Использование машинного обучения для оптимизации параметров проектирования хорошо завершенных

Проектирование скважины представляет собой значительную часть общих капитальных затрат скважины и глубоко влияет на ее долгосрочную производственную траекторию. Инженеры должны ориентироваться в сложном наборе взаимосвязанных параметров - от геометрии перфорации и химии жидкости стимуляции до архитектуры управления песком - для создания системы, которая максимизирует восстановление при управлении затратами и операционным риском. Обычные методы оптимизации, включая полнофизическое численное моделирование и одномерный анализ чувствительности, часто являются трудоемкими и могут бороться за захват взаимодействий высокого порядка, которые существуют между параметрами завершения и характеристиками резервуара. Машинное обучение обеспечивает структурированную, основанную на данных структуру для решения этой проблемы. Путем обучения прогнозных моделей на исторических завершении и производственных данных, операторы могут быстро экранировать широкий спектр сценариев проектирования, определять высокоценные конфигурации и количественно определять неопределенность, связанную с их выбором.

Понимание хорошо завершенного дизайна

Завершение скважины включает в себя проектирование и установку оборудования и процессов, необходимых для ввода скважины в производство после завершения бурения. Эта фаза переводит теоретический потенциал резервуара в физический поток углеводородов. Ключевые компоненты конструкции завершения могут быть широко классифицированы в нижнюю завершенность, которая непосредственно взаимодействует с образованием, и верхнюю завершенность, которая соединяет нижнюю завершенность с объектами скважины и поверхности.

Критические параметры проектирования в рамках нижней комплектации включают:

Оптимизация этих параметров затруднена из-за неоднородности недр. Конструкция, которая дает отличные результаты в высокопроницаемом песчанике, может плохо работать в плотном карбонате. Экономический контекст - цена на нефть, стоимость услуг, ставка дисконта - добавляет еще один уровень сложности к цели оптимизации, которая часто заключается в максимизации чистой приведенной стоимости (NPV), а не просто кумулятивного производства.

Машинное обучение как решение для оптимизации параметров

Традиционные рабочие процессы проектирования основаны на экспертных суждениях и анализе чувствительности на основе моделирования. В то время как моделирование обеспечивает надежную физическую основу, оно вычислительно дорого. Это ограничивает количество сценариев, которые могут быть реалистично оценены. Модели машинного обучения, однажды обученные на исторических данных, могут оценивать тысячи или миллионы кандидатов в секунду. Они не заменяют моделирование, но дополняют его, позволяя гораздо более широкий и быстрый поиск пространства параметров.

Надзорное обучение является наиболее распространенной парадигмой для этой задачи. Модель обучена прогнозировать целевую переменную, такую как 1-летняя кумулятивная добыча нефти, расчетная окончательная добыча (EUR) или NPV, на основе набора входных признаков. Эти особенности включают параметры завершения, перечисленные выше, геологические свойства (пористость, проницаемость, начальное давление) и данные бурения (траектория скважины, показатели повреждения образования).

Алгоритмы ML по своей сути подходят для захвата нелинейных, высокоразмерных отношений, присущих дизайну завершения. Они могут идентифицировать шаблоны, которые не очевидны для аналитиков-людей с использованием традиционных статистических методов. Например, модель ML может обнаружить, что конкретная комбинация фаз перфорации и концентрации пропанта дает превосходные результаты в конкретных режимах стресса, отношения, которые было бы очень трудно количественно оценить с помощью ручного перекрестного наложения или одновариабельной чувствительности. Применение ансамблевых моделей, таких как случайный лес и градиентное повышение, оказалось особенно эффективным в этой области. См. соответствующие исследования на OnePetro для примеров ML, применяемых к этой проблеме.

Основные методологии и рабочий процесс

Внедрение процесса оптимизации завершения на основе ML включает в себя несколько отдельных этапов, каждый из которых требует тщательного внимания к деталям. Успех всего проекта зависит от качества данных и строгости процесса проверки.

Обработка данных и разработка функций

Производительность любой модели ML принципиально ограничена качеством данных, на которых она обучена. Для завершения скважин это означает сбор согласованного набора данных по нескольким скважинам. Это часто включает в себя извлечение данных из разрозненных источников: отчеты о бурении, отчеты о завершении, нефтефизические журналы, производственные базы данных и финансовые записи. Стандартизация переменных имен, единиц и частот измерения является необходимым первым шагом.

Обработка недостающих данных является общей проблемой. Уэллс может не иметь ключевых журналов, неполных отчетов о стимуляции или недостающих данных о давлении. Стратегии вычисления должны быть тщательно подобраны, чтобы избежать предвзятости. Особенности инженерии - это то, где экспертиза домена становится бесценной. Сырые переменные часто объединяются для создания более информативных предикторов. Примеры включают:

Тщательная разработка функций повышает точность модели и, в случае моделей на основе деревьев, обеспечивает прямой способ понять, какие физические процессы модель считает наиболее важными.

Алгоритм выбора

Для оптимизации завершения пригодны несколько классов алгоритмов.Выбор зависит от размера набора данных, требуемой интерпретируемости и конкретной цели прогнозирования.

На практике часто оценивается комбинация этих моделей, и лучший исполнитель выбирается на основе метрик валидации.

Модель обучения, валидации и неопределенности количественной оценки

Стандартная k-кратная перекрестная валидация предполагает, что образцы данных независимы и распределены одинаково. Это предположение часто нарушается в данных скважин, потому что скважины в пределах одного и того же месторождения имеют общую геологическую и оперативную историю. Если скважины из одного и того же месторождения разделены по наборам обучения и валидации, модель будет казаться более точной, чем она есть на самом деле. Методика, называемая блок-кросс-валидация, где скважины из конкретного поля или географического региона удерживаются вместе, обеспечивает более реалистичную оценку производительности модели на совершенно невидимых будущих скважинах.

Вместо того, чтобы прогнозировать одну точку (например, EUR = 500 000 баррелей), байесовские модели или методы, такие как Quantile Regression, могут обеспечить интервал прогнозирования (например, 10-й процентиль = 400 000, 90-й процентиль = 600 000).

Практические преимущества рабочего процесса завершения, управляемого ML

Интеграция машинного обучения в процесс проектирования завершения предлагает несколько ощутимых преимуществ, которые напрямую влияют на улучшение производительности активов.

Скорость оценки:] Калиброванный физический симулятор может занимать часы или дни для оценки одного сценария завершения.Модель ML может оценивать миллионы сценариев за доли секунды. Это позволяет инженерам исчерпывающе исследовать полное пространство проектирования, а не ограничиваться горсткой вручную выбранных случаев. Эта скорость также позволяет оптимизировать в реальном времени во время операций стимуляции, где модели могут быть обновлены с живыми данными для корректировки графиков насосов и концентраций на лету.

Объективный и системный анализ:] Человеческие предубеждения и предубеждения могут непреднамеренно влиять на традиционные процессы проектирования. Модель ML, обученная на широком историческом наборе данных, объективно взвешивает доказательства со всех доступных скважин. Она систематически применяет одну и ту же логику во всем портфеле, обеспечивая последовательность в принятии решений. Это особенно ценно для крупных активов с сотнями скважин, где ручной анализ непрактичен.

Вероятностная способность к проектированию:] Вместо того, чтобы создавать единый «оптимальный» дизайн, модели ML могут генерировать полный вероятностный прогноз для любого заданного сценария завершения. Это позволяет операторам явно торговать между риском и вознаграждением. Например, дизайн с немного более низким средним риском EUR, но значительно более низким риском снижения может быть предпочтительным в условиях низкой цены. Эта вероятностная структура хорошо согласуется с корпоративными процессами принятия решений для управления портфелем.

Технические и операционные проблемы

Несмотря на свой потенциал, применение ML для проектирования скважин не лишено существенных проблем, которые должны быть явно управляемы.

Качество и количество данных: Это наиболее часто цитируемое препятствие. Наборы данных, как известно, редкие, шумные и противоречивые. Многие переменные, которые влияют на производительность скважины, либо не измеряются, либо регистрируются непоследовательно в ходе приобретений. Модель, обученная на данных низкого качества, будет производить ненадежные прогнозы, независимо от сложности алгоритма. Значительные инвестиции в очистку данных и управление, как правило, требуются до того, как ML может быть эффективно развернут. Принцип «мусор в, мусор в» является абсолютным в этой области.

Модельная интерпретируемость и доверие:] Инженеры и лица, принимающие решения, по понятным причинам не решаются доверять модели, внутренняя работа которой непрозрачна. Модель может предсказать высокую производительность для конкретного дизайна, но если инженеры не могут понять, почему, они будут неохотно использовать его. Такие инструменты, как SHAP (SHapley Additive exPlanations) сделали значительные успехи в открытии черного ящика. Эти инструменты разлагают предсказание модели на вклад каждой входной функции, показывая, почему проект прогнозируется хорошо или плохо. Понимание вклада функции имеет решающее значение для построения доверия. Книга «Интерпретируемое машинное обучение» предлагает полный обзор этих методов (] Глава по SHAP .

Интеграция с существующими рабочими процессами: Принятие подхода, основанного на ML, требует изменений в установленных инженерных рабочих процессах. Это требует сотрудничества между учеными-данными, петрофизиками, геологами и инженерами-завершителями. Культурное сопротивление изменениям, отсутствие знаний в области науки о данных в команде и отсутствие интегрированных программных платформ могут препятствовать принятию. Успешная реализация обычно требует чемпиона в организации и четкой демонстрации ценности пилотного проекта перед масштабированием.

Эволюция инженерии комплементов с ИИ

Нынешняя волна приложений для МО только начинается. Область движется к более интегрированным и физически последовательным системам ИИ.

Физико-информированные нейронные сети (PINN): Стандартные нейронные сети могут делать прогнозы, нарушающие физические законы. PINN включают управляющие дифференциальные уравнения частичных (например, уравнения потока жидкости) непосредственно в функцию потерь во время обучения. Это заставляет модель изучать решения, которые согласуются с физикой, улучшая обобщение и уменьшая потребность в массивных наборах данных. Этот гибридный подход сочетает скорость ML с строгостью моделирования физики.

Усиление обучения для управления в реальном времени: Для скважин с интеллектуальными завершениями (например, несколько ICV), обучение подкреплению может быть использовано для обучения агента автономно управлять настройками скважины в реальном времени. Агент учится политике управления, которая максимизирует кумулятивное вознаграждение (например, добыча нефти) путем регулирования клапанов в ответ на изменение условий скважины (разрезание воды, GOR, давление). Это перемещает оптимизацию от задачи предварительного завершения проектирования к непрерывной операционной функции.

Генеративные модели: Генеративные состязательные сети (GAN) и Вариационные автокодировщики (VAE) могут быть использованы для генерации реалистичных синтетических данных скважин. Это может быть особенно полезно для увеличения разреженных наборов данных или для создания разнообразного набора проектов-кандидатов, которые исследуют новые области пространства параметров, направляя поиск действительно оптимальных завершений.

Заключение

Интеграция машинного обучения в проектирование скважин представляет собой значительный шаг вперед в способности отрасли оптимизировать стоимость активов. Переход от чисто физических к гибридным физическим рабочим процессам, основанным на данных, идет полным ходом. В то время как проблемы, связанные с качеством данных, интерпретацией моделей и организационными изменениями, остаются, способность быстро и систематически исследовать пространство высокоразмерного дизайна обеспечивает явное конкурентное преимущество. Операторы, которые инвестируют в создание надежной инфраструктуры данных, способствуя междисциплинарной экспертизе и проверке моделей ML в их конкретном операционном контексте, будут позиционироваться, чтобы сделать более быстрые, более информированные и в конечном итоге более прибыльные решения по завершению в их портфеле активов.