改善水库定性并减少不确定性
安哥拉
10亿桶Pacassa油田1982年在安哥拉近海被发现水库包括安哥拉北部AlbianPinda集团的悬浮斜坡序列水库因盐构造重力滑动而分治储量属性优至优,总体孔隙平均为21-22%,本地高达35%可渗透性范围从上至150mD不等,平均450mD成熟场老式后台震数据极难用于水库定性并使用地震属性分析及传统地震倒置方法有兴趣探索更多现场开发机会(包括优化生产、填充钻井和分层探索),需要更新静态水库描述
现场挑战是如何获取储油层属性的精确洞察力而不受井水流控制,同时使用老式后台地震数据集生成新静态模型,将当前良好数据综合起来详细开发评价向西南扩展的田区先前试图使用传统地震倒置法确定水库属性失败,原因是老化数据老化和质量高低
机器学习法综合深入学习后台震反转生成声阻量和孔隙量建模Python创建工作流分三个阶段:1)数据编译,2)水井周围传统反转生成增强培训数据集,3)深学习地震反转步骤三使用前一阶段增强数据,即用地震数据培训经修改U-Net深学习模型和输入速度模型,增强井声阻塞为期望输出值过程所涉四步包括多目标优化,使用深学习模型(U-Net),运行迭代计算声阻塞相关关系并生成声阻量进程交互执行,直到实现测试数据期望并发测试数据是初始训练中未使用水井子集浮度计算由对井表数据的传统石物理分析提供
深学地震倒置极佳地辨识Pacassa田西南区水库表层和平面图变化这种方法比前数组属性波状分类和未能解决这些特征的传统倒置尝试大有改进根均值平方数运行水库倒转模型显示进一步的场扩展,并用以进一步减少Pacassa田西南段评估点的不确定性
实现这些结果时使用数据驱动方法,不需要物理模型。另一项重大增益是速度超过传统模型方法这种方法比前方法快达1,000x,甚至考虑到数据扩充和培训所需时间未来,这个方法也可以应用到不同的Pareto解决方案中(例如确定宽度、井喷相关关系和地震相关关系等)。高级ML技术应用使用深学使Halliburton团队从老数据中提取新洞见,以显示数字变换电量代代次表层判读