نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

با توسعه دارایی های استراتژیک نفت و گاز، داده های نفت و گاز فضایی-زمانی عظیمی جمع آوری شده است. سیستم های کاربردی که به ذخیره و مدیریت مجموعه داده های نفت و گاز حجیم و پیچیده کمک می کنند، تقاضای زیادی دارند. داده های حجیم و متنوع باید مورد استفاده قرار گیرد و به اطلاعاتی برای تصمیم گیری تجاری و کمک به عملیات تبدیل شود. در این مقاله، ما مجموعه‌ای از روش‌های تحلیل بصری را پیشنهاد می‌کنیم که در داده‌های نفت و گاز تخصص دارند. و، ما یک سیستم مدیریت، تجسم و تحلیل داده‌های نفت و گاز مبتنی بر وب به نام سیستم اکتشاف بصری نفت و گاز (OGVES) توسعه می‌دهیم. با OGVES، داده های پیچیده و چند منبعی نفت و گاز را می توان ذخیره، جستجو، فیلتر و نمایش داد. به عنوان یک سیستم مبتنی بر وب، OGVES دسترسی بیشتری را فراهم می کند، راحتی و کارایی نسبت به سیستم های دسکتاپ سنتی. مقیاس‌های مکانی و اولیه‌های زمانی موجود در داده‌های نفت و گاز مورد بحث قرار می‌گیرند. سپس روش‌های تجسم مختلف برای کشف و نمایش ویژگی‌های مکانی-زمانی داده‌های نفت و گاز ارائه می‌شوند. مطالعات موردی مختلف قابلیت استفاده از سیستم را نشان می دهد.
کلید واژه ها:

مدیریت داده های نفت و گاز ; تجسم داده ها ؛ کاوش بصری ؛ داده های مکانی و زمانی

 

1. معرفی

انفجار داده های مربوط به نفت و گاز با توسعه اکتشاف و تولید همراه است. استفاده از حجم زیادی از داده های انباشته شده در طول سال ها یک چالش جدید و حیاتی برای بهره برداری کارآمد و پایدار است. سیستم های کاربردی که به ذخیره سازی و مدیریت مجموعه داده های نفت و گاز حجیم و پیچیده کمک می کنند، تقاضای بالایی دارند [ 1 ]. چندین خدمات و محصولات مدیریت داده در حال حاضر در بازار هستند، مانند GeoCarta [ 2 ]، Accumap [ 3 ] و iGlass [ 4 ]]؛ با این حال، اکثر این محصولات نرم افزاری تجاری، نرم افزارهای رومیزی مستقل هستند، که باعث می شود همکاری و واکنش به عملیات میدانی ناکارآمد باشد. علاوه بر این، این سیستم ها فقط از بصری سازی داده ها و عملکردهای تحلیلی محدود پشتیبانی می کنند. به طور خاص، سیستم های مدیریت داده های نفت و گاز موجود دارای محدودیت های زیر هستند:

(1)
اکثر سیستم ها در ساختار دسترسی تک نقطه ای سنتی توسعه داده شدند. کاربران معمولا مجوزهای نرم افزار را خریداری می کنند و نرم افزار مستقل را روی دسکتاپ خود نصب می کنند. نرم افزار مستقل به دلیل دسترسی محدود به داده ها، مهندسان را از همکاری در جهت برخی اهداف مشترک باز می دارد.
(2)
مهمتر از همه، ابزارهای تجسمی و تحلیلی داده های نفت و گاز سریع و چابک وجود ندارد. تجسم داده‌ها و روش‌های تحلیلی برای بهینه‌سازی تولید حیاتی هستند، زیرا داده‌های نفت و گاز چند منبعی و سریع انباشته می‌شوند به روش‌های مدیریت مکانی-زمانی متنوعی برای کشف الگوهای پنهان نیاز دارند. ترکیب این دو روش برای تولید نتایج تحلیلی کمی و همچنین ارائه ارتباطات قابل فهم انسان و رایانه ضروری است.
در این مقاله، ما مجموعه‌ای از روش‌های تحلیل بصری را پیشنهاد می‌کنیم که در داده‌های نفت و گاز تخصص دارند. و ما یک سیستم مدیریت، تجسم و تحلیل داده‌های نفت و گاز مبتنی بر وب به نام سیستم اکتشاف بصری نفت و گاز (OGVES) ارائه می‌کنیم. بحث ما بر روی داده‌های چاه نفت و گاز متمرکز است، اما داده‌های خط لوله را شامل نمی‌شود.

آثار اصلی این اثر به شرح زیر است:

(1)
طراحی و پیاده سازی سیستم اطلاعات جغرافیایی مبتنی بر وب (GIS) پلت فرم OGVES برای تجسم و تجزیه و تحلیل داده های نفت و گاز. این سیستم عملکردهایی را برای ذخیره، جستجو، تجسم و تجزیه و تحلیل حجم زیادی از داده های نفت و گاز ارائه می دهد. به عنوان یک سیستم مبتنی بر وب، OGVES دسترسی بهتر و روش‌های راحت‌تر کاوش داده را نسبت به سیستم‌های دسکتاپ سنتی فراهم می‌کند.
(2)
پیشنهاد و توسعه مجموعه ای از روش های تجسمی و تحلیلی برای کشف الگوهای مکانی-زمانی در داده های نفت و گاز. مقیاس‌های مکانی و اولیه‌های زمانی موجود در داده‌های نفت و گاز مورد بحث قرار می‌گیرند. سپس روش‌های تجسمی و تحلیلی مختلف برای کشف و نمایش داده‌های نفت و گاز ارائه می‌شوند.
این مقاله به شرح زیر سازماندهی شده است: کارهای مرتبط در مدیریت داده های نفت و گاز و تجسم در داده های مکانی-زمانی در بخش 2 بررسی می شود . یک نمای کلی از OGVES در بخش 3 ارائه شده است . بخش 4 روش های تجسم و تحلیل متنوع پیشنهادی را به تفصیل نشان می دهد. و دو کاربرد خاص OGVES تحت سناریوهای مختلف در بخش 5 آورده شده است . بخش 6 ارزیابی های OGVES، از جمله مطالعه کاربر و مقایسه عملکردی را ارائه می دهد. در نهایت، پتانسیل و کمبود سیستم در بخش 7 توضیح داده شده است که نتیجه‌گیری را نیز ارائه می‌کند.

2. آثار مرتبط

2.1. سیستم های مدیریت داده های نفت و گاز

حجم عظیمی از داده های مربوط به تولید نفت و گاز در طول سال ها انباشته شده است. داده های رو به رشد از انواع مختلفی از داده ها از حوزه های مختلف مانند زمین شناسی، ژئوفیزیک، تجارت و مدیریت تشکیل شده است. مدیریت کافی و سازنده این داده های پویا، متنوع و گسترده نیازمند سیستم های ذخیره سازی و مدیریت قدرتمند است.
انواع خدمات و محصولات مدیریت داده نفت و گاز در بازار وجود دارد. برخی از نرم افزارهای تجاری، مانند GeoCarta توسط Divestco [ 2 ]، Accumap توسط IHS [ 3 ]، geoSCOUT توسط geoLOGIC [ 5 ]، دسترسی به داده های عمومی و اختصاصی یکپارچه در رشته های مختلف را فراهم می کنند، همچنین فناوری GIS را برای ذخیره سازی، نمایش و تجزیه و تحلیل ادغام می کنند. اطلاعات مکانی و ویژگی های واحدهای تولیدی از جمله چاه ها، خطوط لوله و سایر تاسیسات.
GeoCarta توسط Divestco یکی از محبوب ترین سیستم های مدیریت داده های نفت و گاز تجاری در آلبرتا، کانادا است [ 2 ]. این نرم افزار دسکتاپ مستقل تیم های پروژه را قادر می سازد تا داده های عمومی و اختصاصی را کاوش، تجزیه و تحلیل، استخراج و نقشه برداری کنند. GeoCarta به عنوان یک انبار داده نفت و گاز مبتنی بر پلت فرم ArcGIS، یک رابط نقشه برداری بصری و ابزارهای پرس و جو با استفاده از توصیفات مکان استاندارد صنعت ارائه می کند. بنابراین، گردش کار پرس و جو و بازیابی داده ها ساده شده است.
سایر سیستم های نرم افزاری مدیریت داده های نفت و گاز دارای طرح ها و عملکردهای مشابهی هستند. با این حال، این سیستم ها نیاز به نصب ArcGIS Desktop دارند و در نتیجه فرمت داده های ورودی را محدود می کنند. علاوه بر این، پایگاه داده باید به صورت دستی به روز شود.
انفجار برنامه های کاربردی مبتنی بر وب منجر به ایجاد سیستم های اطلاعات نفت و گاز توسط فناوری وب GIS، با تمرکز بر پرس و جو داده های مکانی [6]، اطلاع رسانی اخبار صنعت نفت و گاز [ 7 ] و غیره شده است.
راه حل iGlass توسط Katalyst [ 4 ] به گونه ای طراحی شده است که مقیاس پذیر باشد و به شرکت ها اجازه می دهد تا دارایی های زیرسطحی خود را مدیریت کنند، از جمله تفسیر لرزه ای و داده های چاه. به طور مداوم در سراسر مکان های پراکنده جغرافیایی، iGlass دارای یک رابط نقشه Esri GIS مبتنی بر وب برای دسترسی مستقیم به داده های ژئوفیزیک دیجیتال است. Katalyst نرم افزار مدیریت داده iGlass را به عنوان یک سرویس (SaaS) برای مشتریان میزبانی می کند. این پلتفرم از فناوری مبتنی بر وب در دسترس و به راحتی در دسترس بهره می‌برد: کاربران می‌توانند به داده‌های خود با همگام‌سازی تضمین‌شده‌تر در هر نقطه از طریق اتصال شبکه دسترسی پیدا کرده و کاوش کنند، و نرم‌افزار اضافی غیر ضروری است.
اگرچه پلتفرم‌های مبتنی بر وب موجود دسترسی و به‌روزرسانی‌های انعطاف‌پذیرتری به داده‌ها ارائه می‌کنند، اما همچنان بر ذخیره‌سازی و جستجوی داده تأکید دارند. بنابراین، توابع کاوش تحلیلی، مانند تجسم داده ها و داده کاوی، ناکافی هستند.

2.2. تجسم داده های مکانی-زمانی

تجسم اطلاعات مطالعه بازنمایی های بصری (تعاملی) داده های انتزاعی برای تقویت شناخت انسان است [ 8 ]. فرض بر این است که «بازنمایی‌های بصری و تکنیک‌های تعامل از مسیر پهنای باند چشم انسان در ذهن بهره می‌برند تا به کاربران امکان دیدن، کاوش و درک مقادیر زیادی از اطلاعات را در یک زمان بدهند. بنابراین، بر ایجاد رویکردهایی برای انتقال اطلاعات انتزاعی به روش های شهودی تمرکز دارد. [ 9 ]. بسیاری از ابزارهای تجسم جدید برای کمک به فعالیت های کشف دانش تحت نظارت داده کاوی بصری (VDM) پیشنهاد شده اند [ 10 ]. و، تحقیقات اخیراً به سمت روش های بصری پشتیبانی شده برای کشف دانش پیشرفت کرده است [ 11]. با رونق تجزیه و تحلیل داده های بزرگ، تجسم اطلاعات به طور گسترده ای در انواع برنامه های تجزیه و تحلیل داده ها استفاده می شود. مثال‌ها شامل تجزیه و تحلیل بصری داده‌های تجاری [ 12 ]، داده‌های علمی [ 13 ]، سوابق دانش‌آموزی [ 14 ]، داده‌های ورزشی [ 15 ]، تصاویر و ویدئوها [ 16 ] و نتایج جستجو [ 17 ] است.
در میان تحقیقات و کاربردهای مختلف تجسم اطلاعات، ژئوتصویرسازی به اکتشاف و کشف با استفاده از مجموعه داده‌های مکانی-زمانی مربوط می‌شود و در کاربردهای مختلفی به کار گرفته شده است. لندزبرگر و همکاران [ 18 ] داده‌های ردیابی حرکت و مناطق هواشناسی را با استفاده از نمای داده‌های دسته‌بندی دینامیک (DCDV) که در ابتدا طراحی شده بود، تجزیه و تحلیل کردند و تصویری واضح از درک کلی در طول زمان و ناهنجاری به دست آوردند. داده‌های سفرهای تاکسی نیویورک در [ 19 ] از جنبه‌های مختلف تجسم شد، داده‌های مکانی-زمانی مختلف در روش‌های تجمیع و تجسم مختلف پس از تکمیل پرسش‌ها بیان شد.
وانگ و همکاران [ 20 ] داده‌های مسیر ترافیک پراکنده را که شامل حرکات تقریباً همه وسایل نقلیه در مناطق خاص بود، مدیریت کرد، حرکات وسیله نقلیه را در مقیاس کوچک ارائه کرد و سپس تکنیک‌های تجمیع را برای کشف الگوهای کلان ترافیک به کار برد. Mazumdar و Kauppinen [ 21 ] کاوشگر ELBAR را برای تجسم حجم وسیعی از مشاهدات علمی پیشنهاد کردند و کاربرد آن در جنگل های بارانی آمازون برزیل، استفاده از نمایش پدیده های ناهمگن را در طول زمان و مکان ارزیابی کرد.
از آنجایی که داده های مکانی-زمانی معمولاً چند منبعی و پیچیده هستند، مجموعه ابزارها یا سیستم های مناسب می توانند به عنوان ابزار قدرتمندی برای محققان و مدیران عمل کنند. تاتو و همکاران [ 22 ] یک روش تجزیه و تحلیل خودکار برای کمک به کاربران برای یافتن نمایش‌های بصری مؤثر از نامزدهای مختلف از طریق استخراج ساختارهای بصری مرتبط پیشنهاد کرد. TGRASS [ 23 ] یک GIS توسعه‌یافته زمانی است که نه تنها مدیریت، تجزیه و تحلیل، پردازش و تجسم مجموعه داده‌های فضایی-زمانی محیطی بزرگ را هدف قرار می‌دهد، بلکه به بررسی و ارزیابی روابط زمانی بین آنها نیز می‌پردازد. هنگل و همکاران plotKML اجرا شد [ 24]، یک بسته R است که یک رابط ساده برای تولید فایل‌های Keyhole Markup Language (KML) فراهم می‌کند، که به کاربران اجازه می‌دهد انواع مختلفی از داده‌های مکانی-زمانی موجود در R را به صورت بصری بررسی کنند، همراه با نتایج تحلیل‌های فضایی متنوع.
از نظر تجزیه و تحلیل مقادیر زیادی از داده ها در صنعت نفت و گاز، ابزارهای تجسم و سایر تکنیک های دیجیتال به کاوش داده ها، تصمیم گیری و بهبود تولید کمک کرده اند [25 ] . روش های تجسم کلاسیک، مانند نمودارها و نمودارهای مختلف، برای مطالعه تولید گاز شیل برای حوضه های شیل مختلف در طول زمان استفاده شده است [ 26 ، 27 ، 28 ]. برخی از مطالعات روندهای تولید را با ادغام تجزیه و تحلیل گذرا و تجزیه و تحلیل نمودار – نمودار log-log و نمودار زمانی ریشه مربع تجزیه و تحلیل کردند [ 26 ، 28 ]. در [ 27]، چاه های شیل در همان حوضه بر اساس سال های اولین تولید آنها گروه بندی شدند و نمودارهای خطی برای رسم میانگین تولید گاز روزانه گروه های مختلف چاه استفاده شد. میانگین کرت های تولید در حوضه ها مقایسه شد. تمایز واضح در تولید در حوضه های مختلف شیل به تفاوت در خواص مخزن و فرآیندهای تکمیل نسبت داده شد. بنابراین، تجزیه و تحلیل تولید با استفاده از ابزارهای تجسم داده ها برای توصیف چاه ها و ارزیابی عملکرد چاه برای یک چاه منفرد یا گروهی از چاه ها عملی است.
اگرچه ابزارهای تجسم و سایر تکنیک‌های دیجیتال به کاوش داده‌های مختلف مکانی-زمانی، تصمیم‌گیری و بهبود تولید [ 28 ] کمک کرده‌اند، اما در حال حاضر سیستم‌های جامع بسیار کمی برای تجسم داده‌های نفت و گاز وجود دارد، و به اکتشاف بصری بیشتر اشاره نکنیم. علاوه بر این، روش‌های تجسم مناسب برای ارائه داده‌های نفت و گاز، که نوع منحصربه‌فردی از داده‌های صنعتی در حال انباشت دینامیکی با محتویات و ویژگی‌های مکانی-زمانی مختلف هستند، مورد نیاز است.

3. سیستم اکتشاف بصری نفت و گاز مبتنی بر وب (OGVES)

همانطور که گفته شد، یک سیستم مدیریت داده های نفت و گاز مبتنی بر وب با تجسم داده ها و عملکردهای تحلیلی پیشرفته تقاضای زیادی دارد. به طور خاص، سیستم باید قادر به انجام عملکردهای زیر باشد: (الف) یک پلت فرم وب GIS فراهم می کند که سیستم را از طریق مرورگرهای وب برای کاربران قابل دسترس می کند. (ب) داده‌های آرشیو شده نفت و گاز را قابل جستجو بر اساس مکان‌ها یا ویژگی‌ها و نتایج جستجو شده را قابل صدور کند. ج) تجسم و کاوش تولید اسنادی و سری زمانی و داده‌های عملیاتی در اشکال چندگانه مانند جداول، نمودارهای تعاملی و نمودارها؛ و (د) تکنیک های عملی داده کاوی را ارائه می دهد و الگوهای فضایی استخراج شده را تجسم می کند. در این کار ما OGVES مبتنی بر وب را طراحی و پیاده سازی کرده ایم. معماری سیستم در زیر بخش های زیر ارائه شده است.

3.1. چارچوب OGVES

OGVES بر روی یک معماری توزیع شده چند لایه ایجاد شده است. این سیستم مبتنی بر وب است و از سه لایه منطقی تشکیل شده است: لایه مشتری، لایه سرور و لایه داده. معماری سیستم در شکل 1 نشان داده شده است .
لایه مشتری نقشه پایه، اطلاعات خوب و نتایج تجسم را از طریق یک رابط کاربری چند منظوره و کاربر پسند ارائه می دهد. از طریق نقشه ها و تکنیک های مختلف تجسم با کاربران تعامل دارد.
لایه سرور لایه پردازش برنامه است و از سه لایه فرعی تشکیل شده است: زیرلایه های کنترل، تابع و خدمات پایه. زیرلایه کنترل، عملیات کاربر و اجرای عملکرد را پل می کند. رفتارهای کاربران را ثبت می کند و با زیرلایه تابع ارتباط برقرار می کند، همچنین نتایج جستجو، تجسم و استخراج داده ها را برای رندر در مرورگر به لایه مشتری منتقل می کند. زیرلایه تابع، لایه مهم مدیریت کسب و کار است: پس از دریافت درخواست تابع از زیرلایه کنترل، فرآیندهای داده عملی مربوطه در اینجا عملیاتی خواهند شد. ما چندین کتابخانه منبع باز شخص ثالث، D3.js (اسناد مبتنی بر داده) [ 29 ] و Weka [ 30 ] را به ترتیب برای تجسم و داده کاوی پذیرفتیم.
زیرلایه سرویس پایه انواع داده ها (مانند ویژگی ها، مکان های مکانی، داده های عملیات، داده های تولید عددی) را از پایگاه های داده بازیابی می کند، سپس این داده های خام را بسته بندی و به زیر لایه تابع منتقل می کند. این لایه فرعی همچنین مکان ها را به خوبی از طریق GeoServer [ 31 ] و Google Maps [ 32 ] Application Programming Interface (API) در نقشه پایه ترسیم می کند .
لایه داده همه داده ها را ذخیره می کند و خدمات دسترسی به داده را ارائه می دهد. درخواست داده از لایه سرور در اینجا پاسخ داده می شود. به روز رسانی داده ها را می توان با استفاده از API ها، به عنوان مثال، GeoVista توسط Divestco [ 2 ]، از ارائه دهندگان و گردآورندگان داده تضمین کرد.
سیستم طراحی پاسخگو از معماری توزیع شده چند لایه سود می برد. داده ها در لایه داده ذخیره شده و از آن به دست می آیند، در لایه سرور پردازش و تجسم می شوند و در نهایت در لایه مشتری نمایش داده می شوند. سه لایه جزء با یکدیگر ارتباط برقرار می کنند، اطلاعات کاربر را بر اساس درخواست ها تحویل و ارائه می کنند. ساختار شفاف به OGVES کمک می کند تا انعطاف پذیری، قابلیت اطمینان، گسترش پذیری و قابلیت استفاده داشته باشد.
این سیستم بر اساس استاندارد HTML5 و CSS3 ساخته شده است، و صفحات وب به ترتیب ساختار و سبک طراحی شده اند. عناصر صفحه وب را می توان به طور انعطاف پذیر تغییر و تنظیم کرد. جاوا اسکریپت، به عنوان یک زبان برنامه نویسی پشتیبانی شی گرا، در توسعه سیستم مورد استفاده قرار گرفت، زیرا می توان آن را در سمت کلاینت اجرا کرد تا از ارتباط بیش از حد با وب سرور جلوگیری کرده و زمان پردازش را کاهش دهد. علاوه بر این، تعداد زیادی کتابخانه جاوا اسکریپت شخص ثالث، پلاگین ها و ماژول هایی وجود دارد که می توانند برای تسریع در توسعه استفاده شوند، مانند AngularJS، مجموعه ابزاری برای ساخت چارچوب [ 33]. پیاده سازی روش های تجسم و رابط ها از طریق پذیرش D3.js انجام می شود. سایر نرم افزارهای مهم یا کتابخانه های منبع باز که در این سیستم استفاده شده اند عبارتند از PostgreSQL [ 34 ]، Google Maps API، GeoServer API، JQuery و Node.js [ 35 ].

3.2. رابط کاربری وب GIS

رابط کاربری وب GIS از چهار جزء اصلی تشکیل شده است: (الف) یک نقشه تعاملی که اشیاء فعلی را نشان می دهد. (ب) یک نوار وضعیت که لایه های نقشه انتخاب شده و تعداد اشیاء انتخاب شده و برجسته شده روی نقشه را نشان می دهد. (ج) جدولی که اطلاعات اولیه اشیاء فعلی را نمایش می دهد. و (د) ابزارهای دستکاری که منجر به عملکردهای پیشرفته می شود، مانند جستجو، جستجو بر اساس مکان، صادرات، تجسم داده ها و داده کاوی. شکل 2 رابط کاربری وب GIS را با پانل های توسعه یافته برای دستکاری نقشه، جستجوی یک پروژه خاص و برجسته کردن چاه های مورد علاقه، جدول ویژگی چاه های جستجو شده (پایین سمت راست)، ناوبری نقشه (بالا سمت چپ)، و نوار ابزار دستکاری نشان می دهد. بالا سمت راست).

3.3. توضیحات و ساختار داده ها

داده های نفت و گاز داده های پیچیده مکانی-زمانی هستند. آنها حاوی ویژگی های چاه ها هستند، مانند یک شناسه چاه منحصر به فرد (UWI، که شناسایی استاندارد چاه شامل 16 کاراکتر در چهار جزء به طور متوالی است)، وضعیت های عملیات، داده های زمانی، مانند ارزش تولید ماهانه و ساعات کار، و داده های مکانی، مانند مکان ها و اعماق چاه داده ها شامل داده های عددی یا غیر عددی، داده های خام یا نتایج تحلیلی است.
در این کار، همانطور که در شکل 3 نشان داده شده است، یک پایگاه داده رابطه ای بر اساس منابع داده های موجود عمومی طراحی شد . به طور کلی، جدول WELL یک جدول اساسی است و UWI کلید اصلی است که به جداول دیگر مرتبط است. در جدول WELL، بیشتر ویژگی های چاه، مانند UWI، نام چاه، عملگر چاه یا نوع، ثبت می شود. جدول STATUS مراحل کلی را نشان می دهد – مشاهده، حفر شده و محفظه، رها شده – با دوره های زمانی متناظر برای یک چاه منفرد. جدول STATISTIC پارامترهای آماری مانند حداکثر و حداقل داده های تولید و انحراف استاندارد را ثبت می کند.
جداول PRODUCTION و OPERATION مقادیر داده های حیاتی را ثبت می کنند که عملکرد عملیاتی هر چاه را نشان می دهد. بسته به نوع چاه یا تکنیک اعمال شده، ممکن است دارای رکوردهای متنوعی باشند و بنابراین، جداول داده های متعدد، به ویژه برای داده های عملیاتی را شامل می شوند. به عنوان مثال، برای یک چاه SAGD (تخلیه گرانشی به کمک بخار)، که یک فناوری بازیابی نفت پیشرفته است که به طور گسترده برای تولید نفت خام سنگین در آلبرتا، کانادا مورد استفاده قرار می گیرد، جدول عملیات عمدتاً شامل جدول INJECTION، از جمله حجم تزریق بخار (m3) است . زمان تزریق در ماه (ساعت) و تاریخ. جدول PRODUCTION حاوی داده های حیاتی است، مانند حجم تولید نفت/گاز/آب (m3 ) ، حجم تولید تجمعی (m3 )) و ارزش روزانه مربوطه. داده‌های مختلف اندازه‌گیری عملکرد، مانند نسبت نفت به گاز و نسبت آب به نفت نیز برای تجزیه و تحلیل بیشتر ثبت می‌شوند.
برای سایر فناوری‌های تولید، مانند گاز شیل، جدول PRODUCTION نیز حجم تولید را ثبت می‌کند، درست مانند جدول SAGD PRODUCTION، در حالی که جدول عملیات شامل جداول مختلفی است، مانند جدول TEMPERATURE که دمای جریان گاز در آن ذخیره می‌شود یا جدول تکمیل. ، که اطلاعات تکمیل مربوطه را برای مدیریت تولید گاز شیل ذخیره می کند، همانطور که در شکل 3 نشان داده شده است . لطفاً توجه داشته باشید که طرح پایگاه داده ارائه شده عمدتاً مبتنی بر منابع داده عمومی است و می تواند برای گنجاندن داده های چاه مکانی-زمانی دقیق تر و پیچیده تر گسترش یابد.

4. روش های تحلیلی و تجسمی در OGVES

4.1. روش های تحلیلی

داده کاوی فرآیند کشف الگوها و دانش از مجموعه داده های بزرگ است [ 36 ]. با استفاده از تکنیک های داده کاوی، کاربران می توانند داده های تولید نفت و گاز را برای کشف الگوهای پنهان بیشتر تجزیه و تحلیل کنند. در OGVES، طبقه‌بندی برای ویژگی‌های عددی و طبقه‌بندی، خوشه‌بندی k-means و استخراج قانون انجمن (ARM) پیاده‌سازی شده‌اند. ما همچنین مدل درخت نمادین را برای پیش‌بینی تولید ادغام کردیم.

4.1.1. آنالیز خوشه ای

هدف تجزیه و تحلیل خوشه ای یا خوشه بندی گروه بندی اشیاء با ویژگی های مشابه و همچنین پارتیشن بندی اشیاء با ناهمسانی است [ 36 ]. سازگاری نتایج خوشه‌بندی ویژگی‌های زمین‌شناسی و منابع نفت و گاز می‌تواند به اکتشاف و ارزیابی منابع نفت و گاز کمک کند [ 37]]. K-means یکی از محبوب ترین روش های خوشه بندی است. K یک متغیر تعریف شده توسط کاربر است که مخفف تعداد خوشه ها یا گروه ها است. الگوریتم k شی تصادفی را که نشان دهنده مرکزهای خوشه ای هستند مقداردهی اولیه می کند و فرآیند تخصیص اشیاء دیگر به مرکزهای با نزدیکترین فاصله و محاسبه مرکزهای جدید را تکرار می کند تا زمانی که هیچ تغییری در همه خوشه ها ایجاد نشود. الگوریتم خوشه‌بندی k-means به دلیل پیچیدگی محاسباتی نسبتاً کم، می‌تواند به طور موثر مجموعه‌های داده بزرگ را پردازش کند.

4.1.2. تجزیه و تحلیل طبقه بندی

کاربران مجاز به ترسیم ویژگی های طبقه بندی شده چاه هستند. برای ویژگی‌های طبقه‌بندی، مانند وضعیت فعلی چاه، نوع چاه و پد، چاه‌های متعلق به دسته‌های مختلف با نمادهایی در رنگ‌های مختلف نشان داده می‌شوند. با استفاده از طبقه بندی طبقه بندی برای لنت های چاه، چاه ها در لنت های مختلف را می توان در رنگ های مختلف نمایش داد. در طبقه‌بندی عددی، چاه‌ها را می‌توان با بازه‌های مساوی یا کمیت‌های مساوی برای بررسی توزیع مقادیر ویژگی‌ها طبقه‌بندی کرد. کاربران می توانند توزیع چاه ها را در هر طبقه مشاهده کنند، مانند تجمیع چاه های با تولید زیاد یا کم.

4.1.3. انجمن قانون معدن (ARM)

ARM برای یافتن ارتباط ها و همبستگی های مکرر بین ویژگی های مختلف از مجموعه داده های بزرگ استفاده می شود. در صنعت نفت و گاز، ARM در تجزیه و تحلیل مخازن و تولید نفت استفاده شده است [ 38 ، 39 ]. یک قانون تداعی از یک قسمت مقدم (اگر) و یک قسمت بعدی (پس) تشکیل شده است. برای تعریف جذابیت قاعده از دو معیار حمایت و اطمینان استفاده می شود. یک قانون مثال در [ 39]: اگر سه ویژگی مخزن با سطوح مشخصی مطابقت داشته باشند، تولید نفت چاه بالا است (پشتیبانی = 5.1٪، اطمینان = 85.7٪). پشتیبانی نشان دهنده نسبت آیتم هایی در کل مجموعه داده است که قاعده را برآورده می کند. و اطمینان نشان دهنده نسبت اشیایی است که نتیجه را در میان اشیایی که شرایط پیشین را برآورده می کنند، برآورده می کنند. الگوهای مکرر if/then که حداقل حمایت تعریف شده و حداقل اطمینان را برآورده می کنند به عنوان قوانین ارتباط قوی شناسایی می شوند. Apriori [ 40 ]، یک الگوریتم کلاسیک برای ARM، در این سیستم پیاده سازی شده است.

4.1.4. پیش بینی مدل درخت نمادین

مدل درخت نمادین می تواند به عنوان یک روش پیش بینی تولید در صنعت نفت و گاز استفاده شود [ 41 ]. درخت نمادین یک ساختار درختی فلوچارت مانند است که در آن سطوح سلسله مراتبی در درخت با دوره های زمانی زمانی مطابقت دارد و گره های درخت نمادهای تولید را در دوره های خاص نشان می دهند. داده‌های تولید با استفاده از روش تقریب جمع‌آوری تکه‌ای (PAA) و روش نمایش درخت‌مانند نمادسازی می‌شوند. درخت نمادین بر اساس داده های تولید نمادین همه چاه ها و طبقات آنها پیشنهاد و ساخته شده است. برای اطلاعات بیشتر در مورد ساخت درخت نمادین، لطفاً [ 41 ] را ببینید.

4.2. طراحی تجسم در OGVES

4.2.1. تجسم بر اساس مقیاس فضایی

بهره برداری نفت و گاز اساساً یک عملیات در مقیاس فضایی چندگانه است. چاه واحد اساسی در تولید عملی است و مهندسان مستقیماً هر چاه را نظارت و مدیریت می کنند. در سطح بالاتر، چندین چاه مجاور با هم در یک مخزن بزرگ حفاری می شوند تا امکانات تولید مشترک را به اشتراک بگذارند و کارایی بهره برداری را بهبود بخشند. این چاه ها با هم ترکیب می شوند و یک پد را تشکیل می دهند. اکثر شرکت های نفت و گاز از این پروژه به عنوان بزرگترین هدف مدیریتی استفاده می کنند. یک پروژه معمولاً شامل چندین یا ده ها پد است و بنابراین شامل صدها چاه می شود.
به طور کلی، خوب، پد و پروژه سه جزء مقیاس هستند که در طراحی تجسم فضایی در نظر گرفته می شوند. طرح های مختلف در هر سطح مقیاس بر اساس خواسته های مختلف پیشنهاد می شود. سطح چاه مورد توجه مهندسان است. تمام جزئیات در فرآیند استخراج مهم هستند. بنابراین، روش های ارائه اطلاعات جامع مورد نیاز است. از سوی دیگر، مهندسان و مدیران حوزه نیز به کارایی پدی که کار می کنند اهمیت می دهند. آنها انتظار دارند اطلاعاتی در مورد تعامل بین چاه ها به دست آورند، به عنوان مثال، روابط فضایی محلی بیشتر بین چاه های مجاور. علاوه بر این، مدیران و مدیران پروژه فقط به عملکرد کل پروژه علاقه مند هستند. از این رو، روش های ارائه اطلاعات جامع (به عنوان مثال،

برای نمایش ویژگی‌های مقیاس چندگانه در داده‌های نفت و گاز، ما مانترا جستجوی اطلاعات بصری (VISM) را اتخاذ می‌کنیم که ابتدا نمای کلی، زوم و فیلتر، سپس جزئیات بر اساس تقاضا [ 42 ] را به عنوان اصل طراحی برای تجسم می‌پذیریم. اساساً، کاربران ابتدا یک نمای کلی در مقیاس پروژه دریافت می کنند. اگر برخی از پدها را جالب بدانند، سیستم به آنها اجازه می دهد تا پدها را انتخاب کرده و به بررسی اطلاعات دقیق در سطوح پد و چاه ادامه دهند. اگر کاربران الگوهای تولید یا ناهنجاری‌هایی را در یک پد یا چاه خاص کشف کنند، می‌توانند با پدها یا چاه‌های دیگر مقایسه کنند. سه مرحله اکتشاف به شرح زیر است:

  • اکتشاف جهانی بر ارائه یک نمای کلی بصری از کل منطقه مطالعه متمرکز است. انتخاب داده، پرس و جو و مکان نیز در این مرحله اجرا می شود. کاربران می‌توانند پروژه‌ها، پدها و چاه‌های علاقه‌مند را فیلتر کنند و همچنین وضعیت همه چاه‌ها و داده‌های تولید را در یک زمان خاص بررسی کنند. این مرحله همچنین امکان نمایش داده های جامع تولید منطقه مورد نظر، مانند نقشه حبابی را فراهم می کند. این مرحله مرور کلی است.
  • کاوش گروهی بر آشکار کردن الگوهای تولید برای هر پد یا گروهی از پدها متمرکز است. پس از انتخاب پدهای متغیر، کاربران می‌توانند بررسی کنند که چگونه داده‌های مربوط به تولید، تزریق و نسبت بخار به روغن (SOR، معیار مهمی از راندمان برای تولید SAGD) با گذشت زمان تغییر می‌کند و سعی در کشف روند و تناوب کنند. کاربران همچنین می توانند ببینند که چه زمانی وضعیت عملکرد غیرعادی است و چندین پد را در یک دوره مشخص مقایسه کنند. این مرحله زوم و فیلتر است.
  • اکتشاف واحد بر کشف جزئیات چاه ها یا پدهای خاص متمرکز است. کاربران می‌توانند از تکنیک‌های تجسم مختلف و نمودارها یا نمودارهای چند بعدی برای بازرسی داده‌های دقیق چاه استفاده کنند. این مرحله جزئیات بر اساس تقاضا است.

4.2.2. تجسم بر اساس Temporal Primitive

زمان اولیه مجموعه ای از عناصر اساسی هستند که برای ارتباط داده ها با زمان استفاده می شوند [ 43 ]. در این مقاله، سه زمان اولیه – آنی، بازه و بازه – از [ 43 ] گرفته شده است تا ارتباطات بین ویژگی های زمانی موجود در عناصر داده و حوزه زمانی مربوطه را فراهم کند.
بیشتر داده‌های نفت و گاز بر اساس یک لحظه ثبت می‌شوند ، که یک نقطه خاص در یک حوزه زمانی است، مانند 15 دسامبر 2015، و با t نشان داده می‌شود . داده های نفت و گاز توسط حسگرهای درجا در لحظه های مختلف به طور مداوم ثبت می شوند. به عنوان مثال، داده های تولید را می توان روزانه به دست آورد و سپس برای تجزیه و تحلیل بیشتر به داده های آماری ماهانه ادغام کرد. وضعیت چاه و عملکرد در یک لحظه خاص برای تنظیم بیشتر حیاتی است.

بازه به عنوان بخشی از حوزه زمانی تعریف می شود که با لحظه های آغاز و پایان مشخص می شود . تولید نفت و گاز ممکن است منعکس کننده نوسانات در مراحل مختلف باشد. بنابراین، تجسم داده ها از فواصل مختلف در تصمیم گیری عملیات ارزشمند است. به عنوان مثال، کاوش در یک مرحله خاص و نشان دادن چگونگی تغییر تولید با تنظیم عملیات برای بهبود عملکرد در این مرحله ارزشمند است. معمولاً یک بازه { I } به صورت زیر نشان داده می شود:

{ من} = [تیb e gمن n،تیe n d] کجا  تیb e gمن n<تیe n d.{من}=[تیبه�من�،تیه�د] جایی که تیبه�من�<تیه�د.

علاوه بر این، فواصل را می توان به صورت [ تیb e gمن nتیبه�من�+ مدت زمان (مدت مثبت)] یا به صورت [دوره (مدت مثبت) + تیe n dتیه�د] با استفاده از دنبال کردن یک بازه ابتدایی ، که به عنوان مقدار هدایت شده از حوزه زمانی در یک واحد توصیفی زمانی خاص، به عنوان مثال، 15 روز زمان تولید تعریف می‌شود. Span S به صورت زیر نشان داده می شود:

اس=∑نn = 1(تیn) ،اس=∑�=1ن(تی�)،
به عنوان یک اولیه سطح بالا، دهانه می تواند جامع ترین ویژگی های چاه ها، پدها یا پروژه ها را توصیف کند.
تعاریف دوره زمانی انعطاف‌پذیر، پتانسیل عظیمی را برای تجزیه و تحلیل داده‌های سری زمانی، مانند پیش‌بینی تولید بر اساس داده‌های تاریخی، فراهم می‌کند.

4.3. روش‌های تجسم برای داده‌های نفت و گاز

ویژگی‌های روش‌ها و رابط‌های بصری سازی داده‌ها (به غیر از رابط کاربری وب GIS) در بخش‌های فرعی زیر به تفصیل آمده است.

4.3.1. الگوهای تجسم کلاسیک

چندین الگوی تجسم کلاسیک در OGVES ارائه شده است، مانند نمودارهای پای، نوار، چند خطی و جریان خط. با استفاده از این الگوها، کاربران می‌توانند پروژه‌ها، پدها یا چاه‌ها را انتخاب کنند و همه انواع داده‌ها را برای ایجاد نمودارهای سفارشی‌سازی شده برای یک نمای کلی اطلاعات اولیه یا اکتشاف عمیق داده‌های نفت و گاز، شامل داده‌های ارزش و ویژگی‌ها، ترکیب کنند. شکل 4 نمونه هایی از نمودارها را نشان می دهد. انعطاف پذیری این سیستم باعث می شود تا این روش های کلاسیک قادر به مدیریت انواع مقیاس ها و داده های اولیه نفت و گاز باشند. اگرچه این روش ها بسیار مفید هستند، اما استفاده محدود از اجزای بصری منجر به بیان محدود اطلاعات، به ویژه برای اطلاعات مکانی می شود.

4.3.2. تجسم بر اساس VISM

ما چندین تکنیک تجسم موثر را برای ارائه اکتشاف جهانی، گروهی و واحدی اجرا کرده ایم. یک نقشه حباب برای اکتشاف جهانی طراحی شده است. نقشه حبابی روشی قدرتمند برای ارائه اطلاعات کلی است زمانی که مقیاسی که کاربران در جستجوی آن هستند کل منطقه یا گروهی از چاه ها باشد. هدف این تکنیک ارائه یک کاوش کلی و نمایش اطلاعات زمانی مبتنی بر آنی است. با جستجو در نقشه حباب، کاربران می‌توانند مکان چاه‌ها و مقادیر ویژگی‌های اساسی مربوط به تولید و همچنین عملکرد آنها را در یک بازه زمانی مشخص کشف کنند. شکل 5 a نمونه ای از نقشه حباب با استفاده از داده های گاز شیل را نشان می دهد.
از نقشه های تکمیل و جداول پیکسلی می توان برای کاوش گروهی استفاده کرد. نقشه تکمیل در اصل برای تجسم داده های تکمیل طراحی شده بود که برای نظارت بر عملیات گاز شیل ارزشمند است. همچنین می تواند به عنوان یک برنامه زمانبندی پروژه، مانند نمودار گانت کلاسیک [ 44 ]، اما با گسترش فضایی عمل کند. همانطور که در شکل 5 ب نشان داده شده است، عمق و زمان مربوط به مکان و زمان تکمیل، از جمله سوراخ شدن، شکستگی و سوراخ‌های باز، که در فاصله یک کیلومتری یک چاه گاز شیل هدف رخ می‌دهند، در نمودار میله‌ای نشان داده شده‌اند.
پیکسل ها یکی از فراوان ترین منابع کامپیوتری تخیلی هستند. با نگاشت مقادیر داده ها به پیکسل ها، یک جدول پیکسلی می تواند داده های تولید آماری یک پد یا چاه خاص را در یک دوره زمانی انعطاف پذیر نشان دهد، و این روش را برای کاوش گروهی مناسب می کند. در جدول پیکسلی، داده‌های اصلی (اعم از داده‌های اسمی و عددی) از طریق روش‌های طبقه‌بندی به پیکسل‌ها رنگ‌بندی می‌شوند. سپس پیکسل ها در یک نمایشگر کاشی کاری مرتب می شوند. معمولاً سطرها و ستون‌ها زمان‌های اولیه متفاوتی را نشان می‌دهند و هر پیکسل یک موجودیت داده خاص را در یک لحظه نشان می‌دهد. اشیاء مرتبط را می‌توان در مستطیل‌هایی دسته‌بندی کرد تا روابط مشترک یا اطلاعات را در مقیاس بزرگ‌تر نشان دهد. شکل 5 ج نمونه ای از جداول پیکسل را با استفاده از داده های تولید روغن نشان می دهد.
نمودارهای انیمیشن امکانات کاربردی مختلفی را ارائه می دهند. کاربران می توانند این شاخص های عملیات حیاتی را در بین پدهای مختلف یا حتی پروژه های موجود در یک نمودار مقایسه کنند. با کشیدن برچسب زمان در پایین سمت راست، نمودار داده های مربوطه را در هر لحظه به صورت پویا نمایش می دهد و در نتیجه انیمیشن را ارائه می دهد. کاربران می توانند با دستکاری ساده و تکمیل وظایف خاص، مانند یافتن چاه هایی با SOR غیرعادی، داده های دقیق را با کمک نمودار انیمیشن به دست آورند.

4.3.3. تجسم برای نتایج تجزیه و تحلیل داده ها

علاوه بر ادغام روش های قبلی طراحی شده برای داده های اصلی، OGVES همچنین می تواند داده کاوی را انجام دهد و نتایج داده کاوی را تجسم کند. با استفاده از تکنیک های داده کاوی معرفی شده در بخش 4.1 ، کاربران می توانند الگوهای پنهان در داده های نفت و گاز را کشف کنند. طبقه بندی برای ویژگی های عددی و طبقه بندی، خوشه بندی k-means و ARM در OGVES پیاده سازی شده است. علاوه بر این، رابط نقشه‌برداری الگوهای فضایی را نمایش می‌دهد تا نه تنها نتایج استخراج‌شده را به هم منتقل کند، بلکه قابلیت اکتشاف را نیز برای کاربران فراهم می‌کند. الگوهای استخراج شده مرتبط با چاه ها در نقشه با یک افسانه نقشه تعاملی نشان داده شده است. افسانه نقشه نمادهای نقشه برداری را توضیح می دهد، و کلیک کردن روی یک نماد می تواند منجر به ظاهر شدن چاه های مربوطه شود.
با استفاده از طبقه‌بندی طبقه‌بندی برای لنت‌های چاه، چاه‌ها در لنت‌های مختلف در رنگ‌های مختلف نمایش داده می‌شوند، همانطور که در شکل 6 الف نشان داده شده است. شکل 6 ب نمونه ای از طبقه بندی کمیت بر روی میانگین تولید نفت را نشان می دهد. شکل 6 c نتیجه اعمال خوشه بندی k-means را برای SOR و تولید نفت نشان می دهد. شکل 6d درخت نمادین تولید شده با استفاده از اندازه نماد 3 را نشان می دهد. به منظور ارائه درختان هرس شده در مقایسه با درختان کاملاً منبسط شده، شاخه های درختان هرس شده قرمز رنگ می شوند، در حالی که شاخه های بدون پوشش در درختان کامل به رنگ خاکستری رنگ می شوند. . ضخامت شاخه ها تعداد چاه های موجود در گره های انتهایی شاخه ها را نشان می دهد. برای گره‌های انتهای آن شاخه‌ها، یک گره آبی نشان می‌دهد که چاه‌های این گره برگ در یک لحظه زمانی معین به تولید مورد انتظار می‌رسند، در حالی که یک گره نارنجی نشان می‌دهد که چاه‌ها به مقدار تولید مورد انتظار نمی‌رسند.

4.4. خلاصه ای از تجسم برای داده های تولید نفت و گاز

روش های تجسم چندگانه برای داده های تولید نفت و گاز طراحی و اجرا شده است. هر روش ویژگی های خاص خود را دارد و نیازهای متفاوتی را برآورده می کند. با در نظر گرفتن انواع داده ها (داده های اسمی و عددی) و منابع (داده های خام یا تحلیلی)، و همچنین مقیاس فضایی پیچیده و دانه بندی زمانی، یک تکنیک جهانی که می تواند تمام آن اجزا را به طور کامل نمایش دهد بسیار دشوار یا حتی غیرممکن است. بنابراین لازم است یک بررسی کلی از روش ها داشته باشیم. ما این روش ها را از چهار جنبه خلاصه می کنیم – مقیاس مکانی، دانه بندی زمانی، نوع داده و منبع داده – بر اساس کاربرد آنها در داده های تولید نفت و گاز. نتایج در جدول 1 نشان داده شده است .
همانطور که در شکل 7 نشان داده شده است، همچنین می توانیم مشاهده کنیم که چگونه مقیاس فضایی و اولیه زمانی در OGVES ترکیب می شوند . مقیاس های فضایی در سیستم به دو دسته جهانی، گروهی و واحدی دسته بندی می شوند که سه نوع فرم سازماندهی فضایی داده ها هستند. مقیاس جهانی حاوی اطلاعات ویژگی چاه ها است. یک گروه روابط گروه جغرافیایی را منتقل می کند، در حالی که یک واحد عنصر اساسی است. بدوی زمانی به سه حالت اولیه – آنی، بازه ای و گستره تقسیم می شود. دانه بندی منعکس کننده ابتدایی های زمانی متفاوت نماهای کاوشی مختلف است که می تواند به عنوان یک لایه واسطه بین عناصر داده و حوزه زمان دیده شود.
به طور کلی، اکتشاف جهانی بر نشان دادن اطلاعات کل پروژه در یک بازه زمانی خاص با دانه بندی واحد متمرکز است. در شکل 7 ، خط قرمز اکتشاف جهانی را نشان می دهد. و اکتشاف گروهی (خط سبز) زیرمجموعه‌های بیشتری از داده‌های زمان پیوسته را در چندین اولیه نشان می‌دهد، به طوری که یک پد خاص با کل طول عمر مداوم یا بخشی از یک چرخه حیات قابل تجسم است. اکتشاف واحد (خط آبی) می‌تواند جزئی‌ترین اطلاعات را با تمام دسته‌بندی‌های دانه‌بندی و ابتدایی برای یک چاه یا گروهی از چاه‌ها ارائه دهد.

5. مطالعات موردی

تجسم داده های OGVES با دو مطالعه موردی نشان داده شده است. در مورد اول، ما نشان می‌دهیم که چگونه OGVES به مهندسان برای تعیین استراتژی عملیات تزریق بخار مناسب کمک می‌کند. قابلیت پیش بینی تولید بر اساس داده های تاریخی چاه های مجاور در مطالعه موردی دوم نشان داده شده است.

5.1. مورد 1: چه استراتژی‌های تزریق بخار باید برای چاه‌های SAGD اتخاذ شود و هر استراتژی چگونه بر تولید چاه تأثیر می‌گذارد؟

در تولید SAGD، مقدار زیادی بخار فشار بالا به مخزن نفت تزریق می شود. بخار سازند تولیدی را گرم می کند و نفت خام یا قیر گرم شده را قادر می سازد به سمت چاه تولید جریان یابد. فرآیند تزریق یک روش پرهزینه است، از این رو استراتژی های عملیات تزریق بخار برای تولید رقابتی بسیار مهم است. OGVES می تواند یک گردش کار مبتنی بر داده را برای کمک به مهندسان در تصمیم گیری در مورد استراتژی تزریق بخار از رویه فعلی فراهم کند.
در این مطالعه موردی، مجموعه داده SAGD شامل 1214 چاه بود و 137 ماه متوالی، از آگوست 2002 تا دسامبر 2013، از رگولاتور انرژی آلبرتا و Divestco GeoCarta را در بر گرفت. چاه های جمع آوری شده متعلق به شش پروژه زیر بودند: پروژه Firebag (با 15 پد) و رودخانه MacKay (12 پد) که توسط Suncor Energy اداره می شود. Project Tucker (4 پد) توسط Husky Energy; Project Jackfish (13 پد) توسط Devon Energy; پروژه کریستینا لیک (11 پد) توسط Cenovus Energy; و پروژه لانگ لیک (13 پد) توسط Nexen Energy. این مجموعه داده شامل پنج بخش بود: چاه، وضعیت، تولید، تزریق و داده های آماری.
به منظور به دست آوردن درک کلی در مورد داده ها، مهندسان از رابط مبتنی بر نقشه همراه با یک نقشه حباب برای مشاهده کلی اطلاعات اولیه چاه ها، به عنوان مثال، مکان چاه و وضعیت تولید استفاده کردند. به عنوان مثال، تمام چاه های پروژه Cenovus Christina Lake بر روی نقشه پایه ترسیم شده اند، همانطور که در شکل 8 الف نشان داده شده است. به عنوان سازماندهی سه جزء فضایی مختلف چاه های SAGD، پاشنه ها (دایره قرمز با جامد سیاه)، انگشتان پا (پین قرمز با توخالی سفید) و خطوط مشتق شده، ایستاده برای مسیر چاه، به طور جداگانه نقشه برداری شدند. هر پد متشکل از چاه های مجاور را می توان به طور مشخص مشاهده کرد، و طرح می تواند به مهندسان کمک کند تا توزیع فضایی کلی را درک کنند. علاوه بر این، داده های تولید کلیدی در نقشه پایه ادغام شدند.شکل 8 ب نمونه ای را نشان می دهد که پس از انتخاب چاه های مورد نظر، مهندسان می توانند مستقیماً دانش جامعی از شاخص های تولید در یک لحظه خاص به دست آورند. داده‌های تولید، داده‌های تزریق و SOR در نمودارهای دایره‌ای چندگانه نمایش داده شد و با استفاده از قرمز، آبی و سبز به‌صورت جداگانه، نمودارهای دایره‌ای بزرگ‌شده برای جزئیات بیشتر، همانطور که در شکل 8 ج نشان داده شده است، ارائه شدند . همانطور که در شکل 8 ب نشان داده شده است، در اکتبر 2012، تولید هر چاه در پد B-03 از 7406.7 تا 12752.1 متر مکعب ، با SOR بین 0.4 و 2.85 در نوسان بود. قابل توجه است، در حالی که میانگین SOR حدود 2 بود، یک چاه متمایز با SOR بسیار پایین تر، 0.4 وجود داشت. این چاه ارزش کاوش بیشتر را داشت.
از آنجایی که تزریق بخار و تولید روغن در طول زمان تغییر می کند، مهندسان علاقه مند هستند تا درک عمیق تری از نحوه تغییر تولید و SOR در طول زمان به دست آورند. در این مورد، نمودار انیمیشن از مقایسه بیشتر داده های مربوط به تولید پشتیبانی می کند. همانطور که در شکل 9 نشان داده شده است ، سه پد مجاور از پروژه دریاچه کریستینا – Pads B-04 ، B-03 و B-07 – انتخاب شدند . در شکل 9 الف اشاره شده است که پد B-04رندر شده در دایره های آبی تیره، برای اولین بار در اکتبر 2010 مورد سوء استفاده قرار گرفت و به نظر می رسید که عملکرد ناپایداری دارد. بالاترین SOR قابل توجه بود، در حالی که تولید هر چاه به وضوح در نوسان بود: این ممکن است ناشی از گرم شدن ناهموار مخزن در مراحل اولیه با تزریق بالا باشد.
دو ماه پس از شروع پد B-04 ، فرآیند گرم کردن در پد B-03 آغاز شد (به شکل دایره های آبی روشن در شکل 9 ب ترسیم شده است). می توان مشاهده کرد که وضعیت اولیه پد B-03 بسیار پایدارتر از پد B-04 بود ، به این معنی که دو ماه گرم شدن مداوم می تواند بر روی پدهای مجاور تأثیر بگذارد. اگرچه حداکثر SOR حتی بزرگتر بود، تزریق بالاتر منجر به تولید بالاتر شد. علاوه بر این، SOR پد B-04 در طول زمان به طور قابل توجهی کاهش یافت.
شکل 9 c تأیید می کند که یک پد مجاور می تواند از تزریق قبلی سود ببرد. پد B-07 در مراحل اولیه عملکرد بهتری داشت و حداکثر SOR آن بسیار کوچکتر از پدهای B-03 و B-04 بود . کاهش SOR در پدهای بالغ آشکار بود.
خوب 05/05-13-076-06W4/0 در پد B-07 با یک مستطیل قرمز در شکل 9 c,d مشخص شده است. این چاه یک SOR اولیه چشمگیر (1.25) را نشان داد که حتی از SOR چند چاه بالغ کوچکتر بود. علاوه بر این، با گذشت زمان، تولید فوق‌العاده‌ای را به نمایش گذاشت. در ژوئن 2013، نه ماه پس از اولین تزریق، SOR آن 0.17 بود، همانطور که در شکل 9 d نشان داده شده است. به ناچار، پس از یافتن این عملکرد جذاب از اکتشافات دقیق، مهندسان می‌توانند استراتژی عملیاتی آن و چگونگی تأثیر فرآیند تزریق بر عملکرد را بررسی کنند.
برای حل این مشکلات، OGVES توابع تحلیلی بر اساس داده کاوی ارائه می کند. شکل 10 نتایج ARM را برای استخراج رابطه بین تزریق (ساعت و مقدار بخار) و تولید (تولید روغن و SOR) با استفاده از داده‌های کریستینا لیک پد s B-04، B-03 و B-07 نشان می‌دهد.. پنج قانون مهم در سیستم کشف شد. قانون اول، با اطمینان 90 درصد، بیان کرد که اگر یک چاه دارای میانگین ساعت تزریق بالا با انحراف استاندارد پایین و بخار تزریق متوسط ​​پایین با انحراف استاندارد پایین باشد، ممکن است چاه دارای میانگین SOR خوب با انحراف استاندارد SOR پایین باشد. . این قانون به این معنی است که پس از تزریق بخار کافی، عملکرد تولید خوب ممکن است با استفاده از یک استراتژی تزریق نسبتا پایین تر، اما پیوسته پایدار حفظ شود. قوانین 2 و 3 نشان می دهد که هم عملکرد نامنظم و هم بخار ناکافی ممکن است منجر به کاهش تولید نفت شود.
زمانی می توان به قوانین استخراج شده اشاره کرد که قرار است چاه های جدید در نزدیکی چاه های موجود توسعه یابد. مهندسان می توانند تصمیم گیری در مورد عملیات تزریق بخار بگیرند و بازده تولید را از چاه های جدید مطابق قوانینی که چاه های مجاور آنها مطابقت دارند، انتظار داشته باشند.

5.2. مورد 2: آیا یک گاز شیل جدید در یک لحظه خاص به تولید مورد انتظار می رسد؟

پیش‌بینی تولید گاز شیل در مراحل اولیه استخراج برای سودآوری آینده حیاتی است. در این مورد، مهندسان مخزن و مدیران پروژه از Heritage Field علاقه مند بودند بدانند که آیا یک چاه جدید ( 02/B-084-A/093-P-09/X ) به 10000 متر مکعب می رسد یا خیر.تولید تجمعی در یک سال، با توجه به تولید چهار ماهه اول. پیش‌بینی موفقیت‌آمیز می‌تواند از مدیران پروژه در تصمیم‌گیری‌هایی مانند تنظیم استراتژی عملیات یا حتی بستن چاه‌های بی‌امید حمایت کند. برای انجام این کار، از مجموعه داده های گاز شیل استفاده شد که شامل 972 چاه و 137 ماه متوالی، از ژوئن 2000 تا اکتبر 2011 بود. این مجموعه داده شامل شش بخش (چاه، وضعیت، زمین شناسی، تکمیل، دما و داده های تولید) بود داده های تاریخی کافی برای پیش بینی در این مورد.
اگرچه استفاده از داده‌های تولید تاریخی چاه‌های مجاور برای پیش‌بینی عملکرد یک چاه جدید یک روش معمول است، برخی از مشکلات باید حل شوند. در این مطالعه، ما بر روی بازی Montney واقع در بریتیش کلمبیا و آلبرتا تمرکز کردیم که به عنوان فعال ترین منطقه حفاری در کانادا محسوب می شود. از استخر Montney-A، 972 چاه انتخاب شد. همه این چاه‌ها بیش از یک سال بود که تولید می‌کردند و می‌توانستند اطلاعات تاریخی کافی را ارائه دهند. ما داده های تولید تاریخی را با استفاده از یک نمودار چند خطی ترسیم کردیم، همانطور که در شکل 11 نشان داده شده است، جایی که خط سیاه تولید چهار ماهه اول چاه جدید را نشان می دهد، در حالی که 37 خط قرمز تولید تاریخی چاه های مجاور را نشان می دهد.
بدیهی است که استخراج روند تولید از منحنی ها دشوار است. حتی چاه‌های مجاور نیز می‌توانند با مقایسه ساده منحنی‌ها، پیش‌بینی تولید آینده را بسیار دشوار کنند، نه اینکه 935 چاه دیگر (که به صورت خطوط خاکستری در پس‌زمینه ترسیم شده‌اند) را در نظر بگیریم. برای کمک به مدیران در برنامه ریزی تولید گاز شیل، OGVES یک مدل درخت نمادین برای پیش بینی در اوایل طول عمر، همانطور که در شکل 12 نشان داده شده است، ارائه کرد .
برای ساخت مدل درخت نمادین، تولید تاریخی 972 حلقه چاه بازیابی شد، 80 درصد (777 حلقه چاه) به عنوان مجموعه آموزشی طبقه‌بندی و برای ساخت مدل پیش‌بینی درخت نمادین استفاده شد. همه این داده‌های تولید ماهانه جمع‌آوری شدند و با یک اندازه نماد خاص (ما از 3 به عنوان پیش‌فرض استفاده کردیم)، صلاحدید داده‌های مشابه برای نماد داده‌های تولید اعمال شد. دو نقطه داده 3 کمیتی (یعنی 336.55 و 1127.4) محاسبه شد، به طوری که کل مجموعه داده را می توان به سه گروه با اندازه مساوی تقسیم کرد. چاه های با تولید ماهانه زیر 336.55 متر مکعب به عنوان کم تولید طبقه بندی شدند. چاه های با تولید بالا دارای مقادیر بالای 1127.4 مترمکعب بودند; و تولید چاه های متوسط ​​بین تولید کم و زیاد بود. بنابراین، تولید یک چاه را می توان از یک داده سری زمانی کمی به یک دنباله نماد، مانند “LMLHH” کاهش داد. یک چاه جدید را می توان بر اساس دنباله نماد آن طبقه بندی کرد و سپس با بررسی گره انتهایی آن در درخت نمادین آن را پیش بینی کرد.
برای ارزیابی پیش‌بینی درخت نمادین، 20 درصد داده‌های تولید باقی‌مانده به عنوان مجموعه داده آزمایشی استفاده شد. درختان نمادین با اندازه نمادهای مختلف (از 3 تا 6) ساخته شد. و سه اندازه گیری (حساسیت، ویژگی و دقت) محاسبه شد. ما متوجه شدیم که با افزایش اندازه نماد، دقت کاهش می‌یابد، اما هر چهار مدل می‌توانند به دقت بالای 90 درصد برسند، که به این معنی است که بیش از 90 درصد چاه‌ها از نظر توانایی برای رسیدن به 10000 متر مکعب گاز تا پایان به درستی طبقه‌بندی شده‌اند . از سال اول خود
پس از اینکه کل درخت نمادین پیش بینی ساخته شد، تولید چاه 02/B-084-A/093-P-09/X قابل پیش بینی بود. همانطور که در شکل 12 نشان داده شده است، وقتی دنباله نماد این چاه را در فصل مشترک به عنوان خط سیاه ترسیم کردیم، با یک گره آبی به پایان می رسد، به این معنی که پیش بینی می شود چاه قادر به تولید گاز تجمعی بیش از 10000 متر مکعب باشد . 12 ماه.

6. ارزشیابی

یک مطالعه کاربر برای ارزیابی OGVES انجام شد. 9 محقق و مهندس بدون دستمزد در داده کاوی یا مهندسی نفت برای مطالعه کاربر OGVES در رایانه شخصی استخدام شدند. شرکت کنندگان شامل پنج مرد و چهار زن، با سنین بین 24 تا 42 سال (میانگین 30.4، میانه 28، انحراف معیار 5.61) بودند. همه شرکت کنندگان بینایی طبیعی یا اصلاح شده به نرمال داشتند.
مطالعه کاربر در یک آزمایشگاه با استفاده از همان رایانه شخصی (CPU چهار هسته ای Intel 2700K 3.5GHz، 16 گیگابایت رم و Windows 7 Enterprise) انجام شد. آزمایش ها بر روی یک نمایشگر LCD 27 اینچی با وضوح 1920*1080 و حالت رنگی sRGB 32 بیتی اجرا شد. برای هر آزمایش، مانیتور با روشنایی و سطح کنتراست یکسان تنظیم می شد. شرکت کنندگان با استفاده از یک ماوس استاندارد روی میز در یک اتاق آزمایشی کم نور با نرم افزار تعامل داشتند. عدم وجود پنجره در اتاق، یک محیط روشنایی ثابت و یکنواخت را حفظ می کرد. کاربران ابتدا با OGVES آشنا شدند، هدف، رابط ها و عملکردهای اصلی آن توضیح داده شد. سپس به آنها 15 دقیقه برای اکتشاف رایگان داده شد تا با سیستم آشنا شوند.
چهار وظیفه (T1-T4) و پنج سؤال عمومی برای مطالعه کاربر برای ارزیابی اثربخشی OGVES طراحی شد که در جدول 2 خلاصه شده است . Task 1 از کاربران خواست که آزادانه کل مجموعه داده را مرور کنند و کاربران را قادر ساخت تا با سیستم آشنا شوند و عملکردهای مدیریت داده را ارزیابی کنند. وظایف 2 و 3 بر ارزیابی تأثیر روش های تجسم متمرکز بود: از کاربران خواسته شد تا داده های مورد علاقه را با استفاده از روش های متعدد تجسم کنند و سپس آنها را با هم مقایسه کنند. وظیفه 4 برای ارزیابی توابع تحلیلی داده ها در OGVES طراحی شده است.
هر کار دارای چندین سؤال نظرسنجی و سؤالات نوشتاری بود به جز T2 که فقط شامل سؤالات نوشتاری بود. همه سؤالات نظرسنجی دارای مجموعه ای از گزینه های یکسان در مقیاس لیکرت 5 درجه ای (1: کاملاً مخالفم؛ 2: مخالف؛ 3: خنثی؛ 4: موافق؛ 5: کاملاً موافقم) بودند. کاربران هر زمان که احساس راحتی می کردند می توانستند وظایف را انجام دهند و به آنها اطلاع داده شد که کارها زمان بندی نشده است و نظرات آنها ارزیابی مهمی است. تکمیل هر مطالعه حدود 1 ساعت طول کشید. نتیجه مطالعه کاربر در جدول 2 خلاصه شده است .
توضیح بیشتر در مورد این نتایج به شرح زیر ارائه شده است. از نظر T1، بازخورد مثبت بود. همه کاربران اظهار داشتند که OGVES توابع مدیریت داده های لازم را با یک رابط کاربر پسند ارائه می کند. علاوه بر این، جستجو و فیلتر داده های متنوع برای سناریوهای مختلف مفید بود. با این حال، یک مهندس میدانی پیشنهاد کرد که داده‌های زمین‌شناسی را می‌توان اضافه کرد زیرا در عمل نیز حیاتی هستند.
در مورد T2 و T3، از کاربران خواسته شد تا هر داده ای را با هر روشی در OGVES تجسم کنند و روش های مختلف را ارزیابی کنند. تکنیک های مختلف تجسم منجر به نظرات بسیاری شد. به طور کلی، همه شرکت‌کنندگان اظهار داشتند که تأثیر روش‌های تجسم طراحی‌شده بر اساس VISM بهتر از روش‌های کلاسیک است، به‌ویژه زمانی که چندین اشیاء با ویژگی‌های متعدد ترسیم می‌شوند، زیرا نمودارهای چند خطی نتایج اضافی و گیج‌کننده را نشان می‌دهند، با اطلاعات بیش از حد فشرده در یک کوچک. فضا، شناسایی شی مورد نظر را بسیار دشوار می کند. کاربران همچنین اظهار نظر کردند که گردش کار واحد گروه جهانی می تواند مشاهدات از سطوح مختلف فضایی را برآورده کند، در حالی که نمایش های زمانی می تواند بهبود یابد.
در T4، ما از کاربران خواستیم که سعی کنند اطلاعات پنهان مانند ویژگی های مشترک بین چاه های مجاور یا پیش بینی تولید را کشف کنند. هفت شرکت کننده اظهار داشتند که ادغام فناوری داده کاوی مفید است، زیرا جنبه های بیشتری را برای کشف داده های نفت و گاز فراهم می کند. در حالی که دو مهندس اصرار داشتند که اگرچه خوشه‌بندی و ARM الگوهای معقولی را نشان می‌دهند، شواهد زمین‌شناسی و ژئوفیزیکی جامد باید با روش‌های مبتنی بر داده ترکیب شوند تا اپراتورها را متقاعد کنند. با این حال، آنها همچنین تأثیر مدل پیش‌بینی تولید درخت نمادین را تأیید کردند.
در نهایت از همه شرکت کنندگان خواسته شد تا OGVES را به عنوان یک سیستم مدیریت داده و اکتشاف بصری ارزیابی کنند. همه شرکت‌کنندگان موافق بودند که OGVES روش‌های تجسم داده‌های متنوع و روش‌های کلی داده‌کاوی، و همچنین یک مدل تحلیلی جهت‌دار هدف را ارائه می‌کند. بنابراین، OGVES می تواند به آنها کمک کند تا اطلاعات تولید ناشناخته قبلی را پیدا کنند.
ما همچنین OGVES را با دو سیستم اطلاعات جغرافیایی محبوب موجود نفت و گاز، GeoCarta توسط Divestco و iGlass توسط Katalyst مقایسه کردیم. مقایسه عملکردی بین OGVES و دو سیستم در جدول 3 آورده شده است . همانطور که در جدول نشان داده شده است، OGVES از توسعه منبع باز استفاده می کند، در نتیجه نیاز و هزینه استقرار را کاهش می دهد. و می تواند توابع مدیریت داده مشابهی را ارائه دهد، به جز پشتیبانی کمتر از توابع نقشه برداری. با این حال، OGVES تجسم داده ها و توابع تحلیلی بیشتری را فراهم می کند تا به مهندسان امکان تجزیه و تحلیل عمیق داده های تولید را بدهد. برای خوانندگان علاقه مند، ما یک نمایش ویدئویی آنلاین برای نسخه محدود OGVES [ 45 ] ارائه می دهیم.

7. نتیجه گیری و کار آینده

در این مقاله، ما مدیریت داده‌های مبتنی بر وب و سیستم تجسم OGVES را برای بررسی داده‌های نفت و گاز ارائه می‌کنیم. با معرفی کاوش بصری، کاربران قادر به بررسی الگوهای بالقوه از دیدگاه تجزیه و تحلیل بصری هستند. مجموعه‌ای از تکنیک‌های تجسم بر اساس VISM کلاسیک معرفی و طراحی شده‌اند تا مجموعه داده‌های تولیدی بزرگ را نشان دهند و الگوهای قابل توجه و ارزشمند را پیدا کنند، در حالی که مقیاس‌های فضایی مختلف و اولیه‌های زمانی در نظر گرفته می‌شوند. برای سناریوهای متمایز در کاربرد عملی، دو مطالعه موردی با استفاده از سیستم پیشنهادی ارائه شده و قابلیت اطمینان، توسعه پذیری و قابلیت استفاده سیستم پیشنهادی را اثبات می کند.
بهبودهای OGVES در آینده در پاراگراف های زیر مورد بحث قرار می گیرد.
تکنیک های تجسم بیشتری را می توان به سیستم اضافه کرد. در حال حاضر، OGVES شامل تکنیک های نمودار، مبتنی بر پیکسل و مبتنی بر نماد است. سایر تکنیک های ارزشمند مانند Chorems [ 46]، ممکن است برای سیستم مفید باشد. chorem یک نمایش فضایی مصنوعی است که نمای کلی از داده های مورد علاقه را نشان می دهد و بر جنبه های برجسته تأکید می کند. به عنوان مثال، ترکیب نقشه های حباب و chorem برای نمایش موجودیت های فضایی بحرانی و مقادیر اسمی ممکن است قابلیت استفاده سیستم را از طریق حذف جزئیات غیر ضروری بهبود بخشد. علاوه بر این، ادغام تجسم سه بعدی (3D) در سیستم، توانایی مهندسان را برای درک داده های پیچیده زمین شناسی و ژئوفیزیک بهبود می بخشد. معماری فعلی OGVES ایجاد توابع تجسم سه بعدی جدید را برای داده های چاه یا لرزه ای از طریق WebGL API [ 47] ممکن می سازد.]، یک API جاوا اسکریپت برای ارائه گرافیک های تعاملی سه بعدی. نتایج تجسم در OGVES هنوز باید بهبود یابد. از آنجایی که داده‌های نفت و گاز داده‌های مکانی-زمانی بزرگی هستند، بهبود خوانایی طرح برای یک رابط GIS و استفاده از ساختارهای داده‌های مکانی-زمانی مناسب در آینده بیشتر مورد بررسی قرار خواهد گرفت [48 ، 49 ] .
اگرچه سیستم فعلی برخی از توابع تحلیلی را ارائه می دهد، الگوریتم های داده کاوی بیشتری باید توسعه داده شوند و در OGVES ادغام شوند. اول از همه، سیستم از گنجاندن روش‌های پیش‌پردازش هوشمند داده‌ها، مانند روش‌های پاکسازی داده‌ها و یکپارچه‌سازی داده‌ها بهره می‌برد. معمولا داده های نفت و گاز دارای نویز هستند. پاکسازی داده‌ها می‌تواند به پر کردن مقادیر از دست رفته و حذف نویز کمک کند، در حالی که روش‌های یکپارچه‌سازی داده‌ها می‌توانند داده‌های نفت و گاز را از منابع متعدد برای تشکیل مجموعه داده‌های منسجم ترکیب کنند. علاوه بر این، خصوصیات مخزن به طور کمی ویژگی های مخزن زیرسطحی را تعیین می کند، که یک فرآیند اساسی و حیاتی برای تصمیم گیری مهندسان مخزن است. اگرچه چندین تکنیک پیشرفته مانند شبکه های عصبی مصنوعی (ANN) اخیراً معرفی شده اند [ 50]] در این زمینه، پیش پردازش پارامترهای ورودی هنوز برای عملکرد ANN زمان‌بر و حیاتی است. بنابراین، توابع حذف همبستگی بین پارامترهای گزارش چاه ورودی و انتخاب خودکار ویژگی گزارش چاه مورد نیاز است. OGVES می تواند رتبه بندی فازی را با ANN سنتی ترکیب کند تا پارامترهای مشخصه اصلی را بهینه سازی کند. علاوه بر این، داده‌های تولید نفت و گاز اساساً داده‌های سری زمانی هستند، روش‌های جدید تحلیلی داده‌های سری زمانی باید در سیستم برای وظایف خاص پیشنهاد شود. به عنوان مثال، یک الگوریتم موتیف یاب زمانی می‌تواند برای مقیاس‌بندی پسماند بین تزریق بخار و تولید روغن برای فرآیند SAGD استفاده شود.
فقط اطلاعات مکانی و زمانی محدودی از داده های نفت و گاز در سیستم مورد بحث قرار می گیرد. با توسعه سریع وب حسگر در آینده، OGVES قادر به بازیابی و پردازش داده های حسی در زمان واقعی، مانند داده های نظارت آنلاین، از طریق طراحی لایه داده انعطاف پذیر خواهد بود. از سوی دیگر، داده های مکانی-زمانی پیچیده تری مانند داده های عملیات تاسیسات و داده های وضعیت خطوط لوله در نظر گرفته شده و در سیستم مورد استفاده قرار خواهند گرفت. عملکردهای تجسمی و تحلیلی بیشتری نیز بر اساس این شاخص های دقیق تولید نفت و گاز ارائه خواهد شد. به عنوان مثال، یک چارچوب روش عنصر گسسته (DEM) می تواند برای ارزیابی تاثیر ذرات شن و ماسه به دیواره های خط لوله و پیش بینی فرسایش خط لوله در SAGD اجرا شود.

منابع

  1. وی، بی. سیلوا، آر. Wang, X. یک سیستم تجزیه و تحلیل و تجسم داده‌ها (SAGD) مبتنی بر وب. در مجموعه مقالات چهاردهمین سمپوزیوم بین المللی وب و GIS بی سیم (W2GIS 2015)، گرنوبل، فرانسه، 21 تا 22 مه 2015.
  2. Divestco. در دسترس آنلاین: http://www.divestco.com (در 21 اکتبر 2016 قابل دسترسی است).
  3. IHS. در دسترس آنلاین: http://www.ihs.com (در 21 اکتبر 2016 قابل دسترسی است).
  4. مدیریت داده های کاتالیست در دسترس آنلاین: http://www.katalystdm.com (در 21 اکتبر 2016 قابل دسترسی است).
  5. GeoLOGIC Systems Ltd. موجود آنلاین: http://www.geologic.com (در 21 اکتبر 2016 قابل دسترسی است).
  6. دولت ساسکاچوان در دسترس آنلاین: http://www.infomaps.gov.sk.ca (در 2 مارس 2017 قابل دسترسی است).
  7. پترول گلوبال نیوز. در دسترس آنلاین: https://petroglobalnews.com/ (در 2 مارس 2017 قابل دسترسی است).
  8. نوح، SA; یعقوب، س. شهرار، س. کاربرد تکنیک های تجسم اطلاعات در نمایش داده های تاریخچه شخصی زمانی بیماران. در انفورماتیک بصری: پل زدن تحقیق و عمل . Springer: برلین/هایدلبرگ، آلمان، 2009; صص 168-179. [ Google Scholar ]
  9. توماس، جی جی. کوک، KA دستور کار تجزیه و تحلیل بصری. محاسبات IEEE. نمودار. Appl. Mag. 2006 ، 26 ، 10-13. [ Google Scholar ] [ CrossRef ]
  10. لی، های. Ong، HL Visualization برای داده کاوی پشتیبانی می کند. IEEE Intell. سیستم 2006 ، 11 ، 69-75. [ Google Scholar ]
  11. میلر، اچ جی; Han, J. (Eds.) داده کاوی جغرافیایی و کشف دانش ; مطبوعات CRC: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 2009.
  12. کو، اس. ماسیجوسکی، آر. جانگ، ی. ایبرت، DS Marketanalyzer: یک سیستم تجزیه و تحلیل بصری تعاملی برای تجزیه و تحلیل مزیت رقابتی با استفاده از داده های نقطه فروش. محاسبه کنید. نمودار. انجمن 2012 ، 31 ، 1245-1254. [ Google Scholar ] [ CrossRef ]
  13. الحکیم، ر. ElHelw، M. تجسم سه بعدی تعاملی برای شبکه های حسگر بی سیم. Vis. محاسبه کنید. 2010 ، 26 ، 1071-1077. [ Google Scholar ] [ CrossRef ]
  14. تریم، دی. Rheingans، P. desJardins، M. تجسم تاریخ دانش آموزان با استفاده از خوشه بندی و ترکیب. IEEE Trans. Vis. محاسبه کنید. نمودار. 2012 ، 18 ، 2809-2818. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. پیلگی، اچ. استولپر، سی دی; بویل، جی.ام. Stasko، JT Snapshot: تجسم برای پیشبرد تجزیه و تحلیل هاکی روی یخ. IEEE Trans. Vis. محاسبه کنید. نمودار. 2012 ، 18 ، 2819-2828. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. تان، ال. آهنگ، ی. لیو، اس. Xie, L. Imagehive: خلاصه‌سازی تصویر محتوای آگاهانه تعاملی. محاسبات IEEE. نمودار. Appl. 2012 ، 32 ، 46-55. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. نوج، ع. برندز، U. سازماندهی نتایج جستجو با نقشه مرجع. IEEE Trans. Vis. محاسبه کنید. نمودار. 2012 ، 18 ، 2546-2555. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. فون لندزبرگر، تی. برم، اس. آندرینکو، ن. آندرینکو، جی. Tekušová، M. روش‌های تحلیل بصری برای داده‌های طبقه‌بندی مکانی-زمانی. در مجموعه مقالات سمپوزیوم IEEE در علم و فناوری تجزیه و تحلیل بصری، سیاتل، WA، ایالات متحده آمریکا، 14-19 اکتبر 2012. ص 183-192.
  19. فریرا، ن. کاوش بصری داده‌های شهری فضایی-زمانی بزرگ: مطالعه سفرهای تاکسی شهر نیویورک. IEEE Trans. Vis. محاسبه کنید. نمودار. 2013 ، 19 ، 2149-2158. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. Wang, Z. کاوش بصری داده‌های مسیر ترافیک پراکنده. IEEE Trans. Vis. محاسبه کنید. نمودار. 2014 ، 20 ، 1813-1822. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. مزومدار، س. Kauppinen، T. تجسم و متحرک سازی داده های مکانی-زمانی در مقیاس بزرگ با کاوشگر ELBAR. در مجموعه مقالات کنفرانس بین المللی 2014 در پوستر و تظاهرات آهنگ ; CEUR-WS.org: آخن، آلمان، 2014; جلد 1272، ص 161–164. [ Google Scholar ]
  22. Tatu, A. روش‌های تحلیلی خودکار برای پشتیبانی از کاوش بصری داده‌های با ابعاد بالا. IEEE Trans. Vis. محاسبه کنید. نمودار. 2011 ، 17 ، 584-597. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. گبرت، اس. Pebesma، E. یک GIS زمانی برای مدل‌سازی محیطی مبتنی بر میدان. محیط زیست مدل. نرم افزار 2014 ، 53 ، 1-12. [ Google Scholar ] [ CrossRef ]
  24. هنگل، تی. رودیر، پی. Beaudette، D. Pebesma، E. plotKML: تجسم علمی داده های مکانی-زمانی. J. Stat. نرم افزار 2015 ، 63 ، 1-25. [ Google Scholar ] [ CrossRef ]
  25. ایوانز، اف. ولز، دبلیو. دورن، جی. فرولیچ، بی. رابرتز، DM روندهای آینده در تجسم نفت و گاز. در مجموعه مقالات کنفرانس تجسم 2002 (VIS 2002)، بوستون، MA، ایالات متحده آمریکا، 27 اکتبر تا 1 نوامبر 2002. صص 567-570.
  26. اندرسون، دی.م. نوبخت، م. مقدم، س. Mattar, L. تجزیه و تحلیل داده های تولید از چاه های گاز شیل شکسته. در مجموعه مقالات کنفرانس گاز غیر متعارف SPE، پیتسبورگ، PA، ایالات متحده آمریکا، 23-25 ​​فوریه 2010.
  27. بیهلی، جی دی. آلتمن، آر.ام. مالپانی، ر. لو، اف. مقایسه روند کاهش تولید گاز شیل در طول زمان و حوضه. در مجموعه مقالات کنفرانس و نمایشگاه فنی سالانه SPE، پیتسبورگ، PA، ایالات متحده آمریکا، 23 تا 25 فوریه 2010.
  28. نوبخت، م. ماتار، ال. مقدم، س. اندرسون، DM پیش‌بینی ساده‌شده تولید گاز تنگ/شیل در جریان خطی. جی. کان. حیوان خانگی تکنولوژی 2012 ، 51 ، 476-486. [ Google Scholar ] [ CrossRef ]
  29. بوستوک، ام. اوگیوتسکی، وی. اسناد مبتنی بر داده های Heer, J. D³. IEEE Trans. Vis. محاسبه کنید. نمودار. 2011 ، 17 ، 2301-2309. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. هال، م. فرانک، ای. هولمز، جی. فارینگر، بی. رویتمن، پی. Witten، IH نرم افزار داده کاوی WEKA: به روز رسانی. ACM SIGKDD Explor. Newsl. 2009 ، 11 ، 10-18. [ Google Scholar ] [ CrossRef ]
  31. Deoliveira, J. GeoServer: Uniting GeoWeb و زیرساخت های داده های مکانی. در مجموعه مقالات دهمین کنفرانس بین المللی زیرساخت داده های مکانی، سنت آگوستین، ترینیداد، 25 تا 29 فوریه 2008.
  32. API های Google Maps. در دسترس آنلاین: https://developers.google.com/maps/ (در 21 اکتبر 2016 قابل دسترسی است).
  33. داروین، PB; Kozlowski, P. AngularJS Web Application Development ; Packt Publishing: بیرمنگام، بریتانیا، 2013. [ Google Scholar ]
  34. Momjian, B. PostgreSQL: Introduction and Concepts ; Addison-Wesley: نیویورک، نیویورک، ایالات متحده آمریکا، 2001. [ Google Scholar ]
  35. تیلکوف، اس. Vinoski، S. Node.js: استفاده از جاوا اسکریپت برای ساخت برنامه های شبکه با کارایی بالا. محاسبات اینترنتی IEEE 2010 ، 14 ، 80-83. [ Google Scholar ] [ CrossRef ]
  36. هان، جی. پی، جی. کامبر، ام. داده کاوی: مفاهیم و تکنیک ها . الزویر: آمستردام، هلند، 2011. [ Google Scholar ]
  37. لیو، اس. Xue, L. کاربرد خوشه بندی فازی در ارزیابی نفت و گاز. در مجموعه مقالات سیستم های فازی و کشف دانش، پنجمین کنفرانس بین المللی سیستم های فازی و کشف دانش، جینان، شاندونگ، چین، 25-27 اوت 2008.
  38. اولیا، ا. کیت، سل؛ Maulut، MS; الخطیب، ن. Jasamai، M. داده کاوی هوشمند میدان نفتی برای تجزیه و تحلیل مخزن. بین المللی J. Eng. تکنولوژی 2010 ، 10 ، 78-88. [ Google Scholar ]
  39. کای، ی. وانگ، ایکس. هو، ک. دونگ، ام. رویکرد داده کاوی برای یافتن روابط بین خواص مخزن و تولید نفت برای CHOPS. محاسبه کنید. Geosci. 2014 ، 73 ، 37-47. [ Google Scholar ] [ CrossRef ]
  40. آگراوال، آر. Srikant، R. الگوریتم‌های سریع برای قوانین ارتباط استخراج در پایگاه‌های داده بزرگ. در مجموعه مقالات بیستمین کنفرانس بین المللی پایگاه های داده بسیار بزرگ، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 12 تا 15 سپتامبر 1994. صص 487-499.
  41. وی، بی. پینتو، اچ. وانگ، ایکس. یک مدل درخت نمادین برای پیش‌بینی تولید نفت و گاز با استفاده از داده‌های تولید سری زمانی. در مجموعه مقالات کنفرانس بین المللی IEEE 2016 در علم داده و تجزیه و تحلیل پیشرفته (DSAA2016)، مونترال، QC، کانادا، 17 تا 19 اکتبر 2016.
  42. Shneiderman، B. چشم ها آن را دارند: وظیفه ای بر اساس طبقه بندی نوع داده برای تجسم اطلاعات. در مجموعه مقالات سمپوزیوم IEEE در زبان های بصری، بولدر، CO، ایالات متحده آمریکا، 3-6 سپتامبر 1996. صص 336-343.
  43. Aigner, W. تجسم داده های زمان گرا . Springer: برلین/هایدلبرگ، آلمان، 2011. [ Google Scholar ]
  44. مایلور، اچ. فراتر از نمودار گانت: مدیریت پروژه در حال حرکت است. یورو مدیریت J. 2001 , 19 , 92-100. [ Google Scholar ]
  45. نمونه اولیه سیستم مبتنی بر وب در تست در دسترس آنلاین: https://www.youtube.com/watch?v=y3m5YzqJxwA (در 20 ژانویه 2017 قابل دسترسی است).
  46. Brunet، R. La carte-modèle et les chorèmes. Mappemonde 1986 ، 4 ، 4-6. [ Google Scholar ]
  47. Parisi, T. WebGL: Up and Running ; O’Reilly Media, Inc.: Sebastopol, CA, USA, 2012. [ Google Scholar ]
  48. Harrie, L. تخمین تحلیلی خوانایی نقشه. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 418-446. [ Google Scholar ] [ CrossRef ]
  49. لی، اس. دراگیسویچ، اس. کاسترو، FA; سستر، ام. زمستان، اس. کولتکین، ا. پتیت، سی. نظریه و روش‌های مدیریت داده‌های بزرگ جغرافیایی: بررسی و چالش‌های تحقیق. ISPRS J. Photogramm. Remote Sens. 2016 ، 115 ، 119-133. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. البلوشی، ن. توسعه مدل های شبکه عصبی مصنوعی برای پیش بینی اشباع آب و توزیع سیال. جی. پت. علمی مهندس 2009 ، 68 ، 197-208. [ Google Scholar ] [ CrossRef ]
Ijgi 06 00076 g001 550
شکل 1. معماری سیستم سیستم اکتشاف بصری نفت و گاز.
Ijgi 06 00076 g002 550
شکل 2. رابط کاربری مبتنی بر وب OGVES.
Ijgi 06 00076 g003 550
شکل 3. پنج نوع داده در پایگاه داده OGVES ذخیره می شود: جداول WELL، STATUS، STATISTIC، PRODUCTION و OPERATION.
Ijgi 06 00076 g004 550
شکل 4. الگوهای تجسمی کلاسیک: ( الف ) نمودار دایره ای عملگرها برای 1214 چاه، داده های اسمی. ( ب ) نمودار میله‌ای میانگین حجم تزریق بخار برای دریاچه Cenoves Christina، داده‌های عددی. ( ج ) نمودار چند خطی داده‌های مربوط به تولید برای یک چاه تولیدکننده، داده‌های عددی متعدد. ( د ) وضعیت چاه برای چاه انژکتوری، داده های اسمی.
Ijgi 06 00076 g005 550
شکل 5. تجسم بر اساس VISM: ( الف ) نقشه حبابی برای اکتشاف جهانی. ( ب ) نقشه تکمیل برای اکتشاف گروهی. ( ج ) جدول پیکسل برای کاوش گروهی. ( د ) نمودار انیمیشن برای اکتشاف واحد.
Ijgi 06 00076 g006 550
شکل 6. تجسم نتایج داده کاوی: ( الف ) طبقه بندی طبقه بندی پد. ( ب ) طبقه بندی کمیت تولید. ( ج ) k-means خوشه بندی به SOR و تولید نفت. ( د ) تجسم سلسله مراتبی برای پیش‌بینی تولید درخت نمادین با استفاده از اندازه نماد 3.
Ijgi 06 00076 g007 550
شکل 7. ترکیب فضایی و زمانی در OGVES.
Ijgi 06 00076 g008 550
شکل 8. نمای کلی پروژه Cenovus Christina Lake با نقشه حبابی: ( الف ) نمای کلی از توزیع فضایی چاه ها. ( ب ) مروری بر متغیرهای متعدد پد B-03 . ( ج ) نمودارهای دایره حباب انفرادی بزرگ شده که مقادیر مربوط به تولید را ارائه می دهد.
Ijgi 06 00076 g009 550
شکل 9. استفاده از نمودارهای متحرک برای مقایسه چند پد ( Project Cenovus Christina Lake Pad s B-04 ، B-03 و B-07 ) و چندین متغیر. ( a – d ) حجم تولید نفت (m 3 )، حجم تزریق بخار (m 3 ) و مقدار SOR به ترتیب در اکتبر 2011، دسامبر 2011، سپتامبر 2012 و ژوئن 2013.
Ijgi 06 00076 g010 550
شکل 10. تجزیه و تحلیل استراتژی عملیات با استفاده از ARM.
Ijgi 06 00076 g011 550
شکل 11. داده های تولید یک چاه جدید نسبت به چاه های مجاور موجود.
Ijgi 06 00076 g012 550
شکل 12. درخت نمادین برای تولید گاز شیل با استفاده از اندازه نماد 3.
جدول
جدول 1. خلاصه ای از روش های تجسم در OGVES.
جدول
جدول 2. چهار وظیفه در مطالعه کاربر و پاسخ کاربران به سوالات خلاصه شده.
جدول
جدول 3. ویژگی ها و مقایسه عملکردی بین OGVES، GeoCarta و iGlass.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370