Petrol Reservoir Prediction'te Makine Öğrenmesine Giriş

Petrol ve gaz endüstrisi uzun zamandır sismik görüntülemeye, iyi loglara ve temel örneklere sahiptir, subsurface rezervuarları karakterize etmek için. Ancak, modern geosciencescience'nin yığınları ve karmaşıklığı, geleneksel yorum yöntemlerini kendi sınırlarına itti. Machine learning (ML) algoritmaları şimdi yüksek boyutlu girdiler ile yüksek boyutlu girişler kullanarak, yüksek çözünürlükte ve her yeni veri noktası ile geliştiren olasılıksal tahminleri ele alır.

Core Machine Learning Paradigms Reservoir Sorunlarına Uygulanır

Reservoir tahmin görevleri genellikle üç büyük ML paradigmasından biri altında düşer, her biri farklı veri türleri ve hedeflere uygundur.

Quantitative Property Estimation için süpervizör öğrenme

Süper olarak trenleri hedef mülkünün (örneğin, temel fişlerden ölçülen reflektif) etiketli örnekler üzerinde bir model öğrenmek. Common algoritmaları [[ENFLT:0)Iraktal ormanları[Döneticileri, [[Döneticileri, petrofizik parametreleri) hedef değişkenine göre, rezervuarlı konumlarda rezervuarları seçmek için, tüm verileri etkili bir şekilde kullanarak haritalama yapmak.

Facies Sınıflama ve Anomaly Tespit Edilmeye Olmayan Öğrenme

Denetimli yöntemler etiketli hedefler gerektirmez. Bunun yerine, doğal grupları veya verileri tanımlar.ETHFLT:0)K-means kümeleme) ve kırıkları gösteren anormal bölgeleri tespit ederler[Döneticiler, tuz organları veya hidrokarbon göstergeleri[Döneticileri).

Sondaj optimizasyonu ve Alan Yönetimi için Dondurma Öğrenme

Bir rezervuar öğrenme (RL) çerçeve rezervuar yönetimi, bir karar verme problemi olarak kabul eder. Bir RL ajanı, iyi yerleştirme oranları veya yeni kuyular gibi eylemleri gerçekleştirir ve birçok bölüm üzerinden ödüller alır, ajan uzun vadeli ekonomik getiriyi en iyi şekilde en iyi şekilde artıran bir politika öğrenir.

Reservoir Prediction ve Karakterizasyon

Makine öğrenme algoritmaları bir rezervuarın tüm yaşam döngüsü boyunca dağıtılır, keşiften vazgeçilir. Aşağıdaki uygulamalar en olgun ve etkili kullanım vakalarını temsil eder.

Seismic Data Interpretation and Attribute Analysis

Seismic anketler 3D hacimlerin terabaytlarını oluşturur. ML modelleri bu verileri otomatik olarak ufklar, hataları tespit edebilir ve sismik facies sınıflandırması için. Örneğin, [[0)konvolu sinir ağları (CNNs)), etiketli sismik bölümler üzerinde eğitilmiş veya kanalları tanımlayabilir ve insan tercümanları ile retorik olmayan fanlar sınıflayabilir.

Porosity ve Permeability Prediction from Well Logs

Porosity ve permeability, tahmin ve akış simülasyonu için kritik girişlerdir. Geleneksel petrofizik analizi sürekli tahminler üretmek için genetik denklemleri kullanır (örneğin, Archie'nin yasası, Wyllie zaman-average) ML algoritmaları, aksine, çoklu log eğrileri (gamma ışın, direnç, nötron, yoğunluk) sürekli tahminleri üretmek için temel ölçümler ile uygular.

Akışkanlar Saturation ve Hydrokarbon Typing

Su veya gazdan yağ dökmek, bölge tanımlaması için gereklidir. ML classifiers mud loglar, sıvı örnekleme verileri ve gelişmiş spektroskopi logları, sıvı türlerini tek başına tahmin edebilir.CAMFLT gibi teknikler:0principal bileşen analizi (PCA)).

Üretim Tahmini ve Decline Curve Analiz

Gelecekteki petrol ve gaz oranları, alan geliştirme planlamasını, tesis büyüklüğü ve ekonomik değerlendirmeyi bilgilendirir. ML modelleri, iyi spacing, tamamlanma parametreleri ve müdahale etkileri gibi ek değişkenlere eklenerek geleneksel gerileme eğri analizini genişletir. Recurrent sinir ağları (RNNs) ve )) ağlar, zaman serilerinde zaman zaman zaman zaman zaman zaman aralıklarına bağlı olarak, genellikle eksiz yüksek orandaki iyileştirici yüksek çözünürlükte hiperbolik gerilemelere bağlıdır.

Data Hazırlık ve Özel Mühendislik

ML tahminlerinin kalitesi, giriş verilerine çok bağlıdır. Reservoir veri setleri genellikle gürültülü, eksik ve ölçüm hatalarıyla rahatsız edilir. Sağlam bir preiş boru hattı içerir:

  • [FONT:0)Outlier kaldırılması:[Dönetici:[Dönetici:0)Elted, istatistiksel eşleri veya kümeleme kullanarak hasarlar veya formasyon hasarına neden olan şüpheli ölçümler.
  • [FONT:0)Missing data imputation: Birden fazla engel, MICE veya k-narest komşuları, iyi loglar veya temel analizlerde boşlukları doldurmaları için.
  • [FONT=0) Normalleşme ve ölçeklendirme:[Dönetici:[Dönetici:0) Sınırlı bir aralığın (örneğin, min-max ölçeklendirme veya z-stand standartlaştırma) değişkenlerini modellemeyi önlemek için.
  • [FONT:0)İş seçimi:[Dönetici analizi, karşılıklı bilgi, veya yeniden değerlendirme özelliğinin yalnızca en tahmin edici özellikleri korumak ve aşırı yüklemesini azaltmak için ortadan kaldırılması.
  • [FONT:0]Seismic-to-well kravat hizalama: sismik hacimler ve sentetik semogramlar veya otomatik savaş algoritmaları kullanarak derinlemesine uyum sağlar.

Model Geçerlilik ve Belirsizlik Sayıları

Reservoir tahminleri güven önlemleri ile eşlik edilmelidir. ML modelleri aşırılık sparse veya önyargılı eğitim verilerine eğilimlidir, aşırı iyimser hata tahminlerine yol açar: İyi uygulama şunları içerir:

  • [FONT:0]Blind iyi testler: Bu yerlerde eğitimden bir veya daha iyi bir şekilde geri almak ve tahminleri değerlendirmek.
  • [FONT:0)Ensemble yöntemleri:[Dönetici:[Dönetici:0) Eğitim birden çok model (örneğin, çantalı rastgele ormanlar, güçlendirilmiş ağaçlar) ve tahmin belirsizliği için bir proxy olarak benzerlik kullanarak.
  • [FONT:0)Probabilistic çıktılar:[Dönetici ML regresyonlarına dönüştürülen veya Monte Carlo damlaout kullanarak, mülk haritaları için güven aralıkları oluşturmak için.
  • [FONT:0]Mantısal farkındalıkla sınır dışı edilme: Blok çapraz-validasyon veya uzak durma planlarını kullanarak, mekansal otomatikleştirmeyi şişirme performansı ölçümlerinden kaçınmayı önlemek için.

Fizik tabanlı Simülasyon ile entegrasyon

Saf veriye dayalı ML modelleri bilinen fiziksel yasaları ihlal edebilir (örneğin, kitlesel koruma, Darcy yasası). Güvenilirliği artırmak için araştırmacılar, ML'yi hibrit yaklaşımlarda rezervuar simülasyonuyla birleştirir.ETHFLT:0)Physics-informel ağlar (PINNs))[Dönergesel denklemler)[Döneticileri kaybı fonksiyonuna ayırarak, bu tahminlerin akış denklemlerini sağlar. Başka bir pratik strateji, ML'yi pahalı tam fizyoterapistler için bir araya getirir.

Meydanlar ve Sınırlar

Hızlı ilerlemeye rağmen, birkaç engel, rezervuar tahmininde ML'nin yaygın olarak benimsenmesini engelliyor:

  • [FONT=0)Data söndürücü ve dengesizlik:[Dön rezerv rezervuarların sadece birkaç iyileri tam temel kapsama ile ve hedef mülk (örneğin, yüksek kapasiteli çizgiler) analog rezervuarlardan öğrenme veya transfer öğrenme nadir olabilir.
  • [FONT:0) Sorumluluk:[Döneticileri)[Döneticileri) ve düzenleyiciler, belirli giriş özellikleri için tahminlere göre genellikle siyah kutular.
  • [FONT:0]Non-stationarity:[Dönetici süreçleri uzaysal olarak değişebilir; bir basin üzerinde eğitilmiş bir model başka bir alanda başarısız olabilir. Domain adaptasyon teknikleri, çeşitli alanlarda dağıtımları birleştiren aktif bir araştırma alanıdır.
  • [FONT:0)C ⁇ maliyeti:[DFLT:1] Tam hacimli sismik veriler üzerinde büyük 3D CNN modelleri yüksek performanslı bilişim kaynakları talep eder, bu da daha küçük operatörler için yasaklanabilir.

Future Yol

Bir sonraki rezervuar tahmininde ML dalgası muhtemelen üç tema üzerinde merkezi olacaktır:

  1. [FONT:0)Kendi denetimli ve yarı denetimli öğrenme: Geniş etiketli sismik hacimleri, sparse etiketleri üzerinde iyileştirici, manuel yorumlama ihtiyacını dramatik bir şekilde azaltın.
  2. [FONT:0)Multi-modal veriler füzyon: Tüm sismik, iyi, üretim ve hatta uydu InSAR verileri tam subsurface resmini çeken birleşik modeller haline gelir.
  3. [FONT:0)Real-time kapalı-loop optimizasyonu:), Mevcut cihazlardaki ML modellerini sürekli olarak yeni veriler sondaj ve üretim sırasında ulaşırken, operasyonel kontrol sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenme algoritmaları modern rezervuar mühendisinin araçta vazgeçilmez araçlar haline geldi.Süresel yorumlamayı hızlandırdılar, petrokimyasal mülkiyet tahminlerini geliştirir ve üretim tahminlerini geliştirirler, ancak araştırma riskini ve maliyeti azaltırken, başarılı dağıtım, dikkatli veri hazırlığı gerektirir ve fizik alan ile düşünceli entegrasyon sağlar.