Подход машинного обучения помогает оценить исходную породу

Jul 29, 2023

Геохимические параметры являются важным набором данных для повышения точности прогнозирования зон, богатых органическими веществами. Однако современные методы лабораторного анализа для получения этих измерений являются дорогостоящими и отнимают много времени. Несмотря на то, что существует богатый объем знаний и уравнений для оценки общего органического углерода (TOC) по каротажным каротажам, продолжаются новые исследовательские усилия, особенно с использованием машинного обучения (ML), для прогнозирования геохимических параметров по каротажным диаграммам. Однако эти методы в значительной степени зависят от наличия и качества данных. Геохимические параметры, такие как TOC, предоставляют ценную информацию для понимания органического богатства и зрелости горных пород и, следовательно, для оптимизации разведки углеводородов.

TOC можно определить как количество органических веществ в породе. Органическое вещество является наиболее важным компонентом при оценке нефтематеринской породы. Таким образом, понимание изменений в TOC важно для оценки качества нефтематеринских пород углеводородов, выявления зон, богатых органическими веществами, и улучшения характеристики нетрадиционных коллекторов. Ранее математические расчеты с использованием каротажных диаграмм помогали оценить значения TOC и определить продуктивность нефтематеринской породы (Passey et al. 1990). Интерпретация привела к выявлению органического содержания и зрелых богатых органическими веществами интервалов. Двумя способами расчета TOC с использованием каротажа являются соотношение акустического сопротивления и удельного сопротивления (Ахангари и др., 2022 г.) и комбинации каротажа (Фертл и др., 1988 г.). Эти подходы позволяют оценить способность нефтематеринских пород выделять углеводороды. Из-за ограничений этих методов в этой статье представлен новый рабочий процесс для прогнозирования непрерывных профилей TOC с высоким разрешением с использованием машинного обучения, занимающий всего несколько минут. Этот подход помогает повысить точность прогнозов геохимических параметров. Он неразрушающий и требует минимальной необходимости лабораторных испытаний.

BackgroundTOC является критическим параметром для идентификации зон, богатых органическими веществами, и определения характеристик нефтематеринской породы в горной породе. Одним из важных ограничений данных TOC, измеренных в лаборатории, является тот факт, что эти измерения являются дискретными и разрозненными и не охватывают всю интересующую область из-за деструктивного характера анализа. Изображения, содержащие атрибуты цвета, также можно включать в рабочий процесс, чтобы помочь в прогнозировании геохимических параметров. Был внедрен рабочий процесс ML для обнаружения и визуализации различных геохимических параметров для улучшения характеристики зон, богатых органическими веществами, неразрушающим способом (Shalaby et al. 2019). Здесь мы демонстрируем рабочий процесс машинного обучения, который использует изображения ядра и лабораторные данные TOC для своевременного создания непрерывных профилей TOC с высоким разрешением.

Методология. Основные фотографии были разложены на энтропию и цветовые атрибуты (красные, зеленые и синие кривые). Окно скользящего среднего использовалось для получения непрерывных визуальных кривых атрибутов. Эти характеристики были сопоставлены с соответствующими измерениями TOC, измеренными в лаборатории с использованием пиролизного прибора Rock Eval.

Рабочий процесс состоит из двух алгоритмов ML. Первый алгоритм — это неконтролируемая кластеризация K-средних, которая использует извлеченные энтропийные и цветовые кривые в качестве входных данных. Это создало непрерывную кривую кластеров на основе извлеченных атрибутов. На основании предыдущих данных измерений TOC по керну было выбрано количество скоплений пород. Например, были идентифицированы различные измерения TOC, которые включают высокие, средние и низкие значения. В этом случае количество сгенерированных кластеров будет равно трем. Этот подход полезен для прямой классификации интервалов с высокими значениями TOC. Второй алгоритм применял регрессию опорных векторов (SVR), при этом извлеченные атрибуты были привязаны к значениям TOC. Этот подход использовал 80% данных для обучения модели и 20% для слепого тестирования и проверки модели. Конечный результат может быть использован для создания непрерывного профиля TOC высокого разрешения (рис. 1).

Результаты. В ходе работы были получены многообещающие результаты, состоящие из непрерывных профилей TOC высокого разрешения для интервалов нефтематеринских пород с помощью алгоритмов ML неразрушающим способом (рис. 2). Результаты показывают успешное создание непрерывного профиля TOC с точностью прогнозирования 90% в пределах ±1% измеренных данных (рис. 3). Использование последовательных и высококачественных изображений вместе с адекватным распределением данных может помочь получить результаты с высокой степенью точности прогнозирования. Построение и обучение модели на основе высококачественных изображений и широкого диапазона распределения данных улучшает результаты прогнозирования и в конечном итоге улучшает характеристику зон, богатых органическими веществами, и нетрадиционных ресурсов (Питерс и др., 2016).