Zastosowanie sztucznej inteligencji w procesie klasyfikacji facji skał zbiornikowych w oparciu o dane geofizyki otworowej

• Autorzy: Barbacki Jan

Warianty tytułu

EN

Application of artificial intelligence in reservoir rock classification using well log data

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono możliwość wykorzystania metod uczenia maszynowego do automatycznego wyznaczenia litofacji na podstawie danych geofizyki otworowej. Zaprezentowano zarówno podstawowe koncepcje przyświecające rozwiązaniom typu data-driven, jak również opisano schemat pracy z danymi złożowymi. Omówiono także popularne techniki klasyfikacyjne: maszynę wektorów nośnych, drzewa decyzyjne, lasy losowe oraz sztuczne sieci neuronowe. Zaproponowane rozwiązanie może okazać się niezwykle przydatne w modelowaniu złóż węglowodorów, szczególnie w przypadku braku wystarczającej ilości danych pochodzących z badań laboratoryjnych rdzeni skalnych.

EN

The paper presents the possibility of using selected machine learning methods for automatic facies determination based on well-log data. The study presents fundamental concepts of a data-driven approach, as well as presents the detailed workflow for working with reservoir data. Popular classification techniques such as support vector machine, decision trees, random forests and artificial neural networks are also discussed. The proposed methodology can prove to be extremely useful in computer modeling of hydrocarbon reservoirs, especially in the case of reduced core sample dataset.

Słowa kluczowe

PL

skały zbiornikowe; złoża węglowodorów; geofizyka otworowa; sztuczna inteligencja

EN

reservoir rocks; hydrocarbon reservoirs; well log; artificial intelligence

• Wydawca: Stowarzyszenie Naukowo-Techniczne Inżynierów i Techników Przemysłu Naftowego i Gazowniczego
• Czasopismo: Wiadomości Naftowe i Gazownicze
• Rocznik: 2021
• Tom: R. 24, Nr 2 (267)
• Strony: 4--8
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Barbacki Jan

• Wydział Wiertnictwa, Nafty i Gazu AGH w Krakowie

Bibliografia

• 1. Bishop C.M., Pattern Recognition and Machine Learning, Springer, 2006.
• 2. Chollet F., Deep Learning with Python, Manning Publications, 2018.
• 3. Cichosz P., Systemy uczące się, Wydawnictwa Naukowo-Techniczne, 2007.
• 4. Dubois M.K., Geoffrey C.B., Chakrabarti S., Comparison of four approaches to a rock facies classification problem, Computers & Geosciences, nr 33, 2007.
• 5. Duda R.O., Hart P.E., Stork D.G., Pattern Classification, Wiley-Interscience, 2000.
• 6. Esposito D., Esposito F., Introducing Machine Learning, Pearson Education, 2020.
• 7. Flasiśnki M., Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, 2011.
• 8. Géron A., Hands-On Machine Learning with Scikit-Learn and TensorFlow, O’Reilly Media, 2017.
• 9. Hall B., Facies classification using machine learning: The Leading Edge, nr 35 (10), 2016.
• 10. Mohamed I.M., Mohamed S., Mazher I., Chester P., Formation Lithology Classification: Insights into Machine Learning Methods, SPE-196096-MS, 2019.
• 11. Raschka S., Mirjalili V., Python Machine Learning, Packt Publishing, 2019.
• 12. Russel S.J., Norvig P., Artificial Intelligence. A Modern Approach, Prentice Hall, 2010.
• 13. Singh H., Seol Y., Myshakin E.M., Automated Well-Log Processing and Lithology Classification by Identifying Optimal Features Through Unsupervised and Supervised Machine-Learning Algorithms, SPE Journal, nr 72 (10), 2020.
• 14. Xu Ch., Misra S., Srinivasan P., Ma S., When Petrophysics Meets Big Data: What can Machine Do?, SPE-195068-MS, 2019.

Uwagi

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