Apprendimento automatico gerarchico (AutoML) per la caratterizzazione avanzata dei giacimenti non convenzionali

Rapporti scientifici volume 13, numero articolo: 13812 (2023) Citare questo articolo

139 accessi

1 Altmetrico

Dettagli sulle metriche

I recenti progressi nell’apprendimento automatico (ML) hanno trasformato il panorama dell’esplorazione energetica, compresi gli idrocarburi, lo stoccaggio di CO2 e l’idrogeno. Tuttavia, la costruzione di modelli ML competenti per la caratterizzazione dei giacimenti richiede conoscenze specifiche e approfondite al fine di mettere a punto i modelli e ottenere le migliori previsioni, limitando l’accessibilità dell’apprendimento automatico nelle geoscienze. Per mitigare questo problema, abbiamo implementato l’approccio di apprendimento automatico automatizzato (AutoML) recentemente emerso per eseguire una ricerca di algoritmi per condurre una caratterizzazione del serbatoio non convenzionale con un flusso di lavoro più ottimizzato e accessibile rispetto agli approcci ML tradizionali. In questo studio, sono stati analizzati oltre 1000 pozzi delle Athabasca Oil Sands in Alberta per prevedere varie proprietà chiave del giacimento come litofacies, porosità, volume di scisto e percentuale di massa del bitume. Il flusso di lavoro proposto consiste in due fasi di previsioni AutoML, tra cui (1) la prima fase si concentra sulla previsione del volume di scisto e porosità utilizzando i dati di registro dei pozzi convenzionali e (2) la seconda fase combina gli output previsti con i dati di registro dei pozzi per prevedere la litofacies e la percentuale di bitume. I risultati mostrano che dei dieci diversi modelli testati per prevedere la porosità (78% di precisione), il volume dello scisto (80,5%), la percentuale di bitume (67,3%) e la classificazione della litofacies (98%), la foresta casuale distribuita, e la macchina per l'aumento del gradiente è emersa come il modello migliore. Rispetto agli algoritmi di machine learning convenzionali ottimizzati manualmente, gli algoritmi basati su AutoML forniscono un notevole miglioramento nelle previsioni sulle proprietà del giacimento, con punteggi f1 medi ponderati più elevati fino al 15-20% nel problema di classificazione e al 5-10% nel punteggio R2 aggiustato per i problemi di regressione nel set di dati del test cieco e viene raggiunto solo dopo circa 400 s di processi di training e test. Inoltre, dalla tecnica di estrazione del ranking delle caratteristiche, esiste un buon accordo con gli esperti del settore riguardo ai parametri di input più significativi in ​​ciascuna previsione. Pertanto, è la prova che il flusso di lavoro AutoML si è dimostrato potente nell'esecuzione di analisi petrofisiche avanzate e nella caratterizzazione dei giacimenti con tempo e intervento umano minimi, consentendo una maggiore accessibilità agli esperti del settore pur mantenendo la spiegabilità del modello. L’integrazione di AutoML e di esperti in materia potrebbe far avanzare l’implementazione della tecnologia di intelligenza artificiale nell’ottimizzazione delle geoscienze energetiche basate sui dati.

I dati di registro dei pozzi sotterranei possono fornire informazioni critiche sulla variabilità spaziale e temporale delle litofacies deposizionali e sulle proprietà petrofisiche delle zone del giacimento, consentendo una valutazione più completa del giacimento1,2,3. Inoltre, i dati di registro dei pozzi sono generalmente disponibili in modo più abbondante nella maggior parte dei pozzi rispetto ad altri dati del sottosuolo, come le carote. Nonostante la sua efficienza, la registrazione dei pozzi presenta alcune limitazioni per quanto riguarda il livello di incertezza in contesti deposizionali eterogenei e le esigenze di petrofisici esperti di eseguire l'elaborazione e l'interpretazione dei dati4,5. Nell’esplorazione degli idrocarburi, l’analisi petrofisica, come la classificazione delle litofacies e la previsione della porosità, è una delle aree più attive in cui è possibile applicare l’apprendimento automatico6,7. Ciò è dovuto principalmente al fatto che i dati petrofisici sono ben strutturati e ben definiti in termini di modelli fisici. Di conseguenza, molti sofisticati algoritmi di apprendimento automatico possono essere applicati ai dati petrofisici7. Ciò è ulteriormente rafforzato dall’emergere della tecnologia dell’intelligenza artificiale e dalla disponibilità di enormi volumi di set di dati del sottosuolo che hanno aperto la strada ad algoritmi avanzati di apprendimento automatico. Dopo il lavoro fondamentale di Wong8 che ha fornito uno dei primi tentativi riusciti nell'applicazione di reti neurali artificiali per prevedere la porosità, sono stati introdotti numerosi tentativi nell'utilizzo di vari modelli di apprendimento automatico supervisionati e non supervisionati per prevedere diverse proprietà petrofisiche. Al-Anazi e Gates9 hanno utilizzato la regressione del vettore di supporto per prevedere la porosità nel serbatoio eterogeneo. Inoltre, Chen et al.10 hanno implementato un algoritmo di deep learning per prevedere la porosità. L'approccio potrebbe ridurre gli errori quando sono disponibili dati limitati e sono presenti diverse profondità di log. Recentemente, uno studio di Yang11 ha utilizzato un modello di trasformatore di deep learning all’avanguardia per prevedere la porosità e ottenere un’elevata precisione. Diversi lavori hanno anche esteso l'applicazione dell'apprendimento automatico per condurre previsioni di permeabilità sia in serbatoi silicoclastici che carbonatici12,13.