使用基于钻井参数的机器学习对石化物理性质的实时预测

科学领域:

• 地质科学是地球科学.
• 石油工程是石油工程中的一个.
• 机器学习 机器学习

背景情况:

• 准确预测岩石的多孔性和透性对于水库评估至关重要.
• 传统的方法耗时且昂贵,阻碍了综合的水库评估.

研究的目的:

• 开发和评估一种新的,具有成本效益的方法,用于实时预测岩石孔隙性和透性.
• 为了利用现有的钻井参数来高效地估计水库属性.

主要方法:

• 收集了来自中东两个钻井的钻井参数 (ROP,GPM,RPM,SPP,扭矩,WOB) 和核心分析数据 (孔径,透性).
• 采用并评估了三种机器学习模型:决策树 (DTs),随机森林 (RFs) 和支持矢量机器 (SVMs).

主要成果:

• 所有模型都实现了高相关系数 (R > 0.91) 透性预测.
• 随机森林模型证明了出色的透性预测 (R > 0.92).
• 决策树的表现略低 (R=0.88),而SVM的表现过度 (测试数据R=0.83).

结论:

• 机器学习模型成功地使用钻探参数实时预测水库属性.
• 这种方法为传统的水库评估方法提供了实用和有效的替代方案.
• 该研究加强了石油和天然气行业的决策和勘探/生产活动.