将注意力集中 探索 在地质条件较好的地区，潜在的发现可以与现有的基础设施相结合，而无需进行大型和昂贵的新开发，ilx项目的特点是资本支出较低, 更短的投资回收期, 低CO2 排放. 在能源转型的宏观背景下，脱碳，以及未来能源结构的不确定性，这些都非常引人注目.
大多数即将进行的勘探活动都发生在现有基础设施附近, 而且发现往往是在自然中更边缘的, 运营商现在正在寻找技术和解决方案 缩短周期时间，提高发展经济性. 从最初的发现到投资决策，传统的勘探和评估工作流程通常需要数年时间, 这意味着它们不再足够. 实现更短的周期时间意味着改变数据的使用方式, 决策是如何做出的, 以及做出这样的决定需要多长时间. 我们没有几年的时间——我们有几天，几周，甚至几个月.
快的和非常快的
将勘探数据转化为 储层 在任何近场勘探项目中，洞察力和关键开发指标(以及以快速通道的方式进行以加速决策)都是必不可少的. 也就是说, 在关键决策过程中，有两种典型的时间框架:
- 开发决策时间框架(通常)为几周到几个月
- 数小时到数天的实时决策时间框架.
开发决策时间框架取决于快速跟踪项目和缩短首次生产时间的需要, 从而改善整体经济状况. 实时决策时间框架取决于钻机仍然可用时可以采取的行动，例如改变或调整测量采集程序, 改变一个 完成 设计，或决定钻一个 侧线. 从本质上讲，ILX项目很少进行勘探和开发 评估 井. 这意味着当工具还在井中时，就必须实时解决和理解储层的复杂性. 如果测井分析表明储层比预期的更复杂，则可能没有其他数据收集机会.
数字工作流程如何加速决策
这两种决策时间框架的共同点是，需要将测量结果与油藏洞察力或对开发决策至关重要的指标(如横向和垂直连通性等因素)联系起来, 好效率, 和连接 碳氢化合物 量)，同时量化这些指标中的不确定性. 这需要对所有来源和学科的数据进行解释和整合, 从表面 地震 和当地的地质知识 钻孔 测井曲线、流体性质以及 压力瞬态试验. 这样的积分是由 建立水库的数字表示, i.e.，一个三维静态和动态模型.
Advancements in digital tech are rapidly changing how we do modeling by automating previously manual steps; deploying novel, AI-backed techniques; 和 leveraging cloud-based applications to connect data with 解释 和 modeling in a real-time, 多用户环境.
储层建模 不是新的尝试吗. 传统上它是一个专业, 与实际获取数据的团队脱节的耗时练习. 然而，数字技术的进步正在迅速改变我们建模的方式. 由于部署了新颖的人工智能支持的建模技术，曾经手工操作的步骤现在已经自动化了. 与此同时, 越来越多的组织利用基于云的应用程序来实时地将数据与解释和建模联系起来, 多用户环境.
自动化的答案
其中之一 工作流效率的最大飞跃 来自于自动化 处理 和 解释 任务，特别是岩石物理测井和井眼图像. 而更高级的解释总是可能的, 该行业目前受益于直接提供3D建模所需关键答案的自动化方法, 包括 岩性, 孔隙度, 磁导率，流体 饱和.
我们也有自动解释构造和沉积的方法 下降 从钻孔图像，一个非常费力的钻孔组成部分 地质学家的 角色. 处理后的钻孔图像然后输入基于人工智能的算法进行自动分区和 相 分类. 机器学习根据沉积几何形状对图像进行分割和分类, 沉积相识别的第一步.
新颖的建模技术
在硬数据仅限于少数井位的勘探中, 建模时需要注意两点:
- 尊重我们所知道的和我们所拥有的测量
- 对不确定性进行量化.
油藏建模通常从三维结构模型开始. 隐式结构建模的最新发展导致了一种新的算法, 称为无网格智能结构, 哪一个自动化了大部分的模型构建. 针对近井环境量身定制, 该算法处理来自地震表面的输入, 好了上衣, 的错 表面和标记，以及沿井眼轨迹和远离井眼轨迹的倾角.
建模过程的下一步是创建3D沉积环境的不同候选实现. 采用一种基于三维模拟搜索的新方法, 根据大型3D存储库查询来自日志解释的自动分区 地层 模型，以获得符合测井曲线的3D模型子集，但在井外可能会有不同的地质体延伸. 总之，这些方法使我们能够尊重 井筒 数据，同时在多场景中创建逼真的3D沉积环境, uncertainty-aware方式. 最后，结合一种混合建模方法来完成静态建模 地质统计学 用机器学习填充岩石物理特性.
人工智能驱动的压力瞬态测量是最小化不确定性的关键.
在探井测量中, 压力瞬变测试可以对地层进行最深入的研究. 因此，它们对于确定发现的规模和生产潜力至关重要. 压力瞬态测量用于校准动态储层模型，并确定最可能的地质实现, 从而缩小了不确定性. 动态油藏模型的历史匹配非常耗时, 但是，通过在工作流程中引入所谓的代理模型，这个过程正在加速.
代理模型使用机器学习来加速计算昂贵的数值模拟. 这种加速方法使交付成为可能 具有量化不确定性的历史匹配模型 使用测量后做校准. 有了这样的理解, 我们可以更清楚地了解单井测量如何有助于减少地质不确定性, 即使考虑到所有的测量结果，地质模型的哪些元素仍然不确定.
基于云计算平台
任何油藏工程师或地球科学家都知道, 数据流之间是孤立的, 特定领域的应用程序一直是地下解释和建模工作流程的主要瓶颈. 不管新的建模技术有多复杂, 如果不解决用户与数据交互的方式，工作流生产力就无法得到提高, 相互协作, 执行解释和建模, 和 为决策提供见解.
云原生应用改变了游戏规则. 今天, 创新者正在构建云平台，将用户与井场数据直接连接起来, 嵌入上面讨论的所有创新和自动化, 并在相关的时间框架内进行决策. 换句话说, 一站式服务，将探井数据与钥匙连接起来, 可行的油藏见解.
不是所有的东西都是数字化的
数字技术在解决ILX项目的周期时间方面取得了巨大进展, 但这一切都取决于探井质量测量的基础. 井眼图像资料用于倾角解释和相圈定. 高清光谱和核磁共振测量提供了岩性和关键的岩石物理性质. 地层测试测量提供了储层压力和流体性质.
通过试井或电缆输送地层测试来评估一口井的关键生产潜力. 与 CO2 减排是驱动因素 对于许多作业者来说，在不燃除的情况下测试一口井的能力正在获得巨大的吸引力. 电缆上的深度瞬态测试(DTT)弥补了井测试和电缆地层测试之间的差距. 当流量超过100桶/天时，DTT比传统的地层测试更深入 不燃烧产出的液体. 此外，它还保持了更小的占地面积和更快的有线作业执行速度, 从而使其在ILX项目中具有吸引力.
随着油气勘探向近场和近场转移 脱碳目标日益突出，支持探索工作流程的技术也需要改变. 过去需要花费数年的工作现在只需几周或几个月就能完成，而且成本更低. 这种改变没有根本的障碍, 以及数字和硬件解决方案的创新, 这个行业已经在稳步前进.
