Table of Contents
储油管道机器学习简介
石油和天然气工业长期以来一直依赖地震成像、井日志和核心样本来描述地下储层。 然而,现代地球科学数据的数量和复杂性将传统的解释方法推向极限。 机器学习算法现在提供了一个强大的替代方法,它通过自动检测模式、处理高维输入以及产生概率预测来改进每个新数据点。 从流域规模的探索到实地发展规划,ML正在重新塑造工程师和地球科学家如何预测储层特性,如孔隙度、渗透性、流体饱和度和净薪厚度。
用于储备问题的核心机器学习范例
后备预测任务一般属于三个主要的ML范式之一,每个范式适合不同的数据类型和目标.
定量财产估计的监督学习
监督学习在标注的示例上训练一个模型,其中已知目标属性(例如从核心插头测量的孔径度). 常见算法包括随机森林,支持矢量机[,以及[人工神经网络[[]]]. 这些模型从输入特征(地震属性,日志曲线,石物理参数)到目标变量的绘图中学习. 训练后,它们可以预测只有地震或日志数据的地方的储水层属性,有效地提升整个场的稀有地面真实度测量. 典型的工作流程涉及将数据集分为训练,验证,测试集,通过交叉验证调高参数,并选择模型时的通用性差最低.
疾病分类和异常检测无监督学习
未经监督的方法并不需要标注目标,而是在数据中识别自然组群或异常点。 K- 指集群[,, Gausian混合物模型被广泛用于从井木、集束地震波形形状和检测可能显示断裂、盐体或碳氢化合物指标的异常区划。这些技术有助于地质学家建立一致的模型,并突出值得进一步研究的地区。
加强钻探优化和外地管理学习
强化学习(RL)框架储油层管理是一个相继决策问题。 RL代理与储油层模拟器相互作用,采取调整井速率或钻新井等行动,并根据累积石油产量或净现值获得奖励。 在许多场合,代理商学习了最佳政策,实现了长期经济回报最大化。 尽管RL在实践上仍然出现,但对于在不确定性下实现井位和生产优化的自动化,却表现出了希望。
储水层预测和特性化中的关键应用程序
机器学习算法部署在一个水库的整个生命周期,从勘探到废弃。以下应用代表最成熟和最有影响的使用案例。
地震数据解释和属性分析
地震测量生成3D卷的千兆字节. ML模型可以处理这些数据,以便自动选择地平线,检测断层,并对地震证据进行分类. 例如, 革命神经网络[CNNs] 受过标签地震部分培训的能分解盐体或识别通道和涡轮风扇,精确度与人类解释相竞争. 此外,无监督地将多属性地震立方体(如振幅、一致性、曲率)的聚集成群,得出用于指导水库几何模型的概率图。
从井日志中预测的孔径和渗透性
孔径度和渗透性是保留估计和流模拟的关键投入. 传统的石物理分析使用经验方程(如Archie定律,Wyllie时间平均) ML算法相对而言可以将多个对数曲线(伽马射线,抗逆性,中子,密度)与核心测量结合,产生连续预测. 格外增压机[和深神经网络[ ,在碳酸盐和紧砂岩储层中,特别是在对数反应非线性或重叠的情况下,表现出了更高的准确性.
流体饱和和碳氢化合物打字
区分石油与水或气体对确定薪带至关重要。经过泥原、流体取样数据和先进的光谱记录仪培训的ML分类器可以仅从基本线条记录仪中预测流体类型。主要成分分析等技术与随机森林分类[相结合,减少了维度,并突出最有区别的特征,从而能够在钻探时作出实时决策。
生产预测和下降曲线分析
预测未来的石油和天然气率为实地发展规划、设施规模化和经济评价提供了信息。 ML模型通过包含井间距、完成参数和干扰效应等额外变量来扩展传统的下降曲线分析。 经常神经网络(RNNs)和长期短期记忆(LSTM)网络捕捉生产时间序列中的时间依赖性,往往比Arps在具有多种瞬时流制的非常规井上的双曲下降率要高。
数据准备和地物工程
磁共振预测的质量在很大程度上取决于输入数据。 储量数据集往往吵闹、不完整,并受到测量错误的困扰。 强大的预处理管道包括:
- 消除因工具故障或利用统计阈值或集群造成的形成损害而造成的虚假测量。
- 漏数据计算: 技术如多重计算,MICE,或k-近邻,以填补井日志或核心分析中的空白.
- 标定和缩放: 将特性调整到一个共同范围(例如:min-max缩放或z-score标准化),以防止具有大尺度的变量占据模型.
- 选择: 利用关联分析,相互信息,或递归特征消除,只保留最预测的属性,减少过度配位.
- 赛斯米克-对井的领结对齐:[ 利用合成地震图或自动刮动算法纠正地震量和井标记之间的深度不匹配.
模型验证和不确定性量化
预测后备时必须同时采取信任措施。
- 碱井试验: 从这些地点的训练和评价预测中将一个或多个井挡住。
- 集成方法: 训练多种模型(如袋状随机林,助推树),并使用跨群变成员的差异作为预测不确定性的代名词.
- 概率输出: 将确定性ML递减器转换为四重回归,或者利用神经网络中的蒙特卡洛退位来生成属性图的置信间隔.
- 具有空间意识的交叉验证: 应用块交叉验证或留一井方案,防止空间自旋膨胀性能度量度.
与物理模拟的结合
纯粹的数据驱动的ML模型可能违反已知的物理定律(如质量保护,达西定律). 为了提高可靠性,研究人员将ML与混合方法中的储油层模拟相结合. ]物理知情神经网络(PINNs)将微分方程嵌入损失函数,确保预测满足流方程. 另一种实用策略使用ML作为昂贵的全物理模拟器的代称:一个经过模拟运行训练的神经网络可以为历史匹配,优化,敏感度分析提供近乎瞬间的预测,按量级降低计算成本.
挑战和限制
尽管进展迅速,但若干障碍阻碍在储油层预测中广泛采用混合水压法:
- 数据稀缺和不平衡: 许多水库只有几口井,完全覆盖核心,目标属性(如高渗透性流)可能很少。合成过量抽样或从类似水库中转移学习,可能帮助但带来不确定性。
- 可解释性:[ 深神经网络等复杂模型往往是黑盒. 地理科学家和调控者需要解释决定,激发对]SHAP(SHapley Additive ex Planations)和[] LIME的注意,将预测归属于特定的输入特征.
- 非站性: 地质过程在空间上有所不同;在一个盆地中训练的模型在另一个盆地中可能失败. 将不同领域特征分布相匹配的域适应技术是一个活跃的研究领域.
- 计算成本:[] 训练大型3DCNN模型全量地震数据需要高性能计算资源,这对较小的操作员来说可能是令人望而却步的.
未来方向
储油层预测中的下一次ML浪潮可能集中在三个主题上:
- 自控和半监督学习:[ 利用巨大的无标签地震量在微调稀疏标签之前先进行预排模型,大幅降低人工解读的需要.
- 多模式数据聚变: 将地震,井,生产,甚至卫星InSAR数据整合到能够捕捉整个地下图象的统一模型中.
- 实时闭路优化:[]在井址的边缘装置上部署ML模型,随着钻探和生产过程中新数据到达,不断更新储油层模型,从而能够适应性地控制运行.
结论
机器学习算法已经成为现代水库工程师工具包中不可或缺的工具。 它们加快了地震判读、改进了石物理属性估计,并加强了生产预测,同时降低了勘探风险和成本。 然而,成功的部署需要仔细的数据准备、严格的验证和与域物理学的深思熟虑的结合。 随着计算力量的增强和新结构的出现,机器学习和地球科学之间的协同效应将继续推动更准确、高效和可持续的石油和天然气开发。