Olgun Alanlar Hala Substansal Hidrokarbon Ciltlerini Tutar

İlk ve ikincil iyileşmeden on yıllar sonra, olgun alanlar - 20 yıldan fazla üretim -kesinlikle yerdeki orijinal petrolün yüzde 60 ila 80'ini kurtarın. rezervuar karmaşıklığında Subtle varyasyonları, permeability, porosity ve ıslak geçirgenlik, alanın tüm bölmelerini silen akış engeli bölgelerin tamamının yüzeysel çözümlerini azalttığı ve küçük ölçekli yapısal engellerden oluşan sabit bir şekilde kapanan boşluklar.

Üretim verileri genellikle bu atlanan hacimlerin imzasını taşır. Anomalous su kesintileri, beklenmedik baskı sapmaları veya yanlış bölmelerdeki iyiler arasındaki müdahale kalıpları.Ancak, jeolojik özellikleri ile manuel olarak binlerce iyi sinyal ölçeklendirmek, bu meydan okumayı bir kılavuzluk haline getirir.

Tümleşik Data-Driven Discovery için Kılavuz

Konvansiyonel rezervuar karakterizasyonu, kanal kumlarını vurgulamak için birkaç sismik özellik birleştirmektedir, ancak büyük ölçekli haritalama için etkili olsa da, bu yöntemler insan sentezlerinin ötesindeki özellikleri ele alır.

Makine öğrenimi, "sonuçtan sonra entegre" dan "daha sonra yorum" için iş akışı döndürür. tüm mevcut verileri aynı anda -post-stack sismik özellikleri, pre-stack toplamaları, iyi günlük süitler, temel ölçümler, üretim oranları, baskılar, sondaj raporları ve hatta sürüm üstleri yorumlardan alıntılar ile ilişkilendirir - ve yüksek petrol saturasyonla ilişkili çok boyutlu kalıpları tanımlar.Bu entegre yaklaşım defalarca ortaya çıkardı.Bu entegre yaklaşım, uzun vadede gecikmeli sondajları durdurmuştu.

Gizli Rezervler İçin Anahtar Makine Öğrenme Teknikleri

Subsurface probleminin doğru algoritmayı seçmek kritiktir. Sanat, öğrenme paradigmasını veri türüne ve sorununa uygun olarak algılanırken, jeolojik ilk prensiplere saygı gösterir.

Reservoir Property Prediction için Süperviz Edildi

Anahtar kelimelerle, veriye dayalı olarak, veriye dayalı olarak, veriye dayalı olarak, sabit olmayan etkileşimlere ve eksik değerlerin sabitleştirilmesine olanak sağlayan makinelere (XGBoost, LightGBM, CatBoost) ek olarak, üçD sismik hacimler kullanarak, sabit olmayan etkileşimlerin sabit olmayan özelliklerini ve eksik değerlerin elde edilmesiyle ilgili olarak, sabit olmayan kontrollerin sabitlenmesini sağlamak için, sabit olmayan alanların sabit tutulması gibi, sabit olmayan kontrol noktalarının sabit tutulmasını sağlar.

Örneğin, 4D sismik farklılıkları üzerinde eğitilmiş derin bir öğrenme modeli, zaman süresiz amplitüd değişiklikleri ve üretilen hacimler arasındaki ilişkiyi öğrenmekle doğrudan tahmin edebilir. Bu teknik özellikle üretim tahsisi verileriyle birlikte, hangi aralıkların en fazla iktisadi kurtarmaya katkıda bulunduğunu gösteren güçlü bir şekilde bir araya gelir.

Facies ve Karşılaştırmalı Tanımlama için denetimsiz kümeleme

Birçok olgun alanda, kalan ödemenin tam yeri bilinmemektedir - önceden yapılan etiketlere yönelik bir denetimli modele yönelik etiketli örnekler yoktur.K-means, DBSCAN veya öz-organize haritalar (SOM) grubu benzer çok-attribute sismik faslar veya iyi niyetliler, daha önce kopyalanmış ortamlardan vazgeçilmeden veya daha düşük su kesmeleri gibi bazı fasıllar sürekli olarak daha yüksek oranda azalırken, orijinal kanallarda yakalanan bu kümeleri araştırır.

Özellikle etkili bir değişken Gaussian karışım modellemesi (GMM), sadece bir fasıl için her noktayı atamaz, ancak ayrıca, bu belirsizlik tahmininin daha önce tamamlandığı, başarılı bir yeniden gelişim programına yol açan bir olasılıktır.

Yarı Süpervizit ve Data-Scarce Ayarları için Öğrenmeyi Değiştirdi

kahverengi alanlarda büyük bir bariyer, yüksek kaliteli etiketli verilerin kıvrımlarıdır. Semi- denetimli öğrenme, küçük sayıda etiketli aralıklardan (örneğin, çekirdeksiz veri dağılımını birkaç iyi), etiketli notları kullanarak karar sınırlarının yanı sıra, özellikle de analog verileri geliştirmek için kullanışlıdır.

Transfer öğrenme bu konsepti bir veri-zengin analog alanda bir modele genişleterek genişletir - aynı basindeki benzer bir depozito sistemi gibi - ve sonra sadece bir avuç etiketli örnekle hedef alan üzerinde iyileştirici.Bu teknik, mirasın bol olduğu alanlarda gizli rezervler aramaya başlayabilir. Etkili bir şekilde, jeolojik bilgi basins'te aktarılır, pahalı yeni veri satın alma ihtiyacını azaltır.

Fragmented Data: The Heavy Foot That Deliverys Results

Makine öğrenme projesi sağlam bir veri temeli olmadan başarılı olur. Olgun alan verileri farklı oturumlarda otomatik olarak iyi loglar çıkarır, şirket SQL veri tabanlarında üretim verileri, API'lerde sismik olarak rapor edilir; veri düzenleme, kalite kontrolü ve normalleştirme zorunlu.Farklı dağıtım modelleri farklı oturum açma şirketleri ve araç nesillere düzenli olarak tercih edilir. Production deploymentleri doğru şekilde temsil edilir.

Özel mühendislik genellikle bir mediocre modeli gerçekten bir alan değişikliğinden ayırmaktadır. Diyetlik hammaddeleri, petrofizikçiler ve veri bilim adamları fizik bilgilendirici özellikleri oluşturmak için işbirliği yapar: net-to-gross oranı, rezervuar kalitesi indeksi, temel yüzeyleri ve stratigrafik pozisyona bir dizi içinde bir dizi. Seismic enjeksiyon bileşenleri, curvature ve azimuthal anisotropy göstergeleri, üretim-derived dinamik ölçümleri ile birlikte, yüksek çözünürlükte bulunan bu tür dinamik ölçümlerin yanı sıra, statik olmayan davranışın dağerlendirilmesi ve bu tür katıltma yöntemlerinin sayısal özelliklerini öğrenmelerini sağlar.

Vaka Çalışmaları: Makine Öğrenme Gerçek Rezervleri Teslim Ediyor

Kuzey Denizi'nden gelen çekici bir örnek, 25 yıl boyunca üretilen bir alan, daha düşük gelirli bir makine öğrenimi inisiyatifi ile birlikte 4D sismik farklılıkları, tarihsel iyi loglar ve 30 yıllık üretim verilerinin belirlenmesi için eğitilmiştir. Ancak, facies modeli, her türlü jeolojik ayar ve tamamlanma parametresinin işlevi olarak tahmin edilmiştir.

Benzer şekilde, Permian Basin'deki operatörler, daha önce amplitüdlerin kaçırıldığını tespit etmek için 3D sismikte geleneksel bir sinir ağları kullandılar.Bu ML-identeli aralıkları rutin olarak gözden geçiren üretim logları ile eğitim, daha önce yapılan analizler ile, nörflü yüksek kaliteli yataklar (D) tarafından öğrenilen ölçümler.

Batı Afrika'da olgun bir onshore alanından başka bir zorlayıcı durum geliyor.Pektif olmayan veriyi bir sondaj başarı oranıyla 90'dan fazla artırılan bir dizi izole turbidite loblar tespit edildi.[0]Daha önceki suflood desenleri tarafından atıldığı bir çalışma.

Keşif Ötesinde Faydaları: Maliyet, Sürdürülebilirlik ve Alan Yaşam

Gizli rezervleri doğrudan, yeşil alan maliyetlerinden 5 ila 15 puana kadar kurtarma faktörlerini tanımlamak, sistematik ML-güdümlü yeniden değerlendirme uygulamak.Bu rezervlerin mevcut altyapıda bile vurgulandığı için genişletilebilir.Yeni bir varil alan maliyetinin bir kısmını yeşil alan - kiralama maliyetlerinin, boru hattının yapımından ve yeni tesis masraflarının düşürülmesi.

Çevre faydaları eşit derecede zorlayıcıdır. Bir alanın hayatını genişletmek, üretilen sıvıları işlemek için gerekli olan enerjiyi azaltır. Her bir kovan, minimum yüzey bozukluğuna sahip olan hedefleri gerile bir araya getirir ve yeni kuyuları sıfırdan tamamlar. Ek olarak, makine öğrenimi optimize su ve gaz enjeksiyon desenleri, üretilen sıvıları işlemek için gerekli enerjiyi azaltır. Operatörler minimum yüzey bozukluğu gerektiren hedefleri en düşük maliyetli, üretime devam ederken ESG hedefleri ile uyumlu hale getirir.

Ayrıca, ML-güdümlü yeniden değerlendirme genellikle daha önce ekonomik olarak reddettiği fırsatları tanımlar. hacim tahminlerinin doğruluğunu geliştirerek ve sondaj riskini azaltabilir, operatörler aksi takdirde mahvedecek küçük birikimler geliştirebilir ve geliştirebilirler. Bu, varlık kullanımı ve çevresel etkinin en aza doğrulanması için küresel eğilimlerle uyumludur.

Tartışmalar: Veri, yorumlanabilirlik ve Kültür

Sözcülüğe rağmen, engeller devam ediyor. Data sparsity başlıca engeldir. Birçok olgun alan, yoğun modern veri setleri olmadan - tam zamanlı olarak, NMR logları, 3D sismik ile uzaktan kumandanlarla - eğitim için gerekli verilerle ilgili olarak, benzer rezervuarlardan ithal etmek, sentetik verileri geostatistik simülasyon yoluyla oluşturmak ve akışkanlar ile ilgili mikrogörüntüler kullanarak, akıcı akış denklemleri kullanarak karmaşık veri akış denklemleri kullanarak iletişim kurmak.

Model yorumlama, kabul için bir çubuk noktası olmaya devam ediyor. 10 milyon dolarlık bir iyi denemenin karar kurulunu jeolojik gerekçe olmaksızın geçmeyeceğini gösteriyor. SHAP (SHapley Katkıları) ve LIME (Local Interpretable Model-Agnostic Explanations) arasındaki boşlukları sıralama özelliği katkılarından ve her özelliğin sismik bölümlerle yüksek potansiyel bölgelerin nasıl etkilendiğini gösteriyor.

Kültürel entegrasyon önemlidir. En iyi sonuçlar, geoscientists, mühendisler ve veri bilim insanları ortak geliştirme modellerini hızlandırıyor ve diğer varsayımları kullanarak makine öğrenimine bir araç olarak hizmet eden organizasyonlar - daha hızlı kabul edilemez ve daha sağlam sonuçlar.Veri okuryazarlığı alanında geoscientists bu değişimi hızlandırıyor. Lider operatörleri, bu değişimi destekleyen temel operatörler, belirli veri bilim insanları ve iş akışları ile donatılmış varlık takımlarını destekleyen mükemmeliyet merkezleri kurdular.

Olgun Alanlar için Sürdürülebilir Bir Makine Öğrenmesi Çalışması

Tekrarlanabilir bir çerçeve ölçeklendirme başarısı için önemlidir. Aşağıdaki adımlar dünya çapında birden çok operatör tarafından kullanılan kanıtlanmış bir yaklaşımdır:

1. Hedef Tanım ve Data Denetimi

Açıkçası iş sorusunu tanımlayın: petrolü kısıtlanmamış bölmelerde, iyi yerlerde optimize etmek veya yeniden ayarlama adayları tanımlamak için mi arıyorsunuz? Sonra tüm mevcut verileri envanter: iyi başlıklar, sapma anketleri, petrofizik logları, temel analizleri, sismik hacimler, üretim ve enjeksiyon tarihi, baskı verileri ve jeolojik yorumların her şeyi tek erişilebilir bir platforma merkezileştirin.

2. Veri Temizlik ve Özel Mühendisliği

Align derinlikler, normalize loglar, dışlayıcılar ve alan-aware yöntemleri kullanarak boşlukları doldurun.Bu adım genellikle hedef bölgede ortalama porosity, en yakın hataya uzak ve genel olarak sıvı enjeksiyonu ile ilgili olarak ortaya çıkıyor.Ingre dynamic özellikleri: su kesme eğilimi eğimi, GOR evrimi oranı, baskı geri dönüşüm imzası.Bu adım genellikle veri kalitesi sorunlarını ortaya koyuyor.

3. Model Seçimi ve Eğitim

Veri ve tahmin hedefine uygun bir model aile seçin.Yerel mülk tahmini için, gradient-boosted ağaçlar veya sinir ağları iyi çalışır. Doğal gruplamaları tanımlamak için, kümeleme veya Gaussian karışım modelleri kullanın. Her zaman doğruyu ölçmek için veriyi bölmek için hata bloğu ile bölmek.

4. Yorumlama ve Risk Değerlendirmesi

Jeoloji çerçevesine ilişkin tahminler. Boyut regresyon kullanarak belirsizlikler, Monte Carlo damlaout veya olasılık haritalarını tek en iyi tahminlerden ziyade üretebilmeleri için tıkayın. Aşırı tahminler hedef haritalara güven: yüksek potansiyel bir yer düşük model güven ile yüksek-potansiyel bir yer daha fazla bilgi edinir - pilot iyi veya daha ayrıntılı bir sismik özellik analizi – tam bir gelişim için taahhüt etmeden önce.

5.İşletme ve İzleme

Modeli bir kullanıcı dostu araç olarak paketleyin - Petrel, Techlog veya OpenWorks gibi mevcut yorum yazılımı içinde bir eklentiyi iptal edin - geoscientists interaktif olarak son sonuçlar verebilir.Yeni iyiler satın alındı ve yeni veriler otomatik olarak veya planlanan bir temel üzerinde yeniden eğitim alır.

Yol İlerisi: AI-Augmented Reservoir Management

Makine öğrenimi rezervuar yönetim yaşam döngüsünde yer alıyor. Future gelişmeler bu entegrasyonları yoğunlaştıracak. Fizik bilgilendirici sinir ağları, özellikle de incelenen veri kümelerine bağlı olarak otomatikleştirilebilir ve gerçek zamanlı olarak, büyük sıvı akış fiziği sağlar. Generative adversarial ağlar (GANs) yenileri delmeden önce daha fazla bilgi edinir - yüksek riskli bir şekilde test edilen verilerle güncellenebilir ve otomatik olarak doğrulayıcı analiz ve uygun şekilde optimize edilebilir.

Dahası, bulut bilişim ve veri standardizasyon bu yeteneklerin demokratikleştirilmesini ilerletir. Küçük ve orta ölçekli operatörler, büyükler için ayrılmış bir kez araçlara erişim sağlayacaktır.Tempikit-öğrenme, TensorFlow ve PyTorch, insan uzmanlığı ve makine tanıma gibi belirli platformlarla bir araya gelir.

Embracing Machine Learning as a Strategic Imperative

Olgun alanlarda gizli rezervleri tanımlamak için makine öğreniminin kullanımı, pilot projelerden ana akım uygulamasına geçmiştir. Endüstrinin temel meydan okumasını ele alır: çevresel ayak izi azaltırken mevcut varlıklarla daha fazlasını yapın. Operatörler, standart yeniden değerlendirme süreçlerinden geçen 10'a kadar kurtarmayı sağlar - milyarlarca kovalayan, genişleyen alan içinde ölçülmüş ve yatırımda önemli geri dönüşler gerektirir.