В последние годы цифровизация и автоматизация массово трансформировали глобальные отрасли в новую эру технологий. Это также относится к нефтяной промышленности, где машинное обучение используется для помощи в разведке и анализа прошлых данных для извлечения невидимых данных. В этом исследовании было реализовано использование машинного обучения в геолого-нефтяной науке с использованием K-ближайших соседей (KNN) в качестве алгоритма модели обучения с учителем для прогнозирования электрофаций, литофаций и классификации среды осадконакопления с использованием данных скважин P-2 и K-1 в качестве обучения. набор данных и данные скважины B-1 в качестве набора данных тестирования, где все скважины находятся на одной площади. Рабочий процесс также включает в себя метод обучения, проверки и тестирования, настройку гиперпараметров и разработку функций, чтобы получить наилучшую комбинацию гиперпараметров и оценку модели. Матрица путаницы, полученная на этапах проверки, показывает, что алгоритм KNN генерирует очень похожий прогноз по сравнению с фактическими данными и дает хороший результат теста со значениями точности выше 0,75 для трех случаев прогнозирования. Модель также дает хороший электрофациальный рисунок, литофации и результаты классификации условий осадконакопления на основе графика скважины B-1 и указывает на непрерывность формации Plover в качестве зоны резервуара, которая может находиться под влиянием морской среды осадконакопления.

Фон

Методология

Результат

Модель KNN дала два результата: результат проверки и результат прогнозирования. Результат валидации, который предсказывал и сравнивал результаты классификации электрофаций, литофаций и среды осадконакопления с фактическими данными по P-2 и K-1, а также с данными обучения. Учебные баллы по электрофациальному рисунку, литофации и прогнозированию среды осадконакопления составляют 1,0, 0,99 и 0,99, тогда как тестовые баллы составляют 0,816, 0,91 и 0,801 соответственно. Как электрофациальная картина, так и прогноз среды осадконакопления имеют несколько иную картину на определенной глубине, тогда как прогноз литофации редко имеет другой прогноз по сравнению с фактическими данными. Судя по трем результатам оценки прогноза, где оценка поезда выше, чем оценка теста, можно предположить, что модель все еще переоснащается и ее необходимо настроить или выполнить обширный исследовательский анализ данных для улучшения характеристик модели. Тем не менее, общий результат прогнозирования является удовлетворительным и дает довольно хороший результат. Также предполагается, что модель может быть использована для выполнения прогнозов по данным скважины Б-1. Электрофациальный прогноз генерировал довольно сложную и детальную картину, имеющую соответствие картине на некотором интервале глубин. В результате также наблюдается непревзойденный шаблон, который может быть вызван переоснащением, ошибками в кодировании вручную или отсутствием других вспомогательных данных. Результат литофаций показывает, что в верхней части резервуара на глубине приблизительно от 4600 м до 4800 м преобладают фации вулканитов-алевролитов-песчаников, тогда как в средней и нижней части, на глубине приблизительно от 4800 м до 5180 м, преобладают алевролиты-песчаники. Фации песчаника. Результат прогноза также показывает, что на дне глубины присутствует присутствие фации песчаника-алевролита и кальцилютита. Результат среды осадконакопления показывает, что в целом в фациях скважины B-1 преобладает среда, находящаяся под влиянием моря. Также есть определенная глубина, которая прогнозируется как морская среда, примерно на глубинах от 4780 до 4900. Помимо интервала, который был успешно предсказан, есть еще интервал, который прогнозируется как неопределенный, примерно на глубине 4600 м. до 4700 м и от 5010 м до 5080 м.

Выводы

Реализация K-ближайших соседей в качестве алгоритма модели обучения с учителем дала хорошие и оцененные результаты обучения и тестов с оценкой более 0,75. Модель также дала хороший прогноз электрофаций, литофаций и условий осадконакопления для скважины B-1 и улучшила интерпретацию месторождения, что увеличивает доказательства существования формации Plover в качестве зоны резервуара в районе скважины B-1.

Ссылки

[1] Кант, Д., 1992. Подповерхностный фациальный анализ. В: Р. Г. Уокер (ред.), Модели фаций, реакция на изменения уровня моря (стр. 27–45). Сент-Джонс: Геологическая ассоциация Канады.

[2] Геологическая служба Западной Австралии, 2009 г., Краткий обзор нефтегазовых перспектив, Западная Австралия, 2009 г.: бассейны Бонапарт, Байт, Браузер, Каннинг, Офицер, Перт, Южный Карнарвон и Северный Карнарвон. Геологическая служба Западной Австралии, 39 стр.

[3] Геофизические исследования Австралии. 2018. Региональная геология Браузского бассейна. Канберра: Геофизические науки Австралии.

[4] Ле Поидевен, С. Р., Куске, Т. Дж., Эдвардс, Д. С. и Темпл, П. Р., 2015 г. Обзорный бассейн: Западная Австралия и прилегающая территория островов Ашмор и Картье. Австралийские запасы нефти, отчет 7. Geoscience Australia Record 2015/10. Канберра: Геофизические науки Австралии.

[5] Сараванан, Н., Сатиш, Г., Баладжи, Дж. М., 2018. Обработка данных и утечка данных в машинном обучении для здравоохранения. Журнал новых технологий и инновационных исследований, 5(8), 554.

Внедрение обучения под наблюдением для электрофаций, литологии и среды осадконакопления…

В последние годы цифровизация и автоматизация массово трансформировали глобальные отрасли в новую эру технологий. Этот…