Wykorzystanie technik sztucznych sieci neuronowych do predykcji wybranych parametrów jako uzupełnienia zbioru danych wejściowych w konstrukcji modeli parametrycznych 3D

• Autorzy: Kaczmarczyk Weronika , Brodzicki Andrzej

Identyfikatory

DOI

10.18668/NG.2021.07.02

Warianty tytułu

EN

The use of artificial neural network techniques to predict selected parameters as a supplement to the input data set in the construction of 3D parametric models

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono możliwości wykorzystania sztucznych sieci neuronowych (SSN) do predykcji parametrycznej w profilach otworów wiertniczych, której zastosowanie uzupełniło zestaw informacji we wszystkich otworach wiertniczych zlokalizowanych w obrębie analizowanego obszaru. Zaprezentowana w artykule metodologia może być użyta w przypadku braku możliwości specjalistycznej interpretacji krzywych geofizyki wiertniczej, uzupełniającej brakujące dane. Zestaw wykorzystanych w pracy danych obejmował rozwiązania w profilach 10 otworów wiertniczych, z których cztery otwory charakteryzowały się pełnym zestawem danych analizowanych w ramach niniejszego artykułu, obejmujących prędkość fali podłużnej, porowatość efektywną, nasycenie węglowodorami, moduł Younga i współczynnik Poissona. Wykorzystując technikę działania sztucznych sieci neuronowych, przeprowadzono predykcję brakujących informacji, bazując na relacjach pomiędzy analizowanymi parametrami w otworach, gdzie estymowane dane były dostępne. W ostatnich latach obserwuje się dynamiczny rozwój technologii szeroko pojętego uczenia maszynowego (ang. machine learning) i tak zwanej sztucznej inteligencji. Niewiele pozostaje dziedzin nauki, w których nie miałyby one zastosowania. Tak jest również w branży naftowo-gazowniczej. Parametr nasycenia węglowodorami, pomimo wyzwań, jakie niesie za sobą interpretacja tego parametru, również został poddany próbie estymacji, potwierdzając niskimi wartościami korelacji pomiędzy analizowanymi parametrami, że wymaga zdecydowanie bardziej zaawansowanych prac o indywidualnym charakterze. Wyniki predykcji parametrycznej, poddane wcześniej walidacji poprzez charakterystykę parametrów R (różnica pomiędzy wartością rzeczywistą a estymowaną) i RMSE (pierwiastek błędu średniokwadratowego), zostały w kolejnym kroku zaaplikowane w procesie modelowania przestrzennego wszystkich analizowanych parametrów. Finalnie, w celu wizualizacji różnic pomiędzy wykorzystaniem niepełnego i po części estymowanego zestawu danych w analizie przestrzennej, zaprezentowano mapę średnich wartości wybranego parametru w obrębie analizowanego interwału stratygraficznego. Tak przygotowany zestaw danych pozwolił na bardziej wiarygodne odtworzenie przestrzenne rozkładu parametrów istotnych w kontekście charakterystyki złoża węglowodorów, na podstawie którego w kolejnych etapach możliwa jest wiarygodniejsza ocena potencjału złożowego analizowanego obiektu. Zaprezentowana w artykule metodyka, oparta na rozwiązaniu rzeczywistego problemu badawczego, stanowi alternatywę, dla koszto- i czasochłonnych interpretacji geofizycznych, niekiedy znacznych liczb otworów wiertniczych, szczególnie dla obszarów charakteryzujących się relatywnie niewielką przestrzenną zmiennością i złożonością tektoniczną. Warunkiem jest dostępność interpretacji danych geofizyki wiertniczej w co najmniej kilku otworach stanowiącej wzorzec dla odtworzenia zmienności badanego parametru/parametrów w pozostałych profilach otworów wiertniczych.

EN

The article presents the possibilities of using artificial neural networks for parametric prediction in borehole profiles, the application of which supplemented the set of information in all boreholes located within the analyzed area. The approach presented in the article will be used when there is no possibility of specialized interpretation of the drilling geophysics curves, supplementing the missing data. The set of data used in the study included solutions in the profiles of 10 boreholes, four of which were characterized by the availability of the full data set analyzed in this article, including compressional wave velocity, effective porosity, hydrocarbon saturation, Young’s modulus and Poisson’s ratio. Using the technique of the operation of artificial neural networks, a prediction of missing information was carried out based on the relationships between the analyzed parameters in the wells, where the estimated data was available. In recent years, there has been a dynamic development of machine learning technology and the so-called artificial intelligence. There are very few fields of science in which they find no application. The hydrocarbon saturation parameter, despite the challenges posed by the interpretation of this parameter, was also subjected to an estimation attempt, confirming the low correlation values between the analyzed parameters and requiring much more advanced work of an individual nature. The results of parametric prediction, previously validated by characterizing the R and RMSE parameters, were applied in the next step in the spatial modeling process of all analyzed parameters. Finally, as part of the visualization of the differences between the use of an incomplete and partially estimated data set in spatial analysis, a map of mean values of the selected parameter within the analyzed interval was presented. The set of data prepared in this way allowed for a more reliable spatial reconstruction of the distribution of parameters important in the context of the characteristics of the hydrocarbon reservoir, on the basis of which, in the subsequent stages, it is possible to more fully assess the deposit potential of the analyzed object. The methodology presented in the article, supported by a real case study, is an alternative to geophysical interpretations that require financial and time resources, sometimes large numbers of boreholes, especially for areas characterized by relatively low spatial variability and tectonic complexity. The condition is the availability of the interpretation in at least several boreholes, constituting a pattern for recreating the variability of the tested parameter / parameters in the remaining profiles of the boreholes.

Słowa kluczowe

PL

predykcja 1D; sieci neuronowe; estymacja parametryczna; modelowanie 3D; charakterystyka złoża węglowodorów

EN

1D prediction; artificial neural network; parametrical estimation; 3D modelling; hydrocarbon reservoir characterization

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2021
• Tom: R. 77, nr 7
• Strony: 429--445
• Opis fizyczny: Bibliogr. 29 poz.

Twórcy

autor

Kaczmarczyk Weronika

• Instytut Nafty i Gazu – Państwowy Instytut Badawczy

autor

Brodzicki Andrzej

• Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie

Bibliografia

• Czekański E., Kwolek K., Mikołajewski Z., 2010. Złoża węglowodorów w utworach cechsztyńskiego dolomitu głównego (Ca2) na bloku Gorzowa. Przegląd Geologiczny, 58: 695–703.
• Das V., Mukerji T., 2019. Petrophysical properties prediction from pre-stack seismic data using convolutional neural networks. Conference: SEG Technical Program Expanded Abstracts. DOI: 10.1190/segam2019-3215122.1.
• Darłak B., Włodarczyk M., 2001. Zastosowanie sztucznej sieci neuronowej do uzupełnienia danych zbiornikowych. Przegląd Geologiczny,49(9): 797–803.
• Fajana A.O., 2020. 3-D static modelling of lateral heterogeneity using geostatistics and artificial neural network in reservoir characterisation of „P” field, Niger Delta. NRIAG Journal of Astronomy and Geophysics, 9(1): 129–154. DOI: 10.1080/20909977.2020.1727674.
• Jarzyna J., Opyrchał A., Mozgowoj D., 2007. Sztuczne sieci neuronowe dla uzupełnienia danych w geofizyce otworowej – wybrane przykłady. Kwartalnik AGH Geologia, 33(4/1): 81–102.
• Jaworowski K., Mikołajewski Z., 2007. Oil- and gas-bearing sediments of the Main Dolomite (Ca2) in the Międzychód region: a depositional model and the problem of the boundary between the second and third depositional sequences in the Polish Zechstein Basin. Przegląd Geologiczny, 55: 1017–1024.
• Kaźmierczuk M., Jarzyna J., Semyrka R., 2006. Wykorzystanie analizy składowych głównych do opracowania parametrów zbiornikowych w rejonie złóż Międzychód, Sieraków, Sowia Góra, Grotów i Lubiatów. Technika Poszukiwań Geologicznych, 2: 57–63.
• Kohli A., Arora P., 2014. Application of Artificial Neural Networks for Well Logs. International Petroleum Technology Conference. DOI:10.2523/IPTC-17475-MS.
• Krogulec E., Sawicka K., Zabłocki S., Falkowska E., 2020. Mineralogy and Permeability of Gas and Oil Dolomite Reservoirs of the Zechstein Main Dolomite Basin in the Lubiatów Deposit (Poland). Energies, 13: 6436. DOI: 10.3390/en13236436.
• Kurenkov A., 2020. A Brief History of Neural Nets and Deep Learning. Skynet Today. https://skynettoday.com/overviews/neural-net-history.
• Kwolek K., Mikołajewski Z., 2010. Kryteria identyfikacji obiektów litofacjalnych jako potencjalnych pułapek złożowych w utworach dolomitu głównego (Ca2) u podnóża platform i mikroplatform węglanowych w środkowo-zachodniej Polsce. Przegląd Geologiczny, 58: 426–435.
• Mikołajewski Z., 2004. Mikrofacje dolomitu głównego z wytypowanych obszarów badań. [W:] Wagner R., Kotarba M. (red.). Algowe skały macierzyste dolomitu głównego i ich potencjał węglowodorowy jako podstawa dla genetycznej oceny zasobów ropy naftowej i gazu ziemnego w strefie Gorzowa–Międzychodu. Narodowe Archiwum Geologiczne PIG-PIB, Warszawa.
• Okon A.N., Adewole S.E., Uguma E.M., 2020. Artificial neural network model for reservoir petrophysical properties: porosity, permeability and water saturation prediction. Modeling Earth Systems and Environment. DOI: 10.1007/s40808-020-01012-4.
• Pham N., Wu X., Naeini E.Z., 2020. Missing well log prediction using convolutional long short-term memory network. Geophysics, 85(4):WA159–WA171. DOI: 10.1190/geo2019-0282.1.
• Pikulski L., 2004. Analiza paleogeograficzna utworów dolomitu głównego (Ca2) w rejonie Lubiatów–Międzychód–Grotów w aspekcie poszukiwania złóż. Nafta-Gaz, 9: 397–405.
• Puskarczyk E., 2019. Artificial neural networks as a tool for pattern recognition and electrofacies analysis in Polish palaeozoic shale gas formations. Acta Geophys., 67: 1991–2003. DOI: 10.1007/s11600-019-00359-2.
• Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A.C., Fei-Fei L., 2015. ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3): 211–252. DOI:10.1007/s11263-015-0816-y.
• Schmidhuber J., 2015. Deep learning in neural networks: An overview. Neural Networks, 61: 85–117. DOI: 10.1016/j.neunet.2014.09.003.
• Semyrka R., Jarzyna J.A., Krakowska P.I., Semyrka G., 2015. Analiza statystyczna parametrów mikrofacji dolomitu głównego w granicznej strefie platformy węglanowej. Miner. Resour. Manag., 31: 123–140. DOI: 10.1515/gospo-2015-0011.
• Semyrka R., Semyrka G., Zych I., 2008. Zmienność parametrów petrofizycznych subfacji dolomitu głównego zachodniej strefy półwyspu Grotowa w świetle badań porozymetrycznych. Geologia, 34: 445–468.
• Słota-Valim M., 2018. Określanie mechanicznych właściwości skał na podstawie właściwości fizycznych przy użyciu sztucznych sieci neuronowych. Nafta-Gaz, 5: 343–355. DOI: 10.18668/NG.2018.05.01.
• Sowiżdżał K., 2013. Geologiczne, przestrzenne modelowanie złóż węglowodorów – aspekty metodyczne i przykłady zastosowań. Prace Naukowe Instytutu Nafty i Gazu – Państwowego Instytutu Badawczego, 192: 101–111.
• Tadeusiewicz R., Haduch B., 2015. Wykorzystanie sieci neuronowych do analizy danych i pozyskiwania wiedzy w systemie ekspertowym do oceny parametrów benzyn silnikowych. Nafta-Gaz, 10: 776–785.
• Tadeusiewicz R., Szaleniec M., 2015. Leksykon sieci neuronowych. Wydawnictwo Fundacji „Projekt Nauka”. ISBN: 978-83-63270-10-0.
• 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, 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, 5: 3–12. DOI:10.18668/NG.2021.05.
• Wagner R., 2004. Mapa paleogeograficzna dolomitu głównego (Ca2) – Półwysep Grotowa. [W:] Wagner R., Kotarba M. (red.). Algowe skały macierzyste dolomitu głównego i ich potencjał węglowodorowy jako podstawa dla genetycznej oceny zasobów ropy naftowej i gazu ziemnego w strefie Gorzowa–Międzychodu. Narodowe Archiwum Geologiczne PIG-PIB, Warszawa.
• Wawrzyniak-Guz K., Krakowska P., Puskarczyk E., Jarzyna J., 2016. Wyznaczenie elektrofacji w sweet spotach sylursko-ordowickich formacji łupkowych z rejonu basenu bałtyckiego na podstawie profilowań geofizyki otworowej z zastosowaniem samoorganizujących się sieci neuronowych. Prace Naukowe Instytutu Nafty i Gazu – Państwowego Instytutu Badawczego, 209: 589–593.
• Zare A., Bagheri M., Ebadi M., 2020. Reservoir facies and porosity modeling using seismic data and well logs by geostatistical simulation in an oil field. Carbonates Evaporites, 35(65). DOI: 10.1007/s13146-020-00605-5.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).