Использование машинного обучения для прогнозирования будущего производства и резервов

Трансформационная роль машинного обучения в прогнозировании ресурсов

В течение десятилетий нефтегазовая и горнодобывающая отрасли полагались на детерминированные физические модели и эмпирический анализ кривой убывания для оценки запасов и прогнозирования добычи. Хотя эти методы хорошо служили сектору, они часто не соответствуют, когда сталкиваются со сложностью недр, гетерогенными резервуарами и огромным объемом данных, генерируемых современными операциями. Традиционные подходы предполагают идеализированные режимы потока, однородные свойства горных пород и стационарное поведение производства, предположения, которые редко держатся в нетрадиционных играх или зрелых полях со сложной геомеханикой. Результатом является систематическая неопределенность, которая приводит к завышению стоимости активов, списанию и упущенным возможностям оптимизации.

Машинное обучение сейчас становится жизненно важным спутником традиционных методов, предоставляя инструменты, которые могут раскрывать тонкие закономерности в обширных наборах данных, совершенствовать прогнозы и обеспечивать более гибкие стратегические решения. В отличие от обычных моделей, требующих ручной перекалибровки, алгоритмы ML учатся непосредственно из исторических данных, захватывая нелинейные отношения и изменяющуюся во времени динамику, которые ускользают от аналитических уравнений. Прогнозирование будущего производства и запасов лежит в основе корпоративной оценки, инвестиционного планирования и управления национальными ресурсами. Повышение точности оценки запасов на 10% может перевести в миллионы долларов в избегаемых списаниях и оптимизированных планах разработки месторождений. В результате энергетические компании, горнодобывающие гиганты и правительственные учреждения все чаще обращаются к контролируемым, неконтролируемым и алгоритмам глубокого обучения для снижения неопределенности, сокращения затрат и ускорения времени к пониманию.

Эволюционный ландшафт прогнозирования ресурсов

Традиционное прогнозирование ресурсов опирается на петрофизический анализ, уравнения баланса материалов и сопоставление кривой типа. Эти подходы требуют обширной ручной интерпретации и откалиброваны по ограниченным данным скважин. Напротив, модели машинного обучения проглатывают терабайты сейсмических исследований, журналов скважин, производственных историй, отчетов о бурении и даже спутниковых изображений для создания динамических, основанных на данных представлений о недрах. Сдвиг заключается не только в замене старых методов; речь идет о расширении знаний о человеке с алгоритмическим распознаванием образов. Сегодня команды смешивают знания геологической области с деревьями, нейронными сетями и машинами вспомогательных векторов для получения ансамблевых прогнозов, которые последовательно превосходят автономные традиционные модели. Результатом является более тонкое понимание поведения резервуара, что приводит к более надежным прогнозам оставшихся запасов и будущей продукции.

Эта эволюция также обусловлена ростом цифровых двойников, виртуальных копий физических активов, которые интегрируют данные датчиков реального времени с моделями ML. Например, цифровой двойник производящего поля может непрерывно обновлять кривые снижения на основе измерений давления и скорости скважины, помечая аномалии до того, как они влияют на прогнозы. Такие системы уже развернуты в Северном море и Пермском бассейне, где они сократили время цикла прогнозирования с недель до часов, одновременно улучшая точность на двузначные цифры. Кумулятивный эффект по всему портфелю представляет собой поэтапное изменение способности управлять неопределенностью, распределять капитал и реагировать на волатильность рынка.

Основные методы машинного обучения в использовании

Надзорное обучение для анализа кривой снижения производства

Анализ кривой упадка (DCA) остается рабочей лошадкой прогнозирования производства. Уравнения традиционных Arps предполагают идеализированные режимы потока, которые редко проводятся в нетрадиционных играх. Машинное обучение предлагает гибкую альтернативу. Сети с ускорением градиента, случайные леса и долговременная кратковременная память (LSTM) могут быть обучены на исторических производственных временных рядах для захвата сложных моделей упадка без жестких функциональных форм. Эти модели включают дополнительные функции, такие как дизайн завершения, длина трещин и помехи смещения скважины, что приводит к прогнозам, которые адаптируются к изменяющимся условиям поля.

Исследование, опубликованное в Energy Reports, показало, что гибридная модель LSTM достигла 15% снижения корневой среднеквадратичной ошибки по сравнению с экспоненциальными кривыми снижения при прогнозировании скважин сланцевого газа в Пермском бассейне. Такие улучшения непосредственно информируют экономические оценки и решения о интервале скважин. На практике операторы также используют контролируемую регрессию для прогнозирования окончательного восстановления (EUR) для каждой новой скважины на основе данных о раннем времени и параметров завершения, что позволяет быстро заполнять буровые решения. Трансформаторы серии времени, последняя эволюция в моделировании последовательностей, в настоящее время тестируются для прогнозирования многолунного производства, показывая особое обещание для захвата долгосрочных зависимостей в течение месяцев или лет данных о добыче.

Неконтролируемое обучение для классификации фаций

Понимание типов пород и насыщения жидкости имеет важное значение для оценки запаса. Неконтролируемые алгоритмы, такие как K-средства, гауссовские модели смесей и самоорганизующиеся карты группируют данные журнала скважин и ядра в различные фации без необходимости маркированных примеров обучения. Эти кластеры помогают геологам строить статические модели с высоким разрешением, которые поддаются объемным вычислениям. Например, применение иерархической кластеризации к спектральным гамма-журналам может выявить тонкие литологические сдвиги, не захваченные ручной интерпретацией, тем самым уточняя коэффициенты сетки к кассе и распределения пористости. Более продвинутые методы, такие как вариационные автокодировщики, могут изучать низкоразмерные латентные представления сигнатуры журнала, выдвигая на первый план фации, которые соответствуют продуктивным или непроизводительным зонам с более высокой точностью, чем обычная кластеризация. Автоматизация классификации фаций также снижает предвзятость человека и обеспечивает согласованность в крупных многотонких проектах.

Глубокое обучение и продвинутые нейронные сети

Архитектуры глубокого обучения, такие как сверточные нейронные сети (CNN), преуспевают в интерпретации сейсмических изображений, в то время как рекуррентные сети обрабатывают последовательные данные о производстве. Совсем недавно нейронные сети графов (GNN) исследуются для моделирования связи скважин и разделения резервуаров. Обрабатывая скважины как узлы и межлуночную связь как края, GNN могут распространять информацию по полю и прогнозировать производственные помехи между соседними скважинами. Эти продвинутые модели могут автоматически извлекать функции из необработанных данных, уменьшая зависимость от ручной инженерии функций и позволяя более целостные прогнозы производительности в полевых условиях. Усиление обучения также показывает перспективы для оптимизации графиков производства и скорости впрыска в проекты водяного потопа, где агент учится максимизировать чистую приведенную стоимость посредством проб и ошибок взаимодействия с симулятором. Генеративные модели, включая вариационные автокодеры и нормализующие потоки, все чаще используются для количественной оценки неопределенности, генерируя множественные правдоподобные реализации свойств резервуара, которые соблюдают наблюдаемые данные.

Оригинальное название: The Lifeblood of Predictive Models

Ни один алгоритм не может компенсировать плохие данные. Точность прогнозов машинного обучения в значительной степени зависит от объема, разнообразия и достоверности входных данных. Практикующие специалисты отрасли регулярно борются с отсутствующими журналами скважин, непоследовательной отчетностью и разрозненными хранилищами данных, которые охватывают десятилетия операций. Высококачественная инженерия данных является первым шагом к надежному прогнозированию. Лучшие модели в мире потерпят неудачу, если будут питаться шумными, неполными или предвзятыми входами. Организации, которые инвестируют в курирование данных и стандартизированные схемы, видят непропорционально лучшую отдачу от своих инициатив в области МО.

Ключевые источники данных для прогнозирования ресурсов

• Хорошие журналы: Гамма-лучи, сопротивление, плотность, нейтронная пористость и звуковые журналы обеспечивают прямые измерения подземных свойств.
• Основные и жидкие образцы: Лабораторный анализ предлагает наземную истину для обучения и калибровки моделей МО.
• Сейсмические исследования: 3D и 4D сейсмические данные показывают структурные и стратиграфические особенности в региональных масштабах.
• История производства и давления: Временные ряды скорости нефти, воды и газа, наряду с текущими и закрытыми давлениями, являются фундаментальными для моделирования снижения.
• Данные о завершении и стимуляции: Подробности стадий разрыва, объема пропанта и скорости инъекций влияют на производительность скважин в нетрадиционных резервуарах.
• Спутниковое и дистанционное зондирование:] InSAR и оптические изображения обнаруживают деформацию поверхности и тепловые аномалии, помогая контролировать активность резервуара в режиме реального времени.

Предварительная обработка данных и разработка функций

Перед обучением данные должны быть очищены, нормализованы и преобразованы. Обнаружение выбросов с использованием лесоизоляционных лесов или локальных методов коэффициента выброса предотвращает искаженные модели. Инженерия функций, управляемая доменом, такая как вычисление нормированной скорости, кумулятивных производственных отношений или производных давления, кодирует инженерные знания непосредственно в набор данных. При правильной предварительной обработке даже простые модели могут достичь замечательной точности. Обработка отсутствующих данных особенно важна: методы, такие как множественные вычисления или генеративные состязательные сети (GAN), могут заполнять пробелы в кривых журналов, в то время как методы интерполяции временных рядов восстанавливают отсутствующие производственные месяцы без введения смещения. Автоматизированный выбор признаков с использованием взаимной информации или рекурсивная ликвидация признаков дополнительно оптимизирует конвейер, обеспечивая только наиболее прогнозирующие переменные вступают в модель. Разложение временных рядов в трендовые, сезонные и остаточные компоненты также могут выявлять циклические закономерности, связанные с сезонным спросом или периодическим обслуживанием, улучшая надежность прогноза.

Интеграция машинного обучения с традиционной нефтяной инженерией

Чисто основанный на данных подход рискует дать физически неправдоподобные прогнозы, если модель экстраполирует за пределы диапазона обучения. Наиболее успешные развертывания отрасли встраивают физические ограничения в рабочие процессы ML. Физико-информированные нейронные сети (PINN) решают дифференциальные уравнения с частичным управлением потоком жидкости при изучении неизвестных параметров из данных. Заставляя модель соблюдать законы сохранения и материального баланса, PINN создают прогнозы, которым доверяют инженеры. Этот гибридный подход также решает проблему скудных данных, где физика обеспечивает регуляризацию, которая предотвращает переобучение.

Гибридные рабочие процессы также объединяют кривые типа ML с классическим моделированием резервуаров. Например, суррогатная модель быстро генерирует множественные реализации поведения резервуаров, которые затем проверяются симулятором высокой точности только для самых многообещающих случаев. Это сокращает время моделирования на порядки и позволяет проводить вероятностную оценку резервов в условиях неопределенности. Некоторые компании используют фильтры ансамбля Kalman для непрерывного обновления моделей ML по мере поступления новых производственных данных, смешивая статистическое обучение с ассимиляцией данных на основе физики. Синергия между ML и традиционной инженерией создает цикл обратной связи: эксперты по доменам направляют разработку модели, а результаты моделей бросают вызов традиционным предположениям, что приводит к более глубокому пониманию динамики резервуаров. Организации, которые эффективно достигают этого баланса, - это те, которые инвестируют в кросс-обучение своих геоученых и групп данных, способствуя культуре сотрудничества, а не конкуренции между парадигмами.

Реальные приложения и тематические исследования

Характеристика и объемность водохранилища

Машинное обучение ускоряет построение статических моделей резервуаров. ConocoPhillips, как описано в документе SPE , применял глубокие нейронные сети для интерпретации результатов сейсмической инверсии в игре Eagle Ford, сокращая время интерпретации от недель до часов. Полученные карты пористости и насыщения, подаваемые непосредственно в объемные вычисления, уменьшая неопределенность в исходном газе на месте более чем на 20%. В норвежском континентальном шельфе Equinor развернул самоорганизующиеся карты для классификации фаций из многолуночных лог-данных, достигая последовательной и воспроизводимой зонации резервуара, которая уменьшала итерации, соответствующие истории, наполовину. Более мелкие независимые операторы также извлекают выгоду: частный оператор в Баккене использовал градиент-повышенные деревья для прогнозирования EUR от параметров завершения и ранних данных о производстве, достигая значений R-квадрата выше 0,85 на удерживаемых скважинах, что позволяет быстрее и более уверенно принимать решения о интервале.

Улучшенная рекуперация нефти и оптимизация скважин

В зрелых месторождениях определение оптимальных показателей впрыска для затопления или впрыска CO2 может продлить срок службы месторождения. Модели ML, обученные на взаимоотношениях инъекционного производства, выявляют закономерности, которые максимизируют восстановление при минимизации прорыва. Крупный ближневосточный оператор использовал модель с градиентным повышением в сочетании с алгоритмом оптимизации для корректировки впрыска скважин в режиме реального времени, достигая 3%-ного подъема в рекуперации нефти без дополнительных капитальных затрат. Усиление обучения также применяется для выборочной оптимизации затвора скважин и подъема газа, где алгоритм учится балансировать краткосрочное производство и долгосрочное поддержание пластового давления. В одном заметном исследовании месторождения Норн, агент обучения подкрепления, разработанный исследователями в NTNU, достиг 5%-ного увеличения кумулятивной добычи нефти в течение 15 лет по сравнению с обычной реактивной стратегией, все в рамках ограничений существующих поверхностных объектов.

Минеральные исследования и оценка ресурсов

Помимо углеводородов, машинное обучение трансформирует оценку минеральных ресурсов. Проекты по разведке золота и меди подают геохимические и геофизические данные в случайные лесные классификаторы для создания карт перспективности. Эти карты отдают приоритет целям бурения, сокращая расходы на разведку. Такие компании, как GoldSpot Discoveries, используют машинное обучение для переосмысления исторических данных и выявления упущенной минерализации, что приводит к множественным новым открытиям. В проектах по рассолу лития модели ML предсказывают распределение оценок по спутниковым изображениям и гидрологическим данным, что позволяет более эффективно проводить выборочные кампании. Операции по добыче угля используют компьютерное зрение на изображениях ядер бурения для автоматической классификации литологии и качества угля, снижая потребность в дорогостоящем и трудоемком лабораторном анализе. Общая нить во всех этих приложениях — способность ML извлекать ценность из данных, которые ранее были недостаточно использованы или считались слишком шумными для традиционного анализа.

Преимущества и стратегические преимущества

• Улучшенная точность прогноза: Модели, основанные на данных, фиксируют нелинейные отношения, пропущенные аналитическими кривыми упадка, что дает лучшие краткосрочные и долгосрочные прогнозы.
• Быстрые циклы принятия решений: Автоматизированная интерпретация журналов и сейсмических данных сжимает временные рамки от месяцев до дней, позволяя принимать быстрые портфельные решения. Это преимущество в скорости имеет решающее значение, когда цены на сырьевые товары являются нестабильными, и быстрое действие может захватить значительную ценность.
• Сокращение затрат: Улучшение таргетинга скважин разработки и снижение рисков сухих скважин снижают затраты на бурение. В горнодобывающей промышленности требуется меньше подтверждающих буровых отверстий, а оптимизация на местах снижает эксплуатационные расходы.
• Вероятностные оценки запасов: Модели ML могут запускать тысячи симуляций Монте-Карло с использованием различных входных параметров, создавая диапазоны резервов P10, P50 и P90 с большей уверенностью. Эта вероятностная структура соответствует нормативным требованиям и ожиданиям инвесторов в отношении прозрачного раскрытия рисков.
• Выравнивание устойчивости: Точные прогнозы поддерживают эффективное использование ресурсов и лучшее экологическое планирование, такое как прогнозирование динамики водоносного горизонта или оседания земель. Снижение бурения и оптимизированное производство также снижают углеродный след на баррель.
• Смягчение рисков: ML может выявить неэффективные скважины на ранней стадии и рекомендовать такие меры, как замена преломления или труб, предотвращение потери дохода. Предиктивное техническое обслуживание оборудования для искусственного подъема сокращает незапланированные простои и продлевает срок службы оборудования.

Эти преимущества напрямую отражаются на финансовых показателях. Повышение коэффициента восстановления на 5% в крупном бассейне может добавить сотни миллионов баррелей к доказанным запасам, повышая чистую приведенную стоимость и кредитные рейтинги. Эффект усиливается при применении ко всему портфелю, давая ранним пользователям структурные преимущества в стоимости и выручке, которые их конкурентам трудно закрыть.

Проблемы и стратегии смягчения

Качество данных и доступность

Наборы данных наследия часто содержат неполные записи, непоследовательные единицы и ошибки ввода данных человеком. Смягчение требует институциональной приверженности управлению данными: стандартизация форматов, внедрение правил проверки и поддержание цифровых двойников активов. Совместные платформы, такие как OSDU, помогают отрасли двигаться к общим стандартам данных, облегчая развертывание ML. Кроме того, синтетическая генерация данных с использованием GANs может увеличить скудные наборы обучения, но необходимо позаботиться о том, чтобы синтетические данные сохраняли физический реализм. Отслеживание линий данных, где каждая ценность может быть прослежена до ее первоначального измерения и любых примененных преобразований, создает доверие и аудитируемость в конвейере ML.

Модель интерпретируемости

Черные модели коробки могут быть встречены со скептицизмом инженерами резервуара и регулирующими органами. Такие методы, как значения SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations), помогают объяснить, какие функции управляют каждым прогнозом. Например, показывая, что кумулятивное производство чувствительно к перелому в половину длины и снижению давления, согласуется с инженерной интуицией и создает доверие. Исследования объяснимого ИИ в энергии быстро расширяются, предоставляя новые инструменты для прозрачных прогнозов. Регулирующие агентства, такие как SEC, требуют отчетов о проверяемых запасах; поэтому все оценки на основе ML должны сопровождаться отчетами о интерпретируемости, которые оправдывают входы и методологию. Частичные схемы зависимости и накопленные локальные эффекты (ALE) предлагают дополнительные инструменты визуализации, которые сообщают, как каждая функция влияет на прогнозы по всему спектру значений.

Интеграция с существующими рабочими процессами

Многие организации изо всех сил пытаются перенести доказательства концепции в производство. Успешная интеграция требует кросс-функциональных команд ученых данных, геологов и инженеров-нефтяников, которые совместно разрабатывают решения. Установление конвейеров моделей операций и непрерывный мониторинг гарантирует, что прогнозы остаются действительными, поскольку новые скважины выходят в сеть и развиваются полевые условия. Один крупный независимый оператор создал специальный Центр передового опыта для МО в управлении резервуарами, который сократил среднее время развертывания новых моделей с 18 месяцев до 3 месяцев путем стандартизации схем данных и графиков переподготовки моделей. Интеграция также требует тщательного управления изменениями: инженеры, которые десятилетиями полагались на кривые типов, должны увидеть последовательные доказательства того, что МО добавляет ценность, прежде чем они примут его для критических решений.

Вычислительные и организационные трудности

Обучение моделей глубокого обучения на сейсмических объемах высокого разрешения требует значительных ресурсов графического процессора. Облачные вычисления и масштабируемые архитектуры снижают этот барьер, но компании также должны решать проблему культурного сопротивления. Мастерские, хакатоны и четко сообщаемые истории успеха помогают стимулировать культуру, основанную на данных. Другая проблема заключается в дрейфе моделей, деградации прогнозирующей точности с течением времени, поскольку резервуар истощается или меняются операционные стратегии. Внедрение автоматических триггеров переподготовки на основе показателей производительности (например, средняя абсолютная ошибка, превышающая порог) поддерживает актуальность моделей без ручного вмешательства. Организации также должны планировать моделирование моделей и A / B-тестирование в производстве, чтобы любая регрессия от обновления модели была немедленно обнаружена и может быть откатена назад.

Будущие направления и новые технологии

• Федерированное обучение: Конкурирующие операторы могут объединять идеи моделей без обмена необработанными данными, улучшая региональные прогнозы при сохранении конфиденциальности данных. Этот подход особенно привлекателен для бассейнов с несколькими операторами, где общее понимание региональной геологии приносит пользу всем.
• Цифровые двойники: Модели МО в реальном времени, интегрированные с датчиками IoT, создают живые модели, которые постоянно обновляют производственные прогнозы и обнаруживают аномалии на ранней стадии. Следующее поколение цифровых двойников будет включать автоматизированную переподготовку моделей и управление замкнутым контуром, что позволит самооптимизировать поля.
• Генерирующие состязательные сети (GAN) и модели диффузии создают реалистичные синтетические журналы скважин и сейсмические следы для увеличения наборов обучения, где измеренные данные редки. Это особенно ценно для игр с ограниченным контролем скважин, таких как пограничные районы разведки.
• Краевые вычисления: Развертывание легких моделей на контроллерах скважин позволяет на лету оптимизировать системы искусственного подъема и настройки удушья, снижая задержку и затраты на передачу данных. Edge AI также позволяет обнаруживать аномалии в реальном времени для критически важных операций.
• Объясняемый и причинный ИИ: Выход за рамки корреляции для выявления причинных факторов снижения производства приведет к созданию более надежных моделей, которые надежно экстраполируются на новые бассейны. Алгоритмы обнаружения причин в сочетании с графами знаний домена предлагают путь к моделям, которые могут с уверенностью отвечать на вопросы «что, если».
• Передача обучения: Предтренировочные модели на общедоступных наборах данных игрового масштаба (например, из Пермского или Марцеллского) и точная настройка на запатентованных полевых данных могут значительно сократить количество меченых данных, необходимых для точных прогнозов.Модели фундамента для геонауки, аналогичные крупным языковым моделям, являются активной областью исследований и могут в конечном итоге служить в качестве двигателей для подповерхностного рассуждения общего назначения.