最近的数字时代见证了无限和按需计算能力的出现。对于地下描述，这提供了对地质假设更多认识的能力，在短时间内探索更广泛的可能性领域。这有可能大大减少油田开发规划周期，这在一个越来越不稳定的市场是非常需要的。这种潜力只有在有足够的分析工具的情况下才能实现，以便石油工程师能够正确评估和调查成百上千的案例(静态的或动态的)。
新一代水库工程工具和工作流程正在进入市场，例如专家引导的机器学习井放置解决方案，用于识别连接和高饱和的石油体积。后一种技术在储层模型的集合上有效，用于稳健的现场开发优化，下面的地下不确定性和高度自动化的方式。该方法嵌入到结构化的工作流程设计中以改善基线井位置设计。
这项工作表明，利用概率井排名来识别井位置设计的迭代改进，以识别低执行井，概率图以了解储层性能和基于分析的基于分析的优化步骤，瞄准大连接和高饱和的油量。描述方法，并且呈现出用于完整优化循环的应用结果。结构化方法突出了新型学习技术的价值，以提供优化井位置设计的高效和可管理的解决方案，以便在地下不确定性下进行井位置设计。
在过去的几年里，主要的技术颠覆者改变了我们在这个行业的工作方式，它们大多发生在数字领域。人，管理者，投资者，都有着极高的期望和期望。过去几年研发支出的演变就是这种转变的一个很好的指示器。人们必须采用和掌握新技术的速度可能是可怕的，而数据收集的指数级增长以及对更快的业务回报的预期更加剧了这一点。
我们的行业最近一直很艰难。虽然我们都很欣赏，未来开辟了我们的人才游戏扮演重要作用的新挑战，但一些指标表明额外的压力将来自资源缺陷。这增加了改变我们工作方式的必要性;为我们的劳动力提供工具和解决方案，使其能够吸收额外的负载。
地质学家和工程师需要适应新的现实。实现转换，他们需要新工具。将使它们能够操纵数据，切片和骰子的工具，使用他们觉得舒适的语言来操纵数据，切片和骰子，脚本。有解决方案可以轻松可视化，分析和监控其不断增加的数据量。最后有能力推断新数据，构建关系，并找到进一步自动化繁琐和重复任务的新方法。
统计学习方法和分析工具的民主化将在很短的时间内增加个人自治。这是通过AI平台的有效耦合以及全部集成在多功能数据生态系统的顶部的双分析工具来实现的。这是由Delfi数据科学配置文件实现的。它将配备工程师，他们需要有效地自动化耗时的活动，并将他们的重点转移远离监测任务进入前进的规划活动。
近年来，在储层描述中使用机器学习（ML）技术，对使用机器学习（ML）技术进行了重大兴趣。也许迄今为止最常见的应用程序一直是地质特征的分类，例如来自地震数据的故障。
另一股活性是基于用于物业建模的大型模拟训练数据集的生成对抗网络（GANS）。在尝试利用ML方法结合房地产模型的地质统计技术时，存在较少的活动。这些技术用于提供估计和模拟储层性质的实现，例如孔隙率和渗透性。虽然它们非常成功并且已成为制造水库特性模型的标准方法，但他们确实需要一些现实世界的局面的解决方法。
Ember算法将经典的地质统计估计和模拟技术与ML相结合，提供了对储层性质的稳健和快速的估计。在综合油藏模型中与经典高斯联合模拟进行了比较。可以看出，当高斯模型满足所需条件时，余烬模型的表现与经典算法一样，而当高斯模型不是很好拟合(异方差和不正确的方差图)时，余烬模型的表现优于经典算法。当其他相关数据可用时，或经典地质统计算法的拟合度较差时(例如在现实情况中，可用数据的许多方面都没有很好地用平稳假设建模)..
这种创新的混合建模解决方案可以大大优于任何经典方法。该算法可用于最小的准备工作和减少的专家地理统计设置。它使储层模型建设的速度和可靠性和扩展现场开发规划能够实现一步变化。
资产队长任务是定期提出生产增强机会。虽然该过程对维持资产生产至关重要，但潜在的工作台候选人的识别受到预算限制的限制，历史上是漫长的手动过程，每次迭代都消耗了几周的工程师的时间。此外，很少捕获从过去干预措施的最佳实践和经验教训，这可以防止系统改善候选人选择方法和干预选择。
使用人工智能（AI）与生产运营解决方案集成，建议在迅速筛选的标准化和自动化方法，并在一小部分中迅速筛选和排名大量井数资产（数百或数千孔）。通过在集成和协作框架中通过机会成熟过程（OMP）保持生产增强机会流水线，通过在集成和协作框架中保持潜在的候选方案，解决了现有井的主动管理。工程师在升高之前确认并验证了系统生成的机会，以便批准。
该解决方案的应用使得近200口完井作业每周都要常规进行修井和修井作业评估(相比之下，之前的评估每两年进行一次)。在早期评估中，该解决方案在识别和审查干预候选方案时节省了89%的时间。此外，由于消除了人工操作，节省了88%的成本。
地震解释是E＆P活动的基石几十年来，但是，这种数据集的价值的解释和提取仍然在整体地质和地球物理（G＆G）工作流程中提出了一个主要的运营瓶颈。高度手动和主观工作流程，具有高度重复与大量数据相结合，导致耗时的过程，该过程经常产生不一致的结果。
机器学习（ML）在故障识别，解释和作为储存器建模工作流程的馈线中的应用，是优化储层发展。使用预制ML模型故障预测产生了对输入地震立方体内的总结构的中等精确预测。该故障预测为初始故障提取和结构建模提供了基础;虽然还突出显示预测结果可以提高的区域。
将应用程序扩展到用户驱动的ML模型，具有用户定义的故障标签，产生了故障预测的准确性的显着增加。地球物理学家验证了这组故障，用来通知第二个结构模型实现。
使用增强的故障识别方法显着改善了域科学驱动的工作流程，并向解释循环提供了大量价值 - 为该项目实现了整体结构解释的平均减少了80％。
数字油田项目集成了各种各样的生产监测和技术管理。典型数据包括井和流线操作参数，生产率，储存，储层模型和零星事件，如干预和良好的测试。所有此次追溯在行业标准历史学家，SCADA系统和专有数据库中。
使用重大时间和日期访问高频记录和零星数据，使数据分析和机械型技术的应用程序能够应用。在任何发病率期间，SCADA系统提供了有关操作条件的要求，例如头部压力和温度，并且状态良好的状态AndValve位置，这使得AI能够在特定操作事件期间测量井中的响应。
利用人工智能解决方案，我们将模式识别、机器学习和数据驱动的 分析应用于自然流动井的石油生产作业的常见案例。这些 情况包括:
自动识别储层环境(裂缝、基质或双重孔隙度) 基于井底或井口压力趋势，可以识别径向或线性瞬态流动。
基于通过井筒压降变化的耐水不稳定性的诊断，改变井头压力下降率。
基于溢压力变化的监测的水合物形成
地面设备中未校准节流阀的识别
解决方案地解释现场数据（24/7）并提供有价值的信息，而不是技术团队 - 它已成为石油工程师的宝贵助理。该解决方案增强了对验证和解释水平，导致效率，改善的Hselevels和几种经济效益增加。