Rezervin Evrimi Yöntemleri

Rezerv tahminleri uzun zamandır sermaye tahsisinin temel taşı olmuştur, alan geliştirme planlaması ve petrol ve gaz endüstrisindeki paydaş raporlaması, manuel yorumda ağırlığa dayanıyordu - modern keşif ve üretimde karşılaşılan heterojen rezervatörlereatörlerin sınırlı üretim verileriyle karşı karşıya kalabilir ve iyi bir günlük ve temel örnekleri bütünleştirebilir.Bu determinist iş akışları, aynı zamanda gelişmiş fizikte zeminde yavaş, öznel ve kötü derecede uygundu.

1990'larda üç boyutlu sismik anketlerin ve rezervuar simülasyon yazılımının tanıtımı önemli bir tahmin gücü ekledi, ancak hala kapsamlı manuel parametre ayarlanması ve durum-sabah modeli binasının arttırılmasını sağladı. Bilgisayar gücü arttıkça bile, temel şişenck kaldı: Veriler özel formatlarda dağınıktı, miras veri tabanı ve kağıt raporları.Malistik takımlar ve verileri analiz etmek yerine zaman toplantıları ve temizlik verileri daha fazla harcadı.

Son on yılda dijital dönüşüm girişimleri bu boşluğu kapatmaya başladı. Bulut tabanlı veri platformları, OSDU (Open Subsurface Data Evren) standart ve makine öğrenme algoritmalarının maturasyonları artık operatörlerin terabaylarını entegre etmesine izin veriyor; Tekrarlanan görevleri ve gerçekleştirilmiş desenlere dönüşerek, aksi takdirde sürekli olarak veri bazlı değerlendirmelere devam edecek şekilde geri dönüşemeyecek şekilde genişletiliyor.

AI Rezerv Estimation Nasıl Dönüştürüyor

Yapay zeka ve özellikle makine öğrenimi, büyük, çok boyutlu veri kümelerinden sinyal çıkarmakta başarır - tam meydan okuma sabit bir işlevsel formdan ziyade, AI modelleri doğrudan tarihsel performans ve jeolojik özelliklerden iletişim kurarlar. orijinal yağı yerinde, kurtarma faktörleri ve geleneksel yöntemlerden daha yüksek doğrulukla ve daha düşük önyargı ile tahmin edebilir ve zaman geçtikçe daha iyi üretim verileri ile geliştirirler.

Süpervize Öğrenme Modelleri

Süpervize teknikleri harita girişi özellikleri - siyonite, permeability, net ödeme kalınlığı, su saturasyon, tamamlanmamış etkileşimleri ve uyarı parametreleri - tahmin edilen nihai kurtarma (EUR) veya rezerv kategorisi gibi algoritmalar. Algoritmik olmayan bir şekilde 10 militaritenin altında düşüş gösterir ve vektör makineleri rutin olarak sabit bir şekilde gerilemez, otomatik olarak aynı zamanda farklı alanlara benzer bir şekilde sabitlenmez.Örneğin, bir gradyan güçlendirme modeli, kurtarma verimliliğinin normalleştirilmesi gibi keskinleştirmenin tipik bir şekilde azaltımı sağlar.

Denetimsiz Öğrenme ve Ölçeği Tanımlama

Denetimli öğrenme, etiketli sonuçlar gerektirir, denetimsiz yöntemler, ham veriler içinde doğal gruplamaları keşfeder. Kombinasyon algoritmaları iyi log süitlere uygulanır - eşleme, direnç, nötron porosity, yoğunluk - otomatik olarak jeolojik facies tespit edebilir. Bu sadece petrofiziksel yorumlamayı hızlandırır, ancak aynı zamanda iyileştirici modeller ve tercümanlar ile ilgili verileri açıklayan birkaç anahtar bileşene indirgenebilir.

Seismic Interpretation için Derin Öğrenme

Konvolutional sinir ağları (CNNs) şimdi insan tercümanları hata algılama, ufk toplama ve kanal üç boyutlu sismik hacimlerden gelen zaman çizelgesini genişleterek ölçümleme tekniklerini kullanarak, Shell gibi yaratıcı olmayan adlarını kullanarak, ölçeklendirmek için sınırlı eğitim setlerini ve modellemeyi geliştirmek için, özellikle de sınır dışı etmek için kullanılan bir geliştirme alanını hızlandırıyor.

Üretim Tahminleri için Tahmin Edici Analytics

Zaman serisi modelleri uzun kısa süreli bellek ağlarına dayanan ve dönüştürücü mimarilere dayanan modeller, şimdi geleneksel Arps geri dönüşüm eğrilerinden daha fazla sadakatle üretim tahmin ediyor, özellikle de kodlama rejimleri ile birlikte geliştiği geçici rezervler - P50, P90 - Gerçek zamanlı olarak, yüksek su kesintisi ve iyi etkileşimler, bu modeller, statik eğrilerin tekrarlama yaklaşımlarını kısıtlıyor. Entegre olarak, olasılıksal dağıtımları sunuyorlar -P10, P50, P90 - P90 - günlük olarak yeni bir üretim verileri gelir.Bu, büyük bir kurtarma yöntemiyle yeniden yapılandırma yöntemleri sunuyor.

Big Data Analytics: Modern Estimation'ın Arka kemiği

AI algoritmaları sadece tükettikleri veriler kadar etkilidir. Büyük veri analizi altyapı, aletler ve yapılandırılmamış formatlarda onlarca iyi dosya içerir - geleneksel masaüstü yeteneklerini aşıyor.

Data Sources and Integration Challenges

rezerv tahminleri için anahtar veri kaynakları şunlardır:

  • 3D ve 4D sismik anketler yapısal sınırları ele alıyor ve zaman içinde dourasyon değişiklikleri yapıyor
  • Yüksek çözünürlüklü petrofizik özellikleri sağlayan yüksek çözünürlüklü veri sağlamak için Wireline and log- while-drilling data provided high- çözünürlüklü petrophysical properties
  • Core analizi ve PVT, permeability ve akışkan davranışları için zemin-gerçek boşluklar sunuyor
  • Üretim hacimleri, basınçlar ve alan SCADA sistemlerinde enjeksiyon oranları
  • Tamamlama ve uyarı kayıtları, frak aşamalarını detaylandırma, proppant hacimleri ve sıvı kimya
  • Jeolojik modeller, basin çalışmaları ve analog veritabanı bölgesel bağlamı sağlıyor

Bu parasız kaynakları birleştirmek tarihsel olarak birincil şişenck. Data, özel satıcılarda, miras veri tabanları tarafından desteklenen ve hatta kağıt arşivleri. Modern bulut tabanlı veri gölleri ve OSDU-kompli platformlar şimdi tüm ilgili verileri tek bir aramalı ortama getirmek için operatörler.Bu standartlaştırma çabası, büyük operatörler ve hizmet şirketleri tarafından desteklenen, doğrudan veri toplama ve uygulama dışı zaman mühendislerinin verileri avlayarak ve mevcut tüm verileri eksiksiz veri setlerinde eğitilmesini sağlar.

Data Integration Platforms and DataOps

Schlumberger'in DELFI, Halliburton'un KararıSpace 365 olarak ve açık kaynak OSDU topluluğu, veri dağıtımını yeniden şekillendiriyor ve veri dağıtımlarını otomatik olarak hızlandıran yeni iyi bilgiler sağlıyor ve verileri sabitleyen bir veri akışı yaratıyor.Intratlar için ortaya çıkan uygulama, çevik ve DevOps ilkelerine sahip, veri dağıtımlarını sağlayan veri dağıtımlarını hızlandırıyor.

Gerçek Zamanlı Veri Akışı ve Edge Computing

Kalıcı alt delik izleme sistemlerinin çoğalması, dağıtılmış sıcaklık algılaması ve fiber optik akustik algılaması, sürekli baskı akışları, sıcaklık ve akış verileri üretir. Apache Kafka veya bulut tabanlı akış hizmetlerini kullanan büyük veri mimarisi, bu tür bilgileri gerçek zamanlı olarak yeniden yönetebilmek için geri dönük bir denetimden rezerve edilebilir.Bu, hızlı bir şekilde optimize edilmiş bir sistemle güvenli bir şekilde optimize etmek için güvenli bir şekilde ayarlanabilir.

Data Governance and Quality Management

Birforizm “garbage in, çöp out”, doğrulayıcı veri yönetimi olmadan, en sofistike AI modellerinin bile, temel porosity ve log-derived porosity ile geçiş sistemleri, benzersiz iyi tanımlayıcılar, önceden tanımlanmış metada şemalar – ilk adım. Otomatik kalite kapıları, normal olarak yedekler üzerinde kontroller gibi) otomatik devre dışı bırakılan modeller arasındaki tutarlı kontroller ve anahtarlamalar arasındaki tutarlı kontroller.

Uygulama ve hataj izleme eşit derecede önemlidir. Her dönüşüm, sağlam veri yönetimine uygulanan her dönüşüm, son bir rezerv numarasına bir ölçümden tam yolu takip etme olanağına sahiptir.Bu şeffaflık yalnızca iyi bir uygulama değildir, ancak GÜVENLİK S-X ve SPE PRMS yönergeleri gibi düzenleyici çerçeveler tarafından daha fazla gereklidir.

AI ve Big Data'nın Otomasyondaki Synergy of AI and Big Data in Otomasyon

Ne AI ne de büyük veriler tek başına tam otomasyon sağlar; yakınlık, atılımı yaratır. Büyük veri platformları temiz, tedavi edilir ve bağlamsalleştirilmiş bilgiler. AI modelleri, tahminleri üretmek için bu verileri tüketerek, belirsizlikleri ölçmek ve veri toplama programlarını daha fazla hesaplamak için tavsiye eder.

Bu kapalı-loop mimarisi sürekli rezerv yönetimi sağlar. Her yıl sonu denetimleri veya çeyrek revizyonları beklemek yerine, şirketler kaynak hacimlerini gerçek zamanlı bir şekilde korurlar, mal fiyat değişimlerine, düzenleyici değişikliklere veya yeni operasyonel verilere cevap verir. Dijital denetim izi her veri dönüşümü, model sürümü ve varsayımı, bu entegre yaklaşımın bilgilendirici bir bakış açısına uygun olarak, bazı önemli güncellemeler için kabul edilen bazı önemli güncellemeler için nasıl kabul edilir.

Otomasyonun Anahtar Faydaları

AI ve büyük verilerle rezerv tahminleri basit hız kazanımlarının ötesine giden ölçülebilir sonuçlar sunar:

  • [FONT:0]Gelişmiş doğruluk ve Consistency:[Dönetici:0] Algoritmalar tüm varlıklardaki aynı metodolojiyi uygular, farklı tercümanlar tarafından getirilen değişkenliği ortadan kaldırır. Probabilistic çıktıları, tüm belirsizlik aralıklarını azaltır, aşırı-ateşizmden gelen olumlu rezerv revizyonları azaltır veya yaz-aşağıları azaltır.
  • [FONT:0]Dramatic Cycle Time Azımı:[DDramatic Cycle Time Re:[DDDramatic Cycle Time Re:0] Bir zamanlar altı ila on iki ay sürenler için sıkıştırılabilir.
  • [FONT:0]Cost Tasarrufları Optimize Edilmiş Planlama aracılığıyla: Daha kesin rezervler daha iyi delme ve tesis kararlarını bilgilendirir. Operatörler sermayeyi marjinal yerlere batırır ve net bir şekilde en üstlenen değere göre gelişmeleri sıralayabilirler. A McKinsey çalışması, portföy tahmininin % 5-10 oranında daha iyi sermaye tahsisi yoluyla artabileceğini tahmin etti.
  • [FONT:0)Enhanced Risk Yönetimi: Otomatik duyarlılık analizi hangi parametreleri ortaya çıkarır - su saturasyon, permeability anisotropy, göreceli geçirgenlik uç noktaları - en çok etkilenen veri toplama sistemleri, hedeflenen veri satın alma. Scenario modellemesi etkileşimli hale gelir, düşük fiyat güvertelerine karşı stres test portföyleri veya yasal değişikliklere izin verir.
  • [FONT:0]Yönergeci Güven: [Dönetici:[Dönetici:0) Tamamen belgelenmiş, üçüncü taraf denetimlerini basitleştirin.Her adımı tekrar oynama yeteneği, ham veriden son rezerv numaraya, denetçilere, finansal paydaşlarına ve ortak girişim ortaklarına güven oluşturma yeteneği.
  • [FONT:0)Redük Bias:[Dönetici:[Dönetici: 0) Otomatik sistemler, insan tercümanlarını etkileyen ve daha objektif rezerv tahminlerine yol açan sabit önyargıları azaltmaktadır.

Overcoming Implementation Challenges

Açık avantajlarına rağmen, otomasyon yolu kültürel, teknik ve organizasyonel engelleri içerir. Bu erkenleri tanımak başarılı dağıtım için önemlidir.

Data Quality and Standardization

Miras verileri genellikle geri alınan birim sistemleri içerir ( OSDU şemaları gibi endüstri standartlarının benimsenmesi ve otomatik kaliteli kapıları uygulamak - herhangi bir algoritmanın değeri ile ilgili olarak, şirketlerin verileri temizlemesi gerekir - OSDU şemaları gibi kötü veriler otomatik performans göstergelerine uyması gerekir.

Model Yorumability and Trust

Reservoir mühendisleri, her girişin bir tahmine katkısını kullanmadan önce model çıktılarına güvenmelidirler, çünkü belirli bir tahminin neden değiştiğini açıklayamıyorlar.İyi bir AI tekniklerinin yükselişi şu anda bu boşlukları açıklayabilir. SHAP (Shapley Katkı Açıklamaları) her giriş özelliğinin bir tahmine katkısı gösterirken, kısmi bağımlılıklar, bazı sitelerin modellerinin sınıfsal güven-tavaşlama noktalarına nasıl etkilendiğini gösteriyor.

Yetenek ve Değişim Yönetimi

Otomasyon, veri mühendisliğine yönelik gerekli yetenekleri değiştirir, Python senaryosu, bulut bilişim ve makine öğrenimi - geleneksel olarak petrol mühendisliği curricula. İleri görüşlü operatörlerin ortaklarını, AI'nın tekrarlanan görevleri ve doğrulayıcıları yerine, karar verenleri yerine, dijital görevlerin dijital rollerine geçiş yapmasına yardımcı olur.

Gerçek Dünya Kabul ve Endüstri Örnekleri

Kuzey Denizi'ndeki geniş çaplı uluslararası petrol şirketleri ve bağımsızlar, üretim otomasyonlarına dayanan konseptin kanıtlarının ötesine geçtiler. Equinor'un Kuzey Denizi'ndeki otomatik rezervleri optimize etmek ve EUR tahminlerini artırmak için makine öğrenimi modelleriyle entegre etti.[Dönemli yayınlar için rezervasyon işlemleri) EOG Kaynakları gibi bağımsız olarak, Permian Basin'in yedeklenen yer alan ve aynı zamanda doğrulanmış bir analize dayalı olarak, doğrulanmış bir analize dayalı olarak, doğrulanmış olan doğrulanmış konumlar.

Bu örnekler ortak bir model paylaşıyor: iyi tanımlanmış, yüksek değerli bir kullanım durumuyla başlayın, ilk altı ay içinde ölçülebilir sonuçlar verin ve sonra dijital ekosistemi varlık genelinde genişletin. Dersler, teknolojinin yalnızca yetersiz olduğunu öğrendi; iş akışları, teşvikler, yönetim ve liderlik desteği eşit derecede kritiktir. endüstride daha fazla bilgi için, endüstride son bir çalışma:0)Accenture)

Ekonomik Etki ve Yatırıma Dönüş

Rezerv tahminlerinin Otomasyonu, veri altyapısı ve model geliştirmedeki yüksek yatırımın haklı olduğunu kanıtlayan somut finansal getiriler verir. Önümüzdeki haftalar boyunca döngü süresini azaltmak proje onaylarını ve sondaj kararlarını hızlandırır, operatörlerin değeri daha erken yakalamasına izin verir. Geliştirilmiş doğruluk, yüksek çözünürlüklü veya iyi testlerin en yüksek maliyetle azaltılabilirliğini azaltır; büyük bir şirketin portföyünde yapılan bir azalma, milyarlarca dolar daha fazla bozulmadan önce azaltılabilir.

Orta ölçekli bir operatör için tipik bir dağıtım (50-100 alan), 12-5 milyon dolarlık bir ilk yatırım gerektirir ve veri standardizasyon, platform kurulumu ve model gelişimi için, yıllık işletme maliyetleri ile% 100 $ -1 milyon. Erken satın alma süreleri 12-18 ay içinde, endüstrideki en kârlı dijital dönüşüm süreleri arasında ödeme yapmak, daha hızlı portföy denetimli başarısızlıkları rapor etmek ve beş yıllık ufk yatırım verimliliği artırmak için daha hızlı bir şekilde geri dönüş oranları.

Birkaç gelişmekte olan teknoloji, önümüzdeki on yıl boyunca rezerv tahminleri üzerinde AI ve büyük verilerin etkisini basitleştirecek.

[FONT:0] Dijital ikizler [Döneticiler [Döneticiler, sürekli olarak canlı sensör verileri ile güncellenebilir, operatörlerin, hangi senaryoları anında test etmelerini sağlar – farklı enjeksiyon kalıpları, dolum kesintileri veya gelişmiş petrol kurtarma yöntemlerinde – ve değişikliklerin nihai kurtarma yöntemlerini gözlemler. Coupling dijital ikizleri, öğrenme algoritmaları ile birlikte, yalnızca rezerve etmek için eylemlerin yalnızca tahmin edemeyeceğini ve aynı zamanda yaşam alanı üzerinde ekonomik iyileşmeyi en üst düzeye çıkarmasını tavsiye eder.

[FONT=0]Quantum Hesaplama[[Dönetici:0)[[Dönetici], rezervuar simülasyonu için hala prototiplenmişken, kuantum çözücülerin alanı ölçeğinde tam fizik ve geomechanics çözmeleri için, bugün tahminlerin çoğunu ortadan kaldırmak, operasyonel kararlarla ilgili tahminleri doğrudan entegre etmek için tam olarak entegre edebilir.

[FONT=0)Generative AI[Dönemli veriler, on yıl boyunca açıklanmış olan sondaj raporları, mud loglar, scout biletleri ve şu anda arşivlerde oturtulan iyi dosyalar, altyüz terminoloji üzerinde eğitilmiş büyük dil modelleri iyi test sonuçları, jeolojik gözlemler ve tamamlanmış ayrıntıları otomatik olarak yapılandıracaktır.Bu, yalnızca on milyonlarca daha önce ulaşılabilen tarihi verileri eğitim setlerine ulaşmada, olgun basins.

[[FONT:0)Edge AI ve beslenmek öğrenme[Dönetici:0) Daha büyük, daha çeşitli eğitim setlerinden faydalanırken, OSDU Forum ve Open Group gibi birçok operatör tarafından eğitilme modellerinin yalnızca model güncellemelerini paylaşması, veri gizliliğine saygı duymaması gibi rekabetçi verileri paylaşması ve standart API'lerin evrensel, küçük ve orta ölçekli operatörlerin yararlanılması, aynı zamanda en iyi sınıf algoritmaların da en iyi düzeydeki veri kümesine erişim sağlamaları mümkün olacaktır.

[FONT:0) Parazma ([Dönetici) ile ilgili belirsizlikler ([Dönetici) ve Monte Carlo damlaout standart hale gelir, parametre ve model belirsizlik içeren daha titiz olasılıksal rezerv aralıkları sağlar. Bu, karar verme boyutunun belirsizliği ve yenilenme gereksinimleri ile uyumlu hale getirecektir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

AI ve büyük veri analizi ile rezerv tahminleri artık spekülatif bir konsept değildir; daha hızlı döngüler, keskin doğruluk ve daha güçlü yönetim sağlar. Bu entegrasyon, kaynakları daha büyük bir çeviklik ile yönetmektedir, ve OSDU gibi endüstri standartları sürekli olarak rezerv değerlendirme süreçleri üzerinde inşa edebilir. Başarı, veri kalitesi, modelleme teknikleri ve işgücü geliştirmelerine bağlıdır.Bu entegrasyon, kaynakları daha yüksek çözünürlükle yönetmektedir.

Statik yıllık ifadelerden dinamik, veri odaklı rezerv yönetimi, endüstrinin en kritik varlıklarını nasıl genişletdiğini temel bir iyileştirme temsil eder – temel olarak, stratejik bir varlık ve AI'yı altyüz anlayış ve iş stratejisi arasındaki ilişkiyi yeniden ele alarak, gelecekteki on yıl boyunca tamamen otomatik, denetimlenebilir rezerv sistemleri tamamen otomatik olarak görecek.