案例 | 人工智能驱动技术应用于非常规油气的三种常见场景

过去二十年来，随着全球能源需求的持续增长，非常规油气开发加速。尽管石油和天然气在整体能源结构中面临挑战（即相关的温室气体排放和净零目标），但在可预见的未来，对非常规化石燃料的依赖预计仍将保持强劲。在所有不同的因素中，准确的产量预测对于有效管理非常规资产至关重要。事实上，生产力预测不准确会导致能源投资回报率（EROI；开采和发电所需能源之间的差异）低。

• 效率提升超过 100 倍（例如，在不到一天的时间内对一千口井进行 DCA）
• 通过自动事件检测和分位数回归进行稳健、公正和准确的预测
• 适用于生产历史有限的油井的基于机器学习的类型曲线
• 通过协作式 SaaS 平台实现高灵活性（例如，系统审查和调整、轻松导出以及与同事共享结果）
• 与标准下降曲线分析方法相比，准确性更高

场景二：优化未来钻井

加密钻井和新面积的开发需要针对不同情况（即各种井位、设计、完井和间距）的生产建模。通过自动化机器学习 (AutoML) 管道，SUN 允许工程师捕捉井性能和井特性之间的非线性和复杂关系，最大限度地提高资本效率和 EROI[3,4]。主要好处包括：

• 与传统型曲线相比，误差减少50% 以上

• 效率增益；利用 AWS 云上的自动 ML 管道将模型构建速度提高 10 倍*

• 智能特征工程和数据处理，以调节 ML 的历史字段数据

• 通过可解释的 ML 了解每个参数（例如，地质、完井和间距）如何影响生产力（了解答案背后的原因，以便做出更自信的决策）

• 估计围绕生产配置文件的置信区间

• 团队协作以及与业务部门轻松共享模型

场景 3：高效运营现有油井

操作决策（例如，设置适当的操作条件、安装新的人工举升系统和计划重新压裂）需要对油、气和水的速率进行时间预测。如前所述，当前的方法（例如，类型曲线）是不充分的。SpeedWise® Unconventionals 提供基于深度学习 (DL) 的框架，用于可靠地多步预测油、水和气速率[5]，并开辟了传统方法不可行的新可能性（即下降曲线分析和统计类型曲线）或传统的 ML：

通过训练一个模型来预测所有三个阶段，捕获石油、天然气和水率之间的依赖关系

通过估计每个时间步的置信区间来更好地进行风险管理

由于模型结合了静态特征（例如地质、间距和完井特征），因此可对生产历史较短的油井进行可靠和准确的预测

允许运营商做出明智的运营决策，并结合预先已知的控制变量（例如，扼流圈尺寸、重压事件和作为时间函数的人工举升类型）

其他好处包括：

• 自动模型训练和超参数调整

• 模型效果

• 自动化特征工程和数据处理

• 通过易于使用的基于浏览器的用户界面进行团队协作

一键三连[分享]、[点赞 ] 和 [赏]， 点这里