Иерархическое автоматизированное машинное обучение (AutoML) для расширенного описания нетрадиционных коллекторов

Научные отчеты, том 13, Номер статьи: 13812 (2023) Цитировать эту статью

139 доступов

1 Альтметрика

Подробности о метриках

Недавние достижения в области машинного обучения (МО) изменили ландшафт исследования энергетики, включая углеводороды, хранение CO2 и водород. Однако построение компетентных моделей машинного обучения для определения характеристик коллекторов требует определенных глубоких знаний для точной настройки моделей и достижения наилучших прогнозов, что ограничивает доступность машинного обучения в науках о Земле. Чтобы решить эту проблему, мы внедрили недавно появившийся подход автоматизированного машинного обучения (AutoML) для выполнения поиска алгоритма для проведения нетрадиционной характеристики коллектора с более оптимизированным и доступным рабочим процессом, чем традиционные подходы ML. В этом исследовании было проанализировано более 1000 скважин нефтеносных песков Атабаски в Альберте, чтобы спрогнозировать различные ключевые свойства коллектора, такие как литофация, пористость, объем сланцев и массовый процент битума. Предлагаемый нами рабочий процесс состоит из двух этапов прогнозирования AutoML, в том числе (1) первый этап фокусируется на прогнозировании объема сланцев и пористости с использованием обычных данных каротажа скважин, и (2) второй этап объединяет прогнозируемые выходные данные с данными каротажа скважин для прогнозировать литофацию и процентное содержание битума. Результаты показывают, что из десяти различных моделей, протестированных для прогнозирования пористости (точность 78%), объема сланца (80,5%), процентного содержания битума (67,3%) и литофациальной классификации (98%), распределен случайный лес, и машина повышения градиента оказались лучшими моделями. По сравнению с традиционными алгоритмами машинного обучения, настраиваемыми вручную, алгоритмы на основе AutoML обеспечивают заметное улучшение прогнозирования свойств коллектора: более высокие средневзвешенные значения f1 до 15–20 % в задаче классификации и 5–10 %. в скорректированной оценке R2 для проблем регрессии в наборе данных слепого теста, и это достигается только после ~ 400 с процессов обучения и тестирования. Кроме того, благодаря методу извлечения ранжирования признаков существует хорошее согласие с экспертами в предметной области относительно наиболее значимых входных параметров в каждом прогнозе. Таким образом, это свидетельствует о том, что рабочий процесс AutoML доказал свою эффективность в выполнении расширенного петрофизического анализа и определения характеристик резервуара с минимальными затратами времени и вмешательства человека, что обеспечивает больший доступ к экспертам в предметной области, сохраняя при этом объяснимость модели. Интеграция AutoML и профильных экспертов может способствовать внедрению технологий искусственного интеллекта в оптимизации энергетических геолого-геофизических исследований, основанных на данных.

Данные подземных скважин могут предоставить важную информацию о пространственной и временной изменчивости литофаций осадконакопления и петрофизических свойствах зон коллектора, что позволяет провести более полную оценку коллектора1,2,3. Кроме того, данные каротажа обычно более доступны в большинстве скважин, чем другие данные о недрах, такие как керны. Несмотря на свою эффективность, каротаж скважин имеет некоторые ограничения, когда речь идет об уровне неопределенности в гетерогенных условиях отложения и необходимости опытных петрофизиков для выполнения обработки и интерпретации данных4,5. В разведке углеводородов петрофизический анализ, такой как классификация литофаций и прогноз пористости, является одной из наиболее активных областей, где может применяться машинное обучение6,7. Это происходит главным образом потому, что петрофизические данные хорошо структурированы и четко определены с точки зрения физических моделей. В результате к петрофизическим данным можно применять множество сложных алгоритмов машинного обучения7. Этому способствует появление технологий искусственного интеллекта и доступность огромных объемов наборов данных о недрах, проложивших путь к передовым алгоритмам машинного обучения. После плодотворной работы Вонга8, которая стала одной из первых успешных попыток применения искусственных нейронных сетей для прогнозирования пористости, были предприняты многочисленные попытки использования различных моделей машинного обучения с учителем и без учителя для прогнозирования различных петрофизических свойств. Аль-Анази и Гейтс9 использовали регрессию опорных векторов для прогнозирования пористости в неоднородном коллекторе. Кроме того, Чен и др.10 реализовали алгоритм глубокого обучения для прогнозирования пористости. Этот подход может уменьшить количество ошибок, когда доступны ограниченные данные и присутствуют каротажи различной глубины. Недавно в исследовании Yang11 использовалась современная модель преобразователя глубокого обучения для прогнозирования пористости и была достигнута высокая точность. Несколько работ также расширили возможности применения машинного обучения для прогнозирования проницаемости как кремнисто-обломочных, так и карбонатных коллекторов12,13.