Real-time prediction of formation lithology using drilling parameters: an example from Ca Tam oilfield

Xây dựng cột địa tầng là một nhiệm vụ thiết yếu trong bài toán nghiên cứu, khôi phục lịch sử phát triển kiến tạo địa chất và giúp ích rất nhiều trong công tác tìm kiếm thăm dò tài nguyên khoáng sản, đặc biệt là dầu khí. Bên cạnh đó, việc xác định, nhận diện được ranh giới của các tầng thạch học sẽ giúp Người điều hành khoan nhanh chóng lựa chọn được các thông số khoan tối ưu cho từng công đoạn khoan, giảm nguy cơ phức tạp, sự cố cũng như gia tăng hiệu suất trong công tác khoan. Qua bài báo này, nhóm tác giả bước đầu nghiên cứu một hướng tiếp cận mới đó là sử dụng các kỹ thuật học máy để xác định thạch học và nhận diện trực tiếp địa tầng khoan qua từ tài liệu khoan theo thời gian thực, áp dụng thực tế cho 02 giếng khoan khu vực mỏ dầu khí Cá Tầm. Kết quả của mô hình khi áp dụng thuật toán Fuzzy c-means đã dự báo và nhận diện tương đối chính xác 03 nhóm thạch học chủ đạo tại khu vực nghiên cứu là cát kết, bột kết và sét. Kết quả ban đầu của nghiên cứu là tương đối khả quan, qua đó có thể thấy hướng tiếp cận mới này cần được quan tâm và đầu tư hơn trong tương lai, giúp hỗ trợ và cải thiện hiệu quả quá trình khoan các giếng dầu khí tại Việt Nam.

Trích dẫn

Vũ Hồng Dương, Nguyễn Tiến Hùng, Nguyễn Thế Vinh và Nguyễn Anh Tuấn, 2024. Phân loại thạch học trực tiếp từ tài liệu khoan theo thời gian thực, áp dụng cho các giếng khoan dầu khí tại mỏ Cá Tầm, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 65, kỳ 3, tr. 62-71.

Tài liệu tham khảo

Bezdek, J. C., Ehrlich, R., and Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers and Geosciences, Volume 10, Issues 2-3, 191-203.

Chen, G. (2020). Study on Real-time Lithology Identification Method of Logging-while-drilling. IOP Conf. Series: Earth and Environmental Science, 546, 052007 doi:10. 1088/1755-1315/546/5/052007

Choudhury, A. (2014). A Simple Approximation to the Area Under Standard Normal Curve. Mathematics and Statistics, 2, 147-149.

Jian, S., Qi, L., Mingqiang, C., Long, R., Guihua, H., Chenyang, L., and Zixuan, Z. (2019). Optimization of models for a rapid identification of lithology while drilling - A win-win strategy based on machine learning. Journal of Petroleum Science and Engineering, 176, 321-341. https://doi. org/10.1016/j.petrol.2019.01.006

Khalifa, H., Tomomewo, O. S., Ndulue, U. F., and Berrehal, B. E. (2023). Machine Learning-Based Real-Time Prediction of Formation Lithology and Tops Using Drilling Parameters with a Web App Integration. Eng 2023, 13, 2443-2467. https://doi.org/ 10.3390/eng403 0139.

Li, T. T., Tong, J., Xiang, R. Y., and Yan, X. D. (2022). Research on Intelligent Lithology Identification Method Based on Real-Time Data of Drilling Wells. RICAI 2022, Dongguan, China, 890-895.

Mikkel, L. A., John-Morten, G., Ole, M. A. (2022). Classification of Drilled Lithology in Real-Time Using Deep Learning with Online Calibration. SPE Drilling and Completion, 26-37.

Moazzeni, A., Haffar, M. A. (2015). Artificial Intelligence for Lithology Identifcation through Real-Time Drilling Data. Earth Sci Clim Change, 6(3), 265. doi:10.4172/2157-7617. 10 00265.

Nguyễn, X. N. (2009). Chương trình phân tích thạch học theo tài liệu Địa vật lý giếng khoan. Tạp chí Khoa học và Công nghệ, 12, 6.

Romy, A., Aashish, M., Robello, S., and Amit, S. (2022). Real-Time Prediction of Litho- Facies From Drilling Data Using an Artificial Neural Network: A Comparative Field Data Study With Optimizing Algorithms. Journal of Energy Resources Technology, Vol. 144, 043003.

Trần, T. T. T., Nguyễn, T. T., Nguyễn, H. A., Lê, M. H., Nguyễn, T. A., and Trần, X. Q. (2021). Đặc trưng vật lý, thạch học của đá chứa Carbonate tuổi Devonian mỏ Bắc Oshkhotynskoye, Liên Bang Nga. Tạp chí Dầu khí, 3, 11-21.

Trần, T. T. T., Nguyễn, T. T., Nguyễn, T. T., Đỗ, Q. Đ., Nguyễn, H. A., and Nguyễn, T. T. T. (2019). Đặc trưng vật lý, thạch học của đá chứa Pliocene khu vực trung tâm bể Sông Hồng. Tạp chí Dầu khí, 8, 21-28.

Vũ, H. D., and Kiều, D. T. (2020). Phân loại thạch học từ các tham số vật lý trong tài liệu giếng khoan 1143, chương trình khoan đại dương tại biển đông bằng mạng trí tuệ nhân tạo. Báo cáo khoa học tại Hội nghị toàn quốc Khoa học Trái đất và Tài nguyên với Phát triển bền vững (ERSD2020), 113-116.

Yunxin, X., Chenyang, Z., Wen, Z., Zhongdong, L., Xuan, L., and Mei, T. (2018). Evaluation of machine learning methods for formation lithology identification: A comparison of tuning processes and model performances. Journal of Petroleum Science and Engineering, 160, 182-193. https://doi.org/10.1016/j. petrol. 2017.10.028.

Các bài báo khác

Vận dụng các nguyên lý thủy động lực học và lý thuyết dòng chảy để tối ưu chương trình khảo sát áp suất vỉa không cần đóng giếng khai thác - Nghiên cứu điển hình cho mỏ Biba, Algeria

Phân tích đa tiêu chí dựa trên GIS và các nguồn dữ liệu mở trên internet để thành lập bản đồ phân vùng nguy cơ sạt lở đất khu vực tỉnh Lâm Đồng

Đánh giá năng lực thích ứng với biến đổi khí hậu của thành phố Sầm Sơn, Thanh Hóa trong định hướng phát triển du lịch bằng mô hình AHP

Quan trắc độ lún bờ mỏ lộ thiên dựa trên công nghệ GNSS/CORS - Trường hợp nghiên cứu cho mỏ Cọc Sáu

Nghiên cứu số lượng, hình dạng, màu sắc và thành phần vi nhựa trong trầm tích tại cửa sông Hàn, thành phố Đà Nẵng

Bối cảnh địa chất, đặc điểm quặng hóa và triển vọng chì-kẽm khu vực Nà Bốp-Pù Sáp, Chợ Đồn, Đông Bắc Việt Nam

	Citations	712
	h-index	9
	i10-index	8

Abstracting & Indexing

Điểm HĐGS nhà nước