Wyniki wyszukiwania - BazTech

1

Geothermal energy potential of Main Dolomite formation in SW Poland

Słota-Valim Małgorzata, Lis-Śledziona Anita, Topór Tomasz

Geology, Geophysics and Environment

|

2024

|

Vol. 50, no. 3

275--293

EN

This paper evaluates the geothermal potential of the Main Dolomite formation in an oil and gas field on the Fore-Sudetic Monocline (SW, Poland). The reservoir characterization included a well-logging interpretation and developed 3D petrophysical and temperature models that provided information on storage potential, transport properties, and temperature conditions in the analyzed carbonate formation. Geothermal energy potential was assessed using heat in place (HIP) and recoverable heat (Hrec) parameters for water and CO2 systems, considering a 50-year plant lifespan. Petrophysical and temperature data classify reservoirs using unsupervised machine learning, identifying zones with high and low geothermal potential, noting a strong limestone and do-lomite dichotomy. Dolomite horizon shows more promising reservoir quality with mean porosity and permeability of 0.045 and 0.4 mD, respectively, however, its mean thickness reaches 11.58 m at maximum. The calculated Hrec for a 50-year lifetime of a geothermal system varies across dolomite horizon. In the most promising areas of NNW, WSW, and E parts, the values of Hrec are 8.19, 3.47, and 1.34 MW for water, respectively, and 0.69, 0.29, and 0.11 MW for CO2 as working fluids. Remarkably, the energy locked in the NNW zone constitutes nearly 21% of the total geothermal energy potential within the entire dolomite horizons of the study area. The geothermal resources for the most perspective location within the dolomite horizon were estimated at 12.99 and 1.09 MW levels, using water and CO2 as working fluids, respectively, assuming 50 years of the project’s lifetime.

2

An advanced ensemble modeling approach for predicting carbonate reservoir porosity from seismic attributes

Topór Tomasz, Sowiżdżał Krzysztof

Geology, Geophysics and Environment

|

2023

|

Vol. 49, no. 3

245--260

EN

This study uses a machine learning (ML) ensemble modeling approach to predict porosity from multiple seismic attributes in one of the most promising Main Dolomite hydrocarbon reservoirs in NW Poland. The presented workflow tests five different model types of varying complexity: K-nearest neighbors (KNN), random forests (RF), extreme gradient boosting (XGB), support vector machine (SVM), single layer neural network with multilayer perceptron (MLP). The selected models are additionally run with different configurations originating from the pre-processing stage, including Yeo–Johnson transformation (YJ) and principal component analysis (PCA). The race ANOVA method across resample data is used to tune the best hyperparameters for each model. The model candidates and the role of different pre-processors are evaluated based on standard ML metrics – coefficient of determination (R2), root mean squared error (RMSE), and mean absolute error (MAE). The model stacking is performed on five model candidates: two KNN, two XGB, and one SVM PCA with a marginal role. The results of the ensemble model showed superior accuracy over single learners, with all metrics (R2 0.890, RMSE 0.0252, MAE 0.168). It also turned out to be almost three times better than the neural net (NN) results obtained from commercial software on the same testing set (R2 0.318, RMSE 0.0628, MAE 0.0487). The spatial distribution of porosity from the ensemble model indicated areas of good reservoir properties that overlap with hydrocarbon production fields. This observation completes the evaluation of the ensemble technique results from model metrics. Overall, the proposed solution is a promising tool for better porosity prediction and understanding of heterogeneous carbonate reservoirs from multiple seismic attributes.

3

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

Topór Tomasz, Sowiżdżał Krzysztof

Nafta-Gaz

|

2022

|

R. 78, nr 3

165--175

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.

4

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

Topór Tomasz

Nafta-Gaz

|

2021

|

R. 77, nr 5

283--292

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.

5

An integrated workflow for MICP-based rock typing: A case study of a tight-gas sandstone reservoir in the Baltic Basin (Poland)

Topór Tomasz

Nafta-Gaz

|

2020

|

R. 76, nr 4

219--229

EN

One of the most important tasks in the characterization of unconventional tight-gas sandstone reservoirs is a proper evaluation of rock types (RT). Rock typing based on pore structure has a great potential to capture fluctuations in storage potential, and fluid transport within the formations studied. This study presents a newly adapted workflow to formulate rock types in tight-gas sandstone reservoirs based on similarities in pore structure. Rock types are identified using the k-means clustering method (unsupervised learning) on pore structure parameters derived from measuring mercury injection capillary pressure (MICP). The parameters associate opened porosity, proportions of macro-, meso-, micro-, and nanopores, and selected MICP-derived permeability. The correlation between pulse decay permeability and permeabilities calculated from MICP analysis revealed that Swanson permeability is the most useful permeability estimation for rock typing. The cluster analysis performed on 178 samples revealed four rock types (RT1–RT4) of unique pore system characteristics that significantly differ in macro-, meso-, micro-, and nanopore content. The clusters’ tendency was evaluated using the Hopkins statistic. The optimal number of clusters was determined using the Elbow method as an internal validation technique. Rock types 1 and 2 (RT1 and RT2) showed a highly tight character with a Swanson permeability of < 0.1 mD and an opened porosity of < 5%. Samples from RT3 and RT4 revealed more conventional characteristics with a Swanson permeability of > 0.1 mD and an opened porosity of > 5%. The variability in the pore structure between designated rock types was also captured using Computerized Analysis of Microscopic Images (CAMI) on the thin-sections from the most representative samples of the individual rock types. Pore structure characteristics (opened porosity and pore-throat distribution) with Swanson permeability and rock types were integrated into an array log to locate the most perspective intervals within the formation under study.

PL

Jednym z kluczowych zadań w charakterystyce niekonwencjonalnych piaskowców typu tight gas jest prawidłowe wyznaczenie klas podobieństw, tzw. rock types. Rock typing oparty na charakterystyce systemu porów posiada duży potencjał wyznaczania stref o pożądanych własnościach zbiornikowych i filtracyjnych w badanej formacji. Praca pokazuje metodologię wyznaczania klas podobieństw na podstawie charakterystyki systemu porów w formacjach zwięzłych piaskowców. Klasy podobieństw zostały wyznaczone za pomocą metody k-średnich w oparciu o wyselekcjonowane parametry przestrzeni porowej: porowatość otwartą, frakcje makro-, mezo-, mikroi nanoporów oraz przepuszczalność Swansona. Wszystkie parametry zostały wyznaczone na podstawie danych MICP. Korelacja pomiędzy przepuszczalnością otrzymaną metodą pulse decay i przepuszczalnościami wyliczonymi z MICP pokazała, że najbardziej wiarygodną metodą szacowania przepuszczalności do rock typingu jest metoda Swansona. Analiza klastrowa przeprowadzona na 178 próbkach pozwoliła na wyznaczenie 4 typów skał (rock types RT1–RT4) cechujących się odmienną charakterystyką systemu porów, w której dominowały makro-, mezo-, mikro- lub nanopory. Tendencja do tworzenia klastrów została oceniona za pomocą metody/statystyki Hopkinsa. Optymalna liczba klastrów została wyznaczona przy użyciu wewnętrznych metod walidacyjnych (metoda „elbow”). Próbki należące do typów 1 i 2 (RT1 i RT2) charakteryzują się silnie zwięzłym charakterem z przepuszczalnością Swansona < 0,1 mD i porowatością otwartą < 5%. Próbki z klas 3 i 4 (RT3 i RT4) posiadają bardziej konwencjonalny charakter z przepuszczalnością Swansona > 0,1 mD i porowatością otwartą > 5%. Zmienność pomiędzy wyznaczonymi klasami została również zaobserwowana w wynikach analizy obrazu mikroskopowego (CAMI), która została wykonana na płytkach cienkich dla najbardziej reprezentatywnych próbek z poszczególnych klas. Zintegrowanie otrzymanych wyników dotyczących struktury porowej (porowatość otwarta, rozkład porów), przepuszczalności Swansona oraz klas podobieństw zostało wykorzystane do wskazania stref o najlepszych własnościach zbiornikowych i filtracyjnych w badanej formacji.