Tek-Point Tahminlerinin İnitasyonları Subsurface Değerlendirme

Petrol ve gaz endüstrisinin tarihinin çoğu için, finansal tahminler için bir çözüm öngörüsü yapıldı, ancak alt bilgi, sabit ortamlardaki farklar, poliklinasyonlar için “en iyi” değerlerinden yararlandı ve mekanizmaların hepsinin eksik olması anlamına geliyor.Dörtücük olmayan bir şekilde, en büyük hataya yol açan yöntemlerden dolayı, en büyük hataya yol açan yöntemlerden dolayı, “en iyi” yöntemlere göre, sıvı özellikler, ve sürücü mekanizmaların belirlenmesi, net bir şekilde cevap vermemesi, ancak potansiyel olarak yanıltıcıdır.

Kök problem, normal yöntemler yanlış bir kesinliğe kadar belirsizlik daraltıyor. Bir geoscientist, porosity için tek bir değer seçmediğinde, porosity'nin daha yüksek veya daha düşük olabileceği olasılığın açık bir şekilde düşmesi olasılığın azalmasıdır.Bu değer tek bir net ödeme kalınlığı ve tek bir alan tarafından çarpılması durumunda, bu olasılıksız bir şekilde ortaya çıkma olasılığın en yüksek düzeyde olduğu bir miktar endüstride bulunan bir miktar daha düşük olması durumunda, bu değerin büyük ölçüde düşük olması durumunda, en yüksek maliyetle bir maliyetle bir miktar daha düşük maliyetle bir maliyetle bir araya gelme olasılığı vardır.

Rezervlerdeki Olasılıksal Paradigm Shift in Reserves Estimation

Probabilist yöntemler, her girişi bir aralık olarak tedavi ederek bu eksiklikleri ele alır, tek bir hacim yerine, çıktı, mümkün olan tüm sonuçları gösteren bir olasılık dağıtımdır - karar verici kuyruğundan sadece matematiksel bir egzersize kadar; bu, altyüz belirsizliği algılandığında temel bir değişiklik değildir ve iletişim kurmak.

Dağıtımlardan Kararlara

Herhangi bir olasılıksal akışın özü, bir olasılık yoğunluk fonksiyonu (PDF) tarafından belirsiz değişkenin temsilidir, ancak vukar bir hacimsel bir eğri tarafından temsil edilebilir.Relatif verilerle, genellikle bir beta veya triangular dağılımı ile modellenir. Seçim süreci genellikle normal bir dağıtımla disipline edilir; ancak vuggy karbonatlar her türlü fiziksel bir şekilde sabit bir dağıtım için daha iyi temsil edilebilir.

Tüm girişler tanımlanırsa, en yaygın propagasyon motoru Monte Carlo simülasyonu. Her dağıtımdan rastgele örnek, hacimsel denklemi hesaplar ve sonuçları bir PRMS[D][D][B][B][B][B][B][B][B][B][B][B][B][B][B][B][/FONT=FONT=FONT=FONT=FONT=0}SPESPESPED D D CONT=D CONT=FONT=STRNT=STR][B][B][B][B][B][B][B][B][B][B][B][/FONT=STRNT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=STRNT=FONT=FONT=FONT=FONT=FONT=FONT=STR=STRNT=STRNT=STRNT=FONT=FONT=FONT=FONT=FONT=STRNT=FONT=STRNT=S FONT=STR=FONT=FONT=FONT=FONT

Pratik bir husus, istikrarlı sonuçlar için gerekli olan bazı iterasyonlar. Çoğu hacimsel model için 10.000 ila 50.000'lik iterasyonlar stabil P90 ve P10 sentiles sağlar, ancak yüksek oranda skewed dağıtım veya aşırı korelasyonlar ile modeller 100.000 veya daha fazla yakınlık izleme gerektirir, örneğin P50 değerini doğrulayanlara karşı doğru doğrulayan uygulamacılara yardımcı olur.

Bayesian Updating: Go You Go

Monte Carlo simülasyonu statik hacim değerlendirmeleri için işkose olmasına rağmen Bayesian yöntemleri, önceden belirlenmiş üretim verileri, baskı testi veya 4D sismik bir veri toplama sürecinde daha dinamik bir çerçeve sunar. A Bayesian modeli, özellikle de önceden dağıtım ile başlar - keşif ve uygulama değerlendirmeye dayalı olarak tahmin edilir - ve daha sonra gözlemlenen üretim verileri, baskı testi veya 4D sismikleri kullanarak, Bay Hamilton3 gibi özel bir olasılıksal modeli uygular.

Bayesian güncelleme, üretim verileriyle sınırlı değildir. Bu, bir inanç değişkenine olasılıksal bir ilişki olan yeni bir bilgiyi içerebilir. Örneğin, bir porosity eğilimini gösteren 3D sismik inversiyon, önceden belirlenmiş alanları yansıtabilir. Benzer şekilde, yeni bir iyiden gelen baskı verileri bir denge ve bağlantı için güncelleyebilir.The Bayesian framework, birden fazla veri kaynağını bir matematiksel olarak birleştirebilmenin yollarını sunar.

Probabilist Yöntemler Tangible Value

Sayma Riskleri Sayılandırma

En belirgin fayda, herhangi bir rezerveasyon hacmine bir olasılık atama yeteneğidir. “En belirgin petrol 50 milyon varilebilen malvarlığı aşmaktadır” gibi bir açıklama, şirketlerin sermaye tahsisine izin verdiğinden çok daha bilgilendiricidir ve bir felaketin riskini azaltır: bireysel varlık P50 hacminin toplamı nadiren portföy P50'yi eşitler.

Portföy aggregasyon, olasılıksal yöntemler gerçekten parlıyor. Bireysel varlık dağıtımları birleştirildiğinde portföy dağıtımları bireysel aralıkların toplamından daha dardır, çeşitli portföy tahminleri sayesinde bir şirket, farklılaştırılmış bir portföye sahip bir şirket, aynı basinist P50 değerlerinden daha yüksek bir miktar rezerve edebilir. Conversely, varlık arasındaki korelasyonları görmezden gelmek, aşırılık portföy tahminlerine yol açabilir.

Daha İyi Kalkınma Kararları ve Sermaye Verimliliği

Probabilist çıktılar doğrudan ekonomik değerlendirmeye beslenirler. Maliyet dağıtımları ile (CAPEX, OPEX) ve fiyat tahminleri ile dağıtımları yaparak, şirketler sadece% 10 oranında düşük maliyetle dağıtımlarını sağlarlar mı? (IRR) Karar vericiler milyarlarca dolara cevap verebilirler: “Bu projenin% 15 IRR'yi aşması olasılığı nedir?” veya “Tek başına maliyetle ilgili olarak daha fazla değer kazandırabilir.

Sermaye verimliliği artar, çünkü olasılıksal yöntemler hem tasarımı hem de tasarımın önlenmesini engeller. Overdesign, tesisler, yüksek çözünürlükte çok düşük bir olasılık olan en iyi tahmin için tesislerde meydana gelir.Bu risk temelli tasarıma karşı kapasiteye sahip olan maliyetle ilgili olarak, yüksek maliyetle ilgili olarak, yüksek orandaki maliyetle ilgili olarak, yüksek maliyetle ilgili olarak, yüksek çözünürlükte yüksek orandaki maliyetlerin azaltılmasına olanak sağlar.

Düzenleme ve Yatırımcı Paylaşımı

Düzenleme çerçeveleri olasılıksal düşünceyi kucaklamak için gelişti. ABD Securities and Exchange Commission's 2009 kuralları ()SEC Yayın No. 33-8995) açıkça tahmin edilen fiyatlar ve aralıklar “gerçekten emin olun” olarak değerlendiriliyor. SPE PRMS, olasılık eşleri ve rezervleri arasındaki daha düşük fiyatlamaları ve rezerve etmek için daha düşük bir rapor sunuyor.

Kanada ve İngiltere düzenleyici çerçeveleri de olasılıksal rezerv raporlamaya doğru taşındı, bu determinist yöntemleri sadece yatırımcılar için yeterli şeffaflık sağlamadı.Finansal ve risk bazlı açıklama standartları doğrultusunda daha fazla şeffaflık gerektiren gelecekteki düzenleyici gerekliliklerin çözümü, iklimle ilgili Finansal Parasal Parasal Parasal Parasal Parasal Parasal Emisyonlara İlişkin Görev Gücü (TCFD) önerilerin bir parçası olarak.

Gerçek Dünya Engellerine Adres Etmek

Data Quality ve Müsaitlik Durumu

En büyük meydan okuma genellikle giriş verilerinin kalitesidir. Sınırda, sparse iyi kontrol ile sınırda, bazı değişkenler için aralıklar o kadar geniş olabilir ki, rezerv dağıtımları yararlı hale getirmek için çok geniştir. Probabilist yöntemler bilgi yaratmaz; zor veriler eksik, aynı basan veya jeolojik olarak analog ortamlardaki verileri elde etmek için yeterli veri elde etmek gerekir, ancak temelsel olarak kullanılan temelleri içerir.

Uzman elicitation, sabit veriler yetersiz olduğunda dağıtımları tanımlamak için değerli bir araçtır. Delphi tekniği gibi, birçok E&P şirketinde kurtarma faktörü, hata yöntemleri ve kaynak kaya olgunluğu gibi dağıtımları tanımlamak için başarılı bir şekilde kullanılabilir.

Kompleks ve Organizasyonlu Direnç

Bir olasılıksal model inşa etmek, bir determinist yayinasyona dayalı dağıtımları tanımlamaktan daha fazla zaman alır.Deterministik bir model oluşturmak, tüm altyüz takımların sahip olduğu bir istatistik okuryazarlığı gerektirir. Direniş genellikle “gut” en iyi tahminlerine güvenen mühendislerden gelir ve bu sayede önceden belirlenmiş bir kriptolojik bir geçiş gerektirir: Daha sonra, tüm doğrusal olmayan bir analog modele kadar, o zaman dağıtımlı iki veya üç en hassas parametreyi değiştirir.

Organizasyon direnci genellikle olasılıksal yöntemlerin ne kadar iyi olduğunu anlamaktan kaynaklanır ve bunu yapamaz. Bazı şüpheciler, olasılıksal modeller “garbage, çöpe çıkarılmayı” ve sonuçların giriş varsayımlarından daha iyi olmadığı iddia edilir.Bu eleştiri bazı olumsuzluksal yöntemlere eşit şekilde uygulanır.

Pitfalls ve “P50 Bias”

Bir olasılıksal model iyi inşa edildiğinde bile, kullanıcılar P50'yi tedavi etme tuzağına düşebilir (ortalama) ve dağıtımın geri kalanını görmezden gelin. Bu, sadece medyaya karşı koymak için, karar kapılarına odaklanmalıdır. Örneğin, bir proje, Front-Bitiş Mühendisliği Tasarımına gitmeden önce en az %70'i aşma olasılığın en düşük olması gerekir.

Başka bir ortak tuzak, korelasyonların kötüye kullanılmasıdır. Değişkenler ilişkili olduğunda, sonuçların dağılımı etkilenebilir.Komman'ın sıralaması gibi, aşırılıkçı tahminlerine yol açan korelasyonlar.Practitioners, korelasyonelasyonelasyonelasyonları çok güçlü olan modeller, uygun katlara bağlı olarak daha da fazla esneklik sunamazken, karmaşıklık yöntemleri belirlemek için jeologic anlayış ve veri analizi kullanarak. Rank korelasyon yöntemlerine bağlı olarak, Spearman'ın sıralaması gibi, Monte Carlo simülasyonunda yaygın olarak kullanılır.

Vaka Çalışmaları Etkililik Şeytanını Tehdit Ediyor

Deepwater Turbidite, Meksika Körfezi

Bağımsız bir risk, Meksika Körfezi'nde sadece iki iyi bir şekilde derin bir su beklentisi elde etti - Monte Carlo simülasyonunu kullanarak bir olasılıksal ölçüm hattını kullanarak bir ölçüm hattını kurdu.Reservoir alanı sismik amplitüdasyona dayalı olarak 60 ila 250 milyon mant'a kadar genişledi - veri ve analog bir ölçüm hattını kullanarak bir diskoyu kullanarak bir ölçüm hattını açtı.

Bu durum olasılıksal yöntemlere kritik bir avantaj sunuyor: operatörün bilgi değerini ölçme yeteneği. CSEM araştırması satın almadan önce, operatör sadece karar kalitesindeki beklenen azalmayı tahmin edebilir.

Unconventional Shale, Appalachian Basin

Bu tür bir işletmeci, Marcellus Shale'nin aşırı derecede iyi düzeydeki farklara karşı karşıya kaldığı bir orta büyüklükteki bir ekonomik dengeye yol açtı ve iki ila 10 Bc'lik geleneksel deterministik dağıtımlara dayanan yüksek orandaki artış hızının altından 50 yıl boyunca sabit bir şekilde yükseldi.

Şaşırtıcı olmayan durum, uzaysal korelasyonun önemini göstermektedir. Marcellus'taki performans, çok sayıda iyi çevreleme biriminde devam eden tatlı noktalar ve yoksul bölgelerle, bağımsız iyi performansların düşük düzeyde bir alan kümesinin riskini azaltacağını varsaymaktadır.

Karbonat Reservoir, Orta Doğu

Orta Doğu'daki ulusal petrol şirketi, 50 yıldan fazla üretim tarihi ile dev bir karbonat alanı başardı. Bazı alanlarda su atılımı, kalan petrolün kırıklık ve matrisin geçirgenliği ile ilgili belirsizlikler gösterdi.Deterministic history eşleştirmesi çok eşit derecede makul bir platoible model üretti.Bir Bayesian Monte Carlo yaklaşımı kullanarak, takım ön dağıtımları görsel giriş ve temel verilerden dolayı% 12 daha yüksek bir değerlendirmede bulundu.

Bu durum, Bayesian'ın olgun bir alanda güncellenmesinin değerini göstermektedir.Önceki dağıtımlar, statik verilerden görüntü loglarından ve temellerden elde edilen verilere dayanarak, farklı veri kaynaklarına sahip olan üretim giriş ve izrkole dağıtımlarında güçlü kısıtlamalara sahip olduğu, arka dağıtımlarını önemli ölçüde daraltmıştır.The Bayesian framework allows the team to integrate these çeşitli verileri tutarlı bir olasılıksal tahmine göre, genellikle farklı veriler izolasyonda yorumlandığından kaçınır.

Başarılı Uygulama için En İyi Uygulamalar

Olasılıksal yöntemlerin etkinliğini artırmak için, organizasyonlar aşağıdaki uygulamaları benimsemelidir:

  • [FONT:0] Basit ve ilerici bir şekilde başlayın.[DÜDÜDÜDÜDÜDÜSÜŞÜNÜŞÜNÜŞÜNÜye Olmayanlar: 0) Basit ve ilerici bir şekilde başlayın.Her adım bir sonrakiye taşınmadan önce belgelenmiş ve gözden geçirilmelidir.
  • [FONT:0] Tüm varsayımları tamamen garanti eder.[[Döneticileri” bir rapora göre her dağıtım kaynağını, kullanılan analog verileri ve herhangi bir uzman başvuru yöntemi (örneğin Delphi tekniği) bu belge denetimler ve akran yorumları için eleştireldir.
  • [FONT:0]Handle korelasyonlar açıkça ortaya çıkar.[DÜDÜDÜDÜSTR:0)Handle korelasyonlar, değişkenler arasındaki korelasyonları (örneğin, porosity ve susuzluk, düşük maaş ve alan olumlu bir şekilde korelasyonelasyona yol açabilirken, aşırı ödeme ve alan aşırılık dağılımını olumsuz yönde sıkıştırabilir, aşırılık P90 ve P10 değerlerine yol açabilir.
  • [[Dönetici:0) Tarihe karşı tarih; [Dönetici üretmek için, gerçek performansa karşı tekrar test edilen olasılıksal tahminler için. Bu, dağıtım parametrelerinin kalibrasyonunu sağlar (örneğin, erken üretim farklı bir davranış gösterir).
  • [FONT:0]Eğitim ve kültürde en üst düzeye çıkar.[DÜDÜDÜDÜSTR:0)Eğitim ve kültürde en iyi şekilde yapılan çalışmalarla ilgili olarak, Bayesian inference ve olasılıksal karar analizinin merkezi olarak, S-curves'i tek sayılardan ziyade karar kapı incelemelerine sunmak için üst düzeye çıkar.Rebilite ve destek ekiplerin kurulması ve devralınması için olasılıksal düşünmeleri sağlayın.
  • [[Döneticileri [Döntilebilir şablonlar ve senaryolar inşa edilebilir (örneğin, Python, numpy/scipy veya R ile mc2d paketi) kurumsal veritabanı ile entegre edilmiştir. Automate verileri manuel giriş hataları ve hız model güncellemelerini azaltmak için. Cloud Computing, on binlerce varlıklı portföy simülasyonunu da kullanabilir. Otomasyon aynı zamanda hassas analiz ve senaryo testlerini kolaylaştırır.
  • [FONT:0)Perform titiz bir ara inceleme[Döneticileri)[Dönetici modelleri, dağıtım seçeneklerine, korelasyon varsayımlarına ve yakınlaştırmalara odaklanarak aynı ara inceleme sürecine tabi olmalıdır.

Sonraki Frontier: AI-Enhanced Probabilistic Hybrids

The synergy between machine learning and probabilistic modeling is opening new avenues. Deep learning models can be trained as emulators (surrogate models) that approximate the output of full physics simulations thousands of times faster. This enables real-time probabilistic updating during drilling—for example, while logging while drilling (LWD) data arrives, the surrogate model can immediately update the reserves distribution based on measured porosity and resistivity. Reinforcement learning algorithms can optimize field development plans by exploring thousands of scenarios, each quantified by a probabilistic reserves outcome. Meanwhile, continuous monitoring systems (downhole gauges, fiber optics, satellite surface deformation) feed into Bayesian filters that refine reserves estimates almost in real time. While these advanced techniques are still emerging, they build directly on the probabilisticMonte Carlo simülasyonu ve Bayesian inference endüstrinin artık kucaklaştığını savunuyor.

AI-enhanced olasılıksal yöntemlere dair umut verici bir uygulama tarih eşleştirmedir. Geleneksel tarih eşleştirmesi genellikle üretim verilerini karşılayan tek bir determinist model üretir. Probabilistic tarihi eşleştirme, yaklaşık Bayesian hesaplama gibi yöntemleri kullanarak, binlerce model gerçekleştirmenin saatlerce veya günlerce değerlendirilmesine izin veren bir zamanlayıcı süreçtir.

Bir diğer ortaya çıkan uygulama, sondaj sırasında gerçek zamanlı LWD verileri önceden belirlenmiş bir olasılıksal modele dayanarak, operatörlerin rezerve edilmiş olarak tahminleri hızlandırmış ve alt üst düzey senaryoları geliştirme sürecinde erken tespit edilmiş olması koşuluyla, bu yeni bilgileri yansıtacak şekilde genişletilebilir bir geliştirme planına olanak sağlar, örneğin, bir geliştirme programında erken iyi tahmin edilebilir.

AI ve olasılıksal yöntemlerin entegrasyonu, karmaşık rezervuar süreçleri için daha sofistike belirsizlik sağlar. Örneğin, gelişmiş petrol kurtarma (EOR) projelerde, süpürücükte belirsizlik, kimyasal tutma ve faz davranışları, rezervelasyonel planlama ve alan geliştirmede kullanılan makine öğrenimi ile ilgili olarak modellenebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Olasılıksal yöntemler, çeşitli basinlerdeki çalışmalardan elde edilen kanıtlardan - derin su turlarından olgun karbonatlara kadar – maddi olmayan bir şekilde artan sermaye verimliliğini artırdığını, yıkıcı etkilerin azaltılmasını ve daha zorlayıcıların ve yatırımcıların daha iyi hale getirdiğini gösteriyor.