İyi tamamlanma tasarımı, iyi bir sermaye harcamalarının önemli bir bölümünü temsil eder ve uzun vadeli üretim yörüngesini derinden etkiler. Mühendisler karmaşık bir dizi intermik parametrelere yol açmalı - tamamlanma parametreleri ve rezervuar kimyası arasında var olan yüksek sipariş etkileşimlerine karşı, maliyet ve operasyonel risk yönetimi yaparken yapılandıran bir sistem inşa etmelidir. Konvansiyonel optimizasyon yöntemleri, tam-fiziksel ölçümler ve tek değişkenlik analizi dahil olmak üzere, genellikle zaman zaman zamanlayıcı ve yüksek çözünürlükte olan etkileşimleri yakalamaya çalışabilmektedirler.

Anlamak Well complete Design

Tamamlama, ekipman ve süreçlerin mühendislik ve kurulumu, sondaj bittikten sonra iyi bir üretim yapmak için gerekli olan bir şekilde kapsar.Bu aşama, rezervuarın fiziksel hidrokarbon akışına teorik potansiyelini tercüme eder.

Daha düşük tamamlanma içindeki kritik tasarım parametreleri şunları içerir:

  • [FONT:0)Perforasyon Stratejisi:[Dönetici:[Dönlendirme/tr|Dönlendirme/dönüşüm) Kararları, aşı derinliği ve giriş delik çapında.Bu parametreler doğrudan akış alanını kontrol eder ve kum üretimini ve iyibore stabilitesini etkileyebilir.
  • [FONT=0)Formasyon Stimulation:[Dönlendirme:[Dönlendirme:0) Birçok iyi için, ekonomik akış oranlarına ulaşmak hidrolik fract veya matrisi asitleme gerektirir. Anahtar değişkenleri sıvı tür ve vizasyon, proppant konsantrasyon ve ağ büyüklüğü, pompa oranı ve tedavi hacmi içerir.
  • [FONT:0]Sand Control:[Dönetici:0) Katı paketler, rak-packs veya genişletilebilir kum ekranları, yöntemin seçimi ve özel boyutlandırma (örneğin, mezar örgü boyutu) akış verimliliğini dengelemek zorundadır.
  • [FOD)Flow Kontrolü: [DDD) Inflow Control Cihazları (ICDs) ve Interval Control Valves (ICVs) daha sonra denge, dengeleme ve su veya gaz atılımı için giderek daha fazla kullanılıyor. Bu cihazların sayısı önemli tasarım değişkenleri oluşturur.

Bu parametrelerin optimizasyonu, subsurface formlarının heterojen doğası tarafından zorlanmaktadır. Yüksek performanslı bir kum taşının yüksek çözünürlükte mükemmel sonuçlar elde etmek için genellikle daha iyi bir maliyetle performans gösterebilir. ekonomik bağlamda - petrol fiyat, hizmet maliyetleri, indirim oranı - optimizasyon hedefine başka bir karmaşıklık katmanı ekleyin, bu genellikle sadece genel olarak Net Present Value (NPV) için daha iyi bir üretim.

Makine Öğrenmesi Parametre optimizasyonu için Bir Çözüm Olarak

Geleneksel tasarım iş akışları uzman yargı ve simülasyon tabanlı hassasiyet analizine güveniyor. Simülasyon sağlam bir fiziksel temel sağlarken, parametre alanının çok daha geniş ve daha hızlı bir şekilde aramasına olanak sağlayarak bir kez analiz edilebilir. Makine öğrenme modelleri, tarihsel veriler üzerinde eğitilmiş bir kez, birkaç veya milyonlarca aday tasarımını değerlendirebilir.

Süpervize öğrenme bu görev için en yaygın paradigmadır. Model bir hedef değişkeni tahmin etmek için eğitilmiştir - 1 yıllık ortalama petrol üretimi, tahminen Ultimate Recovery (), veya NPV - bir giriş özellikleri setine dayanarak, bu özellikler yukarıda listelenen tamamlanma parametreleri içerir, jeolojik özellikler (porosity, permeability, başlangıç baskı), ve sondaj verileri (dabore yörünge, formasyon hasarı göstergeleri).

ML algoritmaları, tamamlanma tasarımının temel sonuçlarını yakalamak için doğal olarak uygundur. Örneğin, rastgele veya tek değişkenli kullanımlar kullanarak insan analistlerine açık olmayan desenleri tanımlayabilirler.For example, an ML modeli, inforasyon phasing ve proppant konsantrasyon verimlerinin belirli bir kombinasyonunun özellikle de belirli stres rejimlerinde kanıtlanmış olduğunu tespit edebilir, bu alanda başarılı bir şekilde kanıtlanabilir.[0]

Core Methodolojiler ve İş Akışı

ML tabanlı bir optimizasyon akışı uygulamak, her biri detaya dikkat gerektiren birkaç farklı aşamayı içerir. Tüm projenin başarısı, verilerin kalitesi ve geçerlilik sürecinin rigoruna bağlıdır.

Data Curation and Feature Engineering

Herhangi bir ML modelinin performansı temel olarak, üzerinde eğitildiği verilerin kalitesi ile sınırlıdır. İyi tamamlamalar için, bu, birden çok iyi şekilde tutarlı bir veri kümesini bir araya getirmek anlamına gelir.Bu genellikle verileri parasız kaynaklardan çekmeyi içerir: sondaj raporları, üretim veri tabanı ve finansal kayıtları.

Eksik verilerin işlenmesi yaygın bir meydan okumadır. Wells, anahtar loglardan yoksun olabilir, eksik uyarı raporlarına sahip veya eksik baskı verilerine sahip olmalıdır. Imputation stratejileri, önyargıyı tanıtmak için dikkatle seçilmelidir. Özel mühendislik, alan uzmanlığının paha biçilmez bir şekilde bir araya geldiği yerdir.

  • [FONT=0)Stimulation:[[Dönlendirme yoğunluğu:[Dönlendirme aralığına göre toplam proppant kütle bölünmüştür.
  • [FONT:0)Dimensionless oranlar: [Dönetici: 0,4; Fracture iletkenlik oranı, boyutsız cilt faktörü.
  • [FONT:0]Geomechanical göstergeleri:[DDDDDDDDDD4T:1) Genç'in modulus ve Poisson'un oran ortalama hedef bölgeden çıktı.
  • [FONT:0]Spatial özellikler:[Dönetici:[Dönetici:0)[Döneticileri:[Döneticileri:[Döneticileri)

Dikkatli özellik mühendisliği modelleme doğruluğunu geliştirir ve ağaç tabanlı modeller durumunda, modelin en önemli gördüğü fiziksel süreçleri anlamanın doğrudan bir yolunu sağlar.

Algorithm Selection

Çeşitli algoritmaların sınıfları tamamlanma optimizasyonu için uygundur. Seçim, gerekli olan veri kümesi boyutuna, yorumlanabilirliğe ve belirli tahmin hedefine bağlıdır.

  • [FONT:0]Random Forest:[Dönetici:[Dönetici:0][Dönetici:0))[Döneticileri olmayan bir karar ağacının bir araya gelmesi, yerli olmayanları iyi idare etmek ve yerel özellik önemli puanlar sunmaktır.
  • [FONT:0]Gradient Boosting (XGBoost, LightGBM, CatBoost):[Dönetici: 2) Bu algoritmaların inşa edilmesi, ağaçlar öncekilerin hatalarının düzeltilmesini sağlar.
  • [FONT=0]Neural Networks:[Dönetici:[Dönetici) Tam bağlantılı derin sinir ağları karmaşık etkileşimleri yakalayabilir, ancak daha büyük veri kümelerini ve daha dikkatli hiperparametre ayarını gerektirir. Özel aletler olmadan ağaç tabanlı modellerden daha az yorumlanabilirler.
  • [[Dönetici ve kontrolleri:0)Depresif Vector Machines (SVM): ), daha küçük veri kümeleri ve yüksek boyutlu uzaylar için etkili olan ancak bu özel regresyon probleminin bir araya gelme yöntemleri ile kıyasla daha az yaygın.

Uygulamada, bu modellerin bir kombinasyonu genellikle değerlendirilir ve en iyi performansçı geçerlilik ölçümlerine göre seçilir.

Model Eğitimi, Geçerlilik ve Uncertainty Quantification

Standart k-katlı geçiş, veri örneklerinin bağımsız ve aynı şekilde dağıtıldığını varsayıyor. Bu varsayım genellikle iyi bir veride ihlal edilir, çünkü aynı alanda ortak bir jeolojik ve operasyonel tarih paylaşılır. Aynı alandan iyi bir tahmin, tamamen görünmez iyi gelecekler üzerinde model performansın bölünmesini sağlar.

Belirsizlik, bir tek noktayı tahmin etmek yerine risk-bilgili karar verme için önemlidir (örneğin, EUR = 500.000 var), Bayesian modelleri veya Quantile Regresyon gibi yöntemler tahmin aralığı sağlayabilir (örneğin, yüzde 10, yüzde 10,00, 90.000).

Bir ML-Driven Tamamlama Çalışma Akışının Pratik Avantajları

Tamamlanan tasarım sürecine entegre makine öğrenimi, doğrudan varlık performansına çeviren birkaç somut fayda sunar.

[FONT=0) Değerlendirmenin Hızlandırılması:[Dönetici:0) Bir kalibreli bir fiziğin tabanlı simülatörü, tek bir tamamlanma senaryosu değerlendirmesi için saatlerce veya günler sürebilir.Bir ML modeli, pompa programlarını ve konsantrasyonlarını uçta ayarlamaya olanak sağlar.

[FONT:0]Objective and Systematic Analysis:[Dönetici: 0 3) İnsan önyargıları ve önyargılar geleneksel tasarım süreçleri ile ilgili olarak, manuel analizin pratik olarak tüm iyilerden elde edilen kanıtlar üzerinde sistematik olarak geçerli olan kanıtlar üzerinde pratik yapabilir.

[[Dönetici Tasarım Yetenekleri: [Dönetici:0) Tek bir "optimal" tasarımı üretmek yerine, ML modelleri, belirli bir tamamlanma senaryosu için tam bir olasılıksal tahmin oluşturabilir. Bu, operatörlerin risk ve ödül arasında açıkça ticaret yapmasına izin verir. Örneğin, düşük fiyat ortamında tercih edilebilir bir şekilde düşük fiyat ortamındaki bir tasarım.

Teknik ve Operasyonel Zorluklar

Potansiyeline rağmen, ML'nin iyi tamamlanma tasarımına uygulanması, açıkça yönetilmesi gereken önemli zorluklar olmadan değildir.

[FONT=0]Data Quality and count:[Dönetici: 0 ) Bu, algoritmanın sofistiksel veri kümesünün ne kadar iyi performansa sahip olduğu konusunda çok sayıda değişkenin ölçülmemesi veya kaydedilmemesi, düşük kaliteli veriler üzerinde eğitilmiş bir modeldir, algoritmanın sofistikasyonundan bağımsız olarak.Veri temizleme ve yönetimde önemli yatırımlar genellikle ML'nin etkin bir şekilde dağıtılması gerekir.

[FONT=0]Model Yorumability and Trust:[Döneticiler ve karar vericiler, iç çalışmaların bir diskotuğunu açmaya yönelik bir modele güvenme konusunda oldukça tereddütlüdürler.Bir model belirli bir tasarım için güçlü bir performans tahmin edebilir, ancak mühendisler bunu tam olarak anlamazsa, SHAP gibi araçlar (SHapley Katkıları) binaya güvenen bir tasarıma (Reformasyonlar) genel olarak bu araçları açıklığa kavuşturabilir.

[FONT:0) Mevcut Çalışma akışları ile ilgili olarak:[Döneticileri Kabul Etmek İçin Bir ML-yeterli bir yaklaşım, temel bilim insanları, petrofizikçiler, jeologlar ve tamamlanma mühendisleri arasındaki işbirliğini gerektirir.

Tamamlamaların Mühendislik Evrimi AI ile

Mevcut ML uygulamaları dalgası sadece başlangıçtır. Alan daha entegre ve fiziksel olarak tutarlı AI sistemlerine doğru ilerliyor.

[FONT:0)Physics-Inform Neural Networks (PINNs): ) Standart sinir ağları, fiziksel yasaları ihlal eden tahminler yapabilir. PINNs, kısmi türevkle ilgili denklemleri (örneğin, sıvı akış denklemleri) doğrudan eğitim sırasındaki kayıp işlevine dahil eder.

[FONT:0) Gerçek Zaman Kontrolü için Yeniden Denetim Öğrenme: Akıllı tamamlanmalarla (örneğin, birden fazla ICV), takviye öğrenme, bir ajanda gerçek zamanlı olarak iyi ayarları yönetebilmek için kullanılabilir.

[FONT=0)Generative Models:[Döneticileri:[Döneticileri) ve Variational Autoencoders (VAEs) gerçek sentetik iyi veriler üretmek için kullanılabilir.Bu özellikle de bir sürü veri kümesi oluşturmak veya parametre alanı yeni alanlarını araştırmak için yararlı olabilir, aramayı gerçekten en iyi tamamlama için rehberlik eder.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğreniminin iyi tamamlanma tasarımına entegrasyonu, endüstrinin varlık değerini optimize etme yeteneğinde önemli bir adım temsil eder. Tamamen fizik tabanlı veri altyapısına yatırım yapan operatörler, çapraz disiplinler kurma ve doğrulama yöntemlerinin belirli operasyonel bağlamla ilgili sorunlar altında iyi bir şekilde konumlandırılırken, model yorumlanabilirlik ve organizasyonel değişim daha hızlı bir şekilde devam eder ve portföy portföyleri boyunca daha kârlı bir şekilde tamamlama yeteneği sunar.