Deep Learning: La Sfera di Cristallo per Scovare le Vie d’Acqua Nascoste nei Giacimenti Petroliferi

Ciao a tutti! Oggi voglio portarvi con me in un viaggio affascinante, nel cuore pulsante dei giacimenti petroliferi, ma visto attraverso una lente completamente nuova: quella dell’intelligenza artificiale e del deep learning. Immaginate un giacimento come una spugna gigante sotterranea, imbevuta di prezioso petrolio. Per estrarlo, spesso iniettiamo acqua per “spingere” l’olio verso i pozzi di produzione. Sembra semplice, vero? Beh, non proprio.

La Sfida Nascosta: I Canali di Filtrazione Dominanti

Il problema è che sottoterra non è tutto uniforme. Con il tempo, e soprattutto con l’iniezione prolungata di acqua ad alta intensità, si possono formare delle specie di “autostrade preferenziali” all’interno della roccia serbatoio. Noi le chiamiamo canali di filtrazione dominanti. Sono percorsi a bassa resistenza dove l’acqua iniettata scorre molto più facilmente, bypassando ampie zone ricche di petrolio.

Qual è la conseguenza? L’acqua arriva troppo in fretta ai pozzi di produzione, la quantità di petrolio estratto cala drasticamente (quello che chiamiamo “water cut” aumenta rapidamente) e l’efficienza complessiva del processo crolla. In pratica, sprechiamo un sacco di acqua ed energia per recuperare meno petrolio. Intervenire *dopo* che questi canali si sono formati è costoso e spesso poco efficace. È come cercare di chiudere la stalla quando i buoi sono già scappati.

La vera sfida, quindi, è capire in anticipo dove e quando questi canali si formeranno. Avere una sorta di “sfera di cristallo” per prevedere il comportamento futuro del giacimento. Ed è qui che entra in gioco la nostra ricerca.

I Metodi Tradizionali e i Loro Limiti

Finora, gli ingegneri di giacimento hanno usato diversi metodi per identificare questi canali, basandosi spesso su dati geologici, parametri di formazione o complesse simulazioni numeriche. Ci sono approcci basati sulla valutazione fuzzy, sulle macchine a vettori di supporto (SVM), su teorie di allerta integrate con l’ingegneria di giacimento, o sull’analisi delle curve di logging dei pozzi.

Il problema di molti di questi metodi è che:

• Sono spesso “cuciti su misura” per un giacimento specifico e difficili da applicare altrove.
• Richiedono dati che potrebbero non essere disponibili per tutti i giacimenti o che sono costosi da ottenere.
• Si concentrano più sull’identificazione dei canali già formati che sulla previsione precoce della loro formazione.

Insomma, serviva qualcosa di più versatile, più accessibile e, soprattutto, più predittivo.

Il Colpo di Genio: Usare il Deep Learning e i Dati di Produzione

E se potessimo usare i dati che già abbiamo in abbondanza? I dati di produzione! Ogni giorno, registriamo quanta acqua iniettiamo, quanto fluido e quanto petrolio produciamo da ogni pozzo, la percentuale di acqua nel fluido prodotto (water cut), ecc. Questi dati, raccolti nel tempo, formano delle lunghe serie temporali che contengono informazioni preziose sul comportamento del giacimento.

Qui entra in gioco il deep learning. Negli ultimi anni, modelli come il Transformer hanno rivoluzionato l’analisi delle sequenze, ad esempio nel campo del linguaggio naturale. Questi modelli sono bravissimi a catturare dipendenze a lungo termine e relazioni complesse nei dati sequenziali. Perfetto per le nostre serie temporali di produzione!

Tuttavia, i dati dei giacimenti possono coprire decenni, creando sequenze estremamente lunghe. Per gestire questa sfida, abbiamo puntato su un modello ancora più specializzato: l’Informer. È una variante del Transformer progettata specificamente per gestire previsioni su serie temporali molto lunghe in modo efficiente.

La Nostra Soluzione: LMSC-Informer

Abbiamo quindi sviluppato un nuovo approccio, che abbiamo chiamato LMSC-Informer (Label Matrix of Seepage Channels Informer). L’idea chiave è combinare la potenza predittiva dell’Informer con la conoscenza dell’ingegneria di giacimento. Ecco come funziona, in parole semplici:

1. Preprocessamento dei Dati: Prendiamo i dati di produzione grezzi dei pozzi di iniezione e produzione. Li “splittiamo” per strato geologico (usando metodi come il coefficiente di formazione KH) e identifichiamo le connessioni tra pozzi di iniezione e pozzi di produzione adiacenti. Ogni connessione è un potenziale “canale”.
2. Valutazione dello Sviluppo dei Canali: Abbiamo creato una funzione di valutazione empirica. Questa funzione combina diverse caratteristiche dinamiche (portata d’acqua iniettata, produzione di fluido e olio, water cut) per dare un “punteggio” a ogni canale in ogni momento, indicando il suo stadio di sviluppo (da “sottosviluppato” a “sfondato”, passando per fasi intermedie). Per ottimizzare i pesi di questa formula, abbiamo usato un algoritmo di ottimizzazione chiamato Particle Swarm Optimization (PSO), basandoci sull’intuizione che i canali non dominanti passano più tempo nelle fasi intermedie.
3. Creazione della Matrice di Etichette (Label Matrix): I punteggi ottenuti diventano delle “etichette” che aggiungiamo ai dati di produzione di ogni canale. Immaginate una sorta di “carta d’identità” che evolve nel tempo per ogni canale, dicendoci quanto è vicino a diventare dominante. Questa matrice è il ponte tra l’ingegneria e il deep learning.
4. Previsione con Informer: Infine, diamo in pasto all’Informer le serie storiche dei dati di produzione, arricchite con le nostre etichette. Il modello impara le relazioni complesse tra i dati passati, lo stato di sviluppo dei canali (le etichette) e cerca di prevedere lo stato futuro, in particolare se e quando un canale diventerà dominante (cioè “sfonderà”).

Il bello di questo approccio? Si basa principalmente sui dati di produzione dinamica, che sono generalmente disponibili per la maggior parte dei giacimenti. Questo lo rende potenzialmente molto più versatile e applicabile su larga scala rispetto ai metodi precedenti.

La Prova sul Campo: Un Successo Promettente

Ovviamente, un’idea è bella solo se funziona nella pratica. Abbiamo testato il nostro LMSC-Informer utilizzando i dati reali di un giacimento petrolifero offshore cinese (grazie al State Key Laboratory for Efficient Development of Offshore Oil per averceli forniti!). I dati coprivano un periodo lungo, dal 1992 al 2022, con decine di pozzi e canali identificati, alcuni dei quali erano effettivamente diventati dominanti.

Abbiamo addestrato il modello su una parte dei dati e lo abbiamo testato sulla parte rimanente. I risultati? Abbiamo raggiunto un’accuratezza di previsione media del 73,9%! Per darvi un termine di paragone, usando solo la nostra funzione di valutazione (senza il deep learning dell’Informer), l’accuratezza media era del 61,7%. Un miglioramento significativo del 12,2%! Anche altre metriche, come l’F1 score (che bilancia precisione e richiamo), hanno mostrato miglioramenti simili (dal 63,5% al 75,1%).

Questo dimostra che l’Informer è in grado di catturare quelle relazioni non lineari complesse nascoste nei dati che la semplice funzione di valutazione lineare non riesce a cogliere appieno. Il meccanismo di “ProbSparse Self-Attention” e l’operazione di “distillazione” dell’Informer aiutano a focalizzarsi sulle informazioni più importanti nelle lunghe sequenze temporali, scoprendo pattern predittivi cruciali.

Analizzando i risultati, abbiamo visto come le previsioni dell’LMSC-Informer tendano a mostrare un aumento graduale verso lo “sfondamento” del canale, creando una linea di tendenza più intuitiva rispetto ai salti discreti della funzione di valutazione. Questo si allinea meglio con la percezione umana di un processo che evolve nel tempo.

Guardando al Futuro: Cosa Ci Aspetta?

Siamo entusiasti di questi risultati, ma sappiamo che c’è ancora strada da fare. L’accuratezza del 73,9% è buona, ma vogliamo fare di meglio. Come?

• Esplorare più a fondo le relazioni non lineari: Capire meglio come l’Informer “ragiona” e quali pattern scopre potrebbe aiutarci a migliorare ulteriormente il modello.
• Integrare più conoscenza ingegneristica: Potremmo incorporare altre informazioni, come la connettività tra gruppi di pozzi o meccanismi di cambiamento dinamico più complessi.
• Utilizzare più dati e caratteristiche: Oltre ai dati di produzione principali, potremmo includere altre misurazioni dinamiche come la pressione in testa pozzo o il livello dinamico del fluido.
• Ampliare il dataset e testare su nuovi giacimenti: Avere più dati, magari da blocchi diversi o giacimenti completamente nuovi, ci permetterebbe di creare modelli più robusti e generalizzabili.
• Superare i limiti computazionali: Modelli più complessi e dataset più grandi richiedono più potenza di calcolo.

In conclusione, la previsione dei canali di filtrazione dominanti è cruciale per uno sviluppo efficiente e sostenibile dei giacimenti petroliferi. Crediamo fermamente che l’unione tra l’esperienza dell’ingegneria di giacimento e la potenza del deep learning, come nel nostro approccio LMSC-Informer, rappresenti una strada promettente. Per la prima volta, abbiamo dimostrato che è possibile usare il deep learning per questo specifico compito di allerta precoce, ottenendo risultati incoraggianti e aprendo la porta a future ottimizzazioni. È come avere finalmente una lente d’ingrandimento più potente, o forse una prima versione della nostra sfera di cristallo, per gestire meglio queste complesse risorse sotterranee. E questo, per chi lavora nel campo, è davvero affascinante!

Fonte: Springer