Introducere în învăţarea maşinilor în predicţia de rezervor de ulei

Industria petrolului și gazelor s-a bazat mult timp pe imagistica seismică, jurnalele și probele de bază pentru a caracteriza rezervoarele de suprafață. Cu toate acestea, volumul mare și complexitatea datelor geoștiinței moderne au împins metodele tradiționale de interpretare până la limitele lor. Algoritmii de învățare a mașinilor (ML) oferă acum o alternativă puternică prin detectarea automată a modelelor, manipularea intrărilor de mare dimensiuni și producerea de prognoze probabilistice care se îmbunătățește cu fiecare punct de date nou. De la explorarea la scară de bazin până la planificarea dezvoltării câmpului, ML remodelează modul în care inginerii și geoscientiștii prezice proprietățile rezervorului, cum ar fi porozitatea, permeabilitatea, saturarea fluidelor și grosimea netă a plăților.

Paradigme de învățare a mașinilor de bază aplicate problemelor de reservoir

Sarcinile de predicție a rezervorului se încadrează în general în una dintre cele trei paradigme ML majore, fiecare adaptate diferitelor tipuri și obiective de date.

Învățare supravegheată pentru estimarea proprietăților cantitative

Învățarea supravegheată se află în format electronic un model de exemple etichetate în care se cunoaște proprietatea țintă (de exemplu, porozitatea măsurată din dopurile de bază). Algoritmii comuni includ pădurea de random[, mașinile vectoriale de susținere și rețele neuronale artificiale.Aceste modele învață o cartografiere de la caracteristicile de intrare ( atribute seismice, curbe log, parametri petrofizici) la variabila țintă. Odată instruiți, pot prezice proprietățile rezervorului în locații în care există doar date seismice sau logare.Aceste modele se upcalează efectiv măsurătorile slabe ale terenului-truth în întregul domeniu. Un flux tipic de lucru implică divizarea setului în training, validare și seturi de testare, reglarea hiperparametrilor prin intermediul ecovalvalizării și selectarea modelului cu eroarea de generalizare redusă.

Învăţare nesupravegheată pentru clasificarea faciilor şi detectarea anomaliei

Metodele nesupravegheate nu necesită obiective etichetate. În schimb, ele identifică grupări naturale sau outliers în date. K-mijloace de cluster , hărți auto-organizatoare[ ] și Modelele de amestec gaussian sunt utilizate pe scară largă pentru clasificarea electrofacitelor din busteni de bine, forme de undă seismică de grup și detectează zone anormale care pot indica fracturi, corpuri de sare sau indicatori de hidrocarburi. Aceste tehnici ajută geologii să construiască modele facie coerente și evidențiază zonele care justifică investigații suplimentare.

Întărire de învăţare pentru optimizarea forajului şi gestionarea câmpului

Intarirea invatarii (RL) invata in continuare si invata sa se ocupe de managementul rezervorului ca o problema secventiala de luare a deciziilor. Un agent RL interactioneaza cu un simulator de rezervor, luand actiuni precum ajustarea ratelor de bine sau forajul de noi fantani, si primeste recompense bazate pe productia cumulativa de petrol sau valoarea actuala neta. In multe episoade, agentul invata o politica optima care maximizeaza intoarcerea economica pe termen lung. In timp ce se dezvolta inca in practica, RL si-a aratat promisiunea in automatizarea binelui de plasare si optimizare a productiei sub incertitudine.

Aplicații cheie în predicția și caracterizarea rezervorului

Algoritmii de învăţare a maşinilor sunt desfăşuraţi pe tot parcursul ciclului de viaţă al unui rezervor, de la explorare până la abandonare. Următoarele aplicaţii reprezintă cele mai mature şi mai influente cazuri de utilizare.

Interpretarea datelor seismice și analiza atributelor

Sondajele seismice generează terabytes de volume 3D. Modelele ML pot procesa aceste date pentru a alege automat orizonturile, detecta defectele, și clasifica facie seismice. De exemplu, rețele neuronale de convoluție (CNN) antrenate pe secțiuni seismice etichetate pot segmenta corpurile sărate sau identifica canalele și ventilatoarele turbidice cu precizie rivalizând cu interpreții umani. În plus, nesupravegheate clustering de cuburi seismice multi-attribute (de exemplu, amplitudine, coerență, curbură) produce hărți de probabilitate care ghidează modelarea geometriei rezervorului.

Porozitatea şi permeabilitatea predicţie din jurnalele de bord

Porozitatea și permeabilitatea sunt factori esențiali pentru estimarea rezervelor și simularea fluxului. Analiza petrofizică tradițională utilizează ecuații empirice (de exemplu, legea lui Archie, timpul Wyllie). algoritmii ML, prin contrast, pot integra mai multe curbe log (gamma ray, rezistivitate, neutron, densitate) cu măsurători de bază pentru a produce predicții continue. Mașini de stimulare a gradului și rețele neurale profunde au demonstrat o precizie superioară în rezervoarele heterogene de carbonat și gresie strâmte, în special în cazul în care răspunsurile log sunt neliniare sau suprapuse.

Saturarea fluidelor și tistarea hidrocarburilor

Uleiul distinct din apă sau gaze este esențial pentru identificarea zonei de plată. Clasificatorii ML instruiți pe busteni de noroi, date de eșantionare a fluidelor și jurnalele spectroscopiei avansate pot prezice tipuri de fluide din jurnalele de bază ale liniilor de sârmă. Tehnici precum Analiza componentelor principale (PCA) combinată cu Clasificarea pădurilor de random reduce dimensiunea și evidențiază cele mai discriminatorii caracteristici, permițând luarea deciziilor în timp real în timpul forajului.

Prognoza producției și analiza curbei de declin

Previzionarea viitoarelor rate ale petrolului și gazelor informează planificarea dezvoltării câmpului, dimensionarea instalației și evaluarea economică. Modelele ML extind analiza tradițională a curbei declinului prin includerea unor variabile suplimentare precum distanțarea bine, parametrii de finalizare și efectele interferențelor. Rețelele neuronale recurente (RNN) și memoria pe termen scurt lungă (LSTM) rețelele captează dependențele temporale în seria de timp de producție, de multe ori depasesc declinul hiperbolic al Arps asupra puțurilor neconvenționale cu regimuri multiple tranzitorii de flux.

Pregătirea datelor și Ingineria caracteristicilor

Calitatea predicțiilor ML depinde în mare măsură de datele de intrare. Seturile de date de la rezervor sunt adesea zgomotoase, incomplete și afectate de erori de măsurare. O conductă robustă de preprocesare include:

  • Demontarea externă: Eliminarea măsurătorilor false cauzate de defecțiunile uneltelor sau de deteriorarea formării, utilizând praguri statistice sau clustere.
  • ]Necesităţi de imputare a datelor: Tehnici precum imputarea multiplă, MICE sau cei mai apropiaţi vecini ai k-ului pentru a umple golurile din jurnalele de bine sau din analiza miezului.
  • Normalizare și scalare: Restabilirea caracteristicilor la o gamă comună (de exemplu, scalarea min-max sau standardizarea z-score) pentru a preveni variabilele cu magnitudini mari să domine modelul.
  • Selectarea caracteristicilor: Folosind analiza corelaţiei, informaţii reciproce sau eliminarea recursivă a caracteristicilor pentru a păstra doar atributele cele mai predictive şi a reduce suprapotrivirea.
  • Aliniare seismică-la-bine: Corectarea neconcordanțelor de adâncime între volumele seismice și markerii de bine folosind seismograme sintetice sau algoritmi de deformare automată.

Model de validare și cuantificare a incertitudinii

Previziunile privind rezervorul trebuie să fie însoţite de măsuri de încredere. Modelele ML sunt predispuse la date de formare insuficiente sau prejudecate, ceea ce duce la estimări de eroare prea optimiste.

  • Testele la puț: Reținerea uneia sau mai multor puţuri de la antrenamente şi de la evaluarea predicţiilor în aceste locaţii.
  • Metode de ansamblu: Formarea de modele multiple (de exemplu, păduri aleatoare ambalate, arbori stimulați) și utilizarea varianței între membrii ansamblului ca proxy pentru incertitudine predicție.
  • ) Realizări probabiliste: Conversia regresorilor ML determiniști în regresie cuantică sau utilizarea abandonului Monte Carlo în rețelele neuronale pentru a genera intervale de încredere pentru hărțile proprietății.
  • Validarea prin conversie cu conștientizare spațială: Aplicarea sistemelor de validare încrucișată a blocului sau de părăsire a unei singure unități pentru a împiedica automatizarea spațială să umfle indicatorii de performanță.

Integrarea cu simularea de bază a fizicii

Modelele ML pure bazate pe date pot încălca legile fizice cunoscute (de exemplu, conservarea masei, legea lui Darcy). Pentru a îmbunătăți fiabilitatea, cercetătorii combină ML cu simularea rezervorului în abordări hibride. Rețelele neurale informate de fizică fizică (PINN) au integrat ecuații diferențiale în funcția de pierdere, asigurându-se că predicțiile satisfac ecuațiile fluxului. O altă strategie practică utilizează ML ca proxy pentru simulatoare scumpe de fizică completă: o rețea neurală instruită în simulări poate oferi predicții aproape instantanee pentru potrivirea istoriei, optimizarea și analiza sensibilităţii, reducând costurile de calcul prin comenzi de magnitudine.

Provocări şi limitări

În ciuda progreselor rapide, mai multe obstacole împiedică adoptarea pe scară largă a ML în previziunile rezervoarelor:

  • Data deficit și dezechilibru: Multe rezervoare au doar câteva puțuri cu acoperire completă de bază, iar proprietatea țintă (de exemplu, dungi de înaltă permeabilitate) poate fi rară.Suprasmplerea sintetică sau învățarea prin transfer din rezervoare similare poate ajuta, dar poate introduce incertitudine.
  • Interpretabilitate:[ Modelele complexe precum rețelele neurale profunde sunt adesea cutii negre. Geoscientiștii și autoritățile de reglementare necesită explicații pentru decizii, stimulând interesul în SHAP (SHAP (SHAP aditivi explanații)] și LIME să atribuie predicții unor caracteristici specifice de intrare.
  • Non-staționarity: Procesele geologice variază în mod spațial; un model format într-un bazin poate da greş în altul.Tehnicile de adaptare a domeniului care aliniază distribuţiile caracteristicilor pe domenii sunt un domeniu de cercetare activ.
  • Costul global: Formarea modelelor CNN 3D mari pe date seismice de volum integral necesită resurse informatice de înaltă performanță, care pot fi prohibitive pentru operatorii mai mici.

Direcţii viitoare

Următorul val de ML în predicția rezervorului se va concentra probabil pe trei teme:

  1. Învățare supravegheată în mod sigur și semisupravegheată: Volume seismice vaste de mediere neetichetate pentru a pretaila modele înainte de reglaj fin pe etichete rare, reducând dramatic necesitatea interpretării manuale.
  2. =Fuziunea datelor multi-modale: Integrarea datelor seismice, bine, producerea, și chiar și a datelor din satelit INSAR în modele unificate care captează imaginea completă de la suprafață.
  3. Optimizarea în timp real a circuitului închis:[ Desfăşurarea modelelor ML pe dispozitive de margine la wellsite pentru a actualiza continuu modelele de rezervor, pe măsură ce sosesc noi date în timpul forajului şi producţiei, permiţând controlul adaptiv al operaţiunilor.

Concluzie

Algoritmii de învăţare a maşinilor au devenit instrumente indispensabile în setul de instrumente al inginerului modern al rezervorului. Accelerează interpretarea seismică, îmbunătăţesc estimarea proprietăţii petrofizice şi îmbunătăţesc prognoza de producţie, reducând totodată riscul de explorare şi costul. Cu toate acestea, implementarea cu succes necesită pregătirea atentă a datelor, validarea riguroasă şi integrarea atentă cu fizica domeniului. Pe măsură ce puterea de calcul şi noile arhitecturi apar, sinergia dintre învăţarea maşinilor şi geoştiinţe va continua să conducă mai precis, eficient şi durabil dezvoltarea petrolului şi gazelor.