Application of machine learning tools for seismic reservoir characterization study of porosity and saturation type

• Autorzy: Topór Tomasz , Sowiżdżał Krzysztof

Identyfikatory

DOI

10.18668/NG.2022.03.01

Warianty tytułu

PL

Zastosowanie metod uczenia maszynowego do charakterystyki porowatości i typu nasycenia przy użyciu atrybutów sejsmicznych

• Języki publikacji: EN

Abstrakty

EN

The application of machine learning (ML) tools and data-driven modeling became a standard approach for solving many problems in exploration geology and contributed to the discovery of new reservoirs. This study explores an application of machine learning ensemble methods – random forest (RF) and extreme gradient boosting (XGBoost) to derive porosity and saturation type (gas/water) in multihorizon sandstone formations from Miocene deposits of the Carpathian Foredeep. The training of ML algorithms was divided into two stages. First, the RF algorithm was used to compute porosity based on seismic attributes and well location coordinates. The obtained results were used as an extra feature to saturation type modeling using the XGBoost algorithm. The XGBoost was run with and without well location coordinates to evaluate the influence of the spatial information for the modeling performance. The hyperparameters for each model were tuned using the Bayesian optimization algorithm. To check the training models' robustness, 10-fold cross-validation was performed. The results were evaluated using standard metrics, for regression and classification, on training and testing sets. The residual mean standard error (RMSE) for porosity prediction with RF for training and testing was close to 0.053, providing no evidence of overfitting. Feature importance analysis revealed that the most influential variables for porosity prediction were spatial coordinates and seismic attributes sweetness. The results of XGBoost modeling (variant 1) demonstrated that the algorithm could accurately predict saturation type despite the class imbalance issue. The sensitivity for XGBoost on training and testing data was high and equaled 0.862 and 0.920, respectively. The XGBoost model relied on computed porosity and spatial coordinates. The obtained sensitivity results for both training and testing sets dropped significantly by about 10% when well location coordinates were removed (variant 2). In this case, the three most influential features were computed porosity, seismic amplitude contrast, and iso-frequency component (15 Hz) attribute. The obtained results were imported to Petrel software to present the spatial distribution of porosity and saturation type. The latter parameter was given with probability distribution, which allows for identifying potential target zones enriched in gas.

PL

Metody uczenia maszynowego stanowią obecnie rutynowe narzędzie wykorzystywane przy rozwiązywaniu wielu problemów w geologii poszukiwawczej i przyczyniają się do odkrycia nowych złóż. Prezentowana praca pokazuje zastosowanie dwóch algorytmów uczenia maszynowego – lasów losowych (RF) i drzew wzmocnionych gradientowo (XGBoost) do wyznaczenia porowatości i typu nasycenia (gaz/woda) w formacjach piaskowców będących potencjalnymi horyzontami gazonośnymi w mioceńskich osadach zapadliska przedkarpackiego. Proces uczenia maszynowego został podzielony na dwa etapy. W pierwszym etapie użyto RF do obliczenia porowatości na podstawie danych pochodzących z atrybutów sejsmicznych oraz współrzędnych lokalizacji otworów. Uzyskane wyniki zostały wykorzystane jako dodatkowa cecha przy modelowaniu typu nasycenia z zastosowaniem algorytmu XGBoost. Modelowanie za pomocą XGBoost został przeprowadzone w dwóch wariantach – z wykorzystaniem lokalizacji otworów oraz bez nich w celu oceny wpływu informacji przestrzennych na wydajność modelowania. Proces strojenia hiperparametrów dla poszczególnych modeli został przeprowadzony z wykorzystaniem optymalizacji Bayesa. Wyniki procesu modelowania zostały ocenione na zbiorach treningowym i testowym przy użyciu standardowych metryk wykorzystywanych do rozwiązywania problemów regresyjnych i klasyfikacyjnych. Dodatkowo, aby wzmocnić wiarygodność modeli treningowych, przeprowadzona została 10-krotna kroswalidacja. Pierwiastek błędu średniokwadratowego (RMSE) dla wymodelowanej porowatości na zbiorach treningowym i testowym był bliski 0,053 co wskazuje na brak nadmiernego dopasowania modelu (ang. overfitting). Analiza istotności cech ujawniła, że zmienną najbardziej wpływającą na prognozowanie porowatości były współrzędne lokalizacji otworów oraz atrybut sejsmiczny sweetness. Wyniki modelowania XGBoost (wariant 1) wykazały, że algorytm jest w stanie dokładnie przewidywać typ nasycenia pomimo problemu z nierównowagą klas. Czułość wykrywania potencjalnych stref gazowych w przypadku modelu XGBoost była wysoka zarówno dla zbioru treningowego, jak i testowego (0,862 i 0,920). W swoich predykcjach model opierał się głównie na wyliczonej porowatości oraz współrzędnych otworów. Czułość dla uzyskanych wyników na zbiorze treningowym i testowym spadła o około 10%, gdy usunięto współrzędne lokalizacji otworów (wariant 2 XGBoost). W tym przypadku trzema najważniejszymi cechami były obliczona porowatość oraz atrybut sejsmiczny amplitude contrast i atrybut iso-frequency component (15 Hz). Uzyskane wyniki zostały zaimportowane do programu Petrel, aby przedstawić przestrzenny rozkład porowatości i typu nasycenia. Ten ostatni parametr został przedstawiony wraz z rozkładem prawdopodobieństwa, co dało wgląd w strefy o najwyższym potencjale gazowym.

Słowa kluczowe

EN

machine learning; random forest; XGBoost; seismic attributes; reservoir properties prediction

PL

uczenie maszynowe; lasy losowe; drzewo wzmocnione gradientowo; atrybuty sejsmiczne; predykcja własności zbiornikowych

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2022
• Tom: R. 78, nr 3
• Strony: 165--175
• Opis fizyczny: Bibliogr. 43 poz., rys.

Twórcy

autor

Topór Tomasz

• Oil and Gas Institute – National Research Institute

autor

Sowiżdżał Krzysztof

• Oil and Gas Institute – National Research Institute

Bibliografia

• Ahmadi M.A., Chen Z., 2019. Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petrophysical logs. Petroleum, 5: 271–284. DOI: 10.1016/j.petlm.2018.06.002.
• Ao Y., Li H., Zhu L., Ali S., Yang Z., 2019. The linear random forest algorithm and its advantages in machine learning assisted logging regression modeling. Journal of Petroleum Science and Engineering, 174: 776–789. DOI: 10.1016/j.petrol.2018.11.067.
• Archie G.E., 1942. Electrical Resistivity Log as an Aid in Determining Some Reservoir Characteristics. Transactions of the AIME, 146: 54–62. DOI: 10.2118/942054-G.
• Archie G.E., 1950. Introduction to Petrophysics of Reservoir Rocks. AAPG Bulletin. 34: 943–961.
• Bagheri M., Riahi M.A., Hashemi H., 2013. Reservoir lithofacies analysis using 3D seismic data in dissimilarity space. Journal of Geophysics and Engineering, 10: 1–9. DOI: 10.1088/1742-2132/10/3/035006.
• Bestagini P., Lipari V., Tubaro S.T., 2017. A machine learning approach to facies classification using well logs, in SEG Technical Program Expanded Abstracts, Society of Exploration Geophysicists, 2137–2142. DOI: 10.1190/segam2017-17729805.1.
• Boehmke B., Greenwell B., 2020. Hands-On Machine Learning with R. <https://bradleyboehmke.github.io/HOML/> (accessed: November 2021).
• Butorin A.V., 2020. Interpretation of seismic inversion results using the “Random Forest”. Conference Proceedings, Data Science in Oil & Gas, Online, European Association of Geoscientists & Engineers, 1–7. DOI: 10.3997/2214-4609.202054018.
• Chen T., Guestrin C., 2016. XGBoost: A Scalable Tree Boosting System. 22nd SIGKDD Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA.
• Deutsch C.V., 2002. Geostatistical reservoir modeling. Oxford University Press, New York.
• Dramsch J.S., 2020. 70 Years of Machine Learning in Geoscience in Review. Advances in Geophysics, 61: 1–55. DOI: 10.1016/bs.agph.2020.08.002.
• Erofeev A., Orlov D., Ryzhov A., Koroteev D., 2019. Prediction of porosity and permeability alteration based on machine learning algorithms. Transport in Porous Media, 128: 677–700. DOI: 10.1007/s11242-019-01265-3.
• Feng R., 2020. Estimation of reservoir porosity based on seismic inversion results using deep learning methods. Journal of Natural Gas Science and Engineering, 77: 103270. DOI: 10.1016/j.jngse.2020.103270.
• Friedman J.H., 2001. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29: 1189–1232.
• Hall M., Hall B., 2017. Distributed collaborative prediction: Results of the machine learning contest. Leading Edge, 6: 267–269. DOI: 10.1190/tle36030267.1.
• James G., Witten D., Hastie T., Tibshirani R., 2013. An Introduction to Statistical Learning with Applications in R. Springer Texts in Statistic. DOI: 10.1007/978-1-4614-7138-7.
• Jędrzejowska-Tyczkowska H., 2003. Sejsmicznie konsystentne estymatory złoża weglowodorów. Prace Instytutu Górnictwa Naftowego i Gazownictwa, 123: 1–139.
• Kim Y., Hardisty R., Torres E., Marfurt K.J., 2019. Seismic facies classification using random forest algorithm. SEG International Exposition and Annual Meeting, 2161–2165. DOI: 10.1190/segam2018-2998553.1.
• Kuhn M., Silge J., 2020. Tidy Modeling with R. <https://www.tmwr.org/> (accessed: November 2021).
• Leśniak G., Such P., Dziadzio P., 2007. Reservoir Properties of Miocene Sandstones in Rzeszow Area (Carpathian Foredeep, Poland). Thrust Belts and Foreland Basins: 397–412, DOI: 10.1007/978--3-540-69426-7_21.
• Lis-Śledziona A., 2019. Petrophysical rock typing and permeability prediction in tight sandstone reservoir. Acta Geophysica, 67: 1895–1911. DOI: 10.1007/s11600-019-00348-5.
• Liu X., Ge Q., Chen X., Li J., Chen Y., 2021. Extreme learning machine for multivariate reservoir characterization. Journal of Petroleum Science and Engineering, 205: 108869. DOI: 10.1016/j.petrol.2021.108869.
• Louppe G., 2014. Understanding Random Forests: From Theory to Practice. University of Liège. <http://arxiv.org/abs/1407.7502%0A> (accessed: November 2021).
• Male F., Duncan I.J., 2020. Lessons for machine learning from the analysis of porosity-permeability transforms for carbonate reservoirs. Journal of Petroleum Science and Engineering, 187: 106825. DOI:10.1016/j.petrol.2019.106825.
• Molnar C., 2019. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. <https://christophm.github.io/interpretable-ml-book> (accessed: November 2021).
• Na’imi S.R., Shadizadeh S.R., Riahi M.A., Mirzakhanian M., 2014. Estimation of reservoir porosity and water saturation based on seismic attributes using support vector regression approach. Journal of Applied Geophysics, 107: 93–101. DOI: 10.1016/j.jappgeo.2014.05.011.
• Naeini E.Z., Green S., Rauch-Davies M., 2019. An integrated deep learning solution for petrophysics, pore pressure and geomechanics property prediction. SPE/AAPG/SEG Unconventional Resources Technology Conference: 1–18. DOI: 10.15530/urtec-2019-111.
• Otchere D.A., Arbi Ganat T.O., Gholami R., Ridha S., 2021. Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties: Comparative analysis of ANN and SVM models. Journal of Petroleum Science and Engineering, 200:108182. DOI: 10.1016/j.petrol.2020.108182.
• Probst P., Boulesteix A.L., Bischl B., 2019. Tunability: Importance of hyperparameters of machine learning algorithms. Journal of Machine Learning Research, 20: 1–32.
• R Core Team, 2018. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna. <https://www.r-project.org> (accessed: November 2021).
• Rafik B., Kamel B., 2017. Prediction of permeability and porosity from well log data using the nonparametric regression with multivariate analysis and neural network, Hassi R’Mel Field, Algeria. Egyptian Journal of Petroleum, 26: 763–778. DOI: 10.1016/j.ejpe.2016.10.013.
• Saporetti C.M., da Fonseca L.G., Pereira E., de Oliveira L.C., 2018. Machine learning approaches for petrographic classifcation of carbonatesiliciclastic rocks using well logs and textural information. Journal of Applied Geophysics, 155: 217–225. DOI: 10.1016/j.jappgeo.2018.06.012.
• Shahriari B., Swersky K., Wang, Z., Adams R.P., De Freitas N., 2016. Taking the human out of the loop: A review of Bayesian optimization. Proceedings of the IEEE, 104: 148–175. DOI: 10.1109/JPROC.2015.2494218.
• Słota-Valim M., 2018. Określanie mechanicznych właściwości skał na podstawie właściwości fizycznych przy użyciu sztucznych sieci neuronowych. Nafta-Gaz, 74(5): 343–355. DOI: 10.18668/NG.2018.05.01.
• Soleimani F., Hosseini E., Hajivand F., 2020. Estimation of reservoir porosity using analysis of seismic attributes in an Iranian oil field. Journal of Petroleum Exploration and Production Technology, 10: 1289–1316. DOI: 10.1007/s13202-020-00833-4.
• Sowiżdżał K., Słoczyński T., Sowiżdżał A., Papiernik B., Machowski G., 2020. Miocene Biogas generation system in the Carpathian Foredeep (SE Poland): A basin modeling study to assess the potential of unconventional mudstone reservoirs. Energies, 13(7): 1838. DOI: 10.3390/en13071838.
• Taner M.T., 2001. Seismic Attributes. The Canadian Society of Exploration Geophysicists’s: 49–56.
• Topór T., 2020. An integrated workflow for MICP-based rock typing: A case study of a tight-gas sandstone reservoir in the Baltic Basin (Poland). Nafta-Gaz, 76(4): 219–229. DOI: 10.18668/NG.2020.04.01.
• Topór T., 2021. Application of machine learning algorithms to predict permeability in tight sandstone formations. Nafta-Gaz, 77(5): 3–12. DOI: 10.18668/NG.2021.05.01.
• Wood D.A., 2020. Predicting porosity, permeability and water saturation applying an optimized nearest-neighbour, machine-learning and data-mining network of well-log data. Journal of Petroleum Science and Engineering, 184: 106587. DOI: 10.1016/j.petrol.2019.106587.
• Yasin Q., Sohail G.M., Khalid P., Baklouti S., Du Q., 2021. Application of machine learning tool to predict the porosity of clastic depositional system, Indus Basin, Pakistan. Journal of Petroleum Science and Engineering, 197: 107975. DOI: 10.1016/j.petrol.2020.107975.
• Yoav F., Schapire R.E., 1997. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55: 119–139. DOI: 10.1006/jcss.1997.1504.
• Zou C., Zhao L., Xu M., Chen Y., Geng J., 2021. Porosity Prediction With Uncertainty Quantification From Multiple Seismic Attributes Using Random Forest. Journal of Geophysical Research. Solid Earth, 126. DOI: 10.1029/2021JB021826.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).