Как компания Oil and Gas использует AI/ML? Давайте рассмотрим некоторые хорошо принятые приложения, которые ведут к более устойчивой разведке углеводородов.
Мы не уходим от углеводородов так быстро, как хотелось бы. Это факт, с которым нам пришлось столкнуться в 2022 году, и пока они существуют, важно производить их максимально чистым, безопасным и экономически эффективным способом. Давайте рассмотрим некоторые интересные приложения AI/ML, которые помогают сократить потери и затраты в секторе разведки и добычи нефти и газа.
Поскольку мир борется с макроэкономическим и геополитическим климатом после COVID-19, 2023 год, вероятно, будет годом продолжения попыток сделать больше с меньшими затратами. В то же время у энергетической отрасли было 3–4 года, чтобы переварить и проанализировать влияние различных решений AI/ML на их прибыль. Поговорив с друзьями и коллегами в некоторых из крупнейших E&P, неудивительно, что самые успешные решения — это те, которые экономят ВРЕМЯ и могут быть выполнены МЕНЬШИМ количеством людей.
К счастью, сектор разведки и добычи углеводородов является одной из самых насыщенных данными отраслей в мире. По оценкам IHS, операторы генерируют до 10 ТБ данных на скважину в день, что представляет собой лишь часть данных вверх по течению. В этой статье рассматривается несколько способов, которыми операторы используют эти данные и AI/ML для:
- Автоматизируйте или управляйте трудоемким процессом и экономьте время.
- Выводит людей из потенциально опасных ситуаций.
- Повысить добычу или точность оценок извлекаемых углеводородов.
Я включил документы и расширенные рефераты для каждого решения и рекомендую вам изучить дополнительные ресурсы, если у вас есть академический или коммерческий интерес.
Моделирование резервуара
Основное преимущество: сокращение времени вычислений, модели с более высоким разрешением и более точные производственные оценки
Моделирование коллектора — это область разработки месторождений, в которой компьютерные модели используются для прогнозирования течения флюидов через пористую среду. Крайне важно оценить общее количество извлекаемых углеводородов в коллекторе и определить, как они будут реагировать на деятельность по разведке/эксплуатации. Моделирование коллектора требует больших вычислительных ресурсов, а некоторые реализации требуют нескольких дней для получения результата.
Моделирование резервуаров на основе AI/ML принимает различные формы — в большинстве случаев оно использует результаты сотен/тысяч итераций модели на основе физики в качестве обучающих данных. Обученные модели могут генерировать модели коллектора с высоким разрешением и оптимизировать параметры коллектора. Современный уровень техники здесь по-прежнему не предлагает надлежащей замены стандартному программному обеспечению для моделирования резервуаров. Вместо этого он обеспечивает альтернативу с существенно более быстрыми результатами при приемлемой потере точности.
Плюсы:
- Гораздо быстрее, чем традиционный процесс
- Умеренные требования к вычислениям
- Более высокое разрешение
Минусы:
- История хрупкости модели
- Генерация обучающих данных может быть сложной задачей
- Сложно генерировать модели, которые будут генерироваться по бассейнам или полям.
Популярные статьи:
- Применение искусственного интеллекта в разработке месторождений: проверка статуса
- Моделирование и моделирование коллектора на основе искусственного интеллекта и интеллектуального анализа данных (AI&DM)
- Методы машинного обучения для ускорения моделирования композиционных коллекторов
- Машинное обучение для трехмерного моделирования коллекторов.
- Усовершенствованный метод моделирования коллекторских фаций на основе генеративно-состязательных сетей
Образец породы и анализ керна
Основное ценностное предложение: сокращение времени оценки образцов, более высокая точность, более высокая пропускная способность и меньшее количество сотрудников.
Керны и образцы минералов дают ценную информацию о недрах. Поскольку измерения горных пород на месте часто экономически или технически нецелесообразны, образцы керна и минералов дают нам возможность узнать что-то новое о коллекторах в лаборатории. Серьезная проблема с этим анализом заключается в том, что геологи должны анализировать эти образцы вручную.
Модели компьютерного зрения очень хорошо упрощают эти задачи благодаря своей способности учиться на ранее размеченных данных. Например, специалист по данным может использовать ранее помеченные образцы горных пород/минералов для обучения модели компьютерного зрения для автономной сегментации, классификации и/или вычисления свойств на основе тысяч изображений за считанные минуты.
Эти методы значительно сокращают время, необходимое для анализа образцов подземных пород, что позволяет быстрее получить подробные сведения о свойствах коллектора.
Плюсы:
- Низкие требования к вычислительным ресурсам
- Может использовать предварительно обученные модели для трансферного обучения
- Устойчивые модели, которые хорошо обобщают
Минусы:
- Данные сложно подготовить и пометить
- Склонен к проблемам дисбаланса классов
Популярные статьи:
- Эффективная сегментация изображений на основе глубокого обучения для классификации изображений минералов
- Распознавание минеральных зерен с помощью компьютерного зрения и машинного обученияg
- Глубокое обучение визуализации и моделированию в масштабе пор
- Метод глубокого обучения для сегментации изображений СЭМ при характеристике минералов на примере образцов сланцев Дюверне в осадочном бассейне Западной Канады
Сейсмическая интерпретация: выявление разломов, сегментация соляных тел, выделение горизонтов и т. д.
Основное ценностное предложение: сокращение времени устного перевода, снижение субъективности/предвзятости и сокращение численности персонала.
Сейсмические исследования дают представление о недрах и имеют решающее значение для определения характеристик резервуаров углеводородов. Жизненно важный компонент этого анализа требует, чтобы ученые-геологи, называемые «интерпретаторами», анализировали эти изображения, чтобы определить местоположение нефтяных систем, опасных геологических процессов и других геологических особенностей, которые могут повлиять на добычу углеводородов. Автоматизация интерпретации сейсмических данных экономит командам сотни часов и является одним из приложений AI/ML, получивших широкое распространение в геолого-геофизическом сообществе.
Одним из наиболее известных применений ИИ/МО для интерпретации сейсмических данных являются сети U-Net для обнаружения опасных геологических процессов на сейсмических изображениях. U-Nets — это сверточные нейронные сети, обычно используемые в медицинской визуализации. На рисунке выше показана архитектура модели U-net, используемой для оконтуривания разломов в 3D сейсморазведке.
На горизонте мы видим надежные архитектуры глубокого обучения, такие как Transformers и Multi-Model RL, которые решают гораздо больше задач интерпретации и предварительной обработки. Эти модели со временем могут стать настолько мощными, что смогут проводить сейсморазведку, интерпретировать ее с нуля, маркировать геологические особенности и рекомендовать/выполнять рабочие процессы обработки сейсмических данных. Скорее всего, нас ждут годы до каких-либо значительных прорывов в применении этой технологии, в первую очередь из-за требований к данным и инвестиций, необходимых для запуска чего-то подобного.
Плюсы:
- Значительно сокращает время по сравнению с традиционным процессом
- Может использовать предварительно обученные модели для трансферного обучения
- Умеренные требования к вычислительным ресурсам
Минусы:
- Требуется человеческий контроль или предварительный контроль качества
- Эзотерические геологические структуры представляют собой серьезные проблемы
- Сложность масштабирования с размером набора данных и разрешением
Популярные статьи:
- Автоматическое обнаружение разломов на основе машинного обучения в сейсмических трассах
- Обнаружение сейсмических разломов по амплитуде после суммирования с помощью сверточных нейронных сетей
- Обнаружение сейсмических разломов с помощью сверточной нейронной сети
- Глубокое обучение для обработки локальных сейсмических изображений: обнаружение ошибок, структурно-ориентированное сглаживание с сохранением границ и оценка уклона с использованием одной сверточной нейронной сети
Оптимизация/автоматизация бурения
Основное ценностное предложение: более безопасная работа и снижение затрат на бурение.
Бурение — это серьезная инженерная проблема, с которой сталкивается энергетическая отрасль. Оно представляет собой значительную угрозу безопасности и доводит науку о материалах до предела своих возможностей. Разливы и выбросы нефти продолжают оказывать длительное негативное влияние на общественное мнение об энергетической отрасли, не говоря уже о жизни пострадавших семей. Любые шаги, которые можно предпринять, чтобы сделать эти процессы более безопасными и убрать людей с линии огня, операторы обычно готовы приветствовать такие решения.
Некоторые из наиболее заметных приложений AI/ML для оптимизации/автоматизации бурения включают цифровые двойники, обучение с подкреплением, древовидные методы и глубокие нейронные сети. Успешные внедрения доказали, что бурение скважин происходит быстрее, безопаснее и дешевле — это помогает оптимизировать скорость проходки (ROP), минимизировать износ долота, уменьшить число спусков в скважину и из нее, обнаружить нарушения при бурении и многое другое. Эти решения относятся к уровням 5 и 6 уровня автоматизации Sheridan, где бурильщики действуют в соответствии с предложением машины.
Если вы заинтересованы в дальнейшем изучении этой темы, отличным началом будет выступление Джона Хеденгрена об автоматизации бурения — в 2019 году он был выдающимся лектором Общества инженеров-нефтяников.
Плюсы:
- Это может помочь снизить вероятность несчастных случаев, связанных с бурением.
- Это помогает смягчить субъективные решения по бурению
- Может оптимизировать скорость проходки, снизить износ долота и другие нарушения бурения.
Минусы:
- Требуется надзор из-за рискованного характера операции
- Модели могут быть требовательны к данным и их трудно обобщать
- Проблемы с неуникальностью рекомендаций по бурению
Популярные статьи:
- Оценка моделей сопряженного машинного обучения для оптимизации бурения
- Применение машинного обучения и искусственного интеллекта в нефтегазовой отрасли
- Роль машинного обучения в буровых работах; Обзор
- Практические приложения машинного обучения при бурении скважин
Другие известные приложения
- Сейсмическая инверсия с ML
- Оптимизация поля на основе обучения с подкреплением
- Сейсмическое шумоподавление
- Профилактическое обслуживание
- Оптимизация конструкции гидроразрыва пласта
- Прогноз производства
- Автоматизированная или управляемая геонавигация
Обсуждение
Цель этой статьи состояла в том, чтобы кратко рассмотреть несколько основных приложений AI/ML, которые были хорошо приняты нефтегазовым сектором. Это пространство быстро развивается, и я призываю читателей исследовать новые и инновационные решения проблем энергетической отрасли.
Пожалуйста, не стесняйтесь оставлять свои мысли в комментариях. Я хотел бы услышать об инновационных решениях, которые вы исследовали в этой области!
Не забудьте подписаться на мой профиль, чтобы увидеть больше статей вот так!
