تخمین فشار منفذی مخزن هیدرو کربنی با استفاده از الگوریتم یادگیری ماشین

عنوان دوره: پنجمین همایش ژئوفیزیک اکتشافی نفت
کد مقاله : 1803-NIGS
نویسندگان
موسسه زئوفیزیک دانشگاه تهران
چکیده
فشار سازندی یا فشار سیالات منفذی در زیر سطح زمین بایستی قبل از حفاری یک چاه تخمین زده شوند، تا پنجره گل حفاری و جداره چاه مناسب برای چاه انتخاب شود.. به دلیل هزینه نسبتا زیاد ابزارهای اندازه گیری مستقیم فشار منفذی، استفاده از روش های کم هزینه‌تر که طیف پیوسته ای از داده های فشار منفذی را ارائه دهند، مقرون به صرفه است.
فشار منفذی در حال حاضر با دو روش مستقیم و غیر مستقیم محاسبه می شود. استفاده از داده های لرزه نگاری و چاه پیمایی (روش غیر مستقیم) و نیز تست فشار سازند (روش مستقیم) به دست می آید. هدف اصلی این مقاله استفاده از اطلاعات آزمایش RFT برای تعیین فشار منفذی می باشد. بدین منظور، با توجه به اطلاعات موجود در چاه های حفاری شده در یک میدان نفتی، فشار منفذى مکان جدید را برای حفاری با استفاده از شبکه عصبی بر اساس فشارهای محاسبه شده چاه های قبلی تخمین زده شد.
در این مقاله تخمین فشار منفذی بر پایه ی روش های یادگیری ماشینی بر روی نمودار های حاصل از چاه مورد بررسی قرار گرفته و سپس با یکی از روش های مرسوم پیش بینی فشار منفذی مانند روش باورز مقایسه شده است.
کلیدواژه ها
 
Title
Pore pressure prediction of a hydrocarbon reservoir using machine learning algorithm
Authors
mahdieh hosseini
Abstract
Formation pressure or pore fluid pressure below the ground surface should be estimated before drilling a wellbore, so that we can select the appropriate drilling mud window and wellbore wall for drilling operation. The drilling strategy of a wellbore will be made suitable and most principled decision. In addition, due to the relatively high cost of direct pore pressure measuring instruments, it is cost-effective to use less expensive methods that provide a continuous range of pore pressure data thought of reservoir interval. In this context two direct and indirect approaches are usually performed. Using seismic and well survey data (indirect method) and also pressure testing (direct method) is used. The main purpose of this paper is to use full set as well as RFT data to determine the wellbore pore pressure. For this purpose, according to the information in the wells drilled in an oil field, we estimate wellbore pore pressure using machine learning algorithm. We will compare the obtained result with a conventional pore pressure prediction methods such as the Bowers method.
Keywords
Keywords: Pore pressure, machine learning, wire-line data