整合机器学习以准确预测孔压力在Junggar盆地断层集群形成的断层集群
Johnson Joachim Kasali1, Jun Li1,2, Hongwei Yang1
1College of Petroleum Engineering, China University of Petroleum (Beijing), Beijing 102249, China.
准确的孔隙压力 (PP) 预测对于安全钻井至关重要. 机器学习模型,特别是深度神经网络,在复杂的,破碎的构成中显著提高了PP预测的准确性.
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.
- 机器学习应用 机器学习应用
背景情况:
- 准确的孔隙压力 (PP) 预测对于优化钻井液密度和确保井口稳定性至关重要.
- 复杂的地质设置,如具有显著埋葬变化和异质性的断裂形成,对传统的PP预测模型构成挑战.
- 整合多个石化物理数据对于减少PP预测中的不确定性至关重要.
研究的目的:
- 利用机器学习 (ML) 开发一种新的多变量孔隙压力预测模型,其中包含裂痕存在和岩石机械性质.
- 评估四个ML模型 (DNN,SVM,XGB,Random Forest) 的孔隙压力预测性能.
- 提高复杂地质构成,特别是上武尔赫构成中孔隙压力预测的准确性.
主要方法:
- 利用特扎吉的有效应力定理,将形成的有效应力与六个井日志联系起来:中子孔径,密度,页岩含量,纵向声速,钻井超负荷和电阻异构.
- 应用了四种机器学习模型:深度神经网络 (DNN),支持矢量机 (SVM),XGBoost和随机森林.
- 训练和测试模型使用来自JIN 216井的1680数据集,80%用于训练和20%用于测试.
主要成果:
- 所有使用的ML模型都表现出良好的概括能力.
- 深度神经网络 (DNN) 模型实现了最高的准确性,R平方值为0.9821和根平均平方误差 (RMSE) 为0.0344 g/cm3.
- 与相邻井的赛尔斯和埃伯哈特菲利普斯方法相比,ML方法使RMSE减少了大约83%.
结论:
- 拟议的多变量ML模型,特别是DNN,为破碎的集群形成提供了对孔隙压力预测精度的显著改进.
- 机器学习为在具有挑战性的地质环境中预测孔隙压力提供了强大而准确的替代方案.
- 开发的模型有可能提高钻井操作的安全性和效率.
更多相关视频
07:58Data Processing Methods for 3D Seismic Imaging of Subsurface Volcanoes: Applications to the Tarim Flood Basalt
Published on: August 7, 2017
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
相关概念视频
Porosity and Absorption of Aggregate
When all pores in an aggregate are filled with water, the aggregate is considered saturated and surface-dry. If left in dry air, water will evaporate until the...
Pressure Variation in a Fluid at Rest
When measuring pressure at two different levels within the fluid, the difference in...
Design Example: Creating a Hydraulic Model of a Dam Spillway
Measurement of Fluid Pressure
A basic form of manometer is the piezometer, a vertical tube open at the top and filled with the same...
Hydrostatic Pressure Force on a Curved Surface
Pore Size Distribution
Adequate...
