Określanie mechanicznych właściwości skał na podstawie właściwości fizycznych przy użyciu sztucznych sieci neuronowych

Słota-Valim, M.

doi:10.18668/NG.2018.05.01

Artykuł - szczegóły

Tytuł artykułu

Określanie mechanicznych właściwości skał na podstawie właściwości fizycznych przy użyciu sztucznych sieci neuronowych

Autorzy

Słota-Valim M.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.18668/NG.2018.05.01

Warianty tytułu

Prediction of mechanical properties of rocks based on their physical properties using Artificial Neural Networks

Języki publikacji

Abstrakty

W niniejszej pracy opracowano szereg związków między poszukiwaną cechą geomechaniczną, w tym parametrami sprężystymi – modułem Younga (E) i współczynnikiem Poissona (ʋ) oraz parametrami wytrzymałościowymi – wytrzymałością na ściskanie jednoosiowe (UCS) oraz stałą Biota (α), a cechami ośrodka, które najczęściej są standardowo mierzone lub szacowane dla większości obiektów złożowych. Cel pracy realizowano na obiekcie o potencjale węglowodorowym, w którym przedmiotem zainteresowania był interwał osadów dolnego paleozoiku, zdeponowanych w północnej części basenu bałtyckiego na obszarze koncesji Wejherowo. Do opracowania związków między poszukiwaną właściwością geomechaniczną ośrodka skalnego a innymi, standardowo mierzonymi lub interpretowanymi cechami fizycznymi skały zastosowano sztuczne sieci neuronowe z użyciem algorytmu wstecznej propagacji błędów (ang. back propagation). Algorytm wstecznej propagacji był wykorzystywany w środowisku oprogramowania Petrel (Schlumberger).

In this work, a number of relationships were found between the geomechanical properties, including elastic moduli – Young’s modulus (E) and Poisson’s ratio (ʋ) and strength properties – uniaxial compression strength (UCS) and Biot’s coefficient (α), and commonly measured and interpreted properties, fitting in a standard exploration of the reservoir rock. For this purpose, the shale formation of lower Paleozoic age deposited in the northern part of the Baltic Basin were investigated. An artificial neural network using back propagation algorithm, was used to develop the relationship between the geomechanical properties and other, more commonly measured or interpreted physical properties of rocks.

Słowa kluczowe

właściwości sprężyste właściwości wytrzymałościowe sztuczne sieci neuronowe modelowanie geomechaniczne

elastic properties strength properties Artificial Neural Networks geomechanical modelling

Wydawca

Instytut Nafty i Gazu - Państwowy Instytut Badawczy

Czasopismo

Nafta-Gaz

Rocznik

2018

Tom

R. 74, nr 5

Strony

343--355

Opis fizyczny

Bibliogr. 35 poz., rys., tab.

Twórcy

autor

Słota-Valim M.

slota@inig.pl

Instytut Nafty i Gazu - Państwowy Instytut Badawczy, ul. Lubicz 25 A, 31-503 Kraków

Bibliografia

[1] Alam M.M., Borre M.K., Fabricius I.L., Hedegaards K., Rogen B., Hossain Z., Krogsboll A.S.: Bio’s coefficient as an indicator of strength and porosity reduction: Calcareous sediments from Kerguelen Plateau. Journal of Petroleum Science and Engineering 2010, vol. 70, nr 3–4, s. 282–297.
[2] Bała M.: Parametry sprężyste łupków zawierających materię organiczną określone na podstawie teoretycznych relacji Biota–Gassmana i Kustera–Toksöza. Nafta-Gaz 2015, nr 12, s. 1005–1016, DOI: 10.18668/NG2015.12.09.
[3] Barton N.: Rock Quality, Seismic Velocity, Attenuation and Anisotropy. Taylor & Francis Group, London, UK 2007, 756 s.
[4] Biot M.A., Willis D.G.: The Elastic Coefficients of the Theory of Consolidation. Journal of Applied Mechanics 1957, vol. 24, s. 594–601.
[5] Bishop C.M.: Neural networks for pattern recognition. Oxford University Press 1995, 482 s
[6] Bjørlykke K., Høeg K., Haque Mondol M.: Introduction to Geomechanics: Stress and Strain in Sedimentary Basins. [W:] K. Bjørlykke (ed.): Petroleum Geoscience: From sedimentary Environments to Rock Physics. Springer Science & Business Media, Berlin 2010, s. 281–298.
[7] Bjørlykke K., Jahren J., Mandol N.H., Marcussen O., Croize D., Peltonen C., Thyberg B.: Sediment Compaction and Rock Properties. Search and Discovery Article 50192, 2009. Adapted from poster presentation at AAPG International Conference and Exhibition, Cape Town, South Africa 26–29.10.2008.
[8] Bratton T., Cooper I.: Wellbore Measurements: Tools, Techniques, and Interpretation. [W:] Aadnoy B., Cooper I., Miska S., Mitchell R., Payne M. (eds.): Advanced Drilling and Well Technology. Society of Petroleum Engineers 2009, s. 443–457.
[9] Butel N., Hossack A., Kizil M.: Prediction of in situ rock strength using sonic velocity. Extended abstracts from 14th Coal Operators’ Conference, University of Wollongong, The Australasian Institute of Mining and Metallurgy & Mine Managers Association, Australia 12–14.02.2014, s. 89–102.
[10] Chang Ch., Zoback M.D., Khaksar A.: Empirical relations between rock strength and physical properties in sedimentary rocks. Journal of Petroleum Science and Engineering 2006, vol. 51, nr 3–4, s. 223–237.
[11] Cordon H.R.A., van Hoogstraten R.: Key Issues for Successful Industrial Neural Network Applications: an Application in Geology. [W:] Braspenning P.J., Thuijsman F., Weijters A.J.M.M. (eds.): Artificial Neural Networks: An Introduction to ANN Theory and Practice. Springer, Heidelberg 1995, s. 235–245.
[12] Das S.K., Basudhar P.K.: Prediction of residua friction angle of clays using artificial neural network. Engineering Geology 2008, vol. 100, nr 3, s. 142–145.
[13] Ding Wenlong, Li Chao, Li Chunyan, Jiu Kai, Zeng Weite, Wu Liming: Fracture development in shale and its relationship to gas accumulation. Geoscience Frontiers 2012, vol. 3, nr 1, s. 97–105.
[14] Dziedzic A., Pinińska J.: Zmiany prędkości podłużnej fali ultradźwiękowej podczas ściskania osiowego w warunkach wysokich ciśnień i temperatur w wybranych rodzajach skał. Biuletyn Państwowego Instytutu Geologicznego 2011, nr 446/2, s. 129–134.
[15] Edlmann K., Somerville J., Hamilton S.A., Crawford B.R.: Predicting Rock Mechanical Properties from Wireline Porosities. SPE/ISRM 47344, Society of Petroleum Engineers 1998, s. 169–175.
[16] Eshkalak M.O., Mohaghegh S.D., Esmaili S.: Geomechanical Properties of Unconventional Shale Reservoirs. Journal of Petroleum Engineering 2014, vol. 2014, s. 1–11.
[17] Haykin S.: Neural networks and learning machines, vol. 3. Prentice Hall, New Jersey 2009.
[18] Herwanger J., Koutsabeloulis N.: Seismic Geomechanics: How to Build and Calibrate Geomechanical Models using 3D and 4D Seismic Data. EAGE Publications 2011, 181 s.
[19] Jędrzejowska-Tyczkowska H., Malaga M., Wolnowski T., Żuławiński K.: Sejsmicznie konsystentne estymatory złoża węglowodorów. Projekt nr 9T12A031114.INiG, Kraków 2000.
[20] Jędrzejowska-Tyczkowska H., Słota-Valim M.: Mechaniczny model Ziemi jako nowy i konieczny warunek sukcesu w poszukiwaniach i eksploatacji złóż niekonwencjonalnych. Nafta-Gaz 2012, nr 6, s. 329–340.
[21] Khaksar A., Taylor P.J., Fang Z., Rahman K.: Rock Strength from Core and Logs, Where We Stand and Ways to Go. Conference Materials: SPE EUROPEC/EAGE Annual Conference and Exhibition held in Amsterdam, The Netherlands, 8–11.06.2009.
[22] Kowalska-Włodarczyk M., Darłak B.: Modele stochastyczne wybranych parametrów jako wsparcie konstruowania modeli geologicznych przy użyciu ANN i Fuzzy Logic. Nafta-Gaz 2011, nr 1, s. 7–13.
[23] Kowan J., Hong Ong S.: Wellbore Stability: Special Considerations for the Marcellus Shale. Search and Discovery Article 80533 2016. Adapted from oral presentation at AAPG Geoscience Technology Workshop (GTW) „Marcellus and Utica Point Pleasant”, Pittsburgh, Pennsylvania, 17–19.06.2014.
[24] Lee M.W.: Biot–Gassmann theory for velocities of gas hydratebearing sediments. Geophysics 2002, vol. 67, nr 6, s. 1711–1719.
[25] Samarasinghe S.: Neural networks for applied sciences and engineering: from fundamentals to complex pattern recognition. Taylor & Francis, Florida 2006, 570 s.
[26] Sarkar K., Tiwary A., Singh T.N.: Estimation of strength parameters of rock using artificial neural networks. Bulletin of Engineering Geology and the Environment 2010, vol. 69, nr 4, s. 599–606.
[27] Sayers C.: Geophysics Under Stress: Geomechanical Applications of Seismic and Borehole Acoustic Waves. Distinguished Instructor Short Course, 13th edition from Distinguished instructor series, SEG Digital Library 2010.
[28] Slatt R.M.: Important geological properties of unconventional resource shales. Central European Journal of Geosciences 2011, vol. 3, nr 4, s. 435–448.
[29] Słota-Valim M.: Static and dynamic elastic properties, the cause of the difference and conversion methods – case study. NaftaGaz 2015, nr 11, s. 816–826, DOI: 10.18668/NG2015.11.02.
[30] Sonmez H., Gokceoglu C., Nefeslioglu H.A., Kayabasi A.: Estimation of Rock Modulus: For Intact Rocks with an Artificial Neural Network and for Rock Masses with the new empirical equation. Rock Mechanics and Mining Sciences 2006, vol. 43, nr 2, s. 224–235.
[31] Stadtmüller M., Lis-Śledziona A., Słota-Valim M.: Petrophysical and Geomechanical Analysis of the Lower Paleozoic Shale Formation, N Poland. Wydawnictwo AAPG i SEG, Interpretation 2018.
[32] Varacchi B., Jaiswal P., Puckette J., Dvorkin J.: Elastic Properties of Silica-Rich Mudrocks: Woodford Shale, Andarko Basin, Oklahoma. Paper SEG 2012-1230, Society of Exploration Geophysicists 2012.
[33] Yilmaz I., Yuksek A.G.: An example of Artificial Neural Network (ANN) Application for Indirect Estimation of Rock Parameters. Rock Mechanics and Rock Engineering 2008, vol. 41, nr 5, s. 781–795.
[34] Zoback M.D.: Reservoir Geomechanics. Stanford Languita – Stanford University 2017, wykłady wideo.
[35] Zoback M.D.: Stress fields – from tectonic plates to reservoir around the world. Cambridge University Press, Cambridge, Reservoir Geomechanics 2010, s. 281–287.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-e0b28fe2-8a0e-4084-8633-6b85944abc53