Применение алгоритмов ИИ для автоматизированной литологии и идентификации жидкости в журналах скважин

Введение: Переход к автоматической интерпретации журнала скважин

На протяжении десятилетий нефтяные геофизики полагались на ручную интерпретацию журналов скважин для выявления литологии и типов жидкостей - процесс, который требует обширной экспертизы домена и по своей сути субъективен. Даже опытные переводчики могут давать противоречивые результаты при работе в разных бассейнах или с неоднозначными ответами на журналы. Внедрение искусственного интеллекта (ИИ) в анализ журналов скважин фундаментально изменило этот ландшафт. Алгоритмы машинного обучения и глубокого обучения теперь позволяют автоматизировать, воспроизводимые и часто более точные классификации типов подземных пород и поровых жидкостей. Это преобразование не только о скорости; это о разблокировании идей из обширных многомерных наборов данных, которые генерируют современные инструменты для регистрации скважин.

В этой расширенной статье мы рассмотрим, как алгоритмы ИИ применяются к литологии и идентификации жидкости, конкретные алгоритмы, которые работают лучше всего, рабочий процесс для развертывания этих моделей, общие проблемы и направление текущих исследований. Являетесь ли вы геологом, петрофизиком или ученым-данным, работающим в области исследования энергии, понимание этих методов становится необходимым для эффективной характеристики недр.

Зачем автоматизировать литологию и идентификацию жидкости?

Интерпретация ручного журнала часто является узким местом в рабочих процессах разведки и добычи. Одна скважина может генерировать сотни метров данных журнала из нескольких инструментов: гамма-лучей, удельного сопротивления, пористости нейтронов, плотности, звукового и т. Д. Соотношение этих измерений с описаниями ядра, анализом резцов и испытаниями давления занимает много времени. Кроме того, человеческие интерпретаторы могут смещать свои выборки в сторону существующих геологических моделей или пропускать тонкие узоры, которые указывают на контакты жидкости или тонкие кровати.

Автоматизация, управляемая ИИ, решает эти болевые точки путем обработки целых участков скважин за считанные минуты, поддержания согласованных критериев классификации через тысячи скважин и выявления нелинейных отношений, которые невидимы для традиционных методов перекрестного сплетения. Результатом является более быстрая оценка резервуара, снижение неопределенности в объемных расчетах и более объективная основа для решений по бурению.

Основные алгоритмы ИИ для классификации Well Log

Выбор правильного алгоритма зависит от характера имеющихся данных обучения, сложности геологической обстановки и желаемого разрешения выхода. Ниже мы обсуждаем основные категории, от классического машинного обучения до современных архитектур глубокого обучения.

Методы контролируемого обучения

Надзорные алгоритмы требуют маркированного набора данных обучения, где каждому интервалу журналов присваивается литология и/или класс жидкости (часто из основного анализа или интерпретируемых пиков). Модель учится отображать ответы журналов на эти классы, а затем обобщает немаркированные разделы. Наиболее эффективные контролируемые методы включают:

• Поддержка векторных машин (SVM): SVM находят оптимальную гиперплоскость, которая разделяет классы в пространстве с высокой размерностью. Они хорошо работают с наборами данных от малого до среднего и устойчивы к переоборудованию при выборе правильного ядра. Для идентификации литологии SVM часто достигают высокой точности на логах гамма-лучей и сопротивления.
• Случайный лес (RF): Ансамбль деревьев решений, который уменьшает дисперсию и улучшает обобщение. Модели RF могут обрабатывать смешанные типы данных (непрерывные и категориальные) и предоставлять ранжирование по важности признаков, раскрывая, какие журналы вносят наибольший вклад в классификацию. Многие рабочие процессы используют RF в качестве базового уровня, потому что он быстрый, интерпретируемый и требует минимальной настройки гиперпараметра.
• Gradient Boosting (XGBoost, LightGBM): Эти последовательные методы ансамбля строят деревья, исправляющие ошибки предыдущих деревьев. Они часто превосходят Random Forest с точки зрения точности структурированных данных журнала, особенно когда связь между переменными сложна. Однако им нужна тщательная регуляризация, чтобы предотвратить переобучение на шумных бревнах.
• Многослойный перцептрон (MLP): Базовая искусственная нейронная сеть с одним или несколькими скрытыми слоями. MLP могут моделировать нелинейные границы принятия решений и используются, когда геология показывает нелинейные тенденции (например, смешивание типов горных пород).

Неконтролируемое обучение и кластеризация

Когда ядро калиброванных меток недоступно или при исследовании нового бассейна, неконтролируемые методы помогают идентифицировать природные кластеры в бревенчатом пространстве.

• K-Means Clustering: Разделяет набор данных на кластеры K на основе евклидового расстояния. Часто применяется к нормализованным журналам для группирования аналогичных электрофаций. После этого интерпретатор присваивает литологию каждому кластеру с использованием ограниченных петрофизических знаний.
• Иерархическая кластеризация: Постраивает дендрограмму слитых кластеров, полезную для визуализации того, как электрофации соотносятся по глубине.
• Самоорганизующиеся карты (SOM): Тип неконтролируемой нейронной сети, которая проецирует данные высокоразмерных журналов на 2D-решетку. SOM сохраняют топологические отношения — аналогичные карте журналов для близлежащих узлов — что делает их популярными для картирования литофаций и контроля качества.

Неконтролируемые методы часто используются в качестве инструмента проверки данных: если контролируемая модель предсказывает класс, который выходит за пределы всех природных кластеров, это может указывать на неправильное классифицирование или непризнанную литологию.

Глубокое обучение с сверточными и повторяющимися сетями

Журналы скважин по своей сути являются последовательными данными, с глубинозависимыми шаблонами, которые отражают изменения в средах осаждения, уплотнение и жидкие контакты. Архитектура глубокого обучения предназначена для захвата этих пространственных и временных зависимостей.

• Связочные нейронные сети (CNN): Первоначально для изображений, 1D CNN обрабатывают раздвижные окна кривых журналов для извлечения локальных паттернов — например, резкое увеличение сопротивления с последующим постепенным уменьшением может сигнализировать о нагнетании вверх песка с контактом воды и масла. CNN могут автоматически изучать фильтры, которые эквивалентны геологически значимым функциям.
• Рекуррентные нейронные сети (RNN) и долговременная кратковременная память (LSTM): Эти сети поддерживают скрытое состояние, которое распространяется через глубину, позволяя им моделировать зависимости на большие расстояния. При идентификации жидкости LSTM может «помнить», что зона низкого сопротивления на одной глубине может быть подвержена влиянию близлежащей соленой кровати, даже если сами журналы не показывают прямую корреляцию.
• Гибридный CNN-LSTM: Сочетание свертки для локальной экстракции признаков с рецидивом для последовательного контекста глубины дает самые современные результаты в классификации литофаций, особенно в сложных пластических резервуарах.

Подготовка данных и разработка функций

Модели ИИ хороши только в той мере, в какой они обучены данным. Сырые журналы скважин содержат шум, плечевые эффекты, изменения размера скважины и корректировки окружающей среды. Надежный конвейер предварительной обработки имеет решающее значение.

Контроль качества и нормализация

Во-первых, журналы должны быть сопоставлены по глубине и проверены на аномальные шипы (например, из-за промывки скважины). Плохие точки данных помечаются с использованием порога на показаниях суппорта. Затем каждая кривая журнала нормализуется до общей шкалы (обычно нулевая средняя и единица дисперсии), так что алгоритмы не смещаются к измерениям с большими числовыми диапазонами (например, сопротивление в ом-м против плотности в г / куб.).

Особенности строительства

Помимо значений необработанных журналов, производные характеристики часто повышают точность классификации:

• Объем сланца (V _sh ] от гамма-лучей линейных или нелинейных преобразований.
• Показатели разделения нейтронной плотности (ρ_ma-φ_N положение скрещенного сплетения).
• Соотношение резистентности (например, мелко-глубокое, глубоко-среднее), чувствительное к инвазии или промывным зонам.
• Особенности геологической текстуры: средние значения бега, градиенты или коэффициенты вейвлетов, которые захватывают литологическую цикличность.

Методы выбора характеристик (например, взаимная информация, рекурсивная ликвидация) помогают уменьшить размерность и улучшить обобщение модели, особенно когда количество скважин в тренировочном наборе невелико.

Интеграция рабочих процессов: от данных к решению

Развертывание ИИ для литологии и идентификации жидкости не является процессом одного щелчка. Это требует тщательного планирования и интеграции с существующим программным обеспечением для петрофизической интерпретации. Типичный рабочий процесс протекает следующим образом:

1. Сбор и маркировка данных: Соберите журналы скважин, описания ядер, данные ядра боковой стенки и результаты испытаний на формирование. Геологи выбирают интервалы обучения вручную, в идеале с полной калибровкой ядра к логу. Этот шаг является наиболее трудоемким, но определяет потолок модели.
2. Предварительная обработка и извлечение признаков: Чистые журналы, правильные экологические эффекты, вычислить производные кривые. Разделить данные на учебные, валидирующие и тестовые наборы — гарантируя, что скважина не будет разделена по складкам.
3. Выбор моделей и обучение: Сравните несколько алгоритмов (RF, SVM, CNN) на задержавшемся наборе валидации. Используйте перекрестную валидацию для оценки ошибки обобщения. Настройка гиперпараметра с помощью поиска по сетке или байесовской оптимизации.
4. Оценка и количественная оценка неопределенности: Вычислительная точность, точность, отзыв и F1-показатель для класса. Для вероятностных моделей (например, нейронных сетей Softmax) исследуйте уверенность в предсказании. Интервалы флага, где уверенность низкая для ручного обзора.
5. Интеграция в платформу интерпретации: Экспорт модели в виде файла маринования, формата ONNX или непосредственно в программное обеспечение петрофизики через плагины. Запуск модели на новых скважинах в пакетном или реальном времени при входе в систему.
6. Непрерывная итерация: По мере бурения новых скважин и получения основных данных переобучение модели с учетом недостающих литологий или типов жидкости.

Многие организации теперь используют ИИ в качестве инструмента «предварительной интерпретации» — модель создает журнал литологии первого прохода, который петрофизик затем пересматривает и корректирует, резко сокращая время, затрачиваемое на рутинные выборы.

Преимущества, наблюдаемые в полевых приложениях

Отраслевые тематические исследования сообщают о значительных улучшениях после принятия классификации на основе ИИ:

• Время интерпретации на скважину падает с дней до минут, что позволяет проводить многотонные исследования, которые ранее были непрактичными.
• Согласованность: Та же модель, применяемая для целого поля, дает однородные литологические выборки, исключая вариабельность интерпретатора-интерпретатора. Эта согласованность улучшает оценки резервов и входы геомоделирования.
• Обнаружение тонких особенностей: Глубокие модели CNN могут идентифицировать тонкие кровати (вплоть до пределов разрешения журнала), которые часто пропускают переводчики-люди, особенно в ламинированных песчано-сланцевых последовательностях. В одном примере из Мексиканского залива CNN правильно определил 15 см толщиной нефтеносных песков в низкорезистентной платной игре.
• Картирование контакта с жидкостью: Используя данные об удельном сопротивлении и давлении, модели с контролируемым управлением достигли более 90% точности при разграничении контактов между нефтью и водой и газом и нефтью даже в переходных зонах, где обычные методы дают неоднозначные сигналы.