Ứng dụng của việc học thuật toán máy trong dự đoán tái tạo dầu

Các cuộc khảo sát địa chấn tạo ra các terabyte tập 3D. Mô hình L có thể xử lý các dữ liệu này để tự động chọn chân trời, phát hiện lỗi, và phân loại các máy hỗ trợ địa chấn. Ví dụ, [FLT: 0] [các mạng thần kinh liên kết (CNN: 1] được đào tạo trên các phần có nhãn địa chấn có thể phân chia các kênh hoặc xác định kênh và các fan turbitete với độ chính xác đối thủ của người. Hơn nữa, việc không giám sát các mạng đa khối khối chức năng. (v, ampity, colence, apence, cons) có thể tạo bản đồ dẫn độ phân loại.

Sự dễ hư hỏng và sự tiên đoán có thể đạt được từ những bản ghi chép tốt

Độ sáng và khả năng xác định là những đầu vào quan trọng để dự đoán và lưu trữ sự mô phỏng. Truyền thống, vật lý học hóa học sử dụng phương trình thực nghiệm (v. d., luật của Archie, Wyllie-aveity). Thuật toán đa chiều tương phản có thể tích hợp nhiều đường cong bản ghi (gamma, tính kháng cự, độ mật độ, nồng độ) với các phép đo đạc cốt lõi để tạo ra những dự đoán liên tục. [FLT: 0] Máy gia tăng tốc thời gian [FLT1] và [FL2] [T2] mạng lưới thần kinh [T] sâu [L: sáng] có độ chính xác cao hơn trong các chất lượng cacbon và cát đặc biệt là các chất lượng cát, cát không bền vững hoặc không có nhiều.

Bão hoà Fluid và khí cacbon hydro đánh máy

Phân tách dầu từ nước hay khí gas là cần thiết để nhận diện vùng trả tiền. Những người phân tích lớp học lớp học cao cấp được đào tạo trên bản ghi bùn, mẫu lưu lượng và bản ghi siêu dữ liệu có thể dự đoán các loại chất lỏng từ bản ghi mạch cơ bản. Chỉ riêng kỹ thuật thôi thì các tính năng như [FLT: 0] phân tích chính thức (PCA) [FL: 1] kết hợp với [FT:2) phân loại rừng [FT:2] [FT:] tính đa chiều dài [FT] và tô sáng nhiều tính năng phân tích, cho phép tính năng in ra thời gian thực sự, và việc khoan.

Phân tích trước và xóa bỏ các hình phạt

Dự đoán các biến số và mức độ nhiễu dầu tương lai. Các mạng lưới thần kinh tương lai thông báo kế hoạch phát triển trường, đánh giá cơ sở và đánh giá kinh tế. Mô hình ML mở rộng phân tích đường cong truyền thống bằng cách tổng hợp các biến số khác như khoảng cách, hoàn thành các tham số và hiệu ứng nhiễu. Mạng thần kinh tương tác (RNNNNN) và [FLT: 0] bộ nhớ ngắn hạn (LSTM)[LT:1] [FLT: 1] thu các phụ thuộc thời gian sản xuất, thường vượt quá các hệ thống phụ thuộc thời gian quá mức độ sản xuất của Aps trên các hệ thống điều hành vi tính năng lượng cao thái quá nhiều độ lưu động.

Chuẩn bị dữ liệu và kỹ thuật đặc trưng

Chất lượng dự đoán của ML phụ thuộc rất nhiều vào dữ liệu nhập dữ liệu. Bộ dữ liệu thuộc về chủ đề thường ồn ào, không đầy đủ và bị ảnh hưởng bởi những lỗi đo lường. Một đường dẫn xử lý chuẩn xác bao gồm:

• Việc loại bỏ ra ngoài: giảm hiệu quả từ những phép đo giả định gây ra bởi các trục trặc công cụ hoặc hư hại hình thành bằng ngưỡng thống kê hoặc cụm.
• Đánh giá dữ liệu: Techniques như đa đầu, MICE, hoặc k-neest hàng xóm để điền các khoảng trống trong bản ghi tốt hoặc phân tích lõi.
• Không có nhiệt độ và phóng đại: tính năng tính toán đến phạm vi chung (v. d., tăng cường min-max hoặc z-score tiêu chuẩn hoá) để ngăn cản các biến lớn có độ lớn từ thống trị mô hình.
• Chọn tự nhiên:) dùng phân tích tương quan, thông tin chung hoặc tính năng loại bỏ lại, để duy trì những tính năng dự đoán và giảm đi những tính năng thích hợp nhất.
• Sắp xếp kiểu dáng giữa hai cột: chỉnh sửa độ sâu không khớp giữa âm lượng địa chấn và các điểm đánh dấu tốt bằng cách dùng máy phát hiện động mạch chủ hay thuật toán tự động làm méo.

Kiểm tra và định lượng không chắc chắn

Những dự đoán về sự hồi sinh phải đi kèm với những biện pháp tự tin.

• Thử nghiệm tốt: Giữ lại một hoặc nhiều giếng từ việc đào tạo và đánh giá dự đoán tại những địa điểm đó.
• Phương pháp dễ hiểu:) Huấn luyện nhiều mô hình (v. d., rừng rậm, cây cối mọc lên) và dùng sự biến đổi qua các thành viên đáng yêu như một ủy nhiệm cho sự không chắc chắn về dự đoán.
• Những kết quả dự đoán:) chuyển đổi các bước đi định lượng của ML sang hồi quy định lượng hoặc sử dụng Monte Carlo trong mạng thần kinh để tạo ra khoảng cách tự tin cho bản đồ.
• Sự tự trị với nhận thức không gian: ) áp dụng chặn sự va chạm với nhau hoặc để lại một phương pháp để ngăn ngừa sự tự động biến thiên không gian khỏi việc bơm phồng các thiết lập hiệu suất hiệu suất.

Hợp nhất với mô phỏng vật lý- Ba chiều

Mô hình dữ liệu tinh khiết ML có thể vi phạm các định luật vật lý (v. d., bảo tồn hàng loạt, luật Darcy). Để cải tiến tính đáng tin cậy, các nhà nghiên cứu kết hợp các mô phỏng mã nguồn với mô phỏng dạng ống nước trong cách tiếp cận lai. [FLT: 0] Dùng phương pháp thực tế để mô phỏng toàn bộ hệ thần kinh: một mạng mô phỏng có thể chạy gần như toàn bộ [FLT:] để dự đoán, ưu tiên sử dụng các phương trình khác, độ nhạy cảm, và độ nhạy cảm hơn.

Những thử thách và giới hạn

Dù tiến bộ nhanh, nhiều trở ngại cản trở việc nhận nuôi ML trong dự đoán nguồn nước:

• Thiếu hụt và mất cân bằng:) Nhiều hồ chứa chứa nước có chỉ vài giếng với các nguồn bảo vệ lõi đầy đủ, và tài sản đích (v. g., các vệt có khả năng cao) có thể hiếm gặp. Việc chuyển đổi hoặc chuyển hóa dữ liệu từ các nguồn nước tương tự có thể giúp ích nhưng đưa ra sự không chắc chắn.
• Mô hình phức tạp như mạng thần kinh sâu thường là hộp đen. Các nhà nghiên cứu và điều hành đòi hỏi phải giải thích cho quyết định, thúc đẩy sự chú ý [FLT:] PBP (Sshpley Addti ExPlanations) và [FL:4] [FL:4] [FL: T] [FL: T] [FL:5] để biết được đặc điểm nhập vào.
• [FLT: 0] không có trạm: quá trình địa lý khác nhau về không gian; một mô hình được đào tạo trong một lưu trữ có thể thất bại trong khác. kỹ thuật thích nghi miền mà sắp xếp phân phối tính năng trên các lĩnh vực là một khu vực nghiên cứu hoạt động.
• Chi phí tính toán:) đào tạo mô hình 3D CNN lớn về dữ liệu địa chấn toàn phần yêu cầu nguồn tài nguyên máy tính hiệu quả cao, có thể bị cấm cho những người điều hành nhỏ hơn.