Table of Contents

Kaynak Önümesinde Makine Öğrenmesinin Dönüştürücü Rolü

On yıllardır, petrol, gaz ve madencilik endüstrileri, modern operasyonlar tarafından üretilen verilerin belirsizliği ve tahmin üretimlerini tahmin etmek için analize dayanıyordu.Bu yöntemler sektöre iyi hizmet ederken, genellikle alt yüzey koşulları, heterojen rezervuarlarla karşı karşıya kaldığında kısa sürede düşüş gösterdiler ve modern operasyonlarla üretilen verilerin yığınını varsayar. Geleneksel yaklaşımlar idealize akış rejimleri, üniformalı kaya özelliklerini ve istasyonsal üretim davranışını varsayar, nadiren sınırsız oyunlarda tutarlar veya olgun olmayan alanları tutarlar.

Makine öğrenimi artık geleneksel tekniklere hayati bir arkadaş olarak ortaya çıkıyor, geniş veri setlerinde ince desenleri ortaya çıkarabilir ve daha çevik stratejik kararlar verir.Kapital analiz gerektiren geleneksel modeller aksine, ML algoritmaları tarihsel verilerden doğrudan öğrenebiliyor, doğrusal olmayan ilişkiler ve zaman-varying dinamiklerini ortaya çıkarabilir.Gelecek üretim ve rezervlerinin erkenleştirilmesi ve finansal planlama, ve ulusal kaynak yönetimin kalbinde oturur.

Kaynak Önümsü'nin Evolving Landscape of Resource Prediction

Konvansiyonel kaynak tahminleri petrofizik analizlerine, materyal denge denklemlerine ve tip kayıtlara bağlıdır. Bu yaklaşımlar, sınırlı iyi veriye karşı kalibre edilir. aksine, makine öğrenme modelleri, iyi loglar, üretim tarihleri, sondaj raporları ve hatta dinamik ağ oluşturmalı web tabanlı temsiller sadece eski yöntemleri değiştirmekle ilgilidir.

Bu evrim aynı zamanda dijital ikizlerin yükselişiyle de yönlendiriliyor, gerçek zamanlı sensör verilerini ML modelleriyle entegre eden fiziksel varlıkların sanal kopyaları. Örneğin, bir üretim alanının dijital ikizleri, eğrileri sürekli olarak geri alabilir ve ölçümlere dayanan, tahminleri yapmadan önce anormalliklerle değiştiriyorlar.Böyle sistemler Kuzey Denizi ve Permian Basin'de zaten dağıtılıyor, ki tahminleri iki basamakla doğru bir şekilde ilerletmelerini sağlıyor.

Core Machine Learning Techniques in Use

Üretim Decline Curve Analizi için Süperviz Edildi

Decline eğri analizi (DCA) üretim tahminlerinin işhorları olarak kalır. Geleneksel Arps’ denklemleri, nadiren tamamlanmamış oyunlarda bulunan idealize akış rejimleri yakalamak için idealize edilmiş akış rejimleri varsayar. Makine öğrenimi esnek bir alternatif sunar. Gradient güçlendirme makineleri, rastgele ormanları ve uzun kısa vadeli hafıza (LSTM) ağları, katı olmayan fonksiyonel formlar olmadan karmaşık düşüş kalıpları yakalamak için tarihsel üretim zaman serisi üzerinde eğitilebilir.

AİLFLT:0) Permian Basin'de gölgeli gaz kuyularını tahmin edene göre, hibrit bir LSTM modelinin, uzun süreli veri ve tamamlama kararlarına dayanan her yeni iyi bir hata için, yüksek çözünürlükte yapılan gecikmeler için de kontrol edilen gecikme süresine bağlı olarak, üretimde hızlı bir şekilde artış gösteren gecikmeli kararlara bağlı olarak, üretimde yapılan değişikliklerle ilgili olarak, uzun vadeli veriler ve tamamlanma süresine bağlı olarak test edilen gecikmeler için de kontrol edilebilir.

Facies Sınıflandırması için denetimsiz öğrenme

Kaya türleri ve sıvı tatmin ediciliği, K-means, Gaussian karışım modelleri gibi denetimsiz algoritmaların ve kendi kendine özgü haritaların manuel yorumlar olmadan ele alınmaması için farklı faslar için gerekli olan temeldir.Bu sürümler, jeologların hacimsel hesaplamalara kadar yüksek seviyeli dağıtımları oluşturmalarına yardımcı olur.Forumsal otomatikleme bölgelerinin değerlendirilmesi, çoklu kimlik doğrulamalarını sağlamak için çok incelenmeleri sağlar.

Derin Öğrenme ve Gelişmiş Neural Ağlar

Konvolutional sinir ağları (CNNs) gibi derin öğrenme mimarlıkları, ekinatörlük görüntülerini yorumlayarak, ekleyici ağların sahadaki bilgileri ve eksel üretim müdahalelerini daha yakın zamanda tahmin eden modeller arasında otomatik olarak otomatik olarak ürün yelpazesini yükleyerek, manuel özellikteki özellikleri ve daha fazla bütünleme bilgilerini kullanarak, uygulama alanları ile ilgili bilgileri kullanarak bilgi üretmeyi ve tahmin etmeyi planlamaktadır.

Data: The Lifekan of Predictive Models

Hiçbir algoritma fakir veriler için telafi edemez. Makine öğrenme tahminlerinin doğruluğu, hacime, çeşitlilike ve giriş verilerine göre ağırlığa bağlıdır. Endüstri uygulayıcıları, yeterince iyi loglar, tutarsız raporlama ve onlarca işlem yapan veri siloları ile rutin olarak mücadele eder.(0)Yüksek kaliteli veri mühendisliği).

Kaynak Önümleri için Anahtar Veri Kaynağı

  • [FONT=0)Eh loglar:[Dönetici: [Dönetici: 1) Gamma-ray, direnç, yoğunluk, nötron porosity ve son derece loglar, subsurface özelliklerini doğrudan ölçümler sağlar.
  • [FONT:0]Core ve sıvı örnekleri:[Döntilmiş Laboratuvar analizi eğitim ve kalibre ML modelleri için zemin gerçeği sunuyor.
  • [FONT:0]Seismic anketler: [D ve 4D sismik veriler bölgesel ölçeklerde yapısal ve stratigrafik özellikleri ortaya koyar.
  • [FONT:0]Ürünler ve baskılar: Zaman serisi petrol, su ve gaz oranları, akan ve kapalı basınçlarla birlikte, geri çekilme modeli için temeldir.
  • [FONT=0)Completion ve uyarı verileri: Fracturing aşamalarının ayrıntıları, proppant hacmi ve enjeksiyon oranları, nonconventional rezervler için iyi performansa etki eder.
  • [FONT:0)Satellite ve uzaktan algılama: InSAR ve optik görüntülem yüzey deformasyonu ve termal anomalileri tespit eder, rezervuar aktivitelerini yakın zamanda izlemesine yardımcı olur.

Data Preprocessing and Feature Engineering

Eğitimden önce, veriler temizlenmelidir, normalleştirilmelidir ve dönüştürülmelidir. Dışsal olmayan ormanlar veya yerel dışlayıcı faktör yöntemleri, özellikle de eksik verileri kullanarak, normalleştirilmiş oranlar veya basınç türevleri gibi, kodlar mühendisliği bilgilerini doğrudan veri kümesine getirebilir. Doğru işlem öncesi kullanım süresiz kullanım süresine sahip olmadan geri yükleme yöntemleri özellikle kritik ölçüde daha fazla bilgi sağlar.

Geleneksel Petrol Mühendisliği ile Makine Öğrenmesini Bütünleştirmek

Tamamen veri odaklı bir yaklaşım riskleri, eğitim aralığının ötesindeki model ekpolates'in en başarılı dağıtımlarını yanlış anlamayı sağlar.Bu karma yaklaşım aynı zamanda, bilgi birikimini engelleyen normal bir denklemi çözmektedir.

Hibrit akışlar ayrıca ML-derived tip eğrileri klasik rezervuar simülasyonuyla birleştirir. Örneğin, bir ekinatör modeli hızla yeni üretim verilerinin sürekli olarak gelen, yüksek sadakatli bir simülasyonla yalnızca en umut verici vakalar için yapılandırılır. Bu simülasyon, ML ve geleneksel mühendislik arasındaki sinerjiyi azaltır ve olasılıksal bir inceleme, belirsizlik altında yapılan bazı şirketler, bu türevlerin model geliştirmelerini ve bu tür planlamaları sürekli olarak güncelletir.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Reservoir Karakterizasyon ve Cilt

Makine öğrenimi, statik rezervuar modellerinin inşaatını hızlandırıyor. ConocoPhillips, anurFLT:0)SPE kağıt), Eagle Ford oyundaki sismik inversiyon sonuçlarını yorumlayabilmeleri için derin sinir ağları uyguladı, haftalarca yorum zamanlarını saatlerce kesti ve geri dönüşümlü olarak rezervuarlama haritaları azaltan ve daha küçük ölçekli bir gecikmeli sistemle tamamlamayı öngördü.

Gelişmiş Petrol Kurtarma ve Well Optimizasyon

Olgun alanlarda, suflooding veya CO2 enjeksiyonu için en uygun enjeksiyon oranlarının belirlenmesi, enjeksiyon-prodüksiyon ilişkileri üzerinde eğitilmiş olan ML modelleri, büyük bir Ortadoğu operatörü, algoritmanın kısa vadeli üretim ve uzun vadeli bir basınç bakımı için optimizasyon algoritması ile birlikte bir çiftleştirilmiş bir model kullandı.Infesyonel bir çalışma süresi olmadan petrol kurtarma alanında% 3 artış elde etmek için, ekstra sermaye harcamalarından elde edilen tasarruf sağlar.

Mineral Keşfeti ve Kaynak Estimasyon

Hidrokarbonların ötesinde, makine öğrenimi mineral kaynak tahminlerini dönüştürür. Gold ve bakır araştırma projeleri, tarihi verileri yeniden yorumlamak ve çeşitli yeni keşifler üretmek için rastgele orman sınıflandırıcıları tanımlamak için makine öğreniminden yararlanmaktadır.Bu haritalar sondaj hedeflerini önceliklendirir, araştırma harcamalarını sağlar.0.Spot Discoveries), daha önce yapılan analizlerin ardından, bilgisayar görüntülemelerini otomatik olarak sınıflandırmak için bilgisayar görüntüleme ve testlerini otomatik olarak tanımlamak için kullanılan analizleri otomatik olarak tanımlamak için kullanılan yöntemlerden yararlanmaktadır.

Faydaları ve Stratejik Avantajlar

  • [FONT:0) Geliştirilmiş tahmin doğruluğu:[Döneticileri, analitik gerileme eğrileri tarafından kaçırılmamış, daha iyi kısa vadeli ve uzun vadeli tahminlere sahip olmayan yöntemler. Birden çok algoritmaları bir araya getiren yöntemler daha fazla değişkenliği ve önyargıyı azaltır.
  • [FONT:0)Faster karar döngüsü:[Dönetici ve sismik verilerin günlerinden gün geçtikçe sıkıştırılması, hızlı portföy kararlarına izin vermek. Bu hız avantajı, mal fiyatlarının değişken ve hızlı bir şekilde elde edilmesinde kritik önem taşıyor.
  • [FONT:0]Cost azaltımı:[Dönetici:[Dönetici:0) Daha iyi gelişim iyi hedefleme ve kuru delik riskleri daha düşük sondaj maliyetleri azaltmaktadır. Madencilikte, daha az doğrulayıcı matkap delikleri gereklidir ve saha optimizasyonu iş masrafları azaltır.
  • [FONT:0)Probabilistic rezervleri tahminleri:) ML modelleri, farklı giriş parametreleri kullanarak binlerce Monte Carlo simülasyonu çalıştırabilir, P10, P50 ve P90 rezerv daha büyük güven ile aralıkları yapar. Bu olasılıksal çerçeveler şeffaf risk açıklama için düzenleyici gereklilikleri ve yatırımcı beklentileri ile uyumludur.
  • [FONT:0)Sustainability akrobasi hizası:[Döneticileri, birquifer dinamiklerini veya arazi sübvansiyonunu tahmin etmek gibi verimli kaynak kullanımını ve daha iyi çevresel planlamayı destekler.
  • [FONT:0]Risk mitigation:[Dönetici:[Dönetici:0)[Dönetici:0)Risk mitigation:[Dönetici:[Dönetici: 1 ) ML, erkenden haberdar olabilir ve geri dönüşümlü yedekler gibi müdahaleleri tavsiye eder, gelir kaybının önlenmesi.

Bu avantajlar doğrudan finansal performansa dönüştürür. Büyük bir basin karşısındaki kurtarma faktöründe% 5 artış, rezervleri kanıtlanmış, net mevcut değer ve kredi derecelendirme notlarını artırmak için yüzlerce milyon tane varilebilir. Tüm portföyde uygulanan etki bileşikleri, rakiplerinin yakın bulması zor bulduğu yapısal bir maliyet ve gelir avantajı sağlar.

Meydanlar ve Mitigation Strategies

Data Quality and Accessability

Miras veri setleri genellikle eksik girişler, tutarsız birimler ve insan-entry hataları içerir. Mitigation, veri yönetimine kurumsal bağlılık gerektirir: standartlaştırılmış formatlar, geçerlilik kuralları uygulamak ve OSDU gibi sosyal ikileme platformları, endüstrinin ortak verilere doğru hareket etmesine yardımcı olur, ML dağıtımını kolaylaştırır. Ek olarak, GAN'ları kullanan sentetik veri nesilleri kullanarak, ancak sentetik verileri korumak için dikkate alınmalıdır.

Model Yorumability

Siyah-box modelleri rezervuar mühendisleri ve düzenleyici organlar tarafından şüphecilik ile karşılanabilir. SHAP (SHapley Katkıları) değerleri ve LIME (Local Interpretable Modeller) her türlü tahmin için hangi özellikleri gösterir. Örneğin, SEC'in gerektirdiği gibi sınıflama birimlerinin yarı uzunlukta ve baskıların mühendislik sezgileri ile uyumlu olması ve güvendiği tahminlere ilişkin ayrıntılı olarak yorumlanması gerekir.

Mevcut Çalışma akışları ile entegrasyon

Birçok kuruluş, konseptin üretime kanıtlarını hareket etmek için mücadele eder. Başarılı entegrasyon, rezervuar yönetimi için uzmanlaşmış bir dizi uzman gerektirir, bu da veri şemalarını standartlaştırmak ve modellemek için ortalama dağıtım süresini azaltan veri şemaları ve sürekli izleme, tahminlerin online ve alan koşullarını da sağlar.Entegretimleme yapan mühendisler, on yıllar boyunca tutarlı ML kanıtlarını kabul eden on yıllar boyunca kabul eden kritik kararlara sahip mühendisler için sürekli olarak desteklenmelidir.

C ⁇ ve Organizasyonlu Hurdles

Yüksek çözünürlüklü sismik hacimlerdeki derin öğrenme modelleri önemli GPU kaynakları talep eder. Bulut bilişim ve ölçeklenebilir mimariler bu bariyeri azaltır, ancak şirketler ayrıca performans ölçümlerine dayalı kültürel uyarıları ele almalıdırlar ve açıkça iletişim kurmalı başarı hikayeleri bir başka meydan okuma modeli sürüklenir, organizasyonlar da modelleme ve operasyonel stratejilerin değiştirilmesi için planlanmalıdır.

Future rotası ve Gelişen Teknolojiler

  • [FONT:0]Federated learning:[[Döneticiler ham verileri paylaşmadan modellemek, veri gizliliğini korumakta bölgesel tahminleri geliştirmekten havuz modelsel öngörüler alabilir. Bu yaklaşım, bölgesel jeoloji faydalarını paylaşılan birçok operatörle özellikle caziptir.
  • [FONT=0] Dijital ikizler: [Dönetici:[Dönetici:0) Gerçek zamanlı ML modelleri IoT sensörleri ile entegre edilmiş canlı modelleri sürekli olarak güncellendiren üretim tahminlerini ve anomalileri tespit edecek. Bir sonraki dijital ikizler otomatik model yeniden eğitecek ve kapalı-loop kontrolü içerecektir, kendi kendine optimize edici alanları sağlayacaktır.
  • [FONT=0]Synic data nesli:[Dönetici 1) Generative adversarial ağ (GANs) ve diffüzyon modelleri, ölçülmüş verilerin bulunduğu geniş çaplı bir eğitim setlerine gerçekçi sentetik iyi loglar ve sismik izler oluşturur. Bu özellikle sınır araştırma alanları gibi sınırlı iyi kontrollerle oynamak için değerlidir.
  • [[FONT:0)Edge Bilgisayar: İyi yerinde kontrollerde hafif modeller kullanmak, yapay asansör sistemlerinin ve choke ayarlarının optimizasyonu, geçncy ve veri iletimi maliyetlerini azaltmak. Edge AI ayrıca gerçek zamanlı olarak güvenlik-kırık işlemleri için bir anomali tespitini sağlar.
  • [FONT:0) Açıklanabilir ve kalibreli AI:[Dönetici: 0) Üretimin causal sürücülerinin azaltılması için korelasyonun ötesindeki sorular, yeni basins. Causal keşif algoritmalarına güvenilir bir şekilde yol açacaktır, birlikte alan bilgisi grafiklerle birlikte, güvene sahip olan modeller için bir yol sunar.
  • [FONT:0)Transfer öğrenme:[Dönetici:[Dönetici:0)) Belirli alan verileri üzerinde yapılan arama modelleri, coğrafi olarak mevcut oyun-ölgeleri üzerinde modelleme modelleri, araştırma alanında aktif bir alandır (örneğin, Permian veya Marcellus) ve iyileştirici, doğru tahminler için gerekli olan etiketli verileri dramatik bir şekilde azaltılabilir.

Bir yüksek çözünürlükte, 1 milyon dolarlık petrol ve gaz endüstrisi için on yıl boyunca değerde bir ekinste, daha iyi kaynak tahmin ve rezervleri yönetimi konusunda bilgi sahibi olmak için, yüksek performanslı bir hesaplama ile birlikte, dijital teknolojiler bu değeri hızlandırabilir ve şu anda organizasyonların yeteneklerini inşa etmesi için zaman sağlayacaktır.

Organizasyonlar için Uygulama Yolump

  1. [[Döneticiler veri hazırlığı:[Dönetici:0)Mevcut veri kümeleri, boşlukları tespit etmek ve veri temizleme ve entegrasyona yatırım yapmak. Zengin, güvenilir üretim tesislerini kullanarak, metadata'yı veri hattı, kaliteli ölçümler ve erişim hakları hakkında içeren bir veri envanteri oluşturun.
  2. [FONT:0) Bir çapraz işlev ekibi inşa edin: İşe veya tren veri okuryazarlık dünya bilim insanları ve mühendisler; ölçeklenebilir boru hatları oluşturmak için veri mühendisleri ile ortak.Yerel takımlarda veri bilim insanları yetiştirmeyi düşünün, merkezi bir grupta onları izole etmek yerine.
  3. [[Dönetici:0) odaklanmış bir pilotla başlayın: İyi niyetli bir alan seçin, üretim tahminlerine denetimli bir şekilde eğitim etmeyi ve mevcut yöntemlere karşı sonuçları karşılaştırmayı uygulayın. Doküman hem teknik hem de organizasyonel dersler öğrenilir.
  4. [FONT=0)Instri domain bilgisi:[Döneticileri ve jeolojik kuralları gerçekçi olmayan tahminlerden kaçınmak için modeller haline getirmek için modeller haline getirmek. Model davranışını doğrulama araçları kullanın.Mükemmel bir şekilde modelleme ve geliştirme yeteneğine sahip olabilir bir geri bildirim döngüsü oluşturun.
  5. [[Dönetici ile ilgili olarak: [Dönetici: Model izleme panoları, modeller ve veriler için sürüm kontrolü ve üretim kullanımı için düzenli olarak yeniden eğitim modelleri mevcut hale gelir.
  6. [[Dönetici değeri:[Dönetici:0) Maliyet tasarrufu, belirsizlik veya daha hızlı kararlar açısından erken kazanır. Bu, ivme ve güvenliler yatırım yapmaya devam eder.Gördüğünde görsel, teknik olmayan dil kullanın.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi gümüş bir mermi değil, ancak veri altyapısında yatırım talep eden güçlü bir olasılıktır, ancak kaynak endüstrilerinin tahmin edici yeteneklerini artırmaktadır.Modern hesaplama teknikleri ile onlarca yıllık alan uzmanlığını kullanarak, şirketler gelecekteki üretim ve rezervlerin daha doğru, dinamik tahminlerini oluşturabilirler.