니다.
Computational cost: Full-volume seismic data에 대한 대형 3D CNN 모델은 고성능 컴퓨팅 리소스를 필요로하며, 더 작은 연산자에 대한 금지 될 수 있습니다.

미래 지향

보존주의에 있는 ML의 다음 파는 3개의 테마에 센터를 갖게 될 것입니다:

자기초음과 세미초음 학습:] 광대한 상표가 붙은 하수구 볼륨을 활용해, 극적으로 수동 해석에 필요한 것을 감소시키기 위한 공간 라벨을 정리하기 전에 전의 모델을 미리 변형시킵니다.
Multi-modal data fusion:] seismic, well, production, 심지어 satellite InSAR data를 통합하여 전체 하위표시 사진을 캡처하는 통합된 모델로.
Real-time Closed-loop 최적화: 멸균장치에 ML모델을 배포하여, 새로운 데이터가 드릴 및 생산 중에 지속적으로 업데이트할 수 있도록, 작업의 적응 제어를 가능하게 합니다.