Artırılmış Yapay Zeka ve Makine Öğrenmesini Azaltma Reservoir Production

AI ve Machine Learning in Unconventional Reservoir Production

Şale formlarının, sıkı kumlar ve kömür yatak mehane yataklarının yanı sıra küresel enerji peyzajını yeniden şekillendirmiştir. Bu karmaşık jeolojik sistemler, hidrolik fracturing ve yatay sondaj gibi gelişmiş ekstraksiyon tekniklerinin ekonomik kullanılabilirliği ve daha kesin rezervuar karakterizasyonuna ulaşmak için daha hassas bir zorlukla elde etmesi, düşük permeability ve karmaşık akış dinamikleri nedeniyle daha hassas ve karmaşık akış dinamikleri artırmaktadır.

Ayrıntılı rezervuar yönetimindeki AI ve ML uygulaması, rezervuar davranışı yöneten bir paradigma değişikliğini temsil eder.Bu veri merkezli yaklaşım özellikle doğal kırıklar, indüktörler ve hesaplama kaynakları arasındaki karmaşık etkileşimlere dayanıyor, AI-güdümlü yöntemler doğrudan verilerden öğrenilebilir, ince desenler ve doğrusal olmayan ilişkilerden kaynaklanan etkilerden kaynaklanmaktadır. Bu veriler merkezli yaklaşım, doğal kırılmalar için karmaşık bir şekilde sabitlenebilirlik, doğal kırıklar, indüklenen kırıklar, kaya mekaniği ve akışkanlar için karmaşık etkileşimler arasında sürekli olarak devam eder.

Bu makale, AI ve ML'nin dönüştürücü rolünü, geleneksel olmayan rezervuar üretimi optimize etmek, veri entegrasyonu ve analizi, gerçek zamanlı izleme ve optimizasyon, tahmin edici modelleme, kırılma optimizasyonu ve ekonomik etkiler de ele alır. Ayrıca bu teknolojilerin zorlukları ve gelecekteki yollarını ele alır, mühendisler için kapsamlı bir genel bakış sağlar, geoscientists ve karar vericiler AI'yı gelişmiş rezervuar performansı için kullanmayı isterler.

AI ve Machine Learning in Reservoir Engineering

Reservoir mühendisliği geleneksel olarak, geleneksel olmayan formasyonların sayısal özelliklerini yakalamak için endüstriye iyi hizmet ederken, birçok kaynaktan gelen sıvı akıtımı tanımlayan sayısal denklemleri çözmede analitik ve sayısal modeller üzerinde yoğunlaşmıştır. AI ve ML algoritmaları, birçok kaynaktan geniş miktarlarda veri işlemeye muktedir olan tamamlayıcı bir yaklaşım sunar, geleneksel yöntemler için görünmez olan kalıpları tanımlar ve yeni veriler mevcut olduğunda zaman içinde geliştirmek için genellikle mücadele ederler.

Sistem öğrenme teknikleri genellikle rezervuar mühendisliğinde uygulanan denetimli öğrenme yöntemleri, rastgele ormanlar, gradient güçlendirme ve sınıflandırma görevleri için sinir ağları; model tanıma ve boyutlandırma için temel bileşen analizi gibi yüksek boyutlu veriler için modelleme ve geliştirme yöntemleri; ve gerçek zamanlı kontrol uygulamaları için takviye öğrenme. Deep learning, bir alt set of machine learning using multi-katlı sinir ağları, özellikle yüksek boyutlu verileri işlemeye söz verdi.

Data Integration and Analysis

AI ve ML'nin en önemli katkılarından biri, geleneksel rezervuar yönetimi, bu veri kaynaklarının çeşitli ölçeklerini ve disiplinlerini kapsayan farklı veri kümelerini entegre etme yeteneğidir.Bu veriler karmaşık bağlantılarını, temel analiz sonuçlarını, sismik anketleri, mikrosemizmsel izleme verilerini, sondaj parametrelerini, bu heterojen verileri otomatik olarak tamamlayabilir ve bu veri kümeslemelerini tamamlayabilir ve analizleri bir araya getiremez.

Makine öğrenme modelleri daha sonra bu entegre verileri çeşitli senaryolar altında rezervuar davranışını tahmin etmek için yönetebilir. Örneğin, tarihsel üretim verileri üzerinde eğitilmiş ve tamamlanma parametreleri en iyi sayıda kırık aşamayı tespit edebilir, küme spacing ve verilen bir alanda yeni iyi yüklemeyi önerebilir. Benzer şekilde, rastgele orman modelleri, iyi performans etkileyen farklı jeolojik ve operasyonel faktörlerin göreceli önemini değerlendirebilir, mühendislere öncelik veri toplama ve en etkili değişkenlere odaklanabilir.Bu tahmin edici yetenekler özellikle de kanıtlayıcı olmayan rezervuarlar için idealdir.

[[Düzge:0) Veri entegrasyonu ve analiz için uygun teknikler dahil:).

Gerçek Zaman İzleme ve Optimizasyon

Modern sınırsız iyiler, AI ve ML algoritmaları kullanarak gerçek zamanlı izleme operatörlerinin, hataları sürekli olarak izlemesi ve operasyonel parametrelerin azaltılmasına olanak sağlar.Bu sensörler, enjeksiyon sonrası hataların azaltılmasına olanak sağlar.Daha da önemlisi, AI-güdümlü optimizasyon sistemleri, AI-güdümlü optimizasyon sistemleri, AI-güdümlü optimizasyon sistemleri, gerçek zamanlı izleme sistemleri, operasyonel kısıtlamalara saygı göstererek, üretim verimliliğini artırmak için otomatik olarak optimize etmek için zaman ayarlanabilir.

Beton öğrenme, bir makine öğrenimi kolu, pompa hızı veya valf pozisyonu gibi eylemleri ele alır ve üretim oranları ile ilgili ödüllendirme sinyalleri şeklinde geri bildirim alır, enerji tüketimi veya aşınma ekipmanları nedeniyle hızlı bir şekilde optimize edilebilir bir politika öğrenir.Bu çerçevede, bir AI ajanı, pompa hızını veya valf pozisyonunun gerektirdiği gibi en iyi kontrol stratejileriyle etkileşime girer ve rezervuar davranışı nedeniyle gecikmeli bir şekilde geri bildirim alır.

[FONT=0) Gerçek zamanlı AI-güdümlü optimizasyonların yararlandığı kişiler şunlardır:[Dönem: 1)

Üretim Tahmini için Tahmin Edici Modeling

Doğru üretim tahminleri rezervuar yönetim kararları için önemlidir, iyi yerleştirme, kırılma tasarımı ve ekonomik değerlendirme dahil. Geleneksel gerileme eğri analizi, yaygın olarak kullanılan, genellikle sınırsız rezervuarlarda gözlemlenen karmaşık üretim davranışlarını yakalamaz, çok-faz akışları, kırılmalar ve iyileştirici yöntemler arasındaki müdahaleler için önemlidir. Makine öğrenme modelleri doğrudan tarihsel üretim verilerinden öğrenme ve geniş bir dizi öngörülü değişkenleri dahil ederek daha esnek ve doğru bir alternatif sunar.

Zaman serisi, uzun kısa vadeli bellek (LSTM) ağ ve kapılı yeniden eşzamanlı birimler (GRUs) gibi modelleri, üretim oranlarını bireysel iyiler ve tüm alanlarda tahmin etmek için başarıyla uygulandı. Bu modeller, eğitim sırasında zamansal bağımlılıkları ve doğrusal olmayan eğilimleri yakalayabilir, tahminlerin verileri tabanlı öğrenme, fizik-bilgi ağları olarak bilinen, endüstride de geçiş yaparak fiziksel olarak makul kalmasını sağlar.

Fracture Optimizasyonu AI Kullanımı

Hidrolik fracturing, geleneksel olmayan rezervuarları kilidini açmak için kritik bir teknolojidir, ancak optimal kırık tedavileri karmaşık bir mühendislik meydan okuması olarak kalır. Anahtar tasarım parametreleri sahne spacing, perforasyon tasarımı, sıvı tipi ve hacim, proppant tipi ve konsantrasyon, ve pompa oranı ve baskı. Bu parametreler arasındaki etkileşimler ve sonuçlanmış kırılma geometrisi, iletkenlik ve site bazlı olmayan AI ve ML algoritmaları, yeni iyiler için en iyi üretim sonuçları ile ilgili olarak tarihsel kırık tedavi verileri analiz edebilir.

Genetik algoritmaları, parçacık batarm optimizasyonu ve Bayesian optimizasyon, tasarım parametreleri ve üretim sonuçları arasındaki ilişkiyi daha az hesaplamalı olarak pahalı simülasyonlar için en üst düzey tasarım alanı ile ilgili olarak kullanarak, bu optimizasyon yöntemleri, özellikle de Gaussian süreci regresyonları veya sinir ağları gibi, insan mühendislerinin göz ardı edebileceği bir veri odaklı tasarım akışıdır.

[FONT:0) AI'nın kırılma optimizasyonuna katkıda bulunduğu alanları içerir:).

  1. [FONT:0]Stage and cluster spacing: Makine öğrenme modelleri mikrosemizmsel veriler ve üretim loglarında eğitilmiş en iyi kaya hacmini en iyi şekilde uyarlarken, kırık müdahale ve maliyetle azaltan en iyi spacing modeller tespit eder.
  2. [FONT:0)Proppant seçimi ve yerleştirme: AI algoritmaları, belirli rezervuar koşullarında istenen kırık iletkenliği elde eden tür ve konsantrasyonları önermeyi ve laboratuvar verilerini analiz eder.
  3. [FONT:0]Fluid sistem tasarımı:[Döneticileri, visity, sızıntı oranı ve formasyon hasarı potansiyel gibi faktörler göz önünde bulundurulduğunda farklı fractal sıvı formülasyonlarının performansını değerlendirmektedir.
  4. [FONT=0)Pump programı optimizasyonu: [Dönetici:[Dönetici:0) Katı pompa oranını optimize etmek ve verimli bir kırılma yayılımı elde etmek için rampa toplama programları hazırlamak.
  5. [FONT:0)Diagnostic analiz:[Dönetici:[Dönetici:0)Diagnostic analiz:[Dönetici:0) Mekanik öğrenme, teşhis verileri, basınç düşüşü sonrası eğrileri ve mikrosemizmsel olay dağılımı gibi yorumlamaları analiz eder ve tasarım iyileştirme alanları tanımlamak.

AI ve ML Kabul Edilmesi Ekonomik ve Operasyonel Faydaları

AI ve ML teknolojilerinin sınırsız rezervuar yönetimi, gelişmiş kurtarma oranlarının ötesine uzatan ölçülebilir ekonomik ve operasyonel avantajlar sunar. AI-güdümlü akışları ölçeklendiren firmalar, sondaj ve tamamlanma maliyetlerinde önemli azalmalar rapor eder ve gelişmiş karar verme hızı ve doğruluk sağlar.Bu avantajlar özellikle operasyonel verimlilikte daha düşük ücretli iyileştirmelerin kârlılığı önemli ölçüde etkileyebilir.

AI ve ML kabul için en zorlayıcı ekonomik argümanlardan biri belirsizlik ve riskdeki azalmadır. Daha doğru rezervuar performansı tahminleri sağlayarak ve en iyi işletim stratejileri belirlemede AI sistemleri, operatörlerin altoptimal yerlerde delme gibi pahalı hatalardan kaçınmalarına yardımcı olur, aşırı veya gerekli bakımların altında. Bu risk azaltımının rekreasyonlarının rektörel etkisi, özellikle de derin su veya Arctic operasyonları gibi yüksek maliyetli ortamlarda önemli bir değer katabilir.

[FONT:0) Temel faydalardan uzak durun:).

AI ve ML Uygulamalarının Zorlukları ve Sınırları

Aromatik rezervuar optimizasyonu için AI ve ML'nin önemli potansiyeline rağmen, birçok zorluk yaygın kabul ve etkinliğini engeller. Bu sınırlamaları anlamak gerçekçi uygulama stratejileri geliştirmek ve hisse senedi beklentilerini yönetmek için önemlidir.

Data Quality ve Müsaitlik Durumu

AI ve ML modellerinin performansı temel olarak eğitim verilerinin kalitesi, miktarı ve temsilcisine bağlıdır. Birçok geleneksel rezervuarda, tarihsel veriler, ölçüm hatalarıyla ilgili olarak uygun olmayan modeller olabilir. Eksik veri, düzensiz örnekleme aralıkları ve ölçüm protokollerindeki değişiklikler her zaman tüm dereceleme model performansına da bağlıdır.

Model Yorumability and Trust

Birçok güçlü makine öğrenme modelleri, özellikle derin sinir ağları, genellikle “kara kutular” olarak tanımlanır, çünkü iç karar verme süreçleri yorum yapmak zordur. Petrol ve gaz, mühendisler ve düzenleyiciler, model çıktıları için açıklamalar gerektirir ve bu yöntemler SHAP (SHapley Katkı ekileri) ve LIME (Yerel Yorumlama) gibi şeffaflık protokollerin tamamen yerine getirilmesi ve bu yöntemlerin gerekli olan protokollerin üstesinden gelmeleri için gerekli değildir.

Özelleştirilmiş Uzmanlık Gereksinimleri

Rezervuar mühendisliği uygulamalarında AI ve ML sistemlerini geliştirmek, petrol mühendisliği ve teknik becerilerle ilgili alan uzmanlığının bir kombinasyonunu gerektirir.Bu hibrit beceriler, teknoloji satıcılar veya akademik kurumlarla ortak olarak ele almak ve yetenekleri sağlamak için birçok organizasyon mücadele eder.

Yüksek İlk Yatırım Maliyetleri

AI ve ML uygulamalarının ön maliyetleri, veri altyapısındaki yatırımlar dahil olmak üzere önemli olabilir (sensors, veri depolama, ağ), yazılım platformları, bilişim kaynakları (önemli öğrenme çerçeveleri veya bulut), ve personel için, sınırlı sermaye bütçeleri olan yazılım operatörlerinin ortaya çıkışı, özellikle de yatırıma geri dönüş belirsiz ve daha geniş bir alana kadar erişilebilir hale getirilmesi.

Future Yol ve Gelişen Trendler

Artırılmış rezervuar optimizasyonu için AI ve ML alanı hızla gelişmektedir, önümüzdeki yıllarda endüstriyi daha da dönüştürmek için ortaya çıkan birkaç trendle.Bu gelişmeler mevcut sınırlamaları ele almak, uygulama kapsamını genişletmek ve veri odaklı yaklaşımların yüksekliğini artırmak için söz verir.

Fizik-Inform Machine Learning

En umut verici yönlerden biri, fiziksel bilgileri doğrudan makine öğrenimi modellerine entegre etmektir. Fizik bilgilendirilmiş sinir ağları, diffusivity denklemi, koruma yasaları ve eğitim sırasında kullanılan fiziksel ilişkileri temel alarak, bu yaklaşım, önceden bilinen fiziksel ilkeleri yerine getirmek ve gerekli eğitim verilerinin miktarını azaltmak için genelleştirmenin özellikle değerli olduğunu bilmektir.

Edge Computing ve Real-Time AI

Uzak bilişim donanımında ilerlemeler ve optimize edilmiş sinir ağ mimarisi, AI'nın doğrudan alt delik sensörleri, yüzey ekipmanı veya uzaktan platformlarda gerçekleştirilmesini sağlar, ancak işlem için merkezi bir sunucuya aktarılmasını gerektirir.Bu, yüksek bant genişliği iletişimin maliyeti ve karmaşıklığının haklı çıkamayacağı şekilde sağlanır.

Federated Learning and Data Privacy

Birçok durumda, değerli rezervuar verileri, birçok operatör, hizmet şirketleri veya veri gizliliği nedeniyle özel bilgileri paylaşmaya isteksiz olabilecek düzenleyici organlar arasında dağıtılır. Federated learning, makine öğrenimi modellerinin merkezileştirilmiş bilgilerini talep eden, tüm katılımcıları korumak için merkezileştirilmiş verilerle ilgili olarak eğitilmesine olanak sağlayan gelişmekte olan bir yaklaşımdır.

Generative AI for Reservoir Modeling

Generative adversarial network (GANs) ve varyasyonel otoencoders gerçekçi jeolojik modelleri, kırık ağları ve üretim senaryolarını oluşturmak için araştırılıyor. Bu jeneratif modeller, farklı gelişim stratejilerine sahipken çok sayıda rezervuar özelliği üretebilir.

İnsan-AI İşbirliği ve Artırılmış İş Akışları

İnsan mühendislerini yerine, AI ve ML giderek insan yeteneklerini geliştirmek, sürekli iyileştirme sağlamak ve alan koşullarını değiştirmek için öneriler, uyarılar ve görselleştirmeler sağlamak için mühendislere izin veriyor.Proaktif profesyonellerin eline geçen kararların tamamlayıcı güçlü yönlerine yardımcı oluyor. İnteraktif öğrenme sistemleri, mühendislere sorunlara geri bildirim sağlamaları, hataları düzeltmeleri veya ayarlamaları, alan koşullarını sağlamaları için daha fazla.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Yapay zeka ve makine öğreniminin sınırsız rezervuar yönetimi, son yıllardaki en önemli teknolojik gelişmelerden birini temsil ediyor.Bu teknolojiler, büyük ve çeşitli veri kümelerinin verimli analizlerini sağlayarak, gerçek zamanlı optimizasyon yeteneklerini sağlayarak, ve üretim tahminlerinin doğruluğunu artırmayı sağlıyor, bu teknolojiler endüstride önemli ölçüde iyileşme oranlarını, maliyetleri azaltıyor ve ekonomik yaşamı genişletiyor.

Ancak, AI ve ML'nin sınırsız rezervuar optimizasyonundaki başarılı uygulamaları zorluklar olmadan değildir. Veri kalitesi sorunları, modelleme yorumlanabilirlik kaygıları, uzmanlaşmış uzmanlık için ihtiyaç ve yüksek başlangıç maliyetleri, devam eden araştırma, işbirliği ve yatırım yoluyla ele alınması gereken önemli engeller olarak kalacaktır.

İleriye bakıldığında, fizik bilgilendirici makine öğrenimi, kenar hesaplaması, beslenmek, jeneratif AI ve insan-AI işbirliği gibi ortaya çıkan trendler, AI tabanlı rezervuar optimizasyonunun yeteneklerini ve erişilebilirliğini daha da genişletecek ve daha hızlı ve daha bağımsız bir karar verme ortamına olanak sağlayacak ve sonuçta daha verimli ve sürdürülebilir bir şekilde üretime devam edecek şekilde, AI ve makine öğreniminin entegrasyonu rekabetçi avantaj sağlamak için giderek daha da hayati öneme sahip olacaktır.

Bu konularda daha fazla okuma için, Petrol Mühendisleri Topluluğu (SPE), petrol mühendisliğinde sunulan kağıtlar ve ek olarak, [[0)SPE Yıllık Teknik Konferans ve Mühendislik Fuarı) düzenli olarak araştırma makalelerini yayınlar.[Döneticileri ve üretime yönelik olarak, dijital kütüphaneler için gerekli olan binlerce uyarıcı belgeye erişim sağlar.[Dönetici).