Application of machine learning algorithms to predict permeability in tight sandstone formations

• Autorzy: Topór Tomasz

Identyfikatory

DOI

10.18668/NG.2021.05.01

Warianty tytułu

PL

Zastosowanie metod uczenia maszynowego do przewidywania przepuszczalności w formacjach zwięzłych piaskowców typu tight gas

• Języki publikacji: PL

Abstrakty

PL

The application of machine learning algorithms in petroleum geology has opened a new chapter in oil and gas exploration. Machine learning algorithms have been successfully used to predict crucial petrophysical properties when characterizing reservoirs. This study utilizes the concept of machine learning to predict permeability under confining stress conditions for samples from tight sandstone formations. The models were constructed using two machine learning algorithms of varying complexity (multiple linear regression [MLR] and random forests [RF]) and trained on a dataset that combined basic well information, basic petrophysical data, and rock type from a visual inspection of the core material. The RF algorithm underwent feature engineering to increase the number of predictors in the models. In order to check the training models’ robustness, 10-fold cross-validation was performed. The MLR and RF applications demonstrated that both algorithms can accurately predict permeability under constant confining pressure (R2 0.800 vs. 0.834). The RF accuracy was about 3% better than that of the MLR and about 6% better than the linear reference regression (LR) that utilized only porosity. Porosity was the most influential feature of the models’ performance. In the case of RF, the depth was also significant in the permeability predictions, which could be evidence of hidden interactions between the variables of porosity and depth. The local interpretation revealed the common features among outliers. Both the training and testing sets had moderate-low porosity (3–10%) and a lack of fractures. In the test set, calcite or quartz cementation also led to poor permeability predictions. The workflow that utilizes the tidymodels concept will be further applied in more complex examples to predict spatial petrophysical features from seismic attributes using various machine learning algorithms.

EN

Zastosowanie algorytmów uczenia maszynowego w geologii naftowej otworzyło nowy rozdział w poszukiwaniu złóż ropy i gazu. Algorytmy uczenia maszynowego zostały z powodzeniem wykorzystane do przewidywania kluczowych właściwości petrofizycznych charakteryzujących złoże. W pracy zastosowano metody uczenia maszynowego do przewidywania przepuszczalności w warunkach ustalonego ciśnienia złożowego dla formacji zwięzłych piaskowców typu tight gas. Modele zostały skonstruowane przy użyciu algorytmów o różnym stopniu komplikacji (wielowymiarowa regresja liniowa – MLR i lasy losowe – RF), a następnie poddano je procesowi uczenia na danych zawierających podstawowe informacje o otworze, podstawowe parametry petrofizyczne oraz typ skał pochodzący z makroskopowego i mikroskopowego opisu próbek rdzeni. Typ skał został rozkodowany i poddany procesowi inżynierii cech, aby wydobyć dodatkowe zmienne do modelu. Proces uczenia na zbiorze treningowym został przeprowadzony z wykorzystaniem 10-krotnej kroswalidacji. Uzyskane wyniki pokazują, że oba algorytmy mogą przewidywać przepuszczalność z dużą dokładnością (R2 = 0,800 dla MLR vs R2 = 0,834 dla RF). Dokładność modelu RF jest około 3% lepsza niż MLR i około 6% lepsza w porównaniu do modelu referencyjnego (model regresji liniowej z jedną zmienną – porowatością). W przypadku obu modeli porowatość była najistotniejszym parametrem przy przewidywaniu przepuszczalności. Dodatkowo w modelu wykorzystującym lasy losowe istotną cechą okazała się głębokość próbki, co może świadczyć o dodatkowych interakcjach pomiędzy zmiennymi. Cechą wspólną próbek w zbiorze treningowym i testowym, dla których modele zadziałały ze słabą skutecznością, były porowatość od 3% do 10% i brak spękań. Dodatkowo w zbiorze testowym niska dokładność przewidywań przepuszczalności była związana z obecnością cementacji kalcytem i kwarcem. Workflow wykorzystujący stan wiedzy dotyczącej modelowania, którego trzon stanowi pakiet tidymodels, będzie dalej stosowany do prognozowania przestrzennych właściwości petrofizycznych na podstawie atrybutów sejsmicznych.

Słowa kluczowe

PL

uczenie maszynowe; lasy losowe; predykcja; przepuszczalność

EN

machine learning; random forest; permeability; prediction

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2021
• Tom: R. 77, nr 5
• Strony: 283--292
• Opis fizyczny: Bibliogr. 39 poz.

Twórcy

autor

Topór Tomasz

• 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.
• Attanasi E.D., Freeman P.A., Coburn T.C., 2020. Well predictive performance of play-wide and Subarea Random Forest models for Bakken productivity. Journal of Petroleum Science and Engineering, 191: 107150. DOI: 10.1016/j.petrol.2020.107150.
• Aulia A., Jeong D., Saaid I.M., Kania D., Shuker M.T., El-Khatib N.A., 2019. A Random Forests-based sensitivity analysis framework for assisted history matching. Journal of Petroleum Science and Engineering, 181: 106237. DOI: 10.1016/j.petrol.2019.106237.
• Baziar S., Shahripour H.B., Tadayoni M., Nabi-Bidhendi M., 2018. Prediction of water saturation in a tight gas sandstone reservoir by using four intelligent methods: a comparative study. Neural Computing and Applications, 30: 1171–1185. DOI: 10.1007/s00521-016-2729-2.
• Bhattacharya S., Ghahfarokhi P.K., Carr T.R., Pantaleone S., 2019. Application of predictive data analytics to model daily hydrocarbon production using petrophysical, geomechanical, fiber-optic, completions, and surface data: A case study from the Marcellus Shale, North America. Journal of Petroleum Science and Engineering, 176: 702–715. DOI: 10.1016/j.petrol.2019.01.013.
• Bhattacharya S., Mishra S., 2018. Applications of machine learning for facies and fracture prediction using Bayesian Network Theory and Random Forest: Case studies from the Appalachian basin, USA. Journal of Petroleum Science and Engineering, 170: 1005–1017. DOI:10.1016/j.petrol.2018.06.075.
• Boehmke B., Greenwel B., 2020. Hands-On Machine Learning with R. Chapman and Hall/CRC.
• Brantson E.T., Ju B., Omisore B.O., Wu D., Selase A.E., Liu N., 2018. Development of machine learning predictive models for history matching tight gas carbonate reservoir production profiles. Journal of Geophysics and Engineering, 15: 2235–2251. DOI: 10.1088/1742-2140/aaca44.
• Byrnes A.P., Cluff R.M., Webb J.C., 2009. Analysis of Critical Permeability, Capillary Pressure, and Electrical Properties for Mesaverde
• Tight Gas Sandstones from Western U.S Basins. DOE report DE-FC26-05NT42660. http://www.kgs.ku.edu/mesaverde/ (dostęp:31.03.2021).
• Caté A., Perozzi L., Gloaguen E., Blouin M., 2017. Machine learning as a tool for geologists. Leading Edge, 36: 215–219. DOI:10.1190/tle36030215.1.
• Clarkson C.R., Jensen J.L., Chipperfield S., 2012. Unconventional gas reservoir evaluation: What do we have to consider? Journal of Natural Gas Science and Engineering, 8: 9–33. DOI: 10.1016/j.jngse.2012.01.001.
• Comisky J.T., Newsham K., Rushing J.A., Blasingame T.A., 2007. A Comparative Study of Capillary-Pressure-Based Empirical Models for Estimating Absolute Permeability in Tight Gas Sands. SPE Annual Technical Conference and Exhibition. DOI: 10.2118/110050-MS.
• 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.
• James G., Witten D., Hastie T., Tibshirani R., 2013. An Introduction to Statistical Learning with Applications in R, Springer Texts in Statistics. Springer. DOI: 10.1007/978-1-4614-7138-7.
• Jamshidian M., Mansouri Zadeh M., Hadian M., Moghadasi R., Mohammadzadeh O., 2018. A novel estimation method for capillary pressure curves based on routine core analysis data using artificial neural networks optimized by Cuckoo algorithm – A case study. Fuel, 220:363–378. DOI: 10.1016/j.fuel.2018.01.099.
• Jones S.C., 1997. A technique for faster pulse-decay permeability measurements in tight rocks. SPE Formation Evaluation, 12: 19–24. DOI:10.2118/28450-pa.
• Karpatne A., Ebert-Uphoff I., Ravela S., Babaie H.A., Kumar V., 2019. Machine Learning for the Geosciences: Challenges and Opportunities. IEEE Transactions on Knowledge and Data Engineering, 31: 1544–1554. DOI: 10.1109/TKDE.2018.2861006.
• Kuhn M., Silge J., 2020. Tidy Modeling with R. https://www.tmwr.org/ (dostęp: 31.03.2021).
• 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
• Louppe G., 2014. Understanding Random Forests: From Theory to Practice. University of Liège. http://arxiv.org/abs/1407.7502 (dostęp:31.03.2021).
• Ma Y.Z., 2015. Unconventional resources from exploration to production, Unconventional Oil and Gas Resources Handbook: Evaluation and Development. Elsevier Inc. DOI: 10.1016/B978-0-12-802238-2.00001-8.
• Ma Y.Z., Moore W.R., Gomez E., Clark W.J., Zhang Y., 2015. Tight Gas Sandstone Reservoirs, Part 1: Overview and Lithofacies, Unconventional Oil and Gas Resources Handbook: Evaluation and Development. Elsevier Inc. DOI: 10.1016/B978-0-12-802238-2.00014-6.
• 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.
• McPhee C., Reed J., Zubizarreta I., 2015. Core analysis: A Best Practice Guide. First edit. Elsevier, Amsterdam, Netherlands. DOI:10.1016/B978-0-444-63533-4.09991-1.
• Meshalkin Y., Koroteev D., Popov E., Chekhonin E., Popov Y., 2018. Robotized petrophysics: Machine learning and thermal profiling for automated mapping of lithotypes in unconventionals.Journal of Petroleum Science and Engineering, 167: 944–948. DOI:10.1016/j.petrol.2018.03.110.
• Molnar C., 2019. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Leanpub book.
• Naeini E.Z., Green S., Rauch-Davies M., 2019. An integrated deep learning solution for petrophysics, pore pressure and geomechanics property prediction. SSPE/AAPG/SEG Unconventional Resources Technology Conference 2019, URTC 2019: 1–18. DOI: 10.15530/urtec-2019-111.
• Pape H., Clauser C., Iffland J., 1999. Permeability prediction based on fractal pore-space geometry. Geophysics, 64: 1447–1460. DOI:10.1190/1.1444649.
• R Core Team, 2018. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing: Vienna.
• 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.
• Rubo R.A., de Carvalho Carneiro C., Michelon M.F., Gioria R. dos S., 2019. Digital petrography: Mineralogy and porosity identification using machine learning algorithms in petrographic thin section images. Journal of Petroleum Science and Engineering, 183: 106382.DOI: 10.1016/j.petrol.2019.106382.
• Shar A.M., Mahesar A.A., Chandio A.D., Memon K.R., 2017. Impact of confining stress on permeability of tight gas sands: an experimental. Journal of Petroleum Exploration and Production Technology, 7: 717–726. DOI: 10.1007/s13202-016-0296-9.
• Such P., Leśniak G., Budak P., 2007. Kompleksowa metodyka badania właściwości petrofizycznych skał. Prace Instytutu Górnictwa Naftowego i Gazownictwa, 142: 1–69.
• Such P., Dudek L., Mroczkowska-Szerszeń M., Cicha-Szot R. 2015. The influence of reservoir conditions on filtration parameters of shale rocks. Nafta-Gaz, 11: 827–832. DOI: 10.18668/NG2015.11.03.
• 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: 219–229. DOI: 10.18668/ng.2020.04.01.
• Wendt W.A., Sakurai S., Nelson P.H., 1986. Permeability prediction from well logs using multiple regression., Reservoir characterization. Academic Press, Inc. DOI: 10.1016/b978-0-12-434065-7.50012-5.
• 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.
• Wu J., Yin X., Xiao H., 2018. Seeing permeability from images: fast prediction with convolutional neural networks. Science Bulletin, 63:1215–1222. DOI: 10.1016/j.scib.2018.08.006.

Uwagi

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