Table of Contents

Неадекватность одноточечных оценок при оценке недр

На протяжении большей части истории нефтегазовой отрасли детерминированные оценки запасов занимали неоспоримую позицию. Одно число, полученное из «лучших» значений пористости, чистой заработной платы, площади и коэффициента восстановления, давало чистый ответ на финансовые прогнозы, планирование развития и общение с инвесторами. Но недра никогда не бывают чистыми. Переменность в средах осаждения, разделение по неисправностям, свойства жидкости и механизмы привода означает, что любая единичная оценка не просто неполна, но потенциально вводила в заблуждение. Ошибка 15% в каждом из четырех входных параметров не усугубляется до ошибки 60%; из-за взаимодействий окончательная ошибка также не может быть намного больше. Детерминистические методы также не дают возможности ответить на самый важный вопрос: «Насколько вы уверены в этом числе?» Это слепое пятно привело к бесчисленным перегруженным бюджетам, неэффективным активам и напряженным партнерским отношениям. Отрасль извлекла тяжелые уроки из проектов, где оценка P50 за один пункт стала основой для решений на миллиард долларов, только для достижения результатов в диапазоне P30 или P70, вызывая перерасход бюджета или ограничен

Корневая проблема заключается в том, что детерминированные методы сводят неопределенность к ложной уверенности. Когда геофизик выбирает одно значение пористости, они неявно отбрасывают вероятность того, что пористость может быть выше или ниже. Когда это значение умножается на одну толщину чистой платы и одну область, результатом является объем, который не имеет определенной вероятности быть превышенным или неэффективным. Лица, принимающие решения, которые полагаются на такие оценки, по существу, слепы, неспособны различать проект с 10% вероятностью неудачи и с 40% вероятностью. Это отсутствие вероятностного кадрирования было фактором в некоторых из наиболее заметных перерасходов затрат в отрасли, где объекты были рассчитаны на «наиболее вероятный» случай, который оказался оптимистичным.

Вероятностный сдвиг парадигмы в оценке резервов

Вероятностные методы устраняют эти недостатки, рассматривая каждый вход как диапазон, а не точку. Вместо одного объема, выход представляет собой распределение вероятности, которое показывает полный спектр возможных результатов - от пессимистического хвоста до оптимистического экстремума. Это не просто математическое упражнение; это фундаментальное изменение в том, как недра неопределенности воспринимается, управляется и сообщается. Сдвиг соответствует современным финансовым и нормативным ожиданиям для прозрачного раскрытия рисков, и он вооружает лиц, принимающих решения, инструментами для взвешивания вероятностей, а не предвзятость одной "наиболее вероятной" фигуры. Компании, которые приняли эту парадигму отчет более реалистичные оценки проектов, меньше сюрпризов во время разработки и более сильное согласование между техническими командами и корпоративным руководством.

От распределения к решениям

Ядром любого вероятностного рабочего процесса является представление каждой неопределенной переменной функцией плотности вероятности (PDF). Например, площадь резервуара может рассматриваться как треугольное распределение, когда неопределенна точка структурного разлива, или как равномерное распределение, когда известны только минимальные и максимальные границы. Пористость в чистом песчанике часто следует за нормальным распределением, но в вагги-карбонатах она может быть лучше представлена логнормальной кривой. Фактор восстановления, сильно зависящий от аналоговых данных, часто моделируется с бета- или треугольным распределением. Процесс отбора должен быть дисциплинирован и геологически информирован; выбор распределения для удобства, а не физический реализм, развращает весь выход. Каждый выбор распределения несет предположения, которые распространяются через модель, поэтому строгое обоснование необходимо.

После того, как все входы определены, наиболее распространенным двигателем распространения является моделирование Монте-Карло. Десятки тысяч итераций случайным образом выборки из каждого распределения, вычислить объемное уравнение и накопить результаты в гистограмму и кумулятивную кривую. Выход непосредственно дает P90, P50 и P10 процентилей - отраслевые стандартные определения для доказанных, доказанных плюс-вероятно, и возможные резервы в соответствии с SPE PRMS . Кроме того, диаграммы торнадо из моделирования ранжируют чувствительность каждого входа, проясняя, где дополнительное получение данных обеспечит наибольшее снижение неопределенности. Этот анализ чувствительности является одним из наиболее ценных выходов вероятностного рабочего процесса, направляя программы оценки к параметрам, которые имеют наибольшее значение.

Практическое рассмотрение - это количество итераций, необходимых для стабильных результатов. Для большинства объемных моделей от 10 000 до 50 000 итераций обеспечивают стабильные P90 и P10 процентилей, но модели с сильно искаженными распределениями или экстремальными корреляциями могут потребовать 100 000 или более. Диагностика конвергенции, такая как построение значения P50 против количества итераций, помогает подтвердить, что моделирование стабилизировалось. Многие коммерческие инструменты, такие как @RISK и Crystal Ball, включают встроенный мониторинг конвергенции, что позволяет практикующим врачам легко проверить, что их результаты надежны.

Байесианское обновление: как учиться

Хотя моделирование Монте-Карло является рабочей лошадкой для статических объемных оценок, байесовские методы предлагают более динамичную основу для полей, уже находящихся в производстве или с несколькими фазами сбора данных. Байесовская модель начинается с предварительного распределения - первоначальной оценки, основанной на исследовании и оценке - и затем обновляет ее с использованием наблюдаемых производственных данных, переходных тестов давления или 4D-сейсмики с помощью функции вероятности. Результат - заднее распределение, которое математически интегрирует новые доказательства. Этот подход особенно эффективен для нетрадиционных резервуаров, где производительность скважины может значительно варьироваться, и ранние производственные данные обеспечивают лучшее ограничение на окончательное восстановление. Такие инструменты, как PyMC3 или Stan, позволяют практикующим создавать пользовательские байесовские модели, хотя они требуют сильного понимания теории вероятностей и методов численной выборки, таких как гамильтонов Монте-Карло.

Байесовское обновление не ограничивается производственными данными. Оно может включать любую новую информацию, которая имеет вероятностное отношение к интересующим переменным. Например, 3D сейсмическая инверсия, которая указывает на тенденцию пористости, может использоваться для обновления предшествующего распределения пористости в необработанных областях. Аналогично, данные о давлении из новой скважины могут обновлять предыдущее для прочности водоносного горизонта и связности. Байесовская структура обеспечивает математически строгий способ объединения нескольких источников данных, каждый со своей собственной неопределенностью, в когерентную оценку, которая отражает все доступные доказательства. Это намного превосходит специальный подход корректировки детерминированных значений на основе «инженерного суждения».

Почему вероятностные методы приносят ощутимую ценность

Прозрачная квантификация рисков

Наиболее очевидным преимуществом является возможность назначить вероятность для любого объема запасов. Заявление, подобное «существует 90% вероятность того, что извлекаемая нефть превышает 50 млн баррелей», является гораздо более информативным, чем «доказанные запасы составляют 50 млн баррелей». Эта ясность распространяется на агрегацию портфеля: сумма отдельных объемов активов Р50 редко равна портфелю Р50 из-за эффектов диверсификации. Вероятностные модели портфеля, которые учитывают корреляции между активами, позволяют корпорациям оптимизировать распределение капитала, снизить риск катастрофического дефицита и вести переговоры о финансировании с кредиторами, которые требуют количественной оценки риска. Возможность сформулировать риск в вероятностных терминах также улучшает связь с партнерами по совместному предприятию, регуляторами и инвестиционным сообществом.

Агрегация портфеля - это то, где вероятностные методы действительно сияют. Когда индивидуальные распределения активов объединены, распределение портфеля более узкое, чем сумма отдельных диапазонов, благодаря диверсификации. Это означает, что компания с диверсифицированным портфелем может уверенно резервировать более высокие общие резервы, чем предполагает простое суммирование детерминированных значений P50. И наоборот, игнорирование корреляций между активами может привести к чрезмерно уверенным оценкам портфеля. Вероятностная модель портфеля, которая включает в себя положительные корреляции (например, активы в том же бассейне, которые разделяют аналогичные геологические риски), будет производить более широкое распределение, чем тот, который предполагает независимость. Правильное распределение корреляционной структуры имеет решающее значение для точной оценки риска на уровне портфеля.

Лучшие решения в области развития и эффективность капитала

Вероятностные выходы напрямую подпитывают экономическую оценку. Путем сопряжения распределения запасов с распределением затрат (CAPEX, OPEX) и прогнозами цен компании генерируют полные распределения вероятностей чистой приведенной стоимости (NPV) и внутренней нормы доходности (IRR). Лица, принимающие решения, могут ответить на вопросы, такие как: «Какова вероятность того, что этот проект превысит 15% IRR?» или «Сколько мы должны размерить перерабатывающий объект, если мы готовы терпеть только 10% вероятность недостаточной мощности?» В глубоководных и арктических средах, где затраты на объект составляют миллиарды долларов, способность избежать чрезмерного проектирования на основе пессимистического хвоста (который может иметь только 5% вероятность) может сэкономить сотни миллионов. Анализ чувствительности также направляет оценочные программы: если модель показывает, что валовой объем горных пород доминирует над неопределенностью, целенаправленная кампания сейсмической инверсии может быть более рентабельной, чем бурение дополнительной скважины.

Эффективность капитала повышается, поскольку вероятностные методы предотвращают как избыточный, так и недостаточный дизайн. Перепроектирование происходит, когда объекты рассчитаны на наихудший сценарий, который имеет очень низкую вероятность возникновения. Недопроектирование происходит, когда объекты рассчитаны на наилучшую оценку, которая оказывается оптимистичной, что приводит к дорогостоящему деботтленке или дефициту мощности. Вероятностные методы позволяют инженерам размер объектов для конкретной вероятности превышения, например, случай P80 для производственных мощностей, балансируя стоимость дополнительной мощности с риском дефицита. Этот риск-ориентированный подход к проектированию, как было показано, снижает затраты на объекты на 10-20% в глубоководных проектах при сохранении приемлемых уровней надежности производства.

Регулирование и выравнивание инвесторов

Нормативно-правовые рамки эволюционировали, чтобы охватить вероятностное мышление. Правила Комиссии по ценным бумагам и биржам США 2009 года (]SEC Выпуск No 33-8995) явно позволяют оценивать резервы с использованием вероятностных методов и требуют, чтобы «разумная определенность» оценивалась последовательно. SPE PRMS обеспечивает четкое отображение между пороговыми значениями вероятности и категориями резервов. Компании, которые принимают вероятностные рабочие процессы, находят внешние аудиты более плавными, потому что предположения и диапазоны полностью документированы. Для инвесторов отчет о запасах, который включает значения P90, P50 и P10 с графиками S-кривой, предлагает гораздо большую информацию, чем одна цифра, помеченная как «доказанная». Эта прозрачность может снизить стоимость капитала компании за счет снижения воспринимаемой информационной асимметрии между руководством и рынком. Инвесторы все более изощрены в своем анализе риска резервов, и компании, которые предоставляют вероятностные раскрытия, лучше позиционируются для привлечения капитала.

Канадская и британская нормативно-правовая база также перешла к вероятностной отчетности о резервах, признавая, что детерминированные методы сами по себе не обеспечивают достаточную прозрачность для инвесторов. Переход к вероятностной отчетности является частью более широкой тенденции в финансовой отрасли к стандартам раскрытия информации, основанным на рисках, таким как рекомендации Целевой группы по финансовым раскрытиям, связанным с климатом (TCFD). Компании, которые принимают вероятностные методы сейчас, будут хорошо подготовлены к будущим нормативным требованиям, которые требуют еще большей прозрачности в отношении неопределенности и риска.

Реальные барьеры для усыновления

Качество и доступность данных

Наибольшей проблемой часто является качество входных данных. В пограничных бассейнах с разреженным контролем скважин диапазон для некоторых переменных может быть настолько широким, что распределение запасов становится слишком широким, чтобы быть полезным. Вероятностные методы не создают информацию; они выявляют степень незнания. Чтобы быть эффективными, организация должна взять на себя обязательство по получению достаточных данных для ограничения ключевых распределений. Это может включать боковые ядра для пористости, испытания давления образования для жидких контактов или 3D-сейсмику для структурного определения. Там, где отсутствуют твердые данные, можно использовать аналоговые данные из аналогичных резервуаров в том же бассейне или геологически аналогичных условиях, но их пригодность должна быть строго защищена и документирована. Использование аналогов вводит свои собственные неопределенности, которые должны отражаться в распределениях. Например, если аналоговый резервуар имеет коэффициент восстановления 35%, но целевой резервуар глубже и горячее, распределение для коэффициента восстановления может быть сдвинуто ниже с более широким диапазоном, чтобы отразить пониженную уверенность.

Экспертное выяснение является ценным инструментом для определения распределения, когда жесткие данные скудны. Методы структурированного вызывания, такие как метод Дельфи, могут извлекать вероятностные оценки от экспертов по предмету при минимизации когнитивных предубеждений. Эти методы включают в себя несколько раундов анонимной оценки, обратной связи и пересмотра, сходящихся в направлении консенсусного распределения, которое отражает коллективные знания команды. Экспертное вызывание успешно используется во многих компаниях E&P для определения дистрибутивов для таких переменных, как коэффициент восстановления, вероятность уплотнения неисправности и зрелость исходного камня. Ключ заключается в использовании структурированного, документированного процесса, который может быть проверен и защищен.

Сложность и организационное сопротивление

Создание вероятностной модели занимает больше времени, чем детерминированная таблица. Определение дистрибутивов, настройка корреляционных матриц и диагностика проблем конвергенции требуют уровня статистической грамотности, которым обладают не все подповерхностные команды. Сопротивление часто исходит от опытных инженеров, которые доверяют своей «кушечной» наилучшей оценке и рассматривают вероятностный выход как ненужную сложность. Преодоление этого требует постепенного перехода: начните с детерминированной модели, затем замените два или три наиболее чувствительных параметра распределениями и покажите результаты бок о бок. Учебные занятия, тематические исследования внутри организации и поддержка специализированной аналитической команды могут создать уверенность. Многие компании E&P теперь поддерживают шаблонные модели для общих типов резервуаров (например, карбонатный риф, глубоководный мутидит, нетрадиционные сланцы), которые предопределяют типичные распределения, уменьшая время установки, сохраняя способность настраивать входы.

Организационное сопротивление часто коренится в непонимании того, что могут и не могут делать вероятностные методы. Некоторые скептики утверждают, что вероятностные модели «мусорно впитываются, выкидываются» и что результаты не лучше входных предположений. Эта критика в некоторой степени справедлива, но она в равной степени применима к детерминированным моделям. Преимущество вероятностных методов заключается в том, что они делают предположения явными и позволяют количественно оценить влияние каждого предположения. Хорошо документированная вероятностная модель с четкими предположениями гораздо более прозрачна и оправдана, чем детерминированная модель со скрытыми предубеждениями. Преодоление сопротивления требует лидерских обязательств, устойчивых инвестиций в обучение и культурного сдвига, который ценит вероятностное мышление как основную компетентность, а не специализированную нишу.

Толкование подводных камней и «предвзятость P50»

Даже когда вероятностная модель хорошо построена, пользователи могут попасть в ловушку, рассматривая P50 (медиана) как новую «лучшую оценку» и игнорируя остальную часть распределения. Это подрывает всю цель. Чтобы противостоять этому, организации должны встроить вероятностное мышление в ворота принятия решений. Например, проект может потребовать, по крайней мере, 70% вероятности превышения минимального экономического порога, прежде чем перейти к Front-End Engineering Design. Панели, которые отображают полное распределение, а не только медиану, сохраняют фокус на риске. Добавление детерминированного согласования - показывая, как P50 сравнивается с традиционными низкими лучшими высокими случаями - помогает преодолеть разрыв для тех, кто привык к детерминированным рабочим процессам. Регулярное обучение и подкрепление необходимы для обеспечения правильного использования вероятностных результатов в принятии решений.

Еще одна распространенная ошибка - неправильное использование корреляций. Когда переменные коррелируют, влияет распределение выхода. Игнорирование корреляций может искусственно сжимать диапазон, приводя к чрезмерно уверенным оценкам. Моделирование корреляций, которые слишком сильны, может искусственно расширять диапазон. Практикующие должны найти баланс, используя геологическое понимание и анализ данных для определения соответствующих коэффициентов корреляции. Методы корреляции рангов, такие как корреляция ранга Спирмана, обычно используются в моделировании Монте-Карло, потому что они сохраняют предельные распределения, навязывая желаемую корреляционную структуру. Методы Copula предлагают еще большую гибкость, позволяя создавать сложные зависимости, которые не захватываются линейной корреляцией.

Тематические исследования, демонстрирующие эффективность

Глубоководный мутидит, Мексиканский залив

Независимый оператор получил глубоководную перспективу в Мексиканском заливе с только двумя скважинами, проникающими в вентилятор мутидит верхнего миоцена. Первичные неопределенности были связаны с песчаным соединением и наличием водоносного горизонта. Детерминистические оценки варьировались от 60 до 250 миллионов баррелей - слишком широкие для поддержки решения о бурении. Команда построила вероятностную статичную модель, основанную на сейсморазведке. Область водохранилища была смоделирована как логнормальное распределение на основе сейсмической амплитуды извлечения, чистая к кассе как треугольное распределение из данных о скважинах и аналогов, а коэффициент восстановления как равномерное распределение, отражающее неопределенность в эффективности водного потопа. Полученный диапазон P90-P10 составлял от 85 до 220 миллионов баррелей, с P50 из 140 миллионов баррелей. Анализ торнадо показал, что чистая к кассе и коэффициент восстановления внесли 70% дисперсии. Это понимание привело к решению о приобретении 3D CSEM (контролируемый источник электромагнитного) обследования для лучшего ограничения насыщен

Этот случай подчеркивает критическое преимущество вероятностных методов: возможность количественной оценки ценности информации. До приобретения обследования CSEM оператор мог оценить ожидаемое снижение неопределенности и соответствующее улучшение качества принятия решения. Вероятностная модель предоставила основу для этого анализа, позволив оператору сравнить стоимость обследования с ожидаемой ценностью информации, которую он предоставит. Этот анализ ценности информации является мощным инструментом, который возможен только в рамках вероятностной структуры.

Нетрадиционная сланцевая сланцевая, Аппалачский бассейн

Оператор среднего размера, разрабатывающий Marcellus Shale, столкнулся с чрезвычайной изменчивостью на уровне скважин: начальные темпы добычи варьировались в пять раз, а предполагаемые предельные коэффициенты извлечения (EUR) на скважину варьировались от 2 до 10 Bcf. Традиционные детерминированные кривые типа на основе средней скважины давали один евро, который был чрезмерно самоуверенным. Команда реализовала вероятностный рабочий процесс, который соединил геостатистические модели для матричной проницаемости и сложности трещин с моделированием параметров кривой убывания Монте-Карло. Распределения ввода для b-фактора и начальной скорости снижения были откалиброваны по сравнению с первыми двумя годами данных о добыче из 50 горизонтальных скважин с использованием байесовского обновления. Полученное распределение EUR на скважину показало P90 из 3,2 Bcf, P50 из 5,5 Bcf и P10 из 8,8 Bcf. Затем оператор агрегировал эти распределения по запланированному интервалу скважин для генерации резервов на уровне полей. Вероятностная модель портфеля показала, что в то время как медианное поле EUR

Нестандартный случай иллюстрирует важность пространственной корреляции. Производительность скважин в Marcellus пространственно коррелирует с наличием сладких пятен и бедных зон, которые сохраняются в нескольких единицах интервала между скважинами. Вероятностная модель, предполагающая независимую производительность скважин, недооценивает риск кластера плохих скважин. Оператор использовал геостатистическое моделирование для генерации множественных реализаций пространственного распределения EUR, сохраняя наблюдаемую пространственную корреляционную структуру. Это позволило модели портфеля захватить риск того, что большая прилегающая область может отстать, что приводит к более точной оценке запасов на уровне полей.

Карбонатные водохранилища, Ближний Восток

Национальная нефтяная компания на Ближнем Востоке управляла гигантским карбонатным месторождением с более чем 50-летней историей добычи. Прорыв воды в некоторых областях показал, что оставшаяся неопределенность насыщения нефтью связана с плотностью разрыва и проницаемостью матрицы. Детерминистское сопоставление истории породило несколько одинаково правдоподобных моделей. Используя подход Байеса Монте-Карло, команда назначила предварительные распределения для пористости и проницаемости переломов из журналов изображений и данных о ядрах, а затем обновила их с использованием данных о регистрации проб и следовых ответов. Заднее распределение оставшихся запасов показало, что оценка P10 (высокая сторона) была на 12% выше, чем детерминистское число высокого регистра, в то время как оценка P90 (низкая сторона) была на 8% ниже. Вероятностная оценка позволила компании спроектировать программу бурения на заливке с четким ранжированием на основе риска: сначала были пробурены скважины в секторах с высокой вероятностью заливки (низкая вода, высокое давление). Полученная добыча на заливках превысила целевые показатели на 15%, и вероятност

Этот случай демонстрирует ценность байесовского обновления в зрелом поле. Предыдущие распределения, основанные на статических данных из журналов изображений и ядер, были относительно широкими. Производственные журналы и данные трассера обеспечивали сильные ограничения на разрывное подключение и распределение насыщения, значительно сужая задние распределения. Байесовская структура позволила команде интегрировать эти разнообразные типы данных в последовательную вероятностную оценку, избегая несоответствий, которые часто возникают, когда разные источники данных интерпретируются изолированно.

Лучшие практики для успешного внедрения

Для максимального повышения эффективности вероятностных методов организации должны применять следующие методы:

  • Начните с простой и прогрессивной. Начните с детерминированной базовой модели и заменяйте самые неопределенные входы распределениями по одному за раз. Это укрепляет доверие команды и позволяет поэтапно проверять результаты. Каждый шаг должен быть документирован и рассмотрен перед переходом к следующему.
  • Документировать все предположения тщательно. Сохранить «основу оценки» отчет, который записывает источник каждого распределения, аналоговые данные, используемые, и любые методы экспертного пробуждения (например, метод Дельфи). Эта документация имеет решающее значение для аудитов и экспертных обзоров. Включите обоснование выбора распределения и любые корреляции применены.
  • Корреляции рукоятки явно.] Игнорирование корреляций между переменными (например, пористость и насыщенность водой часто отрицательно коррелируют, в то время как чистая оплата и площадь могут быть положительно коррелированы) может искусственно сжать распределение выходов, что приводит к чрезмерно уверенным значениям P90 и P10. Используйте корреляцию рангов или методы копулы для моделирования зависимостей. Анализ чувствительности должен включать влияние предположений корреляции на выход.
  • Проверка на соответствие истории.] Для производственных месторождений, обратный тест вероятностных прогнозов на фактическую производительность. Это создает доверие и позволяет калибровать параметры распределения (например, корректировать распространение распределения коэффициента восстановления, если раннее производство предполагает различное поведение). Ведите базу данных вероятностных прогнозов и фактических результатов для отслеживания производительности с течением времени.
  • Инвестируйте в обучение и культуру. Обеспечить практические семинары по методам Монте-Карло, байесовскому выводу и вероятностному анализу решений. Поощрять подповерхностные команды представлять S-кривые в обзорах ворот принятия решений, а не в отдельных номерах. Признавать и вознаграждать команды, которые используют вероятностное мышление, чтобы избежать перерасхода или захвата плюсов. Подумайте о создании центра передового опыта для вероятностных методов для предоставления опыта и поддержки.
  • Автоматизация использования. Создание многоразовых шаблонов и скриптов (например, Python с numpy/scipy или R с пакетом mc2d) интегрированных с корпоративными базами данных. Автоматизация извлечения данных для уменьшения ошибок ручного ввода и ускорения обновлений моделей. Облачные вычисления могут обрабатывать крупномасштабные модели портфеля с десятками тысяч активов. Автоматизация также облегчает анализ чувствительности и тестирование сценариев.
  • Проведение строгого рецензирования. Вероятностные модели должны подвергаться тому же процессу рецензирования, что и детерминированные модели, с акцентом на выбор распределения, предположения о корреляции и диагностику конвергенции. Независимый рецензент может выявить предубеждения и недосмотры, которые разработчик модели, возможно, пропустил.

Следующая граница: вероятностные гибриды с улучшенным ИИ

The synergy between machine learning and probabilistic modeling is opening new avenues. Deep learning models can be trained as emulators (surrogate models) that approximate the output of full physics simulations thousands of times faster. This enables real-time probabilistic updating during drilling—for example, while logging while drilling (LWD) data arrives, the surrogate model can immediately update the reserves distribution based on measured porosity and resistivity. Reinforcement learning algorithms can optimize field development plans by exploring thousands of scenarios, each quantified by a probabilistic reserves outcome. Meanwhile, continuous monitoring systems (downhole gauges, fiber optics, satellite surface deformation) feed into Bayesian filters that refine reserves estimates almost in real time. While these advanced techniques are still emerging, they build directly on the probabilisticОсновы моделирования Монте-Карло и байесовского вывода, что отрасль сейчас охватывает.

Одним из перспективных применений вероятностных методов, усиленных ИИ, является сопоставление истории. Традиционное сопоставление истории - это трудоемкий ручной процесс, который часто создает единую детерминированную модель, которая соответствует производственным данным. Соответствие вероятностной истории, используя такие методы, как приблизительные байесовские вычисления (ABC) или фильтры ансамбля Калмана, генерирует распределение моделей, которые согласуются с данными, обеспечивая более полную характеристику неопределенности. Машинное обучение может ускорить этот процесс, действуя в качестве суррогата для полного физического симулятора, позволяя оценивать тысячи реализаций модели в минутах, а не часах или днях.

Еще одно новое применение - оценка запасов в реальном времени во время бурения. Объединив данные LWD в реальном времени с вероятностной моделью предварительного бурения, операторы могут обновлять оценки запасов по мере бурения новых скважин, выявляя сценарии перевернутости и перевернутости на ранних этапах процесса разработки. Это позволяет осуществлять адаптивное планирование разработки, где программы бурения могут быть скорректированы в реальном времени на основе обновленной вероятностной оценки. Например, если ранние скважины в разработке показывают лучшее, чем ожидалось, качество пласта, вероятностная модель может быть обновлена для отражения этой новой информации, потенциально оправдывая увеличение объема разработки или сокращение интервала между скважинами.

Интеграция ИИ и вероятностных методов также позволяет более сложное количественное определение неопределенности для сложных процессов резервуара. Например, в проектах с улучшенной нефтеотдачей (EOR) неопределенность в эффективности зачистки, удержании химических веществ и фазовом поведении может быть смоделирована вероятностно, с машинным обучением, используемым для эмуляции композиционного симулятора. Это позволяет вероятностную оценку производительности EOR, которая была бы вычислительно запретительной с полным физическим симулятором. По мере созревания этих методов они будут дополнительно повышать ценность вероятностных методов в оценке запасов и планировании разработки месторождений.

Заключение

Вероятностные методы не являются серебряной пулей, которая устраняет неповерхностную неопределенность. Они являются дисциплинированной основой для того, чтобы сделать эту неопределенность видимой, поддающейся количественному измерению и управляемой. Данные тематических исследований в различных бассейнах - от глубоководных мутидитов до нетрадиционных сланцев до зрелых карбонатов - последовательно показывают, что вероятностные рабочие процессы повышают эффективность капитала, снижают риск катастрофических перерасходов и повышают прозрачность для регуляторов и инвесторов. Барьеры редкости данных, сложности моделей и культурного сопротивления являются реальными, но преодолимыми с систематическим внедрением, обучением и приверженностью лидерству. Поскольку отрасль продвигается в более сложные условия и сталкивается с большим давлением для дисциплины капитала, переход от детерминированной к вероятностной оценке запасов больше не является факультативным - это конкурентная необходимость. Благодаря охвату распределения по отдельным точкам, нефтегазовые компании могут с уверенностью и ясностью ориентироваться в присущей неопределенности недр, принимая более эффективные решения, которые защищают акционерную стоимость и улучшают результаты проекта.