Petrol Rezervuarının Evrimi Tahmin Ediyor

Endüstrinin tarihinin çoğu için, rezerv tahminleri bir avuç temel teknike dayanıyor: jeolojik haritalama tarafından yönlendirilen hacim hesaplamaları, alanları üretmek için eğri analizi ve maddi denge denklemleri için eğri analizler.Bu yöntemler vazgeçilmezdir, ancak rezervuar homojenliği, statik bölmeleme ve yorumsal önyargılarla ilgilidir.

Petrol alanında dijitalleşme, 2010 yılında ilk makine öğrenimi uygulamaları için kapıyı açan, veri bilim adamları, açık bulut bariyerlerini tahmin etmek için basit doğrusal regresyonlar ve temel sinir ağları uygular ve bu bilgileri bir araya getirerek, el ele geçirilen araç kutusu, 2010 yılında ham sismik dalgalamalar, grafik ağları, tek bir bulut engelleyicisi ile zorlanan sağlam bir hesaplamaya giriş yöntemlerine uygular.

Erken kabulcılar, ML modellerinin, geleneksel manuel iş akışlarını aşırı derecede gerçekleştirebilecek verileri hızla keşfetti. Örneğin, tek bir 3D sismik araştırma, onlarca milyar dolarlık voxels içerebilir; el ile anlamlı özellikleri elde etmek, özellikle de yoğun bir şekilde Meksika’nın körüne ve batıklıklarının yoğun olduğu gibi karmaşık bir şekilde karmaşıktır.

Subsurface Prediction için Makine Öğrenme Tekniklerini Anlamak

Rezerv tahmininde makine öğrenmesi, farklı algoritmaları aramak için monolith değildir ve seçim genellikle mevcut verilerin yapısına ve basin fiziksel kısıtlamalarına bağlıdır. İyi tasarlanmış bir model, özellikle de sonuçların SEC veya PRMS raporlama çerçevelerine beslediği zaman tahmin edilebilir bir güç dengelemek zorundadır.

Well-Level Tahmining için Süpervize Öğrenme

Süpervize modelleri mevcut operasyonel akışlara hükmedmektedir.ETHFLT:0)Gradient-boosted ağaçlar) ve [[XGBoost, LightGBM) ve [[Döneticileri[Döneticileri) daha sonra sabit olmayan verilerle başa çıkma yeteneği için tercih edilir - bu tür organik özellikleri, tamamlanma parametrelerini ve statik jeolojik özellikleri - daha sonra küçük eğitim setlerine karşı aşırı yüklemeye karşı çıkan modeller. Tipik bir kullanım haritası tahmini nihai kurtarma (EUR) daha sonra geçici olmayan parametreler için, yüksek çözünürlükte, yüksek çözünürlükte, yüksek çözünürlükte artışlar için daha iyi performans gösterir.

Güçlü bir değişken, birden çok temel modelin (örneğin, XGBoost, sığ bir sinir ağı ve bir ridge regreor) meta-öğrenme yoluyla birleştirilir (bu yaklaşım genellikle heterojen bir şekilde yapılır). Ancak, yorumlanabilirlik daha zor hale gelir, bu yüzden ensemble dikkatle takip etmek değildir, kelimelerle dolu bir araya gelmemektedir.

Seismic ve Temporal Data için Derin Öğrenme

Giriş 3D sismik küp veya üretim zaman serisi olduğunda, derin öğrenme mimarisi daha düşük insan konularını aydınlatmaya başlar. 0)Convolutional sinir ağları (CNNs)), etiketli sismik fasajlar için eğitilmiştir, ölçümleme hataları tespit edebilir ve düşük insan konusuyla doğrudan hidrokarbon göstergelerine başlar.Bu yorumlar UNet ve türevlerine beslenir.

[FONT:0)Recurrent sinir ağları (RNNs)) ve modern varyantları - geçmiş üretim aylarının önemini otomatik olarak ölçen kısa vadeli hafıza (LSTM) ağları ve dönüştürücü tabanlı zaman serisi modelleri - karmaşık iyi müdahalelerin geri kalanını öğrenmek, özellikle de çok aşamalı akış değişiklikleri veya dengelemeden müdahale etmek, örneğin, geçmiş üretim hatlarının önemini otomatik olarak azaltan dikkat mekanizmaları da içerir.

Grafik sinir ağları (GNNs) yeni bir sınır temsil eder. Reservoir sistemleri doğal olarak grafik gibi: geleneksel modeller ve kırıklar yoluyla rezervuarlara bağlanır ve hataların bölmek bu ilişkileri açıkça modelleştirir, bir kuyudan baskının komşularını nasıl etkilediğini öğrenin. Erken uygulamalar, ebeveyn tarafından yoğun olarak geliştirilmiştir.

Denetimsiz ve Fizik-Informes

Aşırılıkta, karbonatları ile ilgili temel bilgiler, özellikle de yüksek çözünürlükte olan temel bilgilerin belirlenmesinde, yüksek çözünürlükte bulunan ve yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir veri tabanında bulunan bir yüksek çözünürlükte, yüksek çözünürlükte bulunan bir diğer uygulamadaki yüksek çözünürlükte, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte bulunan bir akışta, yüksek çözünürlükte, yüksek çözünürlükte bulunan bir şekilde bir şekilde ortaya çıkmaktadır.

Data Aggregation ve Preprocessing for True Modeling

En sofistike algoritma bile düşük kaliteli verileri besleyecek. güvenilir bir ML-bazlı tahminler başlıyor - ve genellikle son derecelerle - veri mühendisliği. Petrol ve gaz bağlamında, veriler varsayılan olarak geri dönüşen teknolojiler: Petrel'deki jeolojik modeller, üretim hacimleri yapılandırılan metin olarak.Bu kaynakları toplamak ve harmonize etmek için gerekli olan çaba genellikle 60-80'e kadar proje zamanlarını içerir.

Sağlam bir boru hattının idare edilmesi gerekir:

  • [FONT:0)Seismic data ölçekleme:) Post-stack amplitüdleri, eskileri arasında normalleşmeye ihtiyaç duyabilir. Pre-stack, modellere girmeden önce açısal özellikleri veya dönüştürme gerektirir.Farklı ölçeklendirme olmadan, gerçek jeolojik sinyalden amplifiğe zarar verebilir.
  • [[Düzg:0)Ef log harmonizasyon:[Dönetici:[Dönetici:0)[Dönetici:0)Etmen harmonizasyon:[Döneticileri, rakip makineli öğrenme işlevlerini kullanarak otomatikleştirme, kumar ışını, direnç ve yoğunluk logları ortak bir temele gösterir. A son derece basit bir ağ haline getiren basit bir normalleştirme katmanını gösterir.
  • [FONT:0]Ürün tarihinin yetersiz kalması: Eksik veya yanlış akış verileri yaygındır, özellikle de kağıt üzerinde tutulan jeolojik yaklaşımlara benzer şekilde devam edilir. eş zamanlı olarak, iyi davranışları veya zaman serisi dekompozisyon kullanarak, yapay önyargıyı tanıtmadan boşlukları doldurabilir. Örneğin, analogları seçen bir knearest komşular için benzerliği doğrulayan benzer şekilde genişletilebilir.
  • [FONT:0)Geological özellik mühendisliği:[Dönetici:[Dönetici:0)[Dolojik özellik mühendisliği:[Dönetici:[Dönetici: 0) Domain uzmanlığı, TOC ve brittleness indeksi gibi elde edilen özellikleri genellikle değişkenden çok daha tahmin edilebilir kanıtlamaktadır.
  • [FONT:0]Text data ekstraksiyonu:[Dönetici: [Dönetici:0] Doğal dil işleme artık poliklin raporları, tamamlanma logları ve günlük işlemleri kayıp dolaşım olayları gibi yapısal bilgileri çıkarmak için, fraklar ve gölge bariyerleri. Bu, uzun zamandır insan tercümanları tarafından kullanılan niteliksel gözlemler ortaya çıkarabilir, ancak asla sistematik olarak sayısal modeller dahil edilemez.

Katı QA/QC ve özel mühendislik olmadan, tahminler, veri eserlerini rezervuar temellerinden ziyade yansıtacaktır. Endüstri çalışmaları, şüpheli hız akışları tarafından yayınlananlar gibi, açık derinlik değişimleri ile girişler ve sismik hacimler ile sürekli olarak, bu artışların kalitesi genellikle boşanmış hesaplamaları önlemek için kendi başına öder.

Rezerv Estimation için ML Modellerini seçin ve Eğitim ML Modelleri

Model seçimi nadiren bir tek bir çekim kararıdır. Süreç, sparse örneklerini aşırı yüklemeye yardımcı olabilir. Tersine, olgun bir miktar iyi üreterek, basit Bayesian hierarchical modeli, tamamlanmamış tasarım ve jeoloji arasındaki karmaşık bir sinir ağı yükseltebilir. Conversely, olgun bir gölgeli basin ile binlerce iyi üretme, yüksek güven sağlayan derin bir araya getiren basit bir kanal.

Eğitim akışları, altyüzlü verilerdeki doğal uzaysal otokorelasyona hitap etmelidir.For Random data partitions that detect well locations can made overly poor validation puan because information sızıntıs between near wellrills. A jeolojikly knowASIFLT:0) randomly cross-validation) programı kullanarak, yeni bir sondaj modeliyle desteklenen bir kampanyada başarılı sonuçlar elde edilen modelin gerçek genelleştirilmesini tahmin ediyor.

Bayesian optimizasyon veya genetik algoritmaları aracılığıyla hiperparametre ayarlanması, belki de en kritik adım, geleneksel rezervuarda (Dönetici) ile ilgili olarak, SHAP değerleri veya permutasyon önemini kullanarak, bu önemli sıralamaları incelerken, insan kaynaklı mühendisler fiziksel tutarsızlıkları fark edebilir ve geleneksel bir rezervelasyonda karşı karşıya kalmalı bir şekilde doğru ilişkileri belirlemek için gerçek zamanlı olarak doğru bir şekilde doğrulayıcıya güven sağlarlar.

Başka bir pratik değerlendirme maliyetidir. Derin öğrenme modelleri biraz daha iyi doğruluk elde edebilirken, genellikle günlük tahminlerde (örneğin, aylık rezerv revizyonları) karmaşık sismik artışlar için rezervuarlı-boosted modelleri, bir CPU'da trenin çoğu zaman iş ilanları olarak kalması gerekir.

Geçerlilik, Uncertainty Quantification ve Model Yorumability

rezerv raporlamasında, belirsizlik bir nuisance değildir; bu, dikkat çekici ve potansiyel yazmaları için öne çıkan temeldir.Demirli olarak listelenen şirketler sadece doğrulukla değil aynı zamanda kalibrasyon seviyesini değerlendirmemelidir.

Belirsizliği ölçmek için teknikler şunlardır:

  • [FONT:0)Monte Carlo damlaout:[Dönetici: 0,4] Bir hiperparametre ile birlikte geçiş yaparken birçok ileri geçiş yapmak, model epistemik belirsizlikleri yakalamakta olan tahminlerin dağılımını ortaya koyar. Bu yöntem hesaplamalı olarak verimlidir ve geoscience uygulamaları için göstermiştir.
  • [FONT:0)Quantile regresyon ormanları: Bu doğrudan P10, P50 ve P90 tahminleri, doğal olarak rezerv sınıflandırma çerçeveleri ile uyumlu hale gelir.Asyalı modeller aksine, kaynak hacimlerini yakalamak için kritik olan tam dağıtım şeklini korurlar.
  • [[Dönergesel tahmin:[Dönetici:0)[Dönergesel tahminler:0)Conformal tahmin:[Dönergesel tahminler:[Dönemli bir yöntem) Mevcut herhangi bir modelde genişletilebilir, miras akışları için cazip hale getirir.
  • [FONT:0) Deep ensembles:[Döneticiler ve mimariler farklı başlangıç ve mimarilerle birçok model, hem verileri hem de model belirsizliklerini yansıtan bir topluluk oluşturur.Bu, kalibrasyon için altın standarttır, ancak artan hesaplama yükü ile gelir.

Eşit olarak önemli olan, [[0)En etkili olan (Döneticileri[Döneticileri) ve ELTD'ler (Döneticileri) ve gradientler)En etkili girişleri vurgulayarak belirli bir iyi tahminler sunabilmektedirler.Bir mühendis, düşük iletkenlik yerine, statik bir içsel güven modelinin ortaya çıkmasını gerektirdiğinde, her türlü deney için belirli bir iyi bir şekilde yorumlanabilir.

Gerçek Dünya Vaka Çalışmaları ve Endüstri Kabul

Birkaç büyük ve bağımsız operatörler, yüksek oranda sondaj yerlerine bir araya getiren bir E&P firması, ilk yıl içinde düşük ürün ve erken üretim göstergelerini entegre ederek, modelin yüksek riskli bir şekilde doğrulanmış olması için bir araya geldi.

Bir başka durum, Ortadoğu'da, konvolutional otoencoders'ı olgun karbonat alanı için 4D sismik yoruma sürükleyen bir şirkettir.The model specified expireed oil cepleri ve non-lawed partitions that traditional rezervuar simülasyon göz ardı, alanın yaklaşık% 8 oranındaki kanıtlanmış rezerve edilen yedekli yedekleri geri yüklemesi ile yeniden şekillendiren bölmeler.

Hizmet şirketleri ayrıca anahtarlama çözümlerine de öncülük etti. Cloud-based platformlar artık gerçek zamanlı delme verilerinin çoğunuz için son derece güvenli olmayan haritaları kullanıyor ve dinamik rezerv tahminleri sürekli olarak, kapalı alan yönetime geri beslemektedir. One sağlayıcı, ML-assisted sistemi altı haftadan iki güne kadar bir olasılıksal rezerv tahminini otomatik olarak azalttığını bildirdi.

Kuzey Denizi'nden önemli bir örnek, transfer öğrenmenin değerini göstermektedir. Barents Sea'de bir operatör, sadece üç iyi durumda, ML'nin daha olgun Norveç Denizi'nden daha fazla eğitimsiz bir modelden yararlandığını gösteriyor. Yerel sismik özellikler ve temel ölçümler %10'da eşleştirilmiş post-drilling sonuçları yüzde 40'ta bir hataya sahipken, bu durumda, bu durumda, verilerin ne kadar görülebileceğinden daha fazla araştırma riski azaltılabilir.

Meydanlar: Data Scarcity, Quality, and Operational Integration

Hıza rağmen, ML'nin varsayılan tahmin motoru haline gelmesini engelleyen önemli engeller.ETHFLT:0)Data skarcity) üst endişeyi kalır. Sınır basins veya derin su oyunları, iyi kontrol, tek bir uygulama hesabı oluşturmak gibi - zengin bir basin üzerinde bir model önceden eğitilir, ancak fiziksel örnekler için tamamen yerine getirilemez. Domain-informasyon.

[FONT:0]Data Quality kalitesi pervasküle edicidir: miras veri setleri genellikle sabit yönetim ile veri göllerinde yer alan belirli veri mühendisliği rolleri ve yatırımları içeren bir teknik uygulama alanı oluşturma ve genellikle petrol mühendisleri, geoscientists ve veri merkezli bir ML kültürü oluşturma.

[FONT:0) Model sürüklenme[Dönetici:0) ] ] ] ] ] ] ] ] ] ] ] ] ] ] ]Model sürüklenme, daha sonra, sıkı SCADA sistemleri ve sürekli modelleme, ve periyodik yeniden eğitim, birçok işletmeyi uygulama için entegre edilen bir MLOps hattının çoğu zaman en zor kısmı, sismik veriler, mirasın etrafındaki IT güvenlik politikaları ile iç içe geçmiş, SCADA sistemleri ve altyüzlü veri dinamiklerinin eksikliği.

Maliyet basıncı da inovasyonu sıkıyor. Birçok operatör, enerji ekonomisi ve teknoloji arasındaki aşırılık konusunda isteksizdir, çünkü kısa vadeli üretim hedefleri egemen olduğunda. Bununla birlikte, erken dönemli kanıtlar, hidrokarbonlarda dijital dönüşüm konusunda analizleri düzenli olarak yayınlamaktadır. "In Upstream Oil and Gas" notları için, ML yatırımları arasındaki ara sıra, genellikle 50'den fazla alana uygulanan iki yıl içinde ulaşıldı.

Başka bir meydan okuma:0) ölçeklendirmede kullanılabilirlik ). SHAP değerleri, tabut modelleri için iyi çalışırken, sismik hacimlerde çalışan CNN'den tahminler daha zor. Düzenlemeler, sınıf aktivasyon haritaları ve salim analizi gibi tekniklerle cevaplanır.

Future Trends: Hybrid Models, Physics-Informed AI ve Digital Twins

Bir sonraki sınır fizik ve veriler arasında bir seçim değil, ancak hibrit modeller spektrumu.ETHFLT:0)Physics-infüzyon makinesi öğrenme), arşivlerin ötesine geçmek için, tarihsel gözlemlerin zarfını dahil etmek için ekinler.Bir örnek, kısmi bir diferansiyel denklemin doğrudan sinirsel mimari ile karşılaştırılabilir bir sabit bir şekilde çözdüğü gibi.

[FONT:0] Dijital ikizler [Dönderler, sürekli olarak rezerv rezerv rezerveatörlerin bir kısmını güncelletirler – bir sonraki rezerv yönetimi nesli demirleyebilir. Bir dijital ikiz en büyük üretim, baskı ve gerçek zamanlı olarak, suflood değişiklikleri veya spatlama gibi – ve hemen her yılkinden daha az sayıdaki dijital ikiz uygulama için erken dijital ikizler için sürekli olarak uygulanabilir.

Başka bir eğilim, PDF'lerde yakalanan ve geoscience yorumuna göre kilitleniyor. NLP boru hatları gerçek bilgi alabilir - panjurlar halindeki hataların ortaya çıkmasını sağlar.Bu, nanoabaytlar sondaj raporlarına göre, iyi tamamlanma kayıtları ve geoscience yorumu notları yalnızca PDF'lerde kilitlidir. NLP boru hatları gerçekleştirilmiş mühendisler, uzun zamandır mumyalanmış günlükleri, temel örnek açıklamalarını ortaya koyarlar - ve bunları ML modellerine göre besler.Bu, veri kümesine göre %85'i zenginleştirir.

Açık kaynaklı çerçeveler ve topluluk odaklı kriterler de engelleri azaltır. AI-assisted rezerv tahminleri için kılavuzları dikkate almaya başlar; bu da model şeffaflığı, denetim izlerini ve yenidenroditebiliteyi inceler.Son zamanlarda Petrol Mühendisleri Birliği, "Rezervasyonlarda denetim uygulamaları hakkında ilk tavsiyelerde bulunmaları bekleniyor.

Uygulama için Pratik Adımlar

Pilot projelerin ötesine geçmek isteyen kuruluşlar için, bir fazlı yaklaşım tavsiye edilir:

  1. [FONT:0] Yoğun bir kullanım durumu ile başlayın:[Döneticileri devirmek yerine, veri hacminin yüksek olduğu ve ekonomik ödemenin açık olduğu tek bir üretim formu hedeflenir. Örneğin, bilinen bir shale oyununda çok milyon dolarlık bir satış kampanyası gelişmiş EUR tahminine hemen geri döner.
  2. [FONT:0) Çok disiplinli bir takıma benzeyen bir takım: Bir rezervuar mühendisi, bir geofizik uzmanı, bir veri mühendisi ve bir ML uzmanı. Cross-fonik rigor arasındaki boşluk. Jeolojik teoriler, fiziksel ilkeleri ihlal eden model özellikleri üzerinde veto gücü ihlal eden kritiktir.
  3. [FONT:0]Veri altyapısında Envest: [DFLT:1] Otomatik ingestion boru hatları ve birleşik bir katalog istenmiyor; iş akışı orkestrası ve DBT gibi ölçeklenebilir ML araçları veri dönüşümü hızlanıyor.
  4. [FONT:0)Prototype hızla:[Dönetici:[Dönetici:0)Komşulucu bir model kullanarak, haftalar içinde yüksek çözünürlükte bulunan bir test seti üzerinde performansını karşılaştırın.Reerate on feature Engineering based on feedback from the domain team.
  5. [FONT:0]Deploy with guardrails:[Döneticileri takip eden bir altyapıda, giriş kayması, tahmin istikrarı ve performans ölçümlerinin ölçümlerini hızlandırdığı bir altyapıda bir diske sahip olmak. Örneğin, modelin P50 tahminleri, önceden tanımlanmış toleranslar dışında% 20'den fazla bir önceki aydan daha fazla bir şekilde, insan incelemesini tetiklemelidir.
  6. [[Dönetici:0) İletişime şeffaf bir şekilde:[Döneticileri ve iç paydaşların kısmi bağımlılık arsaları ve Shapley değerleri gibi görselleştirmeleri kullanarak, birçok operatör, veri bilimcisinin en son performans ölçümleri sunduğu aylık “model inceleme seansları” tutar ve herhangi bir anormal öngörüleri tartışır.

Deney izleme için MLflow gibi araçlar, veri doğrulama için büyük beklentiler ve gerçek zamanlı izleme için temelleştirilmiş panjurlar, modeller yedek yönetim sürecine karışabilir bir ekosistem yaratır. Başarılı bir uygulama genellikle gelişmiş sermaye verimliliği ile ilk iki yılda bir 3-5x geri dönüş görür ve yaz riski azaltır.

Düzenleme ve Finansal Etkiler

Sistem öğrenme tahminleri, rezerv tahminlerinin finansal ve yasal sonuçları tetiklediğini tahmin ediyor. Kural 4-10 Yönetmeliği S-X altında, ML'nin kullanıldığına dair daha fazla bilgi sahibi olduklarını ve “reasonable kesinlik” gösterebileceğini belirtti. Bir ML modelinin olasılıksal çıktısı, ancak sadece altta yatan varsayımlar belgelenmiş ve MLd. Rezervler tarafından onaylanmışsa, ML'nin kullanıldığına göre, operatörler, sıvı kontaktlar için model hesaplarının nasıl hesaplandığını açıklayabilirler.

Finansal kurumlar da not alıyor. Daha iyi rezerv tahminleri, gelecekteki üretim riskini azaltır. Kredi derecelendirme ajansları, bankacılıkta AI'nın rolü hakkında bilgi sahibi olmak için proje finansmanı için bir model geliştirmeyi ve herhangi bir model değişikliğini belgeleyerek, bir aşırı vadeli bir ML doğrulama modelini azaltmaktadır.

Vergi perspektifinden, rezerv tahminleri, kesinti ücretleri ve varlık emeklilik yükümlülüklerini etkiler. Bir inaccucurate ML tahminleri yanlış vergi pozisyonlarına yol açabilir, denetimleri tetikleyebilir. Vergi departmanları, metodolojinin yerel düzenleyici tanımlarını sağlamak için model dağıtım sürecinde erken meşgul olmalıdır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi gümüş bir mermi değil, ancak petrol rezervi tahmin cihazının aracı olan araçlarına vazgeçilmez bir destektir. Teknolojinin yörüngelerini gerçekçi olarak ele alan, NLP ile genişleyen ve her zamankinden daha fazla belirsizlik gösterir - bu hassas bir şekilde üretilen, daha iyi bir şekilde, daha iyi bir şekilde üretilen, doğrulanmış bir şekilde, doğrulanmış bir şekilde, doğrulanmış bir şekilde, doğrulanmış olan bu analizlere olan bu hassas sistemlere ve analizlere ihtiyaç duyanlar için daha iyi bir şekilde yapılanma ihtiyaç duyacaktır.