ОЦІНКА ОСОБЛИВОСТЕЙ ЗАСТОСУВАННЯ КЛАСИФІКАЦІЙНО-ПОРІВНЯЛЬНОГО МЕТОДУ ОБРОБКИ КАРОТАЖНИХ ДАНИХ
Ключові слова:
аналіз свердловин, каротажні дані, глибоке навчання, нейронні мережі, моделювання, методологія, модель, агрегація даних, екстраполяція моделі, оцінка ефективності, автоматизація, прийняття рішень, кластеризація.Анотація
У нафтовидобувній галузі об’єктом дослідження є параметрична схожість та відмінності між свердловинами. У роботі запропоновано модель для класифікації та порівняння каротажних даних свердловин. Наведено огляд існуючих методів оцінки кореляції між свердловинами, а саме ручний аналіз на основі даних експертів з предметної сфери або використання простих коефіцієнтів подібності, які мають суттєві обмеження та є суб’єктивними.
Як результат, запропоновано застосування моделей глибокого навчання, здатних автоматизувати складні процеси підтримки та прийняття рішень для зменшення помилок. Розроблено модель на основі рекурентної нейронної мережі (RNN) для обробки послідовних даних та виявлення довгострокових залежностей, з використанням шарів нейронної мережі для оцінки подібності. Запропоновано візуалізацію на основі схем оцінки подібності для пари інтервалів та схему порівняльного навчання на основі триплетних втрат. Оцінка ефективності моделі здійснюється на основі метрик класифікації та кластеризації.
Завантаження
Посилання
Verma A.K., Routray A., Mohanty W.K. Assessment of similarity between well logs using synchronization measures. IEEE Geosci. Remote Sens. Lett., 11(12) (2014), pp. 2032-2036.
Akkurt R., Conroy T.T., Psaila D., Paxton A., Low J., Spaans P. Accelerating and enhancing petrophysical analysis with machine learning: a case study of an automated system for well log outlier detection and reconstruction. SPWLA 59th Annual Logging Symposium, Society of Petrophysicists and Well-Log Analysts (2018).
Koroteev D., Tekic Z. Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future. Energy AI, 3 (2021), Article 100041.
Brazell S., Bayeh A., Ashby M., Burton D. A machine-learning-based approach to assistive well-log correlation. Petrophysics-the SPWLA J. Form. Eval. Reserv. Descr., 60(04) (2019), pp. 469-479.
Jing L., Tian Y. Self-supervised visual feature learning with deep neural networks: A survey. IEEE Trans. Pattern Anal. Mach. Intell. (2020).
Zoraster S., Paruchuri R., Darby S. Curve alignment for well-to-well log correlation. SPE Annual Technical Conference and Exhibition, OnePetro (2004).
Ali M., Jiang R., Ma H., Pan H., Abbas K., Ashraf U., Ullah J. Machine learning-a novel approach of well logs similarity based on synchronization measures to predict shear sonic logs J. Pet. Sci. Eng., 203 (2021), Article 108602.
Du S., Wang R., Wei C., Wang Y., Zhou Y., Wang J., Song H. The connectivity evaluation among wells in reservoir utilizing machine learning methods. IEEE Access, 8 (2020), pp. 47209-47219.
Greff K., Srivastava R.K., Koutník J., Steunebrink B.R., Schmidhuber J. LSTM: A search space odyssey. IEEE Trans. Neural Netw. Learn. Syst., 28(10) (2016), pp. 2222-2232.
.png)
