تعیین واحدهای ژئومکانیکی با استفاده از تجزیه و تحلیل الگوریتم‌های بدون نظارت یادگیری ماشین مبتنی بر نگاره های چاه‌های نفتی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه فردوسی مشهد- گروه زمین شناسی مهندسی- دانشکده علوم

2 گروه زمین‌شناسی، دانشکده علوم، دانشگاه فردوسی مشهد، مشهد، ایران

3 استاد. دانشگاه منابع انرژی استاونگر نروژ

4 شرکت مناطق نفت خیز جنوب

چکیده

در این تحقیق از روش یادگیری بدون نظارت جهت تعیین واحد های ژئومکانیکی در یکی از چاههای نفتی جنوب ایران با استفاده از لاگ های داده‌های چاه نگاری شامل نگاره گاما طبیعی(SGR) ، نگاره گاما اصلاح شده(CGR)، چگالی(RHOB)، تخلخل نوترونی(NPHI)، زمان موج برشی(DTSM) و زمان موج طولی (DTCO) استفاده شده است. برنامه نویسی مورد نیاز در محیط پایتون انجام گرفته است. در این راستا ابتدا بعد از پردازش داده های چاه نگاری از دو الگوریتم محبوب قدرتمند نظارت شده یادگیری ماشین ایکس جی بوست (XGBoost) و شبکه عصبی پرسپترون چند لایه (Multi-Layer Perceptron Neural Network) جهت بازیابی داده های گمشده استفاده گردید. سپس از روشهای بدون نظارت یادگیری ماشین شامل مدل k- میانگین (K-Means Clustering)، الگوریتم خوشه بندی سلسله مراتبی(HAC)، الگوریتم خوشه بندی DBSCAN مبتنی بر غلظت، و مدل آمیخته گوسی (Gaussian Mixture Modelling) جهت تعیین واحد های ژئومکانیکی مخزنی پر فشار، آهکهای نارک لایه و غیرمخزنی مسئله دار استفاده شد. در این روش‌ها الگوریتم‌ها خود الگوهای زیر سطحی را با استفاده از داده ها شناسایی می کنند که ممکن است به راحتی در طول کاوش داده قابل مشاهده نباشند. معیار ارزیابی دقت روش دقت در شناسایی آهک های نازک لایه، سازندهای غیر مخزنی مسئله دار و افق های پر فشار سازند های مورد مطالعه در نظر گرفته شد. نتایج مطالعات نشان داد که از بین روش‌های مورد مطالعه روش GMM به جای اینکه بر اساس فاصله باشد، مبتنی بر توزیع است و از مرزهای خوشه/تصمیم بیضی استفاده می کند. بنابراین، منجر به طبقه‌بندی نرم تری می شود. علاوه براین، بخاطر قرار دادن الگوهای احتمالاتی مختلف برای شناسایی واحد‌های ژئومکانیکی، روشی بهتر جهت تعیین واحدهای مخزنی پر فشار ایلام، سروک و آهکهای نازک لایه می باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Determination of geomechanical zones based on evaluation of Unsupervised Machine Learning algorithm methods

نویسندگان [English]

  • Hamid Ghalibaf Mohammad abadi 1
  • Naser Hafezi Moghaddas 1
  • Gholam Reza Lashkaripour 2
  • Raoof Gholami 3
  • Hossin Talebi 4
1 Ferdowsi University of Mashhad
2 Department of Geology, Faculty of Science, Ferdowsi University of Mashhad Mashhad, Iran
3 Department of Energy Resources at University of Stavanger
4 Southern Oilfields Company
چکیده [English]

Machine Learning algorithms have widely been adopted to group well log measurements into distinguished lithological groupings, known as Facies/Geomechanical units. This procedure can be achieved using either unsupervised learning or supervised learning algorithms. Supervised learning is the most common and practical of machine learning tasks and it is designed to learn from the example using input data that has been mapped to the correct output. In this research, we can run the modeling using Unsupervised Learning, where we authorize the algorithms to recognize underlying patterns within the data that may not be easily visible during data exploration. Therefore, an unsupervised learning method has been used to determine geomechanical zones. In this method, we give one's consent/assent to algorithms to identify subsurface patterns using data that may not be easily visible during data exploration. First, the application of practical methods of machine learning algorithms, including the K-mean model, Based Spatial Clustering of Applications with Noise (DBSCAN), Hierarchical Agglomerative Clustering (HAC), and Gaussian mixed model, will be explained, And then in this research, the best method for predicting petrophysical layers will be presented and compared the results with an established Lithofacies curve. The required programming is done in a Python environment. In this regard, after well processing, The XGBoost and Multi-Layer Perceptron Neural Network Algorithms have been used to predict the missing data. The optimal number of clusters is obtained using an ‘elbow’, In this article, as the title suggests, Four methods are used in cluster analysis unsupervised machine learning algorithms, but in petrophysical, geological, and geomechanical realities, data seldom conform to good circle patterns. Whereas if the data clusters are circular, K-Means clustering and Hierarchical Agglomerative Clustering( HAC) work great. Therefore, it is better to use the Gaussian mixed models (GMM) method.

کلیدواژه‌ها [English]

  • Machine Learning
  • Supervised Machine Learning
  • Unsupervised Machine Learning
  • K Means Clustering Modelling
  • Gaussian Mixture Modelling
  • XGBoost Algorithm

مراجع

Ali, M., Ma, H., Pan, H., Ashraf, U., Jiang, R., (2020). Building a rock physics model for the formation evaluation of the Lower Goru sand reservoir of the Southern Indus Basin in Pakistan. J. Petrol. Sci. Eng. https://doi.org/10.1016/j.petrol.2020.107461
Ashraf, U., Zhu, P., Yasin, Q., Anees, A., Imraz, M., Mangi, H.N., Shakeel, S., (2019). Classification of reservoir facies using well log and 3D seismic attributes for prospect evaluation and field development: a case study of Sawan gas field, Pakistan. J. Petrol. Sci. Eng. 175, 338–351. https://doi.org/10.1016/j.petrol.2018.12.060
Ashraf, U., Zhang, H., Anees, A., Mangi, H.N., Ali, M., Ullah, Z., Zhang, X., (2020a). Application of unconventional seismic attributes and unsupervised machine learning for the identification of fault and fracture network. Appl. Sci. https://doi.org/ 10.3390/app10113864
Ashraf, U., Zhang, H., Anees, A., Ali, M., Zhang, X., Abbasi, S.S., Mangi, H. N., (2020b). Controls on Reservoir Heterogeneity of a Shallow-Marine Reservoir in Sawan Gas Field, SE Pakistan: Implications for Reservoir Quality Prediction Using Acoustic Impedance Inversion. Water 12 (11), 2972. https://doi.org/10.3390/w12112972. In this issue
Bestagini, P., Lipari, V., Tubaro, S., aug, (2017). A machine learning approach to facies classification using well logs. In: SEG Technical Program Expanded Abstracts 2017. Society of Exploration Geophysicists, pp. 2137–2142. https://doi.org/10.1190/ segam2017-17729805.1 .
Forgy, E. W., (1965). "Cluster analysis of multivariate data: efficiency versus interpretability of classifications". Biometrics.
Jinghua, W., Jianmin J., (2021). Unsupervised deep clustering via adaptive GMM modeling and optimization. Neurocomputing 433 (2021) 199-211
Hall, B., oct, (2016). Facies classification using machine learning. Lead. Edge 35 (10), 906–909. https://doi.org/10.1190/tle35100906.1.
Lppolito, M., Ferguson, J., Jenson, F., (2021): Improving facies prediction by combining supervised and unsupervised learning methods. Journal of Petroleum Science and Engineering,Volume 200, May 2021, 108300. https://doi.org/10.1016/j.petrol.2020.108300
Ghalibaf, H., Ghafoori, M., Lashkaripoor, G.R., Hafezi Moghaddas, N.,(2020). Preparation of Zoning Maps for Cut-off Wall Using the Geotechnical parameters and Analytic Hierarchal Process (AHP). Case study: Sarroud Dam “Journal of Dam and Hydroelectric PowerPlant 7th Year / No. 26 / December 2020
Kriegel, H.P., Schubert, E., Zimek, A., (2016). The (black) art of runtime evaluation: Are we comparing algorithms or implementations. Knowledge and Information Systems. 52: 341–378. doi:10.1007/s10115-016-1004-2. ISSN 0219-1377
Marco, I., John, F., Fred, J., (2021). Improving facies prediction by combining supervised and unsupervised learning methods: Journal of Petroleum Science and Engineering 200 (2021) 108300
Muhammad Ali, A., Ren Jiang, B., Huolin Ma, A., Heping Pan, A., Khizar Abbas, C., Umar Ashraf, D., (2021). Machine learning - A novel approach of well logs similarity based on synchronization measures to predict shear sonic logs: Journal of Petroleum Science and Engineering 203 (2021) 108602
MacQueen, J. B. (1967). Some Methods for classification and Analysis of Multivariate Observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. 1. University of California Press. pp. 281&ndash, 297. MR 0214227. Zbl 0214.46201. Retrieved 2009-04-07.
MacKay, D., (2003). "Chapter 20. An Example Inference Task: Clustering" (PDF). Information Theory, Inference and Learning Algorithms. Cambridge University Press. pp. 284&ndash, 292. ISBN 0-521-64298-1. MR 2012999.
Song, C., Li, L., Li, K., (20201). Robust K-means algorithm with weighted window for seismic facies analysis: Journal of Geophysics and Engineering (2021) 18, 618–626. https://doi.org/10.1093/jge/gxab039
Steinhaus, H. (1957). "Sur la division des corps matériels en parties". Bull. Acad. Polon. Sci. (French). 4 (12): 801&ndash, 804. MR 0090073. Zbl 0079.16403.
Thiago Santi, B.,Marcelo Kehl, D., Tiago, J., Girelli, F., Chemale, J., (2020) Evaluation of machine learning methods for lithology classification using geophysical data: Computers and Geosciences 139(2020)104475
W. Dunham, M., Malcolm, A., Welford, J. K., (2020). Improved well log classification using semisupervised Gaussian mixture models and a new hyper-parameter selection strategy: Computers and Geosciences Volume 140, July 2020, 104501. https://doi.org/10.1016/j.cageo.2020.104501
نشریه علمی ژئومکانیک نفت
دوره 4، شماره 4
فروردین 1401
صفحه 19-34

فایل ها

هم رسانی

ارجاع به این مقاله

آمار