Rezervlerin Büyütme Karşılaştırılması Komplek Subsurface Çevreleri

Jeoloji kompleks alanlardaki rezervler geleneksel iş akışlarını kırılma noktasına itiyor. Heterojen karbonat platformları, derin su toplama sistemleri, kırık bodrum kat rezervuarları ve katı olmayan hacimler gibi, geleneksel deterministik yöntemler – tek bir kardiyönetici dönüşümleri, çok aşamalı bir akış davranışı ve sınırlı bir şekilde tüm malzemeyi geri almak için en yüksek orandaki verileri ihlal edebilir.

Deterministic As Effectss to Probabilistic, Data-Centrik Workflows

Geleneksel rezerveasyon aracı kutusu, üç birincil yöntem içeriyor, her biri karmaşık ortamlarda iyi hazırlanmış eksiklikler.Kesinlikle uzaysal olmayan sistemlerdeki veri toplama modelleri, yüksek çözünürlükte bulunan veri toplama sistemleri, yüksek çözünürlükte bulunan veri toplama sistemleri ile ilgili tüm bilgileri kullanarak, doğru olmayan bir şekilde ayarlayarak, doğrulayıcılar için doğru bir şekilde ayarlıyor.

Modern Rezervler için Temel Veri Ekosistemi

Büyük veri analizi sağlam, iyi hazırlanmış bir veri temeli olmadan başarılı olamaz. Modern varlıklar çeşitli kaynaklardan bilgi bir hata oluşturur ve bu akışları bir tutarlı, sorgulanabilir korpus içine harmoniz.

Yüksek savunma Subsurface Görüntüleme: Seismic Data and Beyond

Çağdaş 3D ve 4D sismik anketler, on iki yıl önce düşünülemez olan uzaysal bir karar verir.En iyi niyetli veya gözetimsiz bir makine öğrenimi ile birlikte, bu özellikler, sürekli olarak mükemmeliyet, su içme, frekans ve hatta permeability analizine dönüştürülür. Örneğin, yüzlerce iyi tahmin edilen arazinin farklı bir şekilde değiştirilmesi ile birlikte eğitim verilen bir miktar yüksek orandaki sabitlenebilirlik ile birlikte yapılan bir miktar sabitlenebilirlik modeli ile birlikte yapılır.

Wellbore Data: Petrofizik Logs'tan Core ve Image Data

Dijital iyi loglar, altyüz karakterizasyonunun arka kemiği olarak kalır, ancak temel ölçümlerle birlikte, yan duvarların örnekleri ve delik görüntü logları ile birlikte sayısal olarak sabitlenebilirlik sağlar. Gelişmiş petrofiziksel akışlar şimdi nükleer manyetik rezonans (NMR), dielektrik dağılımı ve elemental yakalama spektroskopları hesaplamak için daha fazla sabit akışlar ve kontrasepsiyonel akışlar için daha fazla doğrulukla tekrarlanabilir.

Dinamik Şaşırtıcı: Gerçek Zamanlı Üretim, Baskı ve Akışkanlar Data

Sürekli olarak, fiber optik dağıtılmış sıcaklık ve akustik algılama (DTS/DAS), yüzey multifazek aktı ve SCADA sistemleri, rezervun dinamik yanıtını yakalayan yüksek frekanslı zaman serisi verileri üretir. Bu, beklenen davranıştan beklenen hataların doğrulanması ve güncellenmesi için kritiktir.

Scalable Analytics için Veri Altyapısını Mimarlaştırmak

Büyük verilerin toplanması sadece dosyaları toplamaktan daha fazlasını gerektirir. depolama, işleme, yönetim ve erişim için kasıtlı bir mimari talep eder.

Data Governance, Standards, and Quality Güvence

Herhangi bir güvenilir rezerveasyon temeli güvenilir verilerdir. İyi tanımlayıcılar, tutarsız derinlik birimleri, eksik toplar ve kötü haneli tamlama listeleri çöp-in, çöp-out senaryoları, en sofistike ML modellerini zayıflatır. Operatörler, boşluklar ve içgörüler, el elemanları, alt sistemler gibi temel standartları belirleyen temelsel veri kontrolleri (projektif erişim) ile uyumlu hale getirir.

Bulut-Native Data Lakes ve High-Performance Computing

Hızlandırılmış depolama ve hesaplamalar, modern altyüz veri kümesinin hacmi ve çeşitliliği için giderek daha yetersizdir. Cloud-native data gölleri, aWS for Energy) için AWS, Microsoft Azure Energy Data Services, veya Google Cloud, bir gecede veri işleme işlemi için tek bir bilgi kaynağına erişmek için mümkün değildir.

Semantic Data Modeling ve Cross-Domain Entegrasyon

Farklı disiplinlerden gelen Raw verileri farklı vocabularies ve referans çerçevelerini kullanır. Bir sismik ufk seçimi dosyası, iyi bir log LAS dosyası ve tüm aynı rezervuarı açıklayın, ancak uyumlu şemalar. Semantic verileri modelleri, bu ayrımcı kaynakları, çapraz domain sorguları sağlamak için kritik olan soruları kabul eder. OSDU Forum'un verileri platformu, keşif, sondaj, tamamlanma, üretim ve rezervuar yönetimi ile aynı şekilde standartlaştırılmış bir şekilde içeren standart bir bilgi mimarisi sunar.

Makine Öğrenme ve Yapay Zeka: Analytical Motor

Temiz, entegre bir veri kümesi yerinde, makine öğrenme algoritmaları tahmin edici rezerv tahminleri için motor haline gelir. Algoritma seçimi problem türüne, veri kullanılabilirliğine ve istenen yorumlanabilirliğe bağlıdır.

Tahmin edici Ciltler ve EUR Tahminleri için Süpervize Öğrenmeyi Etkiliyor

Süper olarak trenleri hedef değişkeni tahmin etmek için etiketli tarihsel veriler üzerinde bir model öğrenmeye çalıştı - en yaygın tahmin edilen nihai kurtarma (EUR) veya porosity gibi rezervuar mülkiyet. Algoritmalar rastgele ormanlar gibi, yüksek çözünürlükte bulunan ortalama bir porosity gibi, 50-ft penceredeki tahminler ile ilgili tahminler, bu hata aralıkları analiz etmek için mesafeyi oluşturmak için kullanılan temel bilgiler.

Reservoir Characterization ve Facies Sınıflandırması için denetimsiz öğrenme

Denetimsiz yöntemler, etiketli hedefler olmadan verilerin doğal gruplandırılmasını tanımlar. K-means, hierarşik kümeleme ve kendi örgütleme haritaları, çok boyutlu veriler için uygulanabilir - korelasyonelasyonel özellikleri, iyi log eğrileri veya üretim profilleri - rezervuar sınıfları tanımlamak için farklı yöntemler, farklı akışlar, geri dönüşüm oranları veya tür eğrileri alan için doğrultmeler sağlamak için kullanılan basitleştirilmiş veriler.Deptörel analizleri (PCA) özellikle de birçok kompozit değişkene kadar uzanır.

Spasal ve Temporal Desen Tanımlama için Derin Öğrenme

Derin öğrenme, karmaşık yapılarla yüksek boyutlu verilere yönelik makine öğrenimini genişletir. Convolutional sinir ağları (CNNs) Süreklileştirilmiş görüntüler ve iyi niyetli sinir ağları (RNN) ve uzun kısa süreli bellek (LSTM) seçenekleri, zaman tahminleri ile ilişkili olarak tasarlanmıştır.

Fizik-Informal Networks for Hybrid Modeling için

Umut verici bir sınır, fiziksel kısıtlamalarla ilgili verilerin analizidir. Fizik-informel sinir ağları (PINNs) denklemleri yönetmeyi içerir - Darcy'nin yasası, kitlesel koruma, ve göreceli geçirgenlik ilişkileri - bu tahminlerin bilinen fizikle tutarlı olmasını sağlar, hatta eğitim tahminleri olduğunda,Ns geçici baskı verileri entegre edebilir, ücretli günlükleri ve temel sabit tutma süresine göre daha güvenli bir şekilde azalır.

Rezervlerdeki Uncertainty ile iletişim kurmak

Büyük tabanlı rezerveasyon tahminlerinin en önemli avantajlarından biri, P90, P50 ve P10 tahminleri ile ilgili olarak, bu dağıtımları tamamen güncelleyen bir alandır.Örneğin, ilk rezervlerin tahminleri, bir dizi belirsizlik aralığına dayanıyor; üretim verileri toplanabilir, dağıtım sistemleri ve P10 tahminleri.Gerekli olasılıksal dağıtımlar için tüm hesaplamalar için belirlenen bir çerçeve sağlar.

Gerçek Dünya Uygulamaları: Büyük Veri Rezervleri Üzerine Vaka Çalışmaları

Çeşitli operatörler veri merkezli rezerveat akışlarının somut değerini göstermiştir. Bu vaka çalışmaları, eylemdeki metodolojiyi ve iş sonuçları elde etti.

[FONT:0]Permian Basin, ABD: 2.000'den fazla yatay iyiye sahip büyük bir bağımsız operatör, gradient-boosted ağacı modelini, jeolojik ve tamamlanma parametrelerinin işlevi olarak tahmin etmek için kullandı. Analiz, sahne başına yükleme ve kümelemenin% 10'unu daha büyük bir sermaye programını desteklemeye teşvik etti.

[FONT:0]Offshore Carbonate, Orta Doğu: Bir ulusal petrol şirketi, sürekli olarak (4D) sismik veri, üretim logları ve baskı geçici analizleri bir Bayesian çerçevesine geri kalan petrolle geri kalan petrol aralığına göre% 90-P10) daha önceki deterministik tahminlere kıyasla% 50 azaltıldı. Bu, operatörün çok milyar dolarlık bir dolum kampanyasına ve daha yüksek güvene sahip bir petrol hattına geçiş yapmasına izin verdi.

[FONT:0) Deepwater Turbidites, Meksika Körfezi: Bir operatör, önceden bilinen bir hacimden sismik fas sınıflandırmak ve daha önce tanınmamış kanal komplekslerine entegre edilmiş olarak, homojenleştirilmiş ve jeolojik modele dahil edilen bir modele kıyasla %35 oranında CNN'leri kullanarak test etti.

Bu örnekler büyük veri analizinin sunabileceğini gösteriyor:0) Güvenilir gelişmeler[Döneticileri)[Döneticileri, risk azaltma ve çeşitli jeolojik ortamlarda ve alan maturiteleri arasındaki sermaye verimliliği.

Bağlanmaları Kabul Etmek için Engellere

Zorlu yararlarına rağmen, birçok kuruluş büyük veri iş akışlarını rezerv tahminleri için uygulamak için mücadele eder. zorluklar teknik olarak çok kültüreldir.

Data Silos ve Legacy System Entegrasyon

Veriler genellikle farklı veri veri depolama sistemlerinden ayrı bir dosya sistemi üzerinde çalışır ve bu silolar, genellikle geleneksel veri formatlarından gelen manuel verilerle kurtarmayı gerektirir.Süresel veriler, yüksek veriye öncelik veren bir yaklaşımla kalır - tüm iyi loglardan farklı bir üretim verileriyle ilgili olarak -ve yavaş yavaş bu siloları en aza indirir.

Beceriler Gap ve Organizasyon Kültürü

Rezerv tahminleri geleneksel olarak rezervuar mühendisleri ve Jeoloji uzmanlarının on yıllardır tecrübeleri ile olmuştur. Makine öğrenimi ve veri bilimi, Python'da hedef alan eğitim yoluyla bu kadar az sayıda kişinin sahip olduğu farklı bir yetenek seti gerektirdiğini varsaymaktadır. Başarılı organizasyonlar, onları siyah kutularla tedavi etmek yerine modeller yerine getirmeyi tercih eder. Yönetim taahhüdü, bu şekilde işbirliği teşvik etmek ve "bizim her zaman bu şekilde" öğrenmemiz gerekir.

Düzenleme ve Denetim

Rezervler, düzenleyici bedenler tarafından dış denetime tabidir (örneğin, SEC, FERC) ve bağımsız danışmanlık şirketleri. ML modelleri bu gerekliliklerin uygulanabilir ve açıklanabilir olması gerekir. Bu, veri kaynaklarını belgeleyerek, işlem öncesi adımları, model mimarisi, eğitim süreci ve uygulanabilir bir AI (XAI) teknikleri ile ilgili olarak - SHAP değerleri, LIME veya önemli arsaları - bu faktörleri belgeleyerek - hangi faktörleri gösterir.

Geleceğin: Özerk Bir Reservoir Yönetimi ve Vakfı AI Modelleri

Büyük veri operatörlerinin tahmin noktaları sürekli olarak, her yeni veri noktası ile geliştiren altyüz modellerinin bağımsız olarak güncellenmesi, dijital veri toplama ve karar verme arasındaki en büyük veri depolarının fiziksel kopyalarını tespit etmek için hafif ML modelleri çalıştıracaktır.

Kompleks alanları her zaman eşsiz zorluklar sunacaktır, ancak araçlar şimdi yatırımcılarla olan bu zorlukları karşılamak için mevcut.Veri altyapısına yatırım yaparak, çapraz işlevli yetenek ve makine öğrenme yetenekleri, operatörlerin portföydeki her varlık tahmininden daha iyi bir şekilde dönüşüm sağlayabilir.