Использование машинного обучения для идентификации скрытых резервов в зрелых полях

Почему зрелые поля все еще содержат значительные объемы углеводородов

После десятилетий первичного и вторичного восстановления, зрелые месторождения - те, которые производят более 20 лет - обычно оставляют 60-80% исходной нефти на месте невосстановленными. Причины коренятся в сложности резервуара. Тонкие изменения в проницаемости, пористости и смачиваемости создают барьеры потока, которые запечатывают целые отсеки от разметки. Тонкие постельные зоны оплата падают ниже вертикального разрешения унаследованных сейсмических данных, а мелкие структурные замыкания или стратиграфические ловушки остаются невидимыми на грубых картах интерпретации. Поведение уплотнения разлома развивается в течение жизни месторождения по мере того, как истощение и изменения давления активируются или запечатывают пути миграции. Результатом является лоскутное одеяло оставшихся углеводородных накоплений, которые обычные модели на основе сетки усредняют, маскируя их истинный потенциал.

Данные о добыче часто несут в себе подпись этих обойденных объемов. Аномальные разрезы воды, неожиданные отклонения давления или интерференционные модели между скважинами намекают на неосушенные отсеки. Тем не менее, ручная корреляция сигналов тысяч скважин с геологическими атрибутами является невозможной задачей в масштабе. Машинное обучение превращает эту задачу из ручной охоты в систематический, управляемый данными процесс обнаружения.

От ручной интерпретации к интегрированному обнаружению данных

Обычная характеристика резервуара зависит от опыта геофизика и основанного на правилах анализа журнала. Хотя эти методы эффективны для крупномасштабного картирования, они не могут захватить высокоразмерные, нелинейные отношения, присущие данным о недрах. Геофизик может объединить несколько сейсмических атрибутов, чтобы выделить пески канала, но связь между амплитудой, фазой и качеством резервуара редко линейна и часто зависит от комбинаций атрибутов за пределами человеческого синтеза. Аналогично, инженеры-производители анализируют кривые упадка хорошо хорошо, но корреляция аномалий с геологией смещенной скважины и проектами завершения редко автоматизируется.

Машинное обучение переворачивает рабочий процесс с «интерпретировать, затем интегрировать», на «интегрировать, а затем интерпретировать». Алгоритм одновременно поглощает все доступные данные — сейсмические атрибуты после стека, сборы перед стеком, наборы журналов скважин, основные измерения, показатели добычи, истории давления, отчеты о бурении и даже вершины формирования из интерпретируемых маркеров — и определяет многомерные модели, которые коррелируют с высоким оставшимся насыщением нефтью. Этот интегрированный подход неоднократно обнаруживал пропущенную оплату на долгопроизводящих месторождениях, где операторы останавливали бурение при предположении полного истощения. В нескольких документированных случаях боковые скважины, управляемые выходами ML, доставляли начальные темпы добычи на 50 процентов выше, чем в среднем по полю, и в некоторых случаях удвоили его.

Ключевые методы машинного обучения для обнаружения скрытых резервов

Выбор правильного алгоритма для решения проблемы недр имеет решающее значение. Искусство заключается в согласовании парадигмы обучения с типом данных и рассматриваемым вопросом, при соблюдении геологических принципов.

Надзорное обучение для прогнозирования свойств водохранилища

Когда существуют маркированные данные - пористость, проницаемость или насыщенность жидкости от анализа журнала - контролируемые модели отображают сейсмические и лог-производные характеристики в эти свойства. Случайные машины для повышения леса и градиента (XGBoost, LightGBM, CatBoost) хорошо работают на табличных данных со многими входными переменными, потому что они естественным образом захватывают нелинейные взаимодействия и надежно обрабатывают недостающие значения. Глубокие нейронные сети (CNN, ResNets) превосходят, когда входное пространство большое и пространственный контекст имеет решающее значение, например, непосредственно используя 3D сейсмические объемы в качестве тензоров ввода. После обучения модель предсказывает свойства резервуара от контроля скважины, генерируя 3D объемы предполагаемого оставшегося насыщения нефтью, пропускной способности или чистой оплаты. Эти объемы затем ранжируют места бурения более точно, чем обычная геостатистическая интерполяция.

Например, модель глубокого обучения, обученная на сейсмических различиях 4D, может непосредственно предсказать зоны обхода нефти, изучая взаимосвязь между изменениями амплитуды временного интервала и произведенными объемами. Этот метод особенно эффективен в сочетании с данными о распределении продукции, которые указывают, какие интервалы в наибольшей степени способствовали кумулятивному восстановлению.

Неконтролируемый кластер для идентификации фаций и сопоставлений

Во многих зрелых месторождениях точное местоположение оставшейся заработной платы неизвестно - нет никаких меченых примеров для обучения контролируемой модели. Неконтролируемые методы, такие как K-средства, DBSCAN или самоорганизующиеся карты (SOM), группируют аналогичные сейсмические фации с несколькими атрибутами или ответы на скважинные журналы без предварительных меток. Когда кластеры перегружены производственными данными, некоторые фации последовательно показывают более высокое кумулятивное производство или более низкий водоотвод, указывая на более качественные отсеки, еще не полностью пройденные. Геологи затем исследуют эти кластеры, часто соотнося их с средами осаждения или диагенетическими отпечатками, которые не были захвачены в оригинальной модели. Этот подход выявил изолированные ремни каналов, доли вентиляторов и отложения потока мусора, которые ранее были объединены в одну фазу, открывая новые цели бурения.

Особенно эффективным вариантом является гауссовское моделирование смеси (ГММ), которое не только присваивает каждой точке фации, но и обеспечивает вероятность того, что распределение правильно. Эта оценка неопределенности непосредственно полезна для риска засыпки скважин. В одном исследовании Пермского бассейна кластеризация ГММ по многомерным данным журнала скважин выявила фации с высокой пористостью, низкой насыщенностью водой, которые были обойдены более ранними завершениями, что привело к успешной программе перепланировки.

Полуконтролируемое и трансферное обучение для настроек с дефицитом данных

Основным барьером в бурых месторождениях является нехватка высококачественных меченых данных. Полуконтролируемое обучение использует небольшое количество меченых интервалов (например, пористость ядра из нескольких скважин) наряду с огромным количеством немаркированных лог- или сейсмических данных для улучшения прогнозов. Это особенно полезно, когда новые данные ядра ограничены, но существуют тысячи скважин с базовыми наборами журналов. Модель изучает общее распределение данных из немаркированных данных при уточнении границ принятия решений с использованием меченых примеров.

Трансферное обучение расширяет эту концепцию, предварительно обучив модель на богатом данными аналоговом поле, таком как аналогичная система осаждения в том же бассейне, а затем точно настраивая ее на целевом поле с помощью только нескольких меченых образцов. Этот метод может начать поиск скрытых запасов в полях, где устаревшие данные многочисленны, но плохо оцифрованы. Эффективно, геологические знания передаются по бассейнам, уменьшая необходимость в дорогостоящем новом сборе данных.

Интеграция фрагментированных данных: тяжелая поднятие, которое дает результаты

Ни один проект машинного обучения не увенчается успехом без прочной базы данных. Зрелые данные поля находятся в разрозненных форматах: сдвинутые на глубину журналы скважин в файлах LAS, производственные данные в корпоративных базах SQL, сейсмические в SEG-Y и отчеты в виде отсканированных PDF-файлов. Интенсивная фаза оспаривания данных, контроля качества и нормализации обязательна. Нормализация журнала в винтажных условиях устраняет систематические сдвиги от разных компаний по регистрации и поколений инструментов. Коррекции распределения продукции обеспечивают точное представление зональных вкладов. Пропущенные данные должны быть вменены тщательно; простая средняя вычисление может ввести предвзятость, поэтому предпочтительны такие подходы, как k-ближайшие соседи или генеративные модели, которые изучают совместное распределение данных.

Инжиниринг характеристик часто отделяет посредственную модель от действительно изменяющей поле модели. Вместо того, чтобы кормить сырые атрибуты, петрофизики и ученые данных сотрудничают, чтобы построить физические характеристики: отношение чистого к кассе, индекс качества резервуара, расстояние до ключевых ограничивающих поверхностей и стратиграфическое положение в последовательности. Сейсмические атрибуты, такие как сладость, компоненты спектрального разложения, кривизна и азимутальная анизотропия индикаторы становятся мощными в сочетании с динамическими показателями, полученными из производства, такими как градиенты соотношения воды и масла, скорости снижения давления и кумулятивный впрыск смещенных скважин. Этот гибридный набор функций позволяет алгоритму изучить взаимодействие статической геологии и динамического поведения жидкости - решающее преимущество в идентификации обойденного масла, которое обычные методы сглаживают.

Тематические исследования: машинное обучение, обеспечивающее реальные резервы

Неотразимый пример из Северного моря иллюстрирует воздействие. Месторождение, которое производилось в течение 25 лет, считалось маргинальным для дальнейшего бурения наливных скважин. Инициатива машинного обучения интегрировала сейсмические различия 4D, исторические журналы скважин и 30 лет данных о добыче. Модель XGBoost была обучена прогнозировать кумулятивную добычу нефти каждой скважины в зависимости от геологических параметров и параметров завершения. Модель обнаружила, что скважины с более низким, чем в среднем, производством находились в пределах сейсмических фаций, первоначально интерпретируемых как плотный карбонатный цемент. Однако, когда эти фации происходили рядом с ориентациями разломов, которые обеспечивали естественный разрыв, производство было на порядок выше. Модель генерировала карту вероятности подобных пересечений неисправностей, что привело к трем высококлассным целям. Две из этих скважин позже достигли начальных показателей в 5000 баррелей в день - по сравнению со средним значением месторождения в 1200 баррелей в день - добавив приблизительно 12 миллионов баррелей извлекаемых запасов. Читать больше в Журнале нефтяных технологий .

Аналогичным образом, операторы в Пермском бассейне использовали сверточные нейронные сети на 3D-сейсмике для идентификации пропущенной оплаты в сложенных скамейках. Обучаясь с производственными журналами, которые точно определяют интервалы вклада, нейронная сеть узнала сейсмическую сигнатуру продуктивных тонких слоев - слоев толщиной всего несколько футов, которые ранее не были обнаружены. Кампании по перепланировке, нацеленные на эти ML-идентифицированные интервалы, обычно регистрировали толщину чистой платы, которую более ранние интерпретации упускали из виду, как документировано в документе 201234-MS [FLT: 1] .

Еще один убедительный случай исходит из зрелого наземного месторождения в Западной Африке. Там, сочетая неконтролируемую кластеризацию по сейсмическим данным с несколькими атрибутами с контролируемой регрессией на скважинных журналах, была идентифицирована серия изолированных мутидитовых долей, которые были обойдены предыдущими моделями наводнений. Программа заправки под руководством ML добавила более 8 миллионов баррелей дополнительных запасов с коэффициентом успеха бурения, превышающим 90 процентов. Подробный отчет доступен в исследовании, опубликованном в журнале Petroleum Science and Engineering [FLT: 1] .

Преимущества помимо открытия: стоимость, устойчивость и продление срока службы на местах

Выявление скрытых резервов напрямую повышает коэффициенты восстановления на 5-15 процентных пунктов в месторождениях, которые применяют систематическую переоценку, основанную на ОД. Экономический мультипликатор увеличивается, потому что эти резервы находятся в пределах существующей инфраструктуры. Производство нового барреля из зрелых месторождений стоит долю от разработки зеленых месторождений - избегая затрат на аренду, строительство трубопроводов и новые расходы на объекты. Более низкая капиталоемкость приводит к более высокой чистой приведенной стоимости за баррель даже при скромных ценах на нефть.

Экологические преимущества одинаково убедительны. Продление срока службы месторождения снижает необходимость новых исследований в чувствительных районах. Каждый баррель, извлеченный из существующих скважин, имеет более низкий углеродный след по сравнению с бурением и завершением новых скважин с нуля. Кроме того, машинное обучение оптимизирует модели впрыска воды и газа, уменьшая энергию, необходимую для обработки производимых жидкостей. Операторы могут определять приоритеты целей, которые требуют минимального поверхностного возмущения, выравнивая цели ESG при поддержании производства.

Кроме того, при проведении переоценки на основе ОД часто определяются возможности, которые ранее считались неэкономичными. Повышая точность оценок объема и снижая риск бурения, операторы могут оценивать и разрабатывать небольшие накопления, которые в противном случае оставались бы в затруднительном положении. Это согласуется с глобальными тенденциями в отношении максимального использования активов и минимизации воздействия на окружающую среду.

Противостояние вызовам: данные, интерпретируемость и культура

Несмотря на обещание, барьеры сохраняются. Разреженность данных является главным препятствием. Многие зрелые поля не имеют плотных современных наборов данных - полноствольных журналов формирования микроизображений, журналов ЯМР, 3D-сейсмики с углами стека - необходимых для обучения надежных моделей. Смягчения включают импорт аналоговых данных из аналогичных резервуаров, генерирование синтетических данных с помощью геостатистического моделирования и использование основанных на физике нейронных сетей, которые включают уравнения потока жидкости в качестве ограничений, тем самым более эффективно обучаясь из скудных данных.

Интерпретируемость модели остается камнем преткновения для принятия. Рекомендация «черного ящика» по бурению скважины стоимостью 10 миллионов долларов не пройдет доску принятия решений без геологического обоснования. Такие методы, как SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-Agnostic Explanations) помогают ранжировать вклады функций и показывать, как каждый атрибут повлиял на прогноз. Визуализация прогнозируемых высокопотенциальных зон наряду с сейсмическими секциями и журналами скважин на той же нефтетехнической платформе устраняет разрыв между алгоритмическим выходом и геонаучными рассуждениями.

Культурная интеграция так же важна. Лучшие результаты приходят от междисциплинарных команд, где геоученые, инженеры и ученые данных совместно разрабатывают модели и бросают вызов предположениям друг друга. Организации, которые рассматривают машинное обучение как инструмент для повышения человеческого опыта, а не заменяют его, видят более быстрое принятие и более надежные результаты. Программы обучения, которые повышают квалификацию геоученых в грамотности данных, ускоряют этот сдвиг. Ведущие операторы создали центры передового опыта, которые поддерживают команды активов с преданными учеными данных и стандартизированными рабочими процессами.

Создание устойчивого рабочего процесса машинного обучения для зрелых полей

Для достижения успеха в области масштабирования необходима повторяемая структура. В следующих шагах излагается проверенный подход, используемый несколькими операторами по всему миру:

1.Определение целей и аудит данных

Четко определим бизнес-вопрос: ищем ли мы обойденную нефть в неосвоенных отсеках, оптимизируем места заливки скважин или идентифицируем кандидатов на повторную пробоотбор? Затем опишем все имеющиеся данные: заголовки скважин, обзоры отклонений, нефтефизические журналы, анализ ядра, сейсмические объемы, историю добычи и впрыска, данные о давлении и геологические интерпретации. Оцифруем и централизуем все в единую доступную платформу.

2. Очистка данных и разработка характеристик

Выровнять глубины, нормализовать бревна, устранить выбросы и заполнить пробелы с помощью методов, учитывающих домены. Создать производные характеристики, такие как толщина брутто-платы, средняя пористость в целевой зоне, расстояние до ближайшего разлома и кумулятивный впрыск жидкости в окружающие скважины. Включить динамические особенности: наклон тренда водосреза, скорость эволюции ГОР, сигнатура снижения давления. Этот шаг часто раскрывает проблемы качества данных, которые, будучи однажды решены, улучшают и обычные модели.

3. Выбор модели и обучение

Выберите семейство моделей, подходящих для данных и целей прогнозирования. Для прогнозирования пространственных свойств хорошо работают деревья или нейронные сети с градиентным повышением. Для идентификации естественных групп используют кластеризацию или модели гауссовской смеси. Всегда делят данные по скважине или по неисправности, чтобы избежать пространственной утечки, которая раздувает оценки точности. Используйте перекрестную валидацию и выдержки слепых тестов для оценки истинной производительности обобщения. Используйте ансамблевые методы для оценки неопределенности.

4. Толкование и оценка рисков

Оценка неопределенности с использованием квантильной регрессии, отсева из Монте-Карло или бутстраппинга для получения карт вероятности, а не отдельных лучших догадок. Наложение уверенности в предсказании на целевые карты: высокопотенциальное местоположение с низкой степенью достоверности модели требует дальнейшего сбора данных - пилотной скважины или более подробного анализа сейсмических атрибутов - перед тем, как приступить к полной разработке скважины.

5. Развертывание и мониторинг

Упакуйте модель в удобный инструмент - часто плагин в существующем программном обеспечении интерпретации, таком как Petrel, Techlog или OpenWorks - чтобы геоученые могли интерактивно исследовать результаты. По мере того, как новые скважины пробурены и новые данные получены, автоматически переобучайте модель или на плановой основе. Мониторинг несоответствий прогнозирования-наблюдения для обнаружения дрейфа модели, который может сигнализировать об изменении динамики резервуара, эксплуатационных изменениях или необходимости дополнительных функций.

Путь вперед: управление запасами с помощью ИИ

Машинное обучение встраивается в жизненный цикл управления резервуаром. Будущие разработки активизируют эту интеграцию. Физики-информированные нейронные сети, которые решают управляющие дифференциальные уравнения, в то время как подгонка наблюдательных данных уменьшает зависимость от больших маркированных наборов данных и обеспечивают прогнозирование по физике потока жидкости. Генеративные состязательные сети (GAN) могут создавать реалистичные синтетические сейсмические или логарифмические данные для увеличения наборов обучения, особенно в тонко отобранных интервалах. Усиление обучения может автоматизировать инъекционную и производственную оптимизацию в реальном времени, извлекая больше из существующих скважин перед бурением новых. Цифровые двойники - высокоточные модели резервуаров, постоянно обновляемые данными о скважинах, анализ снижения на основе ML и автоматическое сопоставление истории - позволят прогнозировать обслуживание и проактивное управление резервуаром.

Более того, облачные вычисления и стандартизация данных способствуют демократизации этих возможностей. Малые и средние операторы получат доступ к инструментам, когда-то зарезервированным для майоров. Библиотеки с открытым исходным кодом, такие как scikit-learn, TensorFlow и PyTorch, в сочетании с платформами для конкретных доменов, такими как ] открытые платформы данных для энергии , снижают барьер для входа. Ключом будет сочетание алгоритмической сложности со звуковым геологическим и инженерным суждением - партнерство между человеческим опытом и распознаванием образов машины.

Охват машинного обучения как стратегического императива

Использование машинного обучения для выявления скрытых резервов в зрелых месторождениях вышло за рамки пилотных проектов в основное применение. Он решает фундаментальную проблему отрасли: делать больше с существующими активами при одновременном снижении воздействия на окружающую среду. Операторы, которые внедряют машинное обучение в свои стандартные процессы переоценки, обнаруживают резервы, которые пропустили предыдущие рабочие процессы, продлевают срок службы месторождений и генерируют существенную отдачу от инвестиций. Переход требует инвестиций в инфраструктуру данных, междисциплинарные команды и управление изменениями, но приз - дополнительное восстановление от 5 до 10 процентов от тысяч зрелых месторождений в мире - измеряется миллиардами баррелей. В эпоху волатильных цен и давления декарбонизации, это конкурентное преимущество, которое ни один оператор не может позволить себе игнорировать.