Table of Contents

Резервная оценка получает капитальный ремонт ИИ

Оценка запасов уже давно является основой инвестиционных решений в области нефти и газа. Операторы традиционно полагались на ручные рабочие процессы, которые объединяют сейсмическую интерпретацию, геологическое моделирование, нефтефизический анализ и моделирование резервуаров. Эти процессы зависели от опытных экспертов, которые курировали каждый набор данных вручную. Результаты были ограничены продолжительностью человеческого внимания, ручной обработкой данных и присущей сложности подземных систем. Сегодня искусственный интеллект фундаментально меняет эту картину. ИИ переводит оценку резервов с трудоемкой задачи на высокоавтоматизированную дисциплину, управляемую данными. Встраивая машинное обучение, глубокое обучение и обработку естественного языка в конвейер оценки, компании ускоряют время цикла и производят согласованность и точность, которые ранее были недоступны. В этой статье рассматривается, как ИИ теперь интегрирован в каждый этап процесса, ощутимые выгоды, которые операторы уже видят, препятствия, которые остаются, и новые технологии, которые определят следующее поколение автоматизированной оценки резервуара.

Структура традиционной оценки резервов

Оценка запасов традиционно охватывает несколько взаимосвязанных дисциплин. Геологи начинают с 2D и 3D сейсмических исследований, интерпретируя модели отражения для отображения структурных ловушек и показателей углеводородов. Петрофизики оценивают данные журнала скважин - гамма-лучи, резистентность, нейтронную пористость и звуковые журналы - для оценки пористости, проницаемости, насыщения воды и соотношения чистого к кассе. Эти свойства питаются статической геологической моделью. Инженеры водохранилища затем применяют динамические данные, такие как давление, история производства и свойства жидкости, выполняя численное моделирование для прогнозирования поведения резервуаров в различных сценариях развития. Только после всех этих шагов команда может классифицировать запасы как доказанные, вероятные или возможные в соответствии с SPE или другими нормативными руководящими принципами.

Этот рабочий процесс по своей сути является последовательным и трудоемким. Один проект сейсморазведки может растянуться на недели или месяцы. Ручной контроль качества тысяч журналов скважин часто вводит несоответствие и предвзятость. Обновление геологических моделей с новыми данными бурения обычно требует утомительной перестройки. Моделирование с учетом истории остается более художественным, чем научным. Каждый обмен между дисциплинами создает трение, и окончательные оценки являются столь же надежными, как интегрированное суждение вовлеченных людей. Отрасль также сталкивается с демографической проблемой: поколение старших переводчиков и инженеров уходит на пенсию, принимая неявные знания, которые трудно передать. Эти болевые точки создают убедительный аргумент для автоматизации, и ИИ выделяется как катализатор, который может превратить этот многоступенчатый процесс в более плавную, непрерывную и надежную операцию.

Стек технологий ИИ для оценки резервов

Искусственный интеллект в этом контексте не является единым решением, а представляет собой набор методов, взятых из машинного обучения, глубокого обучения и обработки естественного языка, каждый из которых применяется к различным частям головоломки оценки. Руководящий принцип заключается в том, чтобы научить алгоритмы распознавать закономерности в данных - будь то объем сейсмической амплитуды, набор кривых журнала скважин или тысячи страниц исторических отчетов о бурении - а затем использовать эти закономерности для прогнозирования или автоматизации решений.

Надзорное обучение для прогнозирования недвижимости

Надзорные модели обучения, обученные на меченых наборах данных, где известен выход, стали рабочими лошадками для прогнозирования свойств породы от контроля скважины. Например, оператор может иметь основные измерения пористости и проницаемости на ограниченном количестве скважин. Случайная модель машины с увеличенным градиентом может быть обучена для прогнозирования этих свойств в каждой ячейке сетки 3D-объема, изучая взаимосвязь между данными ядра и сейсмическими атрибутами, такими как амплитуда, частота и импеданс. Результатом является непрерывная карта свойств, управляемая данными, генерируемая в часах, а не в днях, когда это требуется. Эти модели также преуспевают в выявлении проблем качества данных: выброс в журнале скважины, который избежал бы проверки на место человека, вызывает предупреждение, помечая интервал для обзора.

Неконтролируемое обучение и кластеризация

Неконтролируемые методы помогают понять сложные наборы данных, не требуя предварительно помеченных примеров. Алгоритмы кластеризации, такие как k-средства или иерархическая кластеризация, могут сегментировать резервуар в электрофасты - типы скал, которые имеют аналогичные ответы на журналы - обеспечивая геологически значимую зонацию, которая информирует как статичную модель, так и последующее моделирование. Это удаляет субъективность от этапа классификации фаций и позволяет быстро обновлять модель при бурении новых скважин. Методы уменьшения размеров, такие как анализ основных компонентов и t-SNE, также используются для визуализации высокоразмерных сейсмических пространств атрибутов, раскрывая тенденции и функции, которые в противном случае оставались бы скрытыми.

Глубокое обучение для сейсмической интерпретации

Свёрточные нейронные сети (CNN) и их 3D-варианты теперь обычно применяются к задачам сейсморазведки, которые когда-то требовали сотни часов ручного линейного отбора. Интерпретация ошибок предлагает убедительный пример. CNN, обученный тысячам сейсмических изображений, аннотированных структурными геологами, может сканировать весь 3D-том и выводить куб вероятности неисправности за считанные минуты, последовательно выбирая тонкие линии, которые человек может пропустить. Аналогичный подход автоматизирует отслеживание горизонта: сеть учится следовать за событием отражения через разрывы, производя полную поверхность горизонта без переводчика, нуждающегося в ручном посеве и распространении пиков. Эти выходы глубокого обучения напрямую в структурную структуру геологической модели, сокращая время, необходимое для первоначальной интерпретации, на 80% или более. Такие компании, как Shell и Total, публично представили тематические исследования, демонстрирующие это драматическое ускорение.

Обработка естественного языка для неструктурированных данных

Значительная часть информации, необходимой для оценки запасов, увязла в неструктурированных форматах: старые отчеты о бурении, ежедневные журналы грязи, билеты на завершение и даже рукописные заметки о местоположении. Модели обработки естественного языка (NLP) могут извлекать структурированные данные из этих документов - записывать нефтяные шоу, проблемы бурения, вершины формирования - и подавать их в центральную базу данных. Эта способность особенно ценна при переоценке зрелых месторождений с десятилетиями унаследованных записей. Делая эту совокупность исторических знаний машиночитаемой, NLP снижает риск упускать из виду критические наблюдения и обогащает базу данных, на которой построены все последующие модели ИИ.

Автоматизация рабочего процесса оценки с конца до конца

Истинная сила ИИ возникает, когда эти отдельные методы вплетаются в интегрированный автоматизированный рабочий процесс, который охватывает весь жизненный цикл оценки резерва. Вместо того, чтобы рассматривать каждую задачу изолированно, операторы теперь строят цифровые трубопроводы, где данные беспрепятственно передаются от приобретения к окончательной классификации ресурсов с минимальным вмешательством человека для рутинных шагов.

Автоматическая агрегация данных и контроль качества

Первый этап любого проекта оценки - сбор и проверка данных из разных источников: корпоративных баз данных, файлов, предоставляемых партнерами, хранилищ общественного достояния. Боты данных на основе ИИ могут подключаться к этим источникам, извлекать обновленную информацию, сравнивать ее с ожидаемыми схемами и несоответствиями флага, такими как отсутствующие журналы, противоречивые координаты или ошибки измерения. Эта автоматизация устраняет дни борьбы за электронные таблицы, которые часто начинают проект, и гарантирует, что модели, построенные позже, покоятся на прочном, проверяемом фундаменте данных. Один оператор Северного моря сообщил о сокращении фазы подготовки данных с трех недель до двух дней после развертывания системы контроля качества с помощью машинного обучения.

Интеллектуальная геофизическая и геологическая интерпретация

После того, как данные поступают в организм, модели глубокого обучения подхватывают интерпретацию тяжелого подъема. 3D CNN генерируют начальные интерпретации разломов и горизонтов, которые затем рассматриваются геофизиком через интерактивную панель приборов. Человеческий эксперт корректирует несколько критических точек и одобряет интерпретацию, а не начиная с чистого холста. ИИ также идентифицирует прямые индикаторы углеводородов и другие аномалии, выделяя их для внимания переводчика. Одновременно модели контролируемого имущества распределяют пористость и насыщенность по всему объему, используя хорошо-сейсмические отношения, изученные ранее. Геологическая модель обновляется в режиме реального времени, когда добавляются новые скважины, превращая то, что когда-то было статическим артефактом, в живой, развивающийся цифровой актив.

Упорядоченное моделирование водохранилищ и сопоставление истории

Динамическое моделирование и сопоставление истории традиционно были наиболее вычислительно интенсивными и квалифицированными частями рабочего процесса. ИИ трансформирует это с помощью прокси-моделей и автоматической настройки параметров. Нейронная сеть может быть обучена действовать как быстрый эмулятор полнофизического симулятора. Учитывая набор входных параметров - множители проницаемости, прочность водоносного горизонта, пропускаемость ошибок - прокси обеспечивает прогнозы производства в секундах, а не часах. Это позволяет тысячам алгоритмов сопоставления истории, основанных на машинном обучении, затем использовать эволюционные стратегии или байесовскую оптимизацию для автоматической корректировки неопределенных параметров до тех пор, пока моделируемые производственные кривые не будут соответствовать истории поля. Результатом является калиброванная имитационная модель, готовая к прогнозированию гораздо быстрее, чем с традиционным ручным испытанием и ошибкой. Ранние пользователи в Пермском бассейне использовали эту технику для сокращения времени цикла сопоставления истории от нескольких месяцев до менее недели.

Количественная неопределенность и вероятностные резервы

Регулирующие стандарты, такие как система управления нефтяными ресурсами SPE, требуют, чтобы о запасах сообщали вероятностно, часто выраженные как оценки P90, P50 и P10. Для ручного создания этих вероятностных диапазонов требуется, чтобы инженеры запускали несколько детерминированных сценариев и субъективно назначали вероятности. ИИ упорядочивает это, выполняя выборку Монте-Карло или цепи Маркова Монте-Карло по ансамблю прокси-протоколов моделирования. Алгоритм выводит функции полной плотности вероятности для извлекаемых углеводородов, отслеживая, как неопределенности в структурном закрытии, жидких контактах и нефтефизических параметрах каскадируются в окончательные оценки объема. Этот подход обеспечивает контролируемое распределение запасов, управляемых данными, а не одно потенциально предвзятое число. Аудиторы ценят прозрачность, потому что каждое предположение, ввод данных и выбор модели регистрируются и могут быть проверены.

Соответствующая отчетность и постоянный мониторинг

Заключительным звеном в цепочке является генерация отчетов о запасах и постоянный мониторинг месторождений. Алгоритмы генерации на естественном языке могут быть обучены составлению предварительного отчета о запасах, описывающего методологию, источники данных и ключевые выводы в согласованной технической прозе, которая следует шаблонам компании. Между тем, производственные данные в режиме реального времени, подаваемые в легкую модель ИИ, постоянно проверяют, отслеживается ли фактическая производительность скважины в пределах прогнозируемой полосы неопределенности. Если происходят отклонения - возможно, скважина снижается быстрее, чем базовый случай - система предупреждает команду активов и может предложить триггер переоценки. Это замыкает цикл, перемещая управление запасами из периодического, управляемого проектом упражнения в динамический процесс, интегрированный с ежедневными операциями.

Измеримые выгоды и отраслевые доказательства

Переход к оценке резервов, основанных на ИИ, дает конкретные, сообщенные преимущества в секторе добычи. В докладе Международного энергетического агентства (FLT:0) и Energy 2020 года подчеркивается, что цифровые технологии, включая ИИ, могут снизить производственные затраты на 10-20% и увеличить технически извлекаемые ресурсы примерно на 5% за счет улучшения идентификации и разработки резервуаров. Эти достижения отражены в тематических исследованиях операторов. Крупная независимая компания E&P в Eagle Ford применила машинное обучение для автоматизации нефтефизической интерпретации и статического моделирования, сократив время, необходимое для создания полнопольной модели, с шести месяцев до трех недель. Полученная модель была более точной, чем ручная версия, потому что она включала каждую точку данных без человеческих ярлыков.

Помимо экономии времени, выгоды объединяются вокруг нескольких ключевых областей:

  • Последовательность и повторяемость: Модели ИИ, после обучения, применяют одну и ту же строгость и правила к каждому набору данных, устраняя субъективность, которая может заставить двух переводчиков создавать разные карты неисправностей из одного и того же сейсмического куба. Это особенно важно для аудитов запасов и предприятий, управляемых партнерами, где прозрачность необходима.
  • Масштабируемость: Автоматизированные рабочие процессы легко масштабируются для обработки массивных наборов данных от современных приобретений, таких как исследования океанических узлов или непрерывный мониторинг скважин. Там, где команда может изо всех сил пытаться интерпретировать 100 скважин, трубопровод ИИ может обрабатывать 10 000 без потери точности.
  • Удержание знаний: Кодируя логику экспертных решений в алгоритмы, компании изолируют себя от потери ключевого персонала. Модель становится цифровым хранителем десятилетий мудрости интерпретации.
  • Безопасность и воздействие ESG: Снижение необходимости повторных выездов на места для сбора данных снижает подверженность персонала эксплуатационным опасностям. Кроме того, более надежные оценки запасов поддерживают более рациональное распределение капитала и устойчивое развитие ресурсов.
  • Быстрые инвестиционные решения: В условиях волатильности цен способность быстро оценивать открытия или переоценивать зрелые месторождения может означать разницу между своевременным отчуждением и упущенной возможностью. ИИ сокращает цикл оценки, давая лицам, принимающим решения, понимание, в котором они нуждаются раньше.

Навигация по проблемам реализации

Несмотря на убедительное ценностное предложение, многие организации изо всех сил пытаются выйти за рамки изолированных пилотных проектов. Для внедрения в масштабах всего предприятия необходимо решить несколько постоянных проблем.

Качество данных и Silos

Модели ИИ являются ненасытными потребителями маркированных данных, однако нефтегазовая отрасль часто хранит данные в фрагментированных, унаследованных форматах, распределенных по нескольким департаментам и партнерам по совместному предприятию. Журналы могут находиться в одной базе данных, сейсмические интерпретации в другой и производственные данные в отдельной системе управления производственными данными. Интеграция этих бункеров в единое, высококачественное озеро данных является необходимым условием для эффективного ИИ, и это часто требует значительных первоначальных инвестиций в управление данными и очистку. Без этого модели просто изучат предубеждения и пробелы, присущие исходному материалу, производя ненадежные результаты. Успешные компании инвестируют в стандарты обработки данных и метаданных, прежде чем ожидать, что ИИ даст значимые результаты.

Разрыв в навыках и культурное сопротивление

Развертывание ИИ в геонауках и инженерных рабочих процессах требует гибридного набора навыков: профессионалы, которые понимают как физику недр, так и математику машинного обучения. Такой талант скудный и высоко ценится. Кроме того, опытные переводчики, построившие карьеру на экспертном суждении, могут не доверять моделям черного ящика, которые, кажется, обходят их экспертизу. Преодоление этого сопротивления требует управления изменениями, прозрачной визуализации модели и философии дизайна, которая позиционирует ИИ как помощника, а не замену. Когда геоученые видят, что ИИ может позаботиться о утомительной хриплой работе, освобождая их от сосредоточения на сложных геологических головоломках, принятие имеет тенденцию ускоряться.

Модель интерпретируемости и валидации

Оценки резервов имеют огромный финансовый вес и сообщаются инвесторам и регуляторам. Заинтересованные стороны по понятным причинам опасаются прогнозов, которые не могут быть объяснены. Глубокие нейронные сети, в частности, были подвергнуты критике как непрозрачные. Глубокие нейронные сети, в частности, подвергаются критике как непрозрачные. Глубокие нейронные сети, в частности, реагируют на объяснимые методы ИИ: значения LIME и SHAP могут подчеркнуть, какие сейсмические атрибуты или кривые журналов наиболее повлияли на прогноз, а карты внимания могут показать, где сеть сосредоточила свой взгляд при выборе ошибки. Независимая проверка против слепых тестов и традиционных детерминированных методов остается необходимой для укрепления доверия. В документе SPE (]AI усиливает характеристику водохранилища подчеркивается, что надежные процедуры слепого тестирования не подлежат обсуждению, чтобы гарантировать, что оценки, созданные ИИ, соответствуют физической реальности.

Next Horizon: цифровые близнецы и автономные водохранилища

Заглядывая вперед, автоматизированная оценка резервов ИИ превращается в нечто еще более амбициозное: цифровой двойник резервуара. Цифровой двойник - это живая, дышащая виртуальная копия физического актива, которая интегрирует данные производства в реальном времени, давления и мониторинга с постоянно обновляющимися моделями. В такой среде размывается грань между оценками и наблюдением. ИИ не только вычисляет начальные резервы, но и постоянно переоценивает их как новые информационные потоки, обеспечивая ежедневно обновляемый вероятностный взгляд на оставшиеся извлекаемые ресурсы. Эта осведомленность в реальном времени поддерживает автономную оптимизацию производства - автоматическую настройку параметров удушья, скорости впрыска или параметров подъема, чтобы максимизировать окончательное восстановление, оставаясь в пределах эксплуатационных ограничений.

Всемирный экономический форум (FLT:0) Как ИИ помогает нефтегазовой отрасли ориентироваться в энергетическом переходе ] отметил, что цифровизация, включая управление резервуарами на основе ИИ, является одним из наиболее экономически эффективных рычагов для сокращения выбросов парниковых газов на баррель, поскольку она минимизирует ненужные потери от бурения и добычи. Поскольку отрасль ориентируется на двойное давление экономической эффективности и экологического контроля, автоматизированный рабочий процесс оценки запасов на основе ИИ перейдет от конкурентного преимущества к базовому требованию для любого оператора, стремящегося процветать в чистой нулевой экономике.

Совместная затягивание ниток

Применение искусственного интеллекта для оценки резервов представляет собой фундаментальное переосмысление того, как отрасль количественно оценивает, отслеживает и сообщает недра. Автоматизируя утомительные, повторяющиеся шаги - споры о данных, сейсмический сбор, распространение собственности, сопоставление истории - ИИ освобождает человеческий интеллект, чтобы сосредоточиться на постановке правильных вопросов и интерпретации тонких геологических историй, которые еще не может понять ни один алгоритм. Компании, которые охватывают этот сдвиг, уже сообщают о резком сокращении времени цикла, улучшенной надежности оценки и более устойчивой институциональной базе знаний. Преодоление знакомых препятствий фрагментации данных, нехватки навыков и доверия к моделям требует преднамеренных усилий, но траектория ясна. Поскольку цифровые двойники становятся стандартными и автономные циклы начинают закрываться, рабочий процесс оценки резерва в ближайшем будущем будет бесшовным, всегда - на двигателе, который управляет лучшими инвестиционными решениями и более устойчивым управлением ресурсами. Нефтяная и газовая промышленность, погруженная в историю кишечного чувства и более устойчивого опыта, спокойно переживает ренессанс, основанный на данных - один колодец, один сейсмический след и один алгоритм за раз.