Вступ до машинного навчання в спостереженні нафти

На сейсмічній візуалізації нафтогазової промисловості тривалий час спирається на сейсмічні зображення, колоди, і основні зразки для оцінки підсерфових резервуарів. Однак об'єм і складність сучасних геоаучних даних виштовхнули традиційні методи інтерпретації до їх меж. Машинне навчання (ML) алгоритми тепер пропонують потужну альтернативу автоматично виявляти закономірності, обробки високовимірних входів, і виробництво ймовірнісних прогнозів, які покращують з кожним новим пунктом даних. З загальномасштабного дослідження до планування розвитку родовищ, ML переоцінює, як інженери і геонауковці прогнозують властивості водойм, такі як пористість, переживання, насиченість, плинність, плинність і чистота та чистота.

Основні параметри машинного навчання, що застосовуються для консервоіру

Задачі до консервоіру, які зазвичай потрапляють під одним з трьох основних ML парадигм, кожен підходить для різних типів даних і завдань.

Консультація на кількісне оцінювання майна

Навчився навчання проводить модель на маркованих прикладах, де відома цільова властивість (наприклад, пористість, вимірюється від вилки ядра). Загальні алгоритми включають random ліси], підтримка векторних машин, і аркувальні нейромережі]. Ці моделі вивчають відображення з точки зору вводу (симологічні атрибути, логічні криві, петрофізичні параметри) до цільової змінної. Після навчання вони можуть прогнозувати властивості резервуарів на місцях, де тільки типові сейсмічні або цілі логічні вимірювання,

Несупервісне навчання для класифікації фацій та виявлення аномалі

Несупервісні методи не вимагають маркованих цілей. Замість, вони виділяють природні групування або екслімери в даних. K-means кластеризації, , самоорганізаційні карти, а Gussian суміш моделі] широко використовуються для класифікації електромереж з колод, кластерних сейсмічних хвильових форм, і виявлення аномальних зон, які можуть вказувати на руйнування, соляні ділянки, або вуглеводні показники. Ці методи допомагають геологу виділити послідовні моделі.

Підсилення для оптимізації буріння та управління полями

Зміцнення (RL) управління резервуарами як послідовна задача прийняття рішень. Засіб RL взаємодіє з резервуаром, приймає дії, такі як регулювання добре оцінює або буріння нових свердловин, а також отримує винагороду на основі культивування нафти виробництва або чистої теперішній значення. За багато епізодів агент вивчає оптимальну політику, яка максимізує довгострокову економічну повернення. Хоча все ще виникають на практиці, RL показав обіцянку автоматизації добре розміщення та оптимізації виробництва під невизначеністю.

Ключові застосунки в консервоіру Прогнозування та Чарктеризація

У всьому життєвому циклі водойми розгортаються алгоритми машинного навчання, які розвідають про відмову від розвідок. У цих додатках представлені найбільш зрілі і ударні випадки використання.

Сейсмічна інтерпретація даних та аналіз атрибутів

Сейсмічні опитування генерують терабайти 3D-томів. МЛ моделі можуть обробляти ці дані для автоматичного вибору горизонтів, виявлення несправностей та класифікації сейсмічних фацій. Наприклад, конференційні нейромережі (CNNs)], навчені на позначених сейсмічних розділах, можуть відрізнити солі або визначити канали і турбідітні вентилятори з точністю конкуруючих людських перекладачів. Крім того, несупервісне кластерування багатоааттрибутових сейсмічних кубиків (наприклад, амплітуда, когеренція, карвагатура) врожеографічні карти.

Прогнозування пористості та прохідності від Well Logs

Порошність і проникність є критичними входами для оцінки резервів і моделювання потоку. Традиційний ерофізичний аналіз використовує емпіричні рівняння (наприклад, закон Археі, Віллі час-вераж). Алгоритми ML, на відміну від, можуть інтегрувати декілька кривих колод (гамма промен, опір, нейтрон, щільність) з основними вимірами, щоб виробляти безперервні прогнози. Градієнт прискорювальні машини] і глибокі нейронні мережі показали високу точність в гетерогенних реакціях вуглецю і щільного піску, де резервуари, особливо не перекривають, де резервуари, особливо не перекриття, особливо, де резервуари, особливо не мають на колоди, де, особливо не перекриття, особливо, особливо, особливо нез, де є на колоди, де резервуари, особливо нез'llllllllll, де є, особливо, де є нез, де резервуари, особливо, особливо, особливо нез'lll.

Флюїдна насиченість та гідрокарбонова обробка

Розмивна олія з води або газу є важливим для ідентифікації зони оплати. ML класифікатори, які навчаються на мудрових колодах, даних про розбір рідини та розширених спектроскопічних колод може прогнозувати типи рідини з базових дротових колод окремо. Методики, такі як Аналіз компонентів (PCA), комбіновані з , класифікації лісівраном, зменшення габаритності та виділити найбільш дискримінаційні функції, що дозволяють прийняття рішення в реальному часі при бурінні.

Аналіз виробництва та декольтеу

Прогнозування майбутніх тарифів нафти та газу інформує планування розвитку родовищ, визначення об’єктів та економічної оцінки. Моделі ML продовжують традиційний аналіз криві за рахунок включення додаткових змінних, таких як добре пропагування, параметри завершення та ефекти втручання. Рекурентні нейромережі (RNNs) та Довгострокова пам’ять (LSTM)] мереж, які захоплюють часові залежності у серії виробництва, часто перетворюючи гіперболічний занепад Арпса на нетрадиційних свердловин з декількома режимами трансентного потоку.

Підготовка та спецтехніка

Якість ML прогнозів залежить від вхідних даних. Резервуарні дані часто шумні, неповні і стягнуті за допомогою помилок вимірювання. Надійний передпроцесорний трубопровод включає:

  • Видалення оферти: Усунення шприців, викликаних порушеннями інструменту або пошкодженням у вигляді статистичних пороги або кластеризації.
  • Подивитися дані, що недостатня: Методики, такі як багаторазове імutation, MICE, або k-nearest сусіди для заповнення проміжків у колодах або серцевому аналізі.
  • Нермалізація та масштабування: Особливості рекальизації до загального діапазону (наприклад, мін-максаційне масштабування або z-score стандартизация) для запобігання змінних з великими розмірами від домінування моделі.
  • Вибір зображень: Використання кореляційного аналізу, взаємовідносин або усунення рекурсивних функцій для збереження тільки найбільш передбачуваних атрибутів і зменшення перенарядки.
  • ]Вирівнювання стяжки Seismic-to-well: Виправлення глибини аномалій між сейсмічними томами і добре маркерами з використанням синтетичних сеймограм або автоматичного алгоритмів вихлопних систем.

Модель Перевірка та незбереження квантифікація

Збереження прогнозів необхідно супроводжуватися заходами довіри. МЛ моделі схильні до перенаряддя або зміщених даних тренувань, що призводять до надмірно оптимістичної оцінки помилок. Хороша практика передбачає:

  • Blind добре тести: Холдинг назад один або більше свердловин від підготовки та оцінювання прогнозів у цих місцях.
  • Ensemble методи: Навчання декількох моделей (наприклад, мічені випадкові ліси, прискорені дерева) і використання варіанту в ансамбль членів як проксі для прогнозування невизначеності.
  • Проббільністичні результати: Перетворення детермінатичних ML-регресивів у кварильну регресію або використання Монте-Карло-скидання в нейромережах для створення умов для карти нерухомості.
  • Cross-validation з просторовою обізнаністю: Застосування схем перекриття блоку або відведення в місцях, щоб запобігти просторовому аорторетизації від наплавленої продуктивності метрики.

Інтеграція з фізико-розвантаженим моделюванням

Чисті моделі даних-драйву ML можуть порушувати відомі фізичні закони (наприклад, збереження маси, закон Дарсі). Для підвищення надійності дослідники об'єднують ML з імітацією резервуара в гібридних підходах. Фізіки-інформовані нейромережі (PINNs)] змонтовані диференціальні рівняння в функцію втрати, забезпечення того, що прогнози задовольняють рівняння потоку. Ще одна практична стратегія використовує ML як проксі для дорогих повнофізичних тренажерів: нейромережа, що навчається на імітаційних роботах може забезпечити близько-інстанційні прогнози для історії, що відповідають, оптимізація та чутливість, зменшення обчислювальних витрат.

Виклики та обмеження

Незважаючи на швидке прогресування, кілька перешкод, які не мають широкого поширення прийняття МЛ у прогнозі водойми:

  • Data charmcity і небаланс: Багато водойм мають лише кілька свердловин з повним висвітленням ядер, а також цільовою властивістю (наприклад, високопроникні брейки) може бути рідкісним. Синтетична перенапруження або передача навчання з аналогових водойм може допомогти, але вводити невизначеність.
  • Інтерпротивабельність: Комплексні моделі, такі як глибокі нейромережі, часто чорні коробки. Геоснауковці та регулятори вимагають пояснення для рішень, процідити інтерес SHAP (Sapley Additive exPlanations) і LIME для визначення атрибутів конкретного значення введення.
  • Non-stationarity: Геологічні процеси варіюватися просторово; модель, що навчається в одному басейні може бути не в іншому. Методи адаптації домену, які вирівняють розподіли по по полях, є активним дослідницьким напрямком.
  • Комп’ютерна вартість: Навчання великих моделей 3D CNN на повнооб’ємних сейсмічних даних вимагає високопродуктивних обчислювальних ресурсів, які можуть бути заборонені для менших операторів.

Майбутні напрямки

На трьох темах буде показано наступну хвилю ML в протоці резервуара:

  1. ]Селф-супервісне навчання та напівсупервісне навчання: Leveraging величезні нелабільні сейсмічні обсяги до претренувальних моделей до тонкого призначення на етикетках, різко зменшуючи необхідність ручного перекладу.
  2. Multi-modal data fusion: Інтеграція сейсмічної, добре, виробництво та навіть супутникових даних InSAR в єдиний моделі, що захоплюють повнорозмірний малюнок.
  3. Реал-часова оптимізація замкненого циклу: Розгортання моделей МЛ на крайових пристроях на добре місці, щоб оновити моделі водосховища, безперервно, як нові надходження даних при бурінні та виробництві, що дозволяє адаптивному контролі операцій.

Висновок

алгоритми машинного навчання стали незамінними інструментами в сучасному інструментальному середовищі з водосховища. Вони прискорюють сейсмічне тлумачення, покращують оцінку властивостей нафтофізичної нерухомості, а також підвищують прогнози виробництва, всі при цьому зменшують ризик розвитку і вартість. Однак успішне розгортання вимагає ретельного приготування даних, суворої перевірки, і продуманої інтеграції з фізикою доменів. Оскільки обчислювальна потужність зростає і виникають нові архітектури, синергія між машинним навчанням і геонаукою продовжувати приводити більш точний, ефективний і стійкий розвиток нафти і газу.