Примеры машинного обучения для улучшения вашего петрофизического рабочего процесса
Несколько десятилетий разведки углеводородов привели к получению и хранению большого количества измерений, связанных со скважинами, которые использовались для характеристики геологии недр и ее углеводородного потенциала. Потенциал этих больших объемов данных все активнее использовался за последние пару десятилетий по мере увеличения вычислительной мощности и внедрения новых алгоритмов машинного обучения. В петрофизической области машинное обучение использовалось для ускорения рабочих процессов, описания геологии в виде дискретных электрофаций, составления прогнозов и многого другого.
Содержание этой статьи было представлено в сентябре 2021 года в Лондонском петрофизическом обществе, модифицированная версия этой презентации доступна на моем канале YouTube. Не забудьте поставить лайк и подписаться на него, чтобы получать больше подобного контента.
Что такое петрофизика?
Петрофизика - это дисциплина, изучающая физические и химические свойства горных пород и их взаимодействие с содержащимися в них флюидами. Это основная дисциплина в нефтегазовой отрасли, цель которой состоит в понимании и количественной оценке свойств и количества подвижных углеводородов в пласте. Производные свойства включают пористость (объем пространства для хранения, доступного для хранения углеводородов), проницаемость (насколько хорошо поры связаны друг с другом) и водонасыщенность (количество порового пространства, заполненного водой, которое, в свою очередь, может быть использовано. для расчета углеводородной насыщенности.
Петрофизические проекты включают анализ измерений, полученных с помощью скважинных каротажных инструментов. Эти инструменты измеряют различные свойства горных пород, включая их естественную радиоактивность и их реакцию на электрические токи, живые радиоактивные источники и акустические сигналы. Многие из полученных свойств впоследствии преобразуются и используются в рамках хорошо установленных эмпирических уравнений (например, уравнения Арчи) для расчета необходимых петрофизических свойств коллектора. Многие авторы пытались обойти эмпирические уравнения и построить модели машинного обучения, которые используют данные каротажа для прямого прогнозирования петрофизических свойств.
Кроме того, как и в любом проекте, который включает данные, значительное количество времени (до 90%) может быть потрачено на утомительные, но очень важные задачи, такие как сбор данных, контроль качества данных, исправление данных и преобразование данных. Таким образом, многие статьи и приложения по машинному обучению сосредоточены на повышении эффективности и скорости этих этапов.
В следующей статье рассматриваются 10 примеров использования машинного обучения для помощи в различных аспектах петрофизического рабочего процесса. Каждый пример содержит список ссылок на ключевые и интересные статьи, в которых использовались эти методы.
1. Автоматическое обнаружение выбросов
Выбросы - это точки данных, которые находятся за пределами нормального или ожидаемого статистического распределения набора данных, и они могут возникать по разным причинам в измерениях каротажа скважины. Причины включают, но не ограничиваются:
- Ошибки измерения и датчика
- Вымывание скважины
- Вибрации при бурении, влияющие на каротаж во время бурения инструментами
- Неожиданные события и геология
Важно, чтобы выбросы выявлялись и обрабатывались соответствующим образом. Это может быть достигнуто с помощью ручных методов, таких как использование Z-оценок, коробчатых диаграмм и обычных кроссплотов (диаграмм рассеяния).
В последнее время в ряде исследовательских работ основное внимание уделяется использованию алгоритмов неконтролируемого обнаружения выбросов для выявления потенциальных выбросов. Эти методы включают кластеризацию K-средних, обнаружение выбросов на основе углов, машины опорных векторов и изолированные леса.
Чтобы полностью подтвердить, являются ли точка или набор точек выбросами, следует использовать знания предметной области. Это снизит риск неправильной классификации точек, которые могут быть реальными данными.
Статьи для дальнейшего чтения:
- Akkurt et al., (2018): Ускорение и улучшение петрофизического анализа с помощью машинного обучения: практический пример автоматизированной системы обнаружения и реконструкции выбросов на каротажных диаграммах
- Банас и др., (2021 г.): Новая методология автоматизации идентификации и исправления дефектных данных ГИС
- Misra et al., (2020): Неконтролируемые методы обнаружения выбросов для каротажных диаграмм и геофизических данных
2. Ремонт скважинного каротажа
После выявления выбросов и неверных данных их обычно можно удалить или исправить перед выполнением петрофизической интерпретации или применением модели машинного обучения.
Процесс выявления и проверки проблем с качеством данных может занять значительное количество времени в проекте, так как многие авторы рассматривали способы автоматизации / полуавтоматизации этого процесса. Модели обучаются на участках скважины, которые считаются «хорошими», а затем используются для прогнозирования на интервале с проблемами.
Статьи для дальнейшего чтения:
- Банас и др., (2021 г.): Новая методология автоматизации идентификации и исправления дефектных данных ГИС
- Кадди (2020): Преимущества и опасности использования искусственного интеллекта в петрофизике
- Кадди (2002): Использование нечеткости для ремонта скважинных электрических каротажей
- Сингх и др., 2020: Контроль качества, редактирование и реконструкция петрофизических каротажей с помощью машинного обучения
3. Нормализация каротажа скважины.
Нормализация каротажных диаграмм - обычная часть петрофизического рабочего процесса. Он используется для устранения неточностей данных, вызванных рядом проблем, в том числе различными технологиями инструментов и датчиков, различиями в окружающей среде в стволе скважины и проблемами с калибровкой инструмента.
Нормализация - это процесс изменения масштаба или калибровки каротажных диаграмм таким образом, чтобы они соответствовали другим каротажам в других скважинах в пределах месторождения или региона. Это может быть достигнуто вручную путем применения одноточечной нормализации (линейный сдвиг) или двухточечной нормализации («растяжение и сжатие») к требуемой кривой.
Нормализация обычно применяется к гамма-каротажам, но также может применяться к нейтронной пористости, объемной плотности, звуковому каротажу и каротажам спонтанного потенциала. Журналы удельного сопротивления обычно не нормализуются, если для этого нет достаточных оснований (Shier, 2004).
Статьи для дальнейшего чтения:
- Akkurt et al., (2019): Машинное обучение для нормализации ГИС
- Макдональд (2021 г.): Петрофизика: нормализация гамма-лучей в Python
- Shier (2004): Нормализация каротажных диаграмм: методы и рекомендации
4. Автоматическая корреляция каротажных диаграмм.
Корреляция скважин с скважинами - это обычный процесс, при котором один или несколько геологических интервалов связаны друг с другом на основе геологического сходства, такого как литология, биологическое содержание или минералогия. Это может быть трудоемкой и трудоемкой задачей для геолога, и многие авторы пытались автоматизировать этот процесс с 1970-х годов (Brazell et al., 2019). В последнее время машинное обучение с высокой степенью успеха использовалось для проведения корреляций каротажных диаграмм.
Хотя корреляция скважин обычно проводится геологами, бывают случаи, когда петрофизику приходится работать с вершинами и корреляциями. При проведении петрофизического анализа схожие параметры часто используются для разных скважин одного и того же пласта. Обеспечение правильной корреляции каротажных диаграмм позволяет более плавно выполнять этот процесс.
Статьи для дальнейшего чтения:
- Бакди и др., (2020): Автоматическая корреляция скважин с использованием методов машинного обучения и распознавания лиц
- Brazell et al., (2019): Подход на основе машинного обучения к вспомогательной корреляции скважинных данных
- Токпанов и др., (2020) Автоматизированная стратиграфическая корреляция на основе глубокого обучения
5. Прогнозирование журналов отсутствия скважин
Важно, чтобы наборы данных были как можно более полными при проведении характеризации геологической среды, однако бывают ситуации, когда измерения каротажа скважины отсутствуют. Это может включать в себя различные версии каротажных диаграмм, скорости каротажа, превышающие частоту отбора проб инструмента, проблемы окружающей среды в стволе скважины, неправильное управление данными, дорогостоящие затраты на приобретение и эффекты обсадной колонны.
В этих ситуациях данные могут быть заполнены с использованием эмпирических соотношений между оставшимися измерениями каротажа или с использованием моделей машинного обучения для текущей скважины и / или соседних скважин.
Статьи для дальнейшего чтения:
- Akinnikawe et al., (2018): Создание синтетического каротажа скважин с использованием методов машинного обучения
- Анемэнгли и др., (2018): Техника машинного обучения для прогнозирования скорости поперечной волны с использованием петрофизических каротажных диаграмм
- Макдональд (2020): Визуализация покрытия скважинными данными с помощью Matplotlib
6. Выравнивание глубины каротажных измерений
Глубина является критически важным показателем для успешного освоения и заканчивания скважины, к которой привязаны все каротажные диаграммы. Он позволяет выбирать интервалы перфорации и устанавливать пакеры на нужную глубину. Следовательно, важно, чтобы все измерения использовали постоянную опорную глубину.
Измерения каротажа скважины могут отличаться друг от друга по глубине по ряду причин, включая разные привязки глубины между кабелем и каротажем во время проходов бурения, растяжение кабеля, разная частота дискретизации для разных типов инструментов и проходов каротажа, и даже различия в погодных условиях и волнение морской поверхности на полупогружных буровых платформах. Обеспечение каротажа скважин за несколько проходов и спусков было давней проблемой в нефтегазовой отрасли.
Выравнивание данных традиционно выполнялось вручную, при этом сравниваются две или более кривых каротажа, полученные за несколько проходов, и точки добавляются к ключевым объектам. Затем эти функции выравниваются для создания данных, которые находятся на глубине друг друга. Часто этот процесс может быть необъективным и требовать много времени.
Полуавтоматические и автоматизированные подходы были разработаны на протяжении многих лет, в которых используются меры взаимной корреляции и ковариации между двумя кривыми каротажа. Однако в последнее время ряд авторов попытались использовать модели машинного обучения для автоматизации этого процесса и устранения каких-либо предубеждений.
Статьи для дальнейшего чтения:
- Биттар и др., (2020): Усиленная методика обучения для согласования глубины по многоствольным каротажам дает лучшее определение границ коллектора
- Ле и др., (2019): Структура машинного обучения для автоматизации согласования глубины каротажа
- Циммерман и др., (2018): Автоматическое согласование глубины с каротажем на основе машинного обучения
7. Прогнозирование непрерывных кривых на основе дискретных измерений керна
Один из ключевых результатов петрофизиков - проницаемость. Он используется для указания того, насколько легко текучие среды (в частности, углеводороды) могут проходить через породу или пласт. В настоящее время не существует каротажного инструмента, который мог бы напрямую измерять проницаемость пласта в скважине, вместо этого ее необходимо оценивать на основе откликов инструмента или эмпирических зависимостей. Многие эмпирические зависимости были получены на основе измерений керна в определенных географических и геологических областях и могут не полностью применяться к другим областям. Таким образом, обычной практикой является выведение взаимосвязи между пористостью керна и проницаемостью керна и применение этой зависимости к пористости, полученной из каротажа.
Основные данные не всегда доступны и могут присутствовать только в нескольких скважинах в пределах месторождения или разработки. Это связано с тем, что операции по извлечению керна являются дорогостоящими и требуют много времени. Таким образом, несколько авторов использовали модели машинного обучения, которые были обучены на ключевых скважинах, а затем используются для прогнозирования проницаемости во всех других скважинах.
Статьи для дальнейшего чтения:
- Akinnikawe et al., (2018): Создание синтетического каротажа скважин с использованием методов машинного обучения
- Аль-Анази и Гейтс (2010 г.): Опорная векторная регрессия для прогноза проницаемости в неоднородном пласте: сравнительное исследование
- Аркалгуд и др., (2019): Анализ переноса доменов - новый надежный метод петрофизического анализа
- Элькататный и др., (2018): Новые взгляды на прогнозирование проницаемости неоднородных карбонатных пластов по каротажным диаграммам с использованием сети искусственного интеллекта
- Макдональд, 2020: Взаимосвязи пористости и проницаемости с использованием линейной регрессии в Python
- Сапутелли и др., (2019): Определение проницаемости и типизации пород пласта с поддержкой самоорганизующихся карт (SOM) и искусственных нейронных сетей (ANN) - оптимальный рабочий процесс для интеграции кернового каротажа
8. Прогноз фаций
Понимание литологии недр - важная задача геолого-геофизики и петрофизики. Получение метки литологии или объемов минералов - одна из задач, часто поручаемых петрофизикам.
Алгоритмы машинного обучения обычно применялись для группировки результатов каротажных исследований в отдельные литологические группы, известные как фации. Этот процесс может быть достигнут с использованием алгоритмов обучения без учителя или обучения с учителем.
Неконтролируемая кластеризация данных - это распространенная форма исследовательского анализа данных (EDA), который используется для разделения данных на разные группы на основе общих характеристик или свойств. Точки данных, которые похожи друг на друга, группируются в один кластер, а те, которые отличаются друг от друга, помещаются в другой кластер.
Статьи для дальнейшего чтения:
- Cuddy & Putnam, 1998: Прогнозирование литофаций и проницаемости по электрическим каротажам с использованием нечеткой логики.
- Холл, 2016: Классификация фаций с использованием машинного обучения
- Макдональд, 2021: Как использовать неконтролируемую кластеризацию на данных ГИС с помощью Python
- Чжан и Чжан, 2017: Машинное обучение в классификации фаций горных пород: применение XGBOOST
9. Прогноз геомеханических свойств.
Каротажные измерения, такие как объемная плотность и акустическая медленность, могут быть использованы для понимания напряжений и свойств породы в коллекторе (модуль Юнга, объемный модуль, коэффициент Пуассона и т. Д.). Определение геомеханических свойств является важным шагом при планировании скважины, чтобы обеспечить безопасное бурение и успешное завершение скважин. Это также позволяет понять, как породы будут меняться и деформироваться в ответ на изменения напряжения, температуры и давления.
Наиболее точный способ получения геомеханических свойств - это разрушающие испытания образцов керна, взятых из скважины. Часто это делается на небольшом количестве образцов и используется для калибровки и проверки эмпирических соотношений между измерениями каротажа и свойствами. Когда образцы керна отбираются из обычных коллекторов, они обычно находятся над участком коллектора, а вышележащие интервалы игнорируются. Это приводит к экстраполяции отношений на эти разделы, если они представляют интерес.
Статьи для дальнейшего чтения:
- АльБахрани и др., (2021 г.): Построение интегрированной модели геомеханики бурения с использованием метода конечных элементов пороупруго-пластических материалов с помощью машинного обучения
- Сонг и др., (2021 г.): Прогноз и анализ геомеханических свойств сланца Джимусаер с использованием подхода машинного обучения
10. Прогноз петрофизических свойств
Определение ключевых свойств коллектора является одной из основных задач петрофизика и обычно достигается с помощью хорошо разработанных соотношений и уравнений. Тем не менее, ряд исследований был сосредоточен на прогнозировании этих свойств с использованием измерений каротажных диаграмм.
Статьи для дальнейшего чтения:
- Хан и др., (2018): Полученная машинным обучением корреляция для определения водонасыщенности в сложных литологиях
- Basu et al., (2020): Петрофизические рабочие процессы против машинного обучения - сравнительное исследование в группе Дакота, Уиллистонский бассейн
- MacGregor et al., (2018): Оптимизация петрофизических рабочих процессов с помощью машинного обучения
Резюме
Вот оно! Мы видели 10 примеров того, как машинное обучение может принести пользу и повысить ценность петрофизического рабочего процесса. Эти 10 примеров ни в коем случае не являются единственными способами применения машинного обучения, и в литературе их гораздо больше. Приходилось ли вам сталкиваться с каким-либо другим применением машинного обучения в области петрофизики? Если да, не стесняйтесь оставлять комментарии к этой статье или обращаться в LinkedIn.
Спасибо за внимание!
Если вы нашли эту статью полезной, ознакомьтесь с другими моими статьями, посвященными различным аспектам Python и данным каротажа. Вы также можете найти мой код, использованный в этой и других статьях, на GitHub.
Если вы хотите связаться, вы можете найти меня в LinkedIn или на моем сайте.
Хотите узнать больше о питоне и данных каротажа скважин или о петрофизике? Следуйте за мной на Medium.
