Table of Contents

Введение в машинное обучение в прогнозировании нефтяного резерва

Нефтегазовая промышленность долгое время полагалась на сейсмическую визуализацию, журналы скважин и образцы ядер для характеристики подземных резервуаров. Однако огромный объем и сложность современных геонаучных данных подтолкнули традиционные методы интерпретации к их пределам. Алгоритмы машинного обучения (ML) теперь предлагают мощную альтернативу, автоматически обнаруживая закономерности, обрабатывая высокоразмерные входы и производя вероятностные прогнозы, которые улучшаются с каждой новой точкой данных. От масштабной разведки бассейна до планирования разработки месторождений, ML меняет то, как инженеры и геофизики прогнозируют свойства резервуара, такие как пористость, проницаемость, насыщение жидкости и толщина чистой платы.

Основные парадигмы машинного обучения, применяемые к проблемам водохранилища

Задачи прогнозирования водохранилища обычно подпадают под одну из трех основных парадигм МО, каждая из которых подходит для различных типов данных и целей.

Надзорное обучение для количественной оценки собственности

Надзорное обучение обучает модель на меченых примерах, где известно целевое свойство (например, пористость, измеренная из основных вилок). Общие алгоритмы включают случайные леса , машины поддержки векторов и . Эти модели изучают отображение из входных признаков (сейсмические атрибуты, кривые журнала, петрофизические параметры) к целевой переменной. После обучения они могут предсказать свойства резервуара в местах, где существуют только сейсмические или логарифмические данные, эффективно масштабируя разреженные измерения наземной истины по всему полю. Типичный рабочий процесс включает разделение набора данных на обучение, валидацию и наборы тестов, настройку гиперпараметров через перекрестную валидацию и выбор модели с наименьшей ошибкой обобщения.

Неконтролируемое обучение для классификации фаций и обнаружения аномалий

Неконтролируемые методы не требуют меченых целей. Вместо этого они идентифицируют естественные группировки или выбросы в данных. K-средства кластеризации , самоорганизующиеся карты и Гауссовы модели смесей широко используются для классификации электрофаций из журналов скважин, кластерных сейсмических форм волн и обнаружения аномальных зон, которые могут указывать на трещины, солевые тела или углеводородные индикаторы. Эти методы помогают геологам строить последовательные модели фаций и выделять области, которые требуют дальнейшего изучения.

Усиление обучения для оптимизации бурения и управления полями

Усиление обучения (RL) кадры управления резервуаром как последовательная проблема принятия решений. RL агент взаимодействует с имитатором резервуара, принимая такие действия, как корректировка скорости скважин или бурение новых скважин, и получает вознаграждения на основе кумулятивной добычи нефти или чистой приведенной стоимости. Во многих эпизодах агент узнает оптимальную политику, которая максимизирует долгосрочную экономическую отдачу. В то время как все еще появляющийся на практике, RL показал обещание в автоматизации размещения скважин и оптимизации производства в условиях неопределенности.

Ключевые приложения в прогнозировании и характеристике водохранилища

Алгоритмы машинного обучения развернуты на протяжении всего жизненного цикла резервуара, от разведки до отказа. Следующие приложения представляют собой наиболее зрелые и эффективные варианты использования.

Сейсмическая интерпретация данных и анализ атрибутов

Сейсмические исследования генерируют терабайты 3D-томов. Модели ML могут обрабатывать эти данные для автоматического выбора горизонтов, обнаружения неисправностей и классификации сейсмических фаций. Например, сверточные нейронные сети (CNN) , обученные на меченных сейсмических секциях, могут сегментировать солевые тела или идентифицировать каналы и вентиляторы мутидов с точностью, конкурирующей с человеческими интерпретаторами. Кроме того, неконтролируемая кластеризация сейсмических кубов с несколькими атрибутами (например, амплитуда, когерентность, кривизна) дает карты вероятности фаций, которые направляют моделирование геометрии резервуара.

Прогноз пористости и проницаемости из журналов скважин

Пористость и проницаемость являются критическими входами для оценки резерва и моделирования потока. Традиционный петрофизический анализ использует эмпирические уравнения (например, закон Арчи, среднее время Уайлли). Алгоритмы ML, напротив, могут интегрировать несколько кривых журнала (гамма-луч, сопротивление, нейтрон, плотность) с измерениями ядра для получения непрерывных предсказаний. Градиентные ускорители и глубокие нейронные сети продемонстрировали превосходную точность в гетерогенных карбонатных и плотных резервуарах песчаника, особенно там, где ответы журнала нелинейны или перекрываются.

Насыщение жидкости и утилизация углеводородов

Отличие нефти от воды или газа имеет важное значение для идентификации зоны оплаты. Классификаторы ML, обученные на грязевых журналах, данных отбора проб жидкости и передовых журналах спектроскопии, могут прогнозировать типы жидкости только из основных проводных журналов. Такие методы, как анализ основных компонентов (PCA) в сочетании с классификация случайных лесов , уменьшают размерность и выделяют наиболее дискриминационные функции, позволяя принимать решения в режиме реального времени во время бурения.

Прогнозирование производства и анализ кривой снижения

Прогнозирование будущих ставок на нефть и газ информирует о планировании разработки месторождений, размерах объектов и экономической оценке. Модели ML расширяют традиционный анализ кривой убывания путем включения дополнительных переменных, таких как интервал между скважинами, параметры завершения и эффекты помех. Рекуррентные нейронные сети (RNN) и сети короткой кратковременной памяти (LSTM) [FLT: 1]] захватывают временные зависимости в производственных временных рядах, часто опережая гиперболическое снижение Arps на нетрадиционных скважинах с несколькими режимами переходного потока.

Подготовка данных и разработка характеристик

Качество прогнозов МО в значительной степени зависит от входных данных. Наборы данных водохранилища часто шумные, неполные и страдают от ошибок измерения. Надежный конвейер предварительной обработки включает в себя:

  • Удаление посторонних: Устранение ложных измерений, вызванных неисправностями инструмента или повреждением формации, с использованием статистических порогов или кластеризации.
  • Отсутствующие вычисления данных: Методы, такие как множественные вычисления, MICE или k-ближайшие соседи, для заполнения пробелов в журналах скважин или базовом анализе.
  • Нормализация и масштабирование: Функции масштабирования в общем диапазоне (например, масштабирование по min-max или стандартизация по z-баллам) для предотвращения доминирования в модели переменных с большими величинами.
  • Выбор характеристик: Использование корреляционного анализа, взаимной информации или рекурсивного устранения признаков для сохранения только наиболее прогностических атрибутов и снижения переобучения.
  • Выравнивание сейсмических связей: Коррекция несоответствий глубины между сейсмическими объемами и маркерами скважин с использованием синтетических сейсмограмм или автоматических алгоритмов деформации.

Модельная валидация и количественная оценка неопределенности

Прогнозы водохранилища должны сопровождаться мерами доверия. Модели МО склонны к переобучению разрозненных или предвзятых данных обучения, что приводит к чрезмерно оптимистичным оценкам ошибок. Хорошая практика включает в себя:

  • Слепые тесты скважин: Удерживание одной или нескольких скважин от обучения и оценки прогнозов в этих местах.
  • Методы сборки: Обучение нескольких моделей (например, помеченные случайные леса, бустерные деревья) и использование дисперсии между членами ансамбля в качестве прокси для неопределенности прогнозирования.
  • Вероятностные выходы: Преобразование детерминированных регрессоров ML в квантильную регрессию или использование выпадения Монте-Карло в нейронных сетях для генерации доверительных интервалов для карт свойств.
  • Перекрестная валидация с пространственным осознанием: Применение схем перекрестной валидации блоков или схемы «оставить один-один-хорошо», чтобы предотвратить пространственную автокорреляцию от надувания показателей производительности.

Интеграция с физическим моделированием

Модели ML, основанные на чистых данных, могут нарушать известные физические законы (например, сохранение массы, закон Дарси). Для повышения надежности исследователи объединяют ML с моделированием резервуаров в гибридных подходах. Физики-информированные нейронные сети (PINN) встраивают дифференциальные уравнения в функцию потерь, гарантируя, что предсказания удовлетворяют уравнениям потока. Другая практическая стратегия использует ML в качестве прокси для дорогих симуляторов полной физики: нейронная сеть, обученная на симуляторах, может предоставлять почти мгновенные прогнозы для сопоставления истории, оптимизации и анализа чувствительности, снижая вычислительные затраты на порядки величины.

Проблемы и ограничения

Несмотря на быстрый прогресс, ряд препятствий препятствует широкому распространению ОД в прогнозировании водохранилищ:

  • Дефицит и дисбаланс данных: Многие резервуары имеют только несколько скважин с полным охватом ядра, и целевое свойство (например, полосы с высокой проницаемостью) может быть редким.
  • Интерпретируемость: Сложные модели, такие как глубокие нейронные сети, часто являются черными ящиками. Геофизики и регуляторы требуют объяснений для принятия решений, стимулируя интерес к SHAP (SHapley Additive exPlanations) и LIME, чтобы приписать предсказания конкретным входным функциям.
  • Нестационарность: Геологические процессы пространственно различаются; модель, обученная в одном бассейне, может потерпеть неудачу в другом.Техники адаптации домена, которые выравнивают распределения признаков по полям, являются активной областью исследований.
  • Расчетная стоимость: Обучение больших 3D-моделей CNN по полноразмерным сейсмическим данным требует высокопроизводительных вычислительных ресурсов, что может быть непомерно для небольших операторов.

Будущие направления

Следующая волна ML в прогнозе водохранилища, вероятно, будет сосредоточена на трех темах:

  1. Самоконтролируемое и полуконтролируемое обучение: Использование огромных немаркированных сейсмических объемов для подготовки моделей перед тонкой настройкой на разреженных этикетках, резко уменьшая необходимость ручной интерпретации.
  2. Многомодальный сплав данных:] Интеграция сейсмических, скважинных, производственных и даже спутниковых данных InSAR в унифицированные модели, которые захватывают полную картину недр.
  3. Оптимизация замкнутого цикла в реальном времени: Развертывание моделей ML на периферийных устройствах на месторождении для непрерывного обновления моделей резервуаров по мере поступления новых данных во время бурения и производства, что позволяет адаптивно контролировать операции.

Заключение

Алгоритмы машинного обучения стали незаменимыми инструментами в арсенале современного инженера-резервуара. Они ускоряют сейсмическую интерпретацию, улучшают оценку нефтефизических свойств и улучшают прогнозирование добычи, одновременно снижая риск и стоимость разведки. Однако успешное развертывание требует тщательной подготовки данных, строгой проверки и продуманной интеграции с физикой домена. По мере роста вычислительной мощности и появления новых архитектур синергия между машинным обучением и геонаукой будет продолжать стимулировать более точную, эффективную и устойчивую разработку нефти и газа.