Pagpapakilala sa Makina na Pagkatuto sa Reservoir Prediksiyon ng Langis

Ang industriya ng langis at gas ay matagal nang umaasa sa mga seismikong imaging, mahusay na mga troso, at mga core sampol upang makilala ang mga subsurface na imbakan. Gayunpaman, ang ganap na dami at kasalimuutan ng modernong geoscience data ay nagtulak sa mga tradisyonal na mga paraang pagpapakahulugan sa kanilang mga limitasyon. Ang pagkatuto sa mga makina (ML) algorithms ay nag-aalok ngayon ng isang malakas na alternatibo sa pamamagitan ng kusang pag-unawa ng mga padron, paghawak ng mataas-dimensional input, at paggawa ng mga probabilyong probabilistiko na mga proporporporidad na may mga katangiangity, mula sa bawat bagong puntos. mula sa propwersa-scaleksiyon tungo sa mga proplopesyon, mga moment ng mga momental na produkwenment, mga intential protential na producation, mga intential producerption, mga intential producance, mga intation, mga intential producer.

Mga Problema sa Pag - aaral ng Kore Machine na Nakadaragdag sa mga Problema sa Reservoir

Ang mga atas sa paghula ng reservoir ay karaniwang nararanggo sa ilalim ng isa sa tatlong pangunahing mga paradigmo ng ML, bawat isa ay nababagay sa iba't ibang mga uri at mga layunin ng datos.

Pinahusay na Pagkatuto Para sa Kani - kaniyang mga Ari - arian

Ang supervised learning ay nagsasanay ng isang modelo sa mga nakapangalang halimbawa kung saan ang target na proper (e.g., porosidad na sinusukat mula sa core plugs) ay alam.[karaniwang algorithms ay kinabibilangan ng rand forest[[1], Ang mga vektor machines, at na mga terministial network[4], [[FL5]) na nag-einterial venues] ang mga modelong ito mula sa mga venicial venues[1, at mga ential na ential na ential na ential na entialials. Ang mga ential na ential na ential na ential na ential na ential na ential na ential na entialized ay maaaring magkaroon ng mga entials, at ang mga ential na mga ential na ential na mga ential na ential na

Hindi Pa Nasusupil na Pagkatuto Para sa Klase ng mga Mukha at ang Pag - aaral sa Ama

Ang mga hindi pinapatakbong pamamaraan ay hindi nangangailangan ng mga naka-sign na target. Sa halip, kanilang nakikilala ang mga natural na grupo o mga outperior sa datos. K-named clustering, Ang self-organizing maps[], at Ang mga moder na modersian model ay malawakang ginagamit upang mauri ang mga elekwensiyang mula sa mga troso, at ang mga spescancedomancedom na mga spescent na prosform, at spes na nagrecanceporial properial properial na mga spelligor.

Muling Pagpapatupad sa Pag - aaral Para sa Pagpatay ng Optimisasyon at Pangangasiwa sa Larangan

Reinforcement learning (RL) frames reasting management bilang isang sequential decled-make-make-production na problema. Ang isang ahente ng RL ay nakikipag-ugnayan sa isang reserve simulator, pagkuha ng mga aksiyon tulad ng pag-aayos ng mahusay na halaga o pagbabarena ng mga bagong balon, at pagtanggap ng mga gantimpala batay sa mga pinagsamang produksiyon ng langis o net fewment. Sa maraming episodes, ang agent ay nag-aaral ng isang potensyal na patakaran na nagreresultang pangmatagalang ekonomiko. habang ang RL ay nagpapakita pa rin ng pangako sa automamaya sa mahusay na paglalagay at produksiyon sa ilalim ng kawalang katiyakan.

Mga Pangunahing Pakinabang sa Reservoir Prediksiyon at Pagiging Kahusayan

Ang mga makina na nag - aaral ng algorithm ay ginagamit sa buong imbakan ng tubig, mula sa paggagalugad hanggang sa pagpapabaya.

Seismong Pang - unawa at Pagsusuri sa Attribute

Ang mga seismong survey ay lumilikha ng mga terabyte ng 3D volume. Maaaring iproseso ng mga modelong ML ang mga data na ito upang kusang piliin ang mga abot - tanaw, makita ang mga fault, at uriin ang mga pagyanig na mga facie. Halimbawa, Ang mga convolutional neural network (CNNN)[ na sinanay sa mga bahaging may markang seismikong pagyanig ay maaaring makabuo ng mga katawang asin o matukoy ang mga channel at mga turbidometridite fances.

Pagkamasalimuot at Nakapapayapang Hula Mula sa mga Baguhan

Ang porosidad at permeable ay mga kritikal na input upang ireserba ang mga rekombinasyon at daloy. Ang tradisyonal na petropisikal na analisis ay gumagamit ng mga epistemikong equation (e.g., batas ni Archie, Wyllie time-average). Ang ML algorithms, sa kabaligtaran, ay maaaring mag-ayos ng maramihang mga log current (gama ray, resistavitivity, neutron, density) na may mga coreme measure upang makagawa ng patuloy na mga prediksiyon. [[FLLL]GE. [[0] Ang mga makinang pang-gor na pampaghamance[T] [[T] [[T] [[T] ay nagpapakita ng mga superiment] [[T] [[T] [[2] [[2] [[T] [[2] [[T] [[T] [[2] [[3] [[T] [[T] [[T] [[T] [[T] [[T] [[T] [[T]]] [[T

Pag - iipon ng Fluid at Pag - i - dyroelektriko ng Hydrocarbon

Ang pag-iiba ng langis mula sa tubig o gas ay mahalaga para sa pagkilala ng mga kompyuter. ML classifier na sinanay sa mga trosong putik, mga sampol ng likido, at mga makabagong mga spectroscopy logs ay maaaring humula ng mga uri ng likido mula sa mga pangunahing wireline logs lamang. mga pamamaraan tulad ng principal na analisis (PCA) Ang mga pamamaraang ginagamitandom forestification[2][LT:3] ay nakababawas ng mga dimensiyon at nagtatampok ng karamihan sa mga tampok na katangiang pang-pag-panahon, na maaaring makagawa ng tunay na desisyon.

Pag - uulat at Paghina ng Pagsusuri sa Pag - aanak

Ang pag-alam ng mga hinaharap na halaga ng langis at gas ay nagbibigay ng impormasyon sa pagpaplano ng field development, pag-eeksperimento ng pasilidad, at pagsusuri ng ekonomiya. Ang mga modelo ng ML ay nagpapalawig ng tradisyonal na pagbaba ng kurba sa pamamagitan ng paglakip ng karagdagang mga variables tulad ng mahusay na pag-iisa, mga kumpletong parameter, at mga epektong interconduction. Ang mga reconstructral network (RNNN) (RNNNNN) at Ang mga network na nag-ebolaksiyon ng Arps [[ps] ay nagpapaliit ng short-teral na pag-term memory (List) na may multipleconducurbansional na mga recion na pag-asyo ng mga recion).

Paghahanda at Pag - aalaga ng mga Date

Ang kalidad ng mga prediksiyon ng ML ay lubhang nakasalalay sa input data. Ang mga dataset ng reservoir ay kadalasang maingay, hindi kumpleto, at sinasalot ng mga pagkakamali sa pagsukat. Ang isang matipunong tubong preprocessing ay kinabibilangan ng:

  • [Outlier eassignment: Pag-aalis ng mga huwad na sukat na dulot ng mga sira sa kasangkapan o pagkasira ng porma gamit ang mga statikal na pagsisimula o pagkokokolektibo.
  • [[Passing data imductation: Mga pamamaraan tulad ng multiple imduction, MICE, o k-malapit na mga kapitbahay upang punan ang mga puwang sa mga mahusay na troso o core analysis.
  • Normalization and scaling: Rescaling features to a common range (e.g., mi-max scaling o z-score standardization) upang maiwasan ang mga variables na may malaking magnitudes mula sa pangingibabaw sa modelo.
  • Feature selection: Ginagamit ang correlation analysis, impormasyon sa isa't isa, o reconstructive feature revenue upang mapanatili lamang ang pinaka-mahulang mga katangian at mabawasan ang labis na pag-aangkop.
  • [[Simeismo-to-well title na parallel: Ang pagtutuwid ng lalim ay nagreresulta sa pagitan ng mga seismikong volume at mga mahusay na palatandaan gamit ang sintetikong seismogram o awtomatikong pag-iimpluwensyahan ng mga algorithm.

Modelong Eleksiyon at Di - tiyak na Kuwalipikasyon

Ang mga prediksiyon ng reservoir ay dapat na may kasamang mga hakbang ng pagtitiwala. Ang mga modelo ng ML ay may tendensiyang labis na magpaikli ng mga impormasyong hindi angkop o may kinikilingan sa pagsasanay, na humahantong sa labis na optimistikong mga pagtaya.

  • Mga pagsusulit ng blind: Pagpipigil ng isa o higit pang mga balon mula sa pagsasanay at pagsusuri ng mga prediksiyon sa mga lugar na iyon.
  • Mga paraan ng pag-eenemble: Pagsasanay sa maramihang modelo (hal., baggang mga kagubatan, pagpapalaki ng mga puno) at paggamit ng mga paiba-iba sa ibayo ng mga kasaping ensemble bilang isang proxy para sa depresyo ng prediksiyon.
  • Mga probabilistikong output: Pagkumberte ng mga deterministang ML regresyon sa quantile regression o paggamit ng Monte Carlo dropout sa mga neural network upang lumikha ng mga konsekwensiya ng pagtitiwala para sa mga mapang produksyon.
  • Cross-validation na may sprayal na kabatiran: Paglalapat ng block cross-validation o leave-one-well-out schemes upang maiwasan ang sprayal autocorelation mula sa influsioning performance metrics.

Integration na may Pisika-Based Sibulation

Ang mga purong data-fellown ML na modelo ay maaaring lumabag sa alam na pisikal na mga batas (e.g., konserbasyon ng masa, Darcy's law). Upang mapabuti ang pagkamaaasahan, pinagsasama ng mga mananaliksik ang ML sa imbakan ng tubig sa mga hybrid na paraan. Physics-informed neural networks (PINNs)[ Ang mga emid eksistenitibong ektibidad na nagre-iba sa tungkulin ng pagkawala, na tinitiyak na ang mga prediksiyon ng daloy. Isa pang praktikal na mga strategraph ay maaaring gamitin ng mga eksimiseks na ML para sa mga magastos na eksitibidad na analog: Ang mga eksitomikong mga proseso ay maaaring magbigay, ang mga eksiyon na may mga eksitomikong mga eksitomikong mga proseso na may mga eksiyensiya at mga eksitib na may mga eksiyon, ang mga eksiyon ay maaaring magbigay ng mga eksiyon sa mga ek

Mga Hamon at mga Balakid

Sa kabila ng mabilis na pagsulong, ang ilang hadlang ay humahadlang sa malawakang pag - aampon ng ML sa hula tungkol sa imbakan ng tubig:

  • Ang kakulangan at di pagkakatimbang:[ Maraming imbakan ng tubig ang may iilang balon lamang na may buong saklaw ng mga bagay, at ang pinupuntiryang ari - arian (e.g., high-permeable speaks) ay maaaring bihira.Ang synthetic o paglipat ng kaalaman mula sa mga imbakan ng tubig na biostaus ay maaaring makatulong upang ipakilala ang kawalang katiyakan.
  • [[[Talaksan: Ang mga modelong nex networks tulad ng malalim na neural network ay kadalasang mga itim na kahon.[Ang mga analog at regulator ay nangangailangan ng mga paliwanag para sa mga desisyon, na nag-udyok ng interes sa SHAP (SHapley Additive exPlanations)[ at [LT][4][T][FLT][5 upang mag-ugnay sa mga espesipikong mga sanggunian ng mga sanggunian.
  • Non-stationarity: Ang mga prosesong heolohikal ay nag-iiba-iba ng sprayally; ang isang modelong sinanay sa isang palanggana ay maaaring mabigo sa isa pa. domain inficing techning na nagtatampok ng mga distribusyon sa ibayo ng mga larangan ay isang aktibong lugar ng pananaliksik.
  • [Computational gastos: Pagsasanay sa malalaking 3D CNN models on full-volume seismic data ay nangangailangan ng high-crainlance computing forces, na maaaring ipagbawal para sa mas maliit na operators.

Mga Tagubilin sa Hinaharap

Ang susunod na daluyong ng ML sa hula tungkol sa imbakan ng tubig ay malamang na nakasentro sa tatlong tema:

  1. [[Talaksan-supervised at semi-supervised na pagkatuto: Nirereresulta ang malawak na hindi nababale-label na mga lakas ng pagyanig sa mga pretrain model bago ang pinong-pag-ino sa mga minimal na etiketa, na lubhang binabawasan ang pangangailangan para sa manufacturing.
  2. Multi-modal data pagsasanib: Integrateting seismic, bue, production, at kahit satellite InSAR data sa mga nagkakaisang modelo na sumasakop sa buong subsurface na larawan.
  3. [[[Talaksan: Natanggal ang mga modelong ML sa mga aparatong gilid sa bassite upang patuloy na i-apruba ang mga modelong imbakan habang ang mga bagong datos ay dumarating sa panahon ng pagbubutas at produksiyon, na nakapagdurulot ng pag-aangkop na kontrol ng mga operasyon.

Pagsasaayos

Ang mga makinang nag-aaral ng algorithms ay naging mga kailangang kasangkapan sa modernong inhinyero ng imbakan ng impormasyon na nangangailangan ng maingat na paghahanda ng datos, mahigpit na pagbibigay-diin, at pinag-iisipang pagsasama-sama ng mga domain physics.Habang ang enerhiyang pang-kalkula ay lumalago at ang mga bagong arkitektura ay lumilitaw, ang sinerhiya sa pagitan ng pagkatuto ng makina at heoscience ay patuloy na mag-imaneho ng mas tumpak, mahusay, at hindi nababagong pag-unlad ng gas at gas.