Tạp chí
 
Các số tiếng Anh
 

Tổng quan dự báo độ rỗng thành hệ bằng kỹ thuật máy học dựa trên dữ liệu khoan thực

DOI:10.46326/JMES.2024.65(5).02

  • Cơ quan:

    Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 21-05-2024
Trang: 10 - 20
Lượt xem: 866
Xem onlineXem online
Lượt tải: 20
Tải về PDF
★★★★★Yêu thích: 1.0, Số lượt: 1
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Để khai thác dầu hiệu quả, cần thiết phải xác định các thông số vỉa của thành hệ. Một trong các thông số quan trọng cần phải được xác định đó là độ rỗng. Việc dự báo độ rỗng giúp đánh giá khả năng khai thác của vỉa chứa, lựa chọn vị trí giếng khai thác, thiết kế thu hồi dầu tăng cường và đánh giá tính khả thi về kinh tế. Thông thường, giá trị của độ rỗng được xác định trực tiếp bằng các phép thí nghiệm mẫu lõi trong phòng khác nhau hoặc một cách gián tiếp dựa trên kết quả minh giải tài liệu đo địa vật lý giếng khoan. Các phương pháp xác định truyền thống này thường tốn nhiều thời gian và gây tốn kém. Phương pháp thí nghiệm trong phòng có độ chính xác cao nhưng thường yêu cầu có sẵn mẫu thí nghiệm, đòi hỏi nhiều thiết bị đo phụ trợ và đôi khi yêu cầu kết quả đo mẫu lõi bổ sung tiêu tốn thời gian và chi phí lấy mẫu. Phương pháp đo địa vật lý giếng khoan không phải lúc nào cũng được thực hiện ở tất cả các giếng khoan. Bằng cách ứng dụng các kỹ thuật máy học khác nhau như Mạng nơ-ron nhân tạo, Cây quyết định, Rừng ngẫu nhiên,… giá trị độ rỗng cũng được dự báo. Các kỹ thuật này thường sử dụng thông số đầu vào là dữ liệu từ đường cong đo địa vật lý giếng khoan hoặc dữ liệu khoan. Tuy nhiên, việc sử dụng dữ liệu đường cong đo địa vật lý giếng khoan làm thông số đầu vào cho mô hình máy học thường gặp phải hạn chế từ tính sẵn có của nguồn dữ liệu. Trong khi đó các thông số khoan như vận tốc cơ học khoan, lưu lượng bơm của dung dịch khoan, tốc độ vòng quay trên phút, áp suất trong cần dựng, mô-men xoắn và tải trọng chiều trục được thu thập một cách liên tục từ các cảm biến dữ liệu trong quá trình khoan. Bài báo tập trung đánh giá, phân tích những công trình khoa học đã được nghiên cứu về việc ứng dụng kỹ thuật máy học để dự báo giá trị độ rỗng của thành hệ, dựa trên dữ liệu khoan theo thời gian thực.

Trích dẫn
Lê Quang Duyến, 2024. Tổng quan dự báo độ rỗng thành hệ bằng kỹ thuật máy học dựa trên dữ liệu khoan thực, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 65, kỳ 5, tr. 10-20.
Tài liệu tham khảo

Ahmadi, M. A., and Chen, Z. (2019). Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petro-physical logs. Petroleum, 5(3), 271–284.

Al-AbdulJabbar, A., Al-Azani, K., and Elkatatny, S. (2020). Estimation of Reservoir Porosity From Drilling Parameters Using Artificial Neural Networks. Petrophysics – The SPWLA Journal of Formation Evaluation and Reservoir Description, 61(3), 318–330.

Alhowaish, H. A., Mezghani, M. M., and Shakriov, A. (2023, October 2). Predicting Porosity from Drilling Data Using Machine Learning – Challenges and Solutions. ADIPEC.

Al-Sabaa, A., Gamal, H., and Elkatatny, S. (2021, October 18). Generation of a Complete Profile for Porosity Log While Drilling Complex Lithology by Employing the Artificial Intelligence. SPE Symposium: Artificial Intelligence - Towards a Resilient and Efficient Energy Industry.

Alyafei, N. (2021). Fundamentals of Reservoir Rock Properties—2nd edition. QScience.com. https://doi.org/10.5339/Fundamentals_of_Reservoir_Rock_Properties_2ndEdition

Andagoya Carrillo, K. I., Avellán, F. J., and Camacho, G. (2015, November 18). ECD and Downhole Pressure Monitoring While Drilling at Ecuador Operations. SPE Latin American and Caribbean Petroleum Engineering Conference.

Angeleri, G. P., and Carpi, R. (1982). Porosity Prediction from Seismic Data. Geophysical Prospecting, 30(5), 580–607.

Barjouei, H. S., Ghorbani, H., Mohamadian, N., Wood, D. A., Davoodi, S., Moghadasi, J., and Saberi, H. (2021). Prediction performance advantages of deep machine learning algorithms for two-phase flow rates through wellhead chokes. Journal of Petroleum Exploration and Production, 11(3), 1233–1261.

Bonnecaze, R. T., Sharma, M. M., Butler, J. E., and Arboleda, G. (2002, September 29). High Resolution Downhole Measurements of Porosity and Fluid Saturation While Core Drilling. SPE Annual Technical Conference and Exhibition.

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.

Chen, T., Zhu, L., Niu, R., Trinder, C. J., Peng, L., and Lei, T. (2020). Mapping landslide susceptibility at the Three Gorges Reservoir, China, using gradient boosting decision tree, random forest and information value models. Journal of Mountain Science, 17(3), 670–685.

Denney, D. (2003). A New Approach for Reservoir Characterization. Journal of Petroleum Technology, 55(09), 62–63.

Doyen, P. M. (1988). Porosity from seismic data: A geostatistical approach. GEOPHYSICS, 53(10), 1263–1275.

Elkatatny, S., Tariq, Z., Mahmoud, M., and Abdulraheem, A. (2018). New insights into porosity determination using artificial intelligence techniques for carbonate reservoirs. Petroleum, 4(4), 408–418.

Ellis, D. V., Case, C. R., and Chiaramonte, J. M. (2004). Porosity from Neutron Logs II: Interpretation. Petrophysics - The SPWLA Journal of Formation Evaluation and Reservoir Description, 45(01).

Fischetti, A. I., and Andrade, A. (2002). Porosity images from well logs. Journal of Petroleum Science and Engineering, 36(3), 149–158.

Fu, B., Liu, M., He, H., Lan, F., He, X., Liu, L., Huang, L., Fan, D., Zhao, M., and Jia, Z. (2021). Comparison of optimized object-based RF-DT algorithm and SegNet algorithm for classifying Karst wetland vegetation communities using ultra-high spatial resolution UAV data. International Journal of Applied Earth Observation and Geoinformation, 104, 102553.

Gamal, H., and Elkatatny, S. (2021). Prediction Model Based on an Artificial Neural Network for Rock Porosity. Arabian Journal for Science and Engineering, 47(9), 11211–11221.

Gamal, H., Elkatatny, S., and Mahmoud, A. A. (2021). Machine learning models for generating the drilled porosity log for composite formations. Arabian Journal of Geosciences, 14(23), 2700.

Ghorbani, H., Wood, D. A., Choubineh, A., Tatar, A., Abarghoyi, P. G., Madani, M., and Mohamadian, N. (2020). Prediction of oil flow rate through an orifice flow meter: Artificial intelligence alternatives compared. Petroleum, 6(4), 404–414.

Gurina, E., Klyuchnikov, N., Zaytsev, A., Romanenkova, E., Antipova, K., Simon, I., Makarov, V., and Koroteev, D. (2020). Application of machine learning to accidents detection at directional drilling. Journal of Petroleum Science and Engineering, 184, 106519.

Hamada, G. M., and Elshafei, M. A. (2009, May 9). Neural Network Prediction of Porosity and Permeability of Heterogeneous Gas Sand Reservoirs. SPE Saudi Arabia Section Technical Symposium.

Hassaan, S., Mohamed, A., Ibrahim, A. F., and Elkatatny, S. (2024). Real-Time Prediction of Petrophysical Properties Using Machine Learning Based on Drilling Parameters. ACS Omega, acsomega.3c08795.

Hinton, G. E., Osindero, S., and Teh, Y.-W. (2006). A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 18(7), 1527–1554.

Kane, J. A., and Jennings, J. W. (2005, October 9). A Method to Normalize Log Data by Calibration to Large-Scale Data Trends. SPE Annual Technical Conference and Exhibition.

Lippmann, R. (1987). An introduction to computing with neural nets. IEEE ASSP Magazine, 4(2), 4–22.

Lucia, F. J., Kerans, C., and Jennings, J. W., Jr. (2003). Carbonate Reservoir Characterization. Journal of Petroleum Technology, 55(06), 70–72.

Ma, Y., and Guo, G. (2014). Support Vector Machines Applications. Springer Science and Business Media.

Nakamoto, P. (2018). Neural Networks and Deep Learning: Neural Networks and Deep Learning, Deep Learning Explained to Your Granny. CreateSpace Independent Publishing Platform.

Nallathambi, S., and Ramasamy, K. (2017). Prediction of electricity consumption based on DT and RF: An application on USA country power consumption. 2017 IEEE International Conference on Electrical, Instrumentation and Communication Engineering (ICEICE), 1–7.

Nguyễn, T. M. H., vàLê, H. A. (2014). Dự báo độ rỗng trầm tích Miocen khu vực lô 103. Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất.

Noshi, C. I., and Schubert, J. J. (2018, October 7). The Role of Machine Learning in Drilling Operations; A Review. SPE/AAPG Eastern Regional Meeting.

Nyein, C. Y., and Ali Hamada, G. M. M. (2018). Artificial Neural Network (ANN) Prediction of Porosity and Water Saturation of Shaly Sandstone Reservoirs. 2018 AAPG/EAGE/MGS Myanmar Oil and Gas Conference: A Global Oil and Gas Hotspot: Unleashing the Petroleum Systems Potential. 2018 AAPG/EAGE/MGS Myanmar Oil and Gas Conference: A Global Oil and Gas Hotspot: Unleashing the Petroleum Systems Potential, Yangon, Myanmar.

Olatunji, S. O., Selamat, A., and Abdulraheem, A. (2011). Modeling the permeability of carbonate reservoir using type-2 fuzzy logic systems. Computers in Industry, 62(2), 147–163.

Patle, A., and Chouhan, D. S. (2013). SVM kernel functions for classification. 2013 International Conference on Advances in Technology and Engineering (ICATE), 1–9.

Ramana, Y. V., and Venkatanarayana, B. (1971). An air porosimeter for the porosity of rocks. International Journal of Rock Mechanics and Mining Sciences and Geomechanics Abstracts, 8(1), 29–53.

Sircar, A., Yadav, K., Rayavarapu, K., Bist, N., and Oza, H. (2021). Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research, 6(4), 379–391.

Sun, J., Zhang, R., Chen, M., Chen, B., Wang, X., Li, Q., and Ren, L. (2021). Identification of Porosity and Permeability While Drilling Based on Machine Learning. Arabian Journal for Science and Engineering, 46(7), 7031–7045.

Wood, D. A. (2020). Predicting porosity, permeability and water saturation applying an optimized nearest-neighbour, machine-learning and data-mining network of well-log data. Journal of Petroleum Science and Engineering, 184, 106587.

Yazmyradova, G., Hermana, M., and Soleimani, H. (2022). Estimation of porosity from well logs and seismic using artificial neural network. IOP Conference Series: Earth and Environmental Science, 1003(1), 012017.

Zerrouki, A. A., Aïfa, T., and Baddari, K. (2014). Prediction of natural fracture porosity from well log data by means of fuzzy ranking and an artificial neural network in Hassi Messaoud oil field, Algeria. Journal of Petroleum Science and Engineering, 115, 78–89.

Các bài báo khác