Przegląd
Sztuczna inteligencja przegląda badania sejsmiczne, dzienniki odwiertów i dane satelitarne, aby szybciej i dokładniej znajdować złoża ropy i gazu. Zmniejsza koszty i zmniejsza ryzyko związane z podejmowaniem decyzji o miejscu wiercenia.
Sztuczna inteligencja w eksploracji ropy i gazu stosuje sztuczną inteligencję w środowiskach specyficznych dla danej dziedziny, w których regulacje, operacje i tolerancja ryzyka w dużym stopniu wpływają na wybory projektowe.
Głębokie nurkowanie
Znalezienie węglowodorów oznacza interpretację ogromnych, zaszumionych zbiorów danych: badań sejsmicznych 3D i 4D, dzienników odwiertów, próbek rdzeni i historii produkcji. Tradycyjnie geofizycy interpretowali je ręcznie przez miesiące. Sztuczna inteligencja radykalnie to przyspiesza. Modele głębokiego uczenia się, zwłaszcza splotowe sieci neuronowe, automatycznie identyfikują uskoki geologiczne, kopuły solne i warstwy stratygraficzne na obrazach sejsmicznych. Uczenie maszynowe na podstawie danych z odwiertów przewiduje porowatość i przepuszczalność skał, czyli właściwości decydujące o możliwości przepływu ropy. Firmy budują modele zbiorników i wykorzystują oparte na sztucznej inteligencji „dopasowywanie historii” do kalibracji symulacji względem rzeczywistej produkcji. Sztuczna inteligencja kieruje także wierceniem w czasie rzeczywistym, sterując wiertłem tak, aby pozostało w produktywnej „strefie opłacalności” i sygnalizując zagrożenia, takie jak nagłe zmiany ciśnienia, które mogą spowodować wydmuchy. Korzyścią jest mniej suchych odwiertów i mniejsze ryzyko poszukiwań.
Wgląd techniczny
W interpretacji sejsmicznej często wykorzystuje się CNN przeszkolone w zakresie segmentacji uskoków i horyzontów w obrazach 3D, traktując dane odbicia jak woksele w obrazowaniu medycznym. W przypadku kłód odwiertowych modele regresji i klasyfikacji odwzorowują zmierzone sygnały (promieniowanie gamma, oporność, dźwięk) na właściwości skał. „Modele zastępcze” są przybliżeniem powolnych symulatorów zbiorników opartych na fizyce, dzięki czemu inżynierowie mogą szybko uruchomić tysiące scenariuszy. Uczenie się przez wzmacnianie i optymalizacja Bayesa pomagają wybrać odpowiednie rozmieszczenie, aby zmaksymalizować regenerację.
Opanowanie sztucznej inteligencji w poszukiwaniach ropy i gazu
Sztuczna inteligencja przegląda badania sejsmiczne, dzienniki odwiertów i dane satelitarne, aby szybciej i dokładniej znajdować złoża ropy i gazu. Zmniejsza koszty i zmniejsza ryzyko związane z podejmowaniem decyzji o miejscu wiercenia. Sztuczna inteligencja w eksploracji ropy i gazu stosuje sztuczną inteligencję w środowiskach specyficznych dla danej dziedziny, w których regulacje, operacje i tolerancja ryzyka w dużym stopniu wpływają na wybory projektowe. Aby zbudować głębokie zrozumienie, traktuj sztuczną inteligencję w wydobyciu ropy i gazu jako model operacyjny, a nie pojedynczą cechę: zdefiniuj pożądane wyniki, wyjaśnij założenia i oddziel to, co system może niezawodnie zrobić, od tego, co wciąż wymaga fachowej oceny.
W praktyce silne zespoły korzystające ze sztucznej inteligencji w poszukiwaniach ropy i gazu dostosowują możliwości techniczne do zasad domeny, możliwości audytu i podejmowania decyzji na pierwszej linii. Dokumentują wyraźne kryteria sukcesu, testują realistyczne dane i przepływy pracy oraz wykonują iteracje w oparciu o zaobserwowane wzorce niepowodzeń, a nie jednorazowe zwycięstwa w testach porównawczych. W tym miejscu teoretyczne zrozumienie zamienia się w trwałe możliwości w zakresie produktu, polityki i operacji.
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością. Jednocześnie wymagania regulacyjne mogą unieważnić mocne prototypy. Najbardziej odporne podejście polega na połączeniu szybkości eksperymentowania z dyscypliną zarządzania: przeprowadzanie programów pilotażowych, gromadzenie dowodów, publikowanie dzienników decyzji i ciągłe aktualizowanie zabezpieczeń w miarę ewolucji zachowań modelu, oczekiwań użytkowników i wymagań prawnych.
Wpływ strategiczny
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Implementacja w świecie rzeczywistym
ExxonMobil i Microsoft wykorzystują uczenie maszynowe do optymalizacji wierceń i produkcji w basenie permskim
Shell wykorzystuje sztuczną inteligencję do interpretacji danych sejsmicznych i przewidywania awarii sprzętu w różnych operacjach
Narzędzia BP do modelowania złóż wykorzystujące dopasowywanie historii oparte na sztucznej inteligencji w celu prognozowania wyników złóż
Programy do wykrywania metanu za pomocą satelitów i sztucznej inteligencji (np. firm takich jak Kayrros) wykrywające wycieki w odwiertach
Wzorce implementacyjne
Sztuczna inteligencja w poszukiwaniach ropy i gazu w praktyce
ExxonMobil i Microsoft wykorzystują uczenie maszynowe do optymalizacji wierceń i produkcji w basenie permskim.
ExxonMobil i Microsoft wykorzystują uczenie maszynowe do optymalizacji wierceń i produkcji w Basenie Permu Zespoły zwykle uzyskują lepsze wyniki, gdy od początku określają progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Sztuczna inteligencja w poszukiwaniach ropy i gazu w praktyce
Shell wykorzystuje sztuczną inteligencję do interpretacji danych sejsmicznych i przewidywania awarii sprzętu w różnych operacjach.
Shell wykorzystuje sztuczną inteligencję do interpretacji danych sejsmicznych i przewidywania awarii sprzętu w różnych operacjach Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, monitorują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Sztuczna inteligencja w poszukiwaniach ropy i gazu w praktyce
Narzędzia BP do modelowania złóż wykorzystujące dopasowywanie historii oparte na sztucznej inteligencji w celu prognozowania wyników złóż.
Narzędzia BP do modelowania złóż wykorzystujące dopasowywanie historii oparte na sztucznej inteligencji do prognozowania wyników z pola. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Sztuczna inteligencja w poszukiwaniach ropy i gazu w praktyce
Programy satelitarne i programy sztucznej inteligencji do wykrywania metanu (np. firm takich jak Kayrros) wykrywające wycieki w odwiertach.
Programy satelitarne i programy sztucznej inteligencji do wykrywania metanu (np. firm takich jak Kayrros) wykrywające wycieki w odwiertach Zespoły zwykle uzyskują lepsze wyniki, gdy z góry określają progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Zagrożenia i poręcze
Wymogi prawne mogą unieważnić mocne prototypy.
Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Plan wdrożenia
Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.