Использование ИИ и машинного обучения для оптимизации нетрадиционного производства водохранилищ

Введение в ИИ и машинное обучение в нетрадиционном производстве водохранилищ

Нетрадиционные резервуары, в том числе сланцевые пласты, плотные пески и угольные метановые месторождения, коренным образом изменили глобальный энергетический ландшафт. Эти сложные геологические системы требуют передовых методов добычи, таких как гидравлический разрыв пласта и горизонтальное бурение, для достижения экономической жизнеспособности. Однако оптимизация добычи из этих пластов остается постоянной проблемой из-за их присущей неоднородности, низкой проницаемости и сложной динамики потока. Недавние прорывы в области искусственного интеллекта (ИИ) и машинного обучения (МЛ) в настоящее время предоставляют инженерам-нефтяникам мощные инструменты для решения этих проблем, позволяя более точную характеристику резервуара, улучшенное прогнозирование производства и оперативные корректировки в режиме реального времени, которые значительно повышают темпы восстановления при одновременном снижении затрат.

Применение ИИ и ML в нетрадиционном управлении резервуарами представляет собой сдвиг парадигмы от традиционных подходов к моделированию на основе физики. В то время как традиционное моделирование резервуаров опирается на детерминированные математические модели, которые требуют обширных предположений и вычислительных ресурсов, методы, основанные на ИИ, могут учиться непосредственно из данных, раскрывая тонкие паттерны и нелинейные отношения, которые управляют поведением резервуаров. Этот ориентированный на данные подход особенно ценен в нетрадиционных резервуарах, где сложное взаимодействие между естественными переломами, индуцированными переломами, механикой горных пород и переносом жидкости создает поведение, которое трудно захватить с помощью обычных моделей. Поскольку индустрия накапливает огромные объемы данных из распределенного акустического зондирования, микросейсмического мониторинга и производственных журналов, потенциал для ИИ и ML для извлечения действенных идей продолжает расти экспоненциально.

В этой статье рассматривается трансформирующая роль ИИ и МО в оптимизации нетрадиционного производства резервуаров, охватывающая интеграцию и анализ данных, мониторинг и оптимизацию в режиме реального времени, прогнозное моделирование, оптимизацию трещин и экономические последствия. Она также решает проблемы и будущие направления этих технологий, предоставляя всеобъемлющий обзор для инженеров, геоученых и лиц, принимающих решения, стремящихся использовать ИИ для повышения производительности резервуаров.

Роль ИИ и машинного обучения в инженерии водохранилищ

В то время как эти модели хорошо послужили отрасли для обычных резервуаров, они часто изо всех сил пытаются захватить многомасштабную неоднородность и сложные сети разрыва, характерные для нетрадиционных образований. Алгоритмы ИИ и ML предлагают дополнительный подход, который может обрабатывать огромные объемы данных из нескольких источников, идентифицировать шаблоны, которые невидимы для традиционных методов, и генерировать прогнозные модели, которые улучшаются с течением времени по мере появления новых данных.

Методы машинного обучения, обычно применяемые в проектировании резервуаров, включают контролируемые методы обучения, такие как случайные леса, усиление градиента и нейронные сети для задач регрессии и классификации; неконтролируемые методы обучения, такие как кластеризация и анализ основных компонентов для распознавания образов и уменьшения размерности; и обучение подкреплению для последовательного принятия решений в приложениях управления в реальном времени. Глубокое обучение, подмножество машинного обучения с использованием многослойных нейронных сетей, показало особое обещание для обработки высокоразмерных данных, таких как сейсмические объемы и данные о производстве временных рядов.

Интеграция данных и анализ

Одним из наиболее значительных вкладов ИИ и МО в нетрадиционное управление резервуарами является их способность интегрировать разнообразные наборы данных, охватывающие несколько масштабов и дисциплин. Эти наборы данных включают геологические журналы, результаты базового анализа, сейсмические исследования, данные микросейсмического мониторинга, параметры бурения, конструкции завершения, историю производства и переходные данные давления. Традиционная ручная интеграция этих источников данных занимает много времени, склонна к смещению и часто не способна захватывать сложные взаимосвязи. Системы ИИ могут автоматически принимать, очищать, выравнивать и сплавлять эти разнородные наборы данных, создавая единое представление резервуара, которое служит основой для последующего анализа.

Модели машинного обучения могут затем обрабатывать эти интегрированные данные для прогнозирования поведения резервуаров в различных сценариях. Например, нейронные сети, обученные историческим данным о производстве и параметрам завершения, могут определять оптимальное количество стадий разрушения, интервала кластера и загрузки пропанта для новых скважин в данной области. Аналогичным образом, случайные лесные модели могут оценивать относительную важность различных геологических и эксплуатационных факторов, влияющих на производительность скважин, помогая инженерам расставлять приоритеты сбора данных и фокусировать свои усилия на наиболее влиятельных переменных. Эти прогностические возможности особенно ценны в нетрадиционных резервуарах, где высокая стоимость оценочных скважин и связанные с ними длительные временные масштабы делают поддержку принятия решений, основанную на данных.

Ключевые методы интеграции и анализа данных в нетрадиционных резервуарах включают:

• Автоматизированная очистка и вычисление данных: Алгоритмы ИИ обнаруживают и исправляют ошибки в шумных данных датчиков, заполняя пробелы с помощью статистических методов или генеративных моделей.
• Инженерия характеристик и выбор: Машинное обучение определяет наиболее информативные переменные для прогнозирования результатов производства, снижения сложности модели и улучшения интерпретируемости.
• Снижение чувствительности: Такие методы, как анализ основных компонентов и автокодировщики, сжимают высокоразмерные данные в низкоразмерные представления при сохранении существенной информации.
• Многомодальный синтез: Системы ИИ объединяют данные из различных модальностей (например, изображения, временные ряды, текстовые отчеты) для обеспечения целостного представления о условиях резервуара.
• Передача обучения: Модели, предварительно обученные на данных из зрелых полей, адаптированы к новым полям с ограниченными данными, ускоряя процесс обучения и повышая точность прогнозирования.

Мониторинг и оптимизация в реальном времени

Современные нетрадиционные скважины оснащены массивом датчиков, которые непрерывно контролируют давление, температуру, скорость потока и состав жидкости. Эти датчики генерируют массивные потоки данных временных рядов, которые могут обрабатываться в режиме реального времени с использованием алгоритмов ИИ и ML. Мониторинг в режиме реального времени позволяет операторам обнаруживать аномалии, прогнозировать сбои оборудования и корректировать эксплуатационные параметры до того, как проблемы перерастут в дорогостоящие простои или инциденты безопасности. Что более важно, системы оптимизации на основе ИИ могут автоматически регулировать скорости впрыска, настройки удушья и параметры искусственного подъема, чтобы максимизировать эффективность производства при соблюдении эксплуатационных ограничений.

Усиление обучения, отрасль машинного обучения, ориентированная на последовательное принятие решений, стала мощным инструментом оптимизации в реальном времени в нетрадиционных резервуарах. В этой структуре агент ИИ взаимодействует с окружающей средой резервуара, предпринимая такие действия, как корректировка скорости насоса или положения клапана, и получает обратную связь в виде сигналов вознаграждения, связанных с темпами производства, потреблением энергии или износом оборудования. Со временем агент узнает политику, которая максимизирует кумулятивные вознаграждения, эффективно обнаруживая оптимальные стратегии управления, не требуя явной модели динамики резервуара. Этот адаптивный подход особенно выгоден в нетрадиционных резервуарах, где поведение резервуара может быстро меняться из-за закрытия трещин, миграции штрафов или истощения давления.

Преимущества оптимизации на основе ИИ в реальном времени включают:

• Сокращение простоев: Предсказательные алгоритмы технического обслуживания обнаруживают ранние признаки деградации оборудования, позволяя планировать вмешательства во время запланированных отключений, а не аварийного ремонта.
• Улучшенное восстановление: Корректировки в реальном времени параметров впрыска и производства поддерживают оптимальные градиенты давления и эффективность зачистки на протяжении всего жизненного цикла скважины.
• Снижение энергопотребления: Системы ИИ оптимизируют работу насосов и скорость впрыска газового лифта, чтобы минимизировать потребление энергии при достижении производственных целей.
• Повышение безопасности: Системы обнаружения аномалий предупреждают операторов о потенциально опасных условиях, таких как утечки корпуса, сбои трубок или неожиданные всплески давления.
• Автономные операции: В удаленных или морских местах системы ИИ могут управлять производством с минимальным вмешательством человека, уменьшая воздействие на экипаж опасных сред.

Прогнозное моделирование для прогнозирования производства

Точное прогнозирование производства имеет важное значение для решений по управлению резервуарами, включая размещение скважин, конструкцию трещин и экономическую оценку. Традиционный анализ кривой убывания, хотя и широко используется, часто не отражает сложное поведение производства, наблюдаемое в нетрадиционных резервуарах, таких как многофазный поток, закрытие трещин и помехи между скважинами. Модели машинного обучения предлагают более гибкую и точную альтернативу, изучая непосредственно исторические производственные данные и включая широкий спектр переменных предикторов.

Модели прогнозирования временных рядов, такие как сети с длинной кратковременной памятью (LSTM) и закрытые повторяющиеся блоки (GRU), успешно применяются для прогнозирования темпов производства для отдельных скважин и целых полей. Эти модели могут захватывать временные зависимости и нелинейные тенденции, которые не учитываются традиционными методами кривой убывания. Гибридные модели, которые сочетают физические ограничения с обучением на основе данных, известные как нейронные сети, основанные на физике, также набирают обороты в отрасли. Эти модели обеспечивают соблюдение законов физического сохранения во время обучения, гарантируя, что прогнозы остаются физически правдоподобными даже при экстраполяции за пределы диапазона данных обучения.

Оптимизация трещин с использованием AI

Гидравлический разрыв пласта является критической технологией для разблокировки нетрадиционных резервуаров, но проектирование оптимальных методов обработки трещин остается сложной инженерной задачей. Ключевые параметры проектирования включают интервалы этапов, интервалы кластеров, перфорацию, тип и объем жидкости, тип и концентрацию пропанта, а также скорость и давление насоса. Взаимодействие между этими параметрами и полученной геометрией разрыва, проводимость и, в конечном счете, производство являются высоко нелинейными и специфичными для участка. Алгоритмы ИИ и ML могут анализировать исторические данные обработки трещин вместе с соответствующими результатами производства для выявления оптимальных конструкций для новых скважин.

Генетические алгоритмы, оптимизация роя частиц и байесовская оптимизация являются одними из методов, используемых для поиска высокоразмерного пространства проектирования параметров разрушения, которые максимизируют чистую приведенную стоимость или кумулятивное производство. Эти методы оптимизации могут быть объединены с суррогатными моделями, такими как регрессии гауссовых процессов или нейронные сети, которые приближают взаимосвязь между параметрами проектирования и результатами производства с использованием менее дорогостоящих симуляций. Результатом является управляемый данными рабочий процесс проектирования, который может идентифицировать почти оптимальные методы обработки трещин для конкретных условий резервуара, часто обнаруживая комбинации параметров, которые инженеры-люди могут упустить из виду.

Основные области, в которых ИИ способствует оптимизации переломов, включают:

1. Сцена и кластерное расстояние: Модели машинного обучения, обученные на микросейсмических данных и производственных журналах, определяют оптимальное расстояние, которое максимизирует стимулированный объем породы при минимизации помех и затрат при разрывах.
2. Алгоритмы искусственного интеллекта анализируют моделирование транспорта пропанта и лабораторные данные, чтобы рекомендовать типы и концентрации пропанта, которые достигают желаемой проводимости разрушения в конкретных условиях резервуара.
3. Конструкция жидкостной системы: Предсказательные модели оценивают производительность различных составов фрактирующих жидкостей, учитывая такие факторы, как вязкость, скорость утечки и потенциал повреждения образования.
4. Оптимизация графика насосов: Подходы обучения с подкреплением оптимизируют графики увеличения скорости насоса и концентрации пропанта для достижения эффективного распространения трещин и размещения пропанта.
5. Диагностический анализ: Машинное обучение интерпретирует диагностические данные, такие как кривые падения давления и распределения микросейсмических событий, чтобы вывести геометрию переломов и определить области для улучшения дизайна.