Применение методов машинного обучения для построения электрофациальных моделей скважин на основе ГИС

Ерёмин, Н.А.; Аладьев, Д.П.

Авторы: Ерёмин Н.А., Аладьев Д.П.
Сборник: Инновационные технологии в нефтегазовой отрасли : сборник трудов
Серия: Сборник трудов V Международной научно-практической конференции, посвященной 90-летию со дня рождения профессора Тагирова К. М
Год издания: 2024
Место издания: АГРУС Ставропольского гос. аграрного ун-та Ставрополь
Первая страница: 21
Последняя страница: 27
Аннотация: Eremin N. A., Aladyev D. P. Application of Machine Learning Methods for Constructing Electrofacial Models of Wells Based on Geophysical Well Surveys / / Innovative Technologies in the Oil and Gas Industry: Proceedings of the 5th International Scientific and Practical Conference Dedicated to the 90th Anniversary of the Birth of Professor K.M. Tagirov. - Stavropol: AGRUS, Stavropol State Agricultural University, 2019. - 696 pages. ISBN 978-5-9916-3077-0. pp.21-27Lithofacies are one of the most important parameters in geological modeling of a reservoir. As a rule, they are identified based on the results of complex core studies, together with the study of well log data, since well log data is directly related to the petrophysical parameters of rocks, this implies that the facies recognition method should integrate well log data and core results for joint analysis. The main objective of this study is to use machine learning methods to identify facies in wells that do not have information on core results based on a trained model.As part of the work, the principle of operation of a Python algorithm based on open libraries for machine data processing was considered for solving the problem of lithotyping rocks based on well logging data. As a result, rocks were divided into lithotypes based on well logging, the convergence of the results was 90%. The model constructed within the framework of the work can be used to solve the problems of express interpretation of well logging results at the considered field when drilling new wells, which will allow obtaining results much faster, compared to manual interpretation, it is also possible to apply the considered approaches to other fields with a similar set of lithotypes.References1. Serra, O. Reconstruction of sedimentary environments from well logging data / O. Serra. - M: Schlumberger Limited, 1985. - 366 p.2. Radhi Albahadili, J.K. The role of cluster analysis in recognizing logfacies and sedimentary environments from well logging responses for the Mishrif Formation in southeastern Iraq / J.K. Radhi Albahadili, M.E. Nasser. // International Journal of Engineering Research and Sciences (IJOER), Vol. 3, No. 12. - 2017. - p. 35-45.3. Aghchelou, M. Lithofacies estimation by Multi-Resolution Graph-Based Clustering of petrophysical well logs: case study of South Pars gas field / M. Aghchelou // Society of Petroleum Engineers Journal. - 2012. - SPE-162991-MS. — 15 p.m.4. Hwan Woo, J. Electrofacies classification of Horn River Shale by Multi Resolution Graph-based Clustering / J. Hwan Woo, C. Woo Rhee, J. Hwa Jin // Canada: GeoConvention. — 2018. — 4 p.m.5. Euzen, T. Well log cluster analysis and electrofacies classification: a probabilistic approach for integrating log with mineralogical data / T. Euzen, M. R. Power // Canada: GeoConvention. — 2012. — 3 p.Ерёмин Н.А., Аладьев Д.П. Применение методов машинного обучения для построения электрофациальных моделей скважин на основе ГИС // Инновационные технологии в нефтегазовой отрасли : Сборник трудов V Международной научно-практической конференции,посвященной 90-летию со дня рождения профессора Тагирова К. М.. – Ставрополь : АГРУС Ставропольского гос. аграрного ун-та, 2024. – 696 с. ISBN 978-5-9596-2021-9. С. 21-27.Литофации являются одним из наиболее важных параметров при геологическом моделировании залежи. Как правило, они выделяются по результатам комплексных исследований керна, совместно с изучением данных каротажных кривых, поскольку данные каротажа напрямую связаны с петрофизическими параметрами горных пород, это подразумевает, что метод распознавания фаций должен интегрировать данные каротажных кривых и результаты исследований керна для совместного анализа. Основная цель этогоисследования состоит в использовании методов машинного обучения для выделения фаций в скважинах, в которых отсутствует информация о результатах исследований керна, на основе обученной модели.В рамках работе был рассмотрен принцип работы Python-алгоритма на основе открытых библиотек для машинной обработки данных для решения задачи литотипизации горных пород на основе данных ГИС. Врезультате проведено разделение горных пород на литотипы на основе ГИС, сходимость результатов составила 90%. Модель, построенная в рамках работы, может быть использована для решения задач экспресс-интерпретации результатов ГИС на рассматриваемом месторождении при бурении новых скважин, что позволит получать результаты гораздо быстрее, по сравнению с ручной интерпретацией, также возможно применение рассматриваемых подходов и для других месторождений со схожим набором литотипов.Список литературы1. Серра, О. Восстановление условий осадконакопления по данным геофизическихисследований скважин / О. Серра. — М: Schlumberger Limited, 1985. — 366 с.2. Радхи Альбахадили, Дж. К. Роль кластерного анализа в распознавании логфаций и сред осадконакопления по откликам каротажа скважин для формации Мишриф на юго-востоке Ирака / Дж. К. Радхи Альбахадили, М. Э. Нассер. // Международный журналинженерных исследований и наук (IJOER), том 3, № 12. - 2017. - c 35-45.3. Aghchelou, M. Lithofacies estimation by Multi-Resolution Graph-Based Clustering ofpetrophysical well logs: case study of South Pars gas field / M. Aghchelou // Society ofPetroleum Engineers Journal. — 2012. — SPE-162991-MS. — 15 p.4. Hwan Woo, J. Electrofacies classification of Horn River Shale by Multi ResolutionGraph-based Clustering / J. Hwan Woo, C. Woo Rhee, J. Hwa Jin // Canada: GeoConvention.— 2018. — 4 p.5. Euzen, T. Well log cluster analysis and electrofacies classification: a probabilisticapproach for integrating log with mineralogical data / T. Euzen, M. R. Power // Canada:GeoConvention. — 2012. — 3 p.
Добавил в систему: Еремин Николай Александрович

	ИСТИНА	Войти в систему Регистрация
	ИПМех РАН
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ИПМех РАН

Применение методов машинного обучения для построения электрофациальных моделей скважин на основе ГИСстатья

Прикрепленные файлы