Enerji keşfine dair taşınan riskler ve belirsizlikler, bilinmeyen jeolojik parametreler, akışkan ve kaya özelliklerindeki değişiklikler, sınır koşulları ve gürültülü gözlemsel verileri içerir. Ana rezervuar mühendisliği görevleri ve sahaların optimizasyonu için belirsizliğin titiz bir şekilde kalibre edilmesi, çok sayıda ileri simülasyonun gerçekleştirilmesini gerektirir. Kullanım senaryoları, geçmiş verilerin eşleştirilmesinden olasılıksal tahminlere ve ters problemlerden oluşmaktadır. Ancak yüz milyonlarca etkin ızgara hücresi içeren yüksek kaliteli modellerle birleştirildiğinde, yüksek performanslı hesaplama (HPC) simülatörleri önemli ölçüde hesaplama kaynaklarına ihtiyaç duyar.
Geleneksel olarak, bu zorluklarla başa çıkmak için proxy veya yedek modeller kullanılır. Bu modeller, senaryoların hızlı bir şekilde değerlendirilmesine olanak tanır. Ancak mevcut proxy üretim yöntemlerinin çoğu, özel senaryoları ele almakta ve farklı problemlere genelleştirilememektedir. Şu anki çalışmalarda, bir tam alan proxy modeli, temel veya durum değişkenlerinin çözümünü hem mekân hem de zaman açısından doğrudan bir rezervuar simülatörüne benzer şekilde yaklaşık olarak tahmin eder.
Bu nedenle, bu proxy’ler, tam simülatörün yerini alabilir ve çok çeşitli zorluklarla başa çıkmak için kullanılabilir. Ancak 3D rezervuarlar için tam alan proxy’lerinin oluşturulması, yüksek hesaplama talepleri ve algoritmik zorluklar nedeniyle hala bir sorun olmuştur. Bununla birlikte, tam alan proxy’leri oluşturmanın umut verici bir yaklaşımı, sinir operatörleri gibi modern makine öğrenimi (ML) teknikleri, tam fiziksel rezervuar simülatörleri ve NVIDIA A100, H100 ve H200 gibi yüksek bellek ve devasa hesaplama gücüne sahip modern GPU’ların birleşiminde yatmaktadır.
Stone Ridge Technology (SRT), rezervuar simülatörü ECHELON’u NVIDIA Modulus ile AWS üzerinde entegre ederek tam alan proxy modelleri oluşturmak için yüksek ölçeklenebilir bir çerçeve geliştirmiştir. NVIDIA Modulus, fiziksel ML modelleri oluşturmak, eğitmek ve ince ayar yapmak için açık kaynaklı bir çerçevedir ve Python arayüzü sunar. Bu tam alan proxy modelleri, ileri simülasyonlara göre 10 kat ile 100 kat daha hızlıdır ve bir tam fiziksel çözümle kıyaslandığında oldukça doğru sonuçlar sunar. Bu genel çerçeve, NVIDIA Modulus ve ECHELON’un bir araya gelmesi ile belirsizlik değerlendirmesi gibi mevcut zorlukların yanı sıra birçok saha optimizasyon problemi için de kullanılabilir. Ayrıca, aksi takdirde mümkün olmayan yeni mühendislik iş akışları üretmekte de kullanılabilirler.
ECHELON, ML modelini oluşturmak için gereken geniş eğitim, test ve doğrulama verilerini oluşturur. Üretilen veriler, hızlı ve kolay erişim için Amazon S3 üzerinde depolanır. Proxy modelleri, ileri simülasyonlardan kat kat daha hızlı çözüm çıkarımları sağlar. Genel iş akışının şeması Şekil 1’de gösterilmektedir.
Sinir Operatörleri ile Proxy Üretimi
Stone Ridge Technology, AWS üzerinde NVIDIA Modulus ile Fourier Sinir Operatörü (FNO) modelini kullanarak uzamsal-zamansal rezervuar proxy’leri üretmiştir. FNO ağının yüksek düzeyde bir genel görünümü Şekil 2’de gösterilmektedir. Ayrıntılı metodoloji Neural Operator: Learning Maps Between Function Spaces ve NVIDIA Modulus GitHub deposu‘nda bulunabilir.
AWS Bulutunda Uygulama
Rezervuar simülasyon iş akışı AWS üzerinde uygulanmıştır. AWS, büyük miktarda veriyi işlemek için güçlü bir esnekliğe sahip talep üzerine hesaplama kaynakları sunmaktadır. AWS mimarisinin genel görünümü Şekil 3’te sunulmaktadır.
Sonuçlar ve Uygulama Örnekleri
Stone Ridge Technology, FNO tabanlı proxy’ler için aşağıdaki örnekleri sunmaktadır.
İyi Yerleştirme Optimizasyon Modeli
İlk örnek, heterojen jeolojik özelliklere sahip bir rezervuarda iyi yerleştirme optimizasyonu senaryosunu temsil etmektedir. Bu rezervuarda dört üretici ve bir su enjeksiyon kuyusu bulunmaktadır.
Eğitim örnekleri, enjeksiyon ve üreticilerin konumları değiştirilerek üretilmiştir. Şekil 4’te dört rastgele kuyu konumunu içeren örnekler gösterilmektedir. Toplamda 500 örnek eğitim, test ve doğrulama için kullanılmıştır.
Modulus tabanlı FNO proxy çözümü, su doygunluğunun 3D evriminin ECHELON öncü simülatörünün gerçek çözümüyle karşılaştırılmıştır. Su cephesinin karmaşık topolojik detayları FNO tarafından iyi bir şekilde yakalanmıştır. Şekil 5’te, farklı iyi yerleştirme senaryoları için FNO tahminleri (“Modulus”) ile gerçek çözüm (“ECHELON”) için su cephesi kurulumu karşılaştırılmaktadır.
Jeolojik Belirsizliklerle Proxy Modeli
İkinci örnek, karmaşık jeoloji ve fayların bulunduğu gerçek bir alan modelidir. Bu çalışma için seçilen rezervuar modeli, Norne alanının gerçek bir yüzey altı modeline dayanmaktadır. Norveç Denizi’ndeki Norne alanı, heterojen ve anizotropik geçirgenlik özelliklerine sahip bir köşe noktasında grid ile temsil edilmektedir. Rezervuarın boyutu 46 x 112 x 22’dir ve 35 kuyu içermektedir (Şekil 6).
22 üretici kuyusu, sabit dip-şebeke basıncı ile kontrol edilen ölçülebilir petrol, gaz ve su oranları sunmaktadır. Dokuz su enjeksiyonu kışlası, sabit enjeksiyon oranları ile kontrol edilen ölçülebilir bir dip-şebeke basınca sahiptir. Toplamda 3,298 gün simülasyon gerçekleştirilmiştir. Tam alan proxy’si, yer alanlarda belirsizlikler olmasına rağmen, kuyulu yerler sabit kalmaktadır.
Eğitim ve test verileri, porozite, kaya geçirgenlikleri ve fay geçirgenlik çarpanlarındaki varyasyonları içeren Norne modelinin 500 realizasyonu ile üretilmiştir. Şekil 7, porozite ve geçirgenlik alanlarındaki varyasyonları gösteren eğitim verilerinin iki rastgele örneğini sunmaktadır.
Şekil 8 ve 9’da, Modulus FNO çözümünün ve ECHELON’un rastgele bir realizasyona karşı çözüm değişkenlerinin, basınç ve su doygunluğu, zaman evrimi karşılaştırılmaktadır. SRT, hem basınç hem de doygunluk alanları için sonuçlarda güçlü bir anlaşma gözlemlemiştir; sadece ufak hatalar bulunmaktadır.
Sonuçların Değerlendirilmesi
Stone Ridge Technology, ECHELON rezervuar simülatörünü NVIDIA Modulus ile birleştiren bir iş akışı geliştirmiştir. Tam fiziksel simülatör, geliştirilmiş ML çerçevesi kullanılarak geliştirilen yedek modeller için hem doğrulayıcı hem de veri ürecisi olarak hizmet etmektedir. Tam alan yedek modeller, ileri simülasyonlardan bir derece daha hızlıdır ve oldukça doğru sonuçlar sunarken, senaryoların hızlı bir değerlendirmesi için yeni bir yol açmaktadır. Bu genel çerçeve, NVIDIA Modulus ve ECHELON’un bir araya gelmesiyle, belirsizlik değerlendirmesi gibi mevcut zorlukların yanı sıra optimizasyon problemleri için de uygulanabilir.
Bu framework, belirsizlik değerlendirmesi ve saha geliştirme optimizasyonu gibi önemli yeraltı uygulamaları için sağlam bir temel sunmakta ve yüksek performans ile doğruluk sağlamaktadır.
Daha fazla bilgi için üretim ve dağıtım hakkında daha fazla bilgi edinin.
Yeraltı çalışma yüklerinizi AI, yüksek performanslı hesaplama (HPC) ve görselleştirme ile nasıl hızlandırabileceğinizi keşfedin.