Reservoir formation facies identification using decision tree learning.

(1998) Reservoir formation facies identification using decision tree learning. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF
9874.pdf

Download (4MB) | Preview

Arabic Abstract

خلال السنوات القليلة الماضية كان هناك اهتمام مفاجيء ومكثف لاستخدام الذكاء الاصطناعي في قطاع صناعة البترول . هذه الرسالة تستكشف استخدام تقنية الاستقراء الآلي وبالتحديد شجرة القرارات لتمييز وجوه طبقات المكامن الجيولوجية من واقع سجلات البئر . إن تمييز وجوه الطبقات الجيولوجية يعد أمراً حيوياً للنجاح الاقتصادي في إدارة المكامن وتطويرها . وعادة ما تؤثر وجوه الطبقات بدرجة كبيرة في حركة الهيدروكربونات وانتشارها . ولكن تمييز وجوه الطبقات المختلفة يعد مشكلة عويصة ، لأن معظم المكامن تحوي درجات متفاوتة من عدم التناسق الهيدروكربوني . هذه الرسالة تشرح الطرق المستخدمة لتمييز وجوه طبقات المكامن وتطرح طريقة جديدة لتمييزها . إن الطريقة التقليدية المتبعة لحل هذه المشكلة طريقة صعبة مملة وتستغرق وقتاً طويلاً لإنجازها . كما أنها طريقة تكرارية بحتة ، ويلزم استخدامها لكل بئر على حدة . كما أن الطريقة الموجودة حالياً محدودة باستخدام تقنية التلقيم الاستباقي لانموذج الشبكات العصبية ولكنه من المعلوم أن أنموذج الشبكات العصبية يستغلق على الأفهام ، ويتم استخدامه كصندوق أسود لا تعرف خباياه . والطريقة الجديدة تعتمد استخدام نوع آخر من طرق الذكاء الاطناعي وهي طريقة استقراء شجرة القرارات كوسيلة للتنبؤ بماهية وجوه الطبقات من واقع سجلات البئر . لقد تم تقييم هذه الطريقة على سبع دراسات تجريبية لآبار نفطية في المملكة العربية السعودية . ولقد تم التعرف على مجموعة من الخصائص شكلت في مجموعات أداة لتشخيص وجوه الطبقات . هذا وقد تم استخدام الحزمة البرمجية C4.5 لبناء وتجريب أنموذج استقراء شجرة القرارات . لقد حققنا نتائج مرضية (87% كمعدل للدقة) مقارنة بتحليل العينات الصخرية ، كما أننا أثبتنا صحة شمولية أنموذج شجرة القرارات بإجراء عشرة اختبارات مختلفة . وتكمن أهمية نتائج هذه الطريقة للجيولوجيين ومهندسي البترول بأنها فاقت في دقتها جميع الطرق التقليدية المعروفة ذات الصلة . كما تم مناقشة الآلية اليت حققت بها هذه الطريقة أهدافها . وقد أوضحنا مدى اعماديتها وكفاءتها وكيف أنها أكثر اقتصادية من الطرق التقليدية .

English Abstract

During the past several years there has been a sudden and intense interest in the use of artificial intelligence techniques in petroleum industry. This thesis explores the use of machine learning approach, specifically decision tree learning, as a means to identify geological formation facies from well logs. Identifying geological formation facies is critical for economic successes of reservoir management and development. Formation facies usually influence the hydrocarbon movement and distribution. The identification of various facies, however, is a very complex problem due to the fact that most reservoirs show different degree of heterogeneity. In this thesis, the existing methods are surveyed, and we propose a new methodology. The current conventional process to solve this problem is tedious and time consuming. Also, it is highly repetitive process and needed to be done for every single well. Notably, however, the other existing method was limited to use of feed-forward neural networks. It is well known that NNs suffer the important shortcoming that they are not comprehensible by humans and can only be used as "black box". We propose the use of decision tree learning (DTL) approach as a means to predict facies from well logs. We report a six-step case study on a real oil field. We identify a range of attributes, which could provide a diagnostic tool for facies identification. The C4.5 software package is utilized to build and test the constructd DT model. We achieved a satisfactory (average of 87.0% accuracy) result compared to the core analysis one. We verified the generality of the DT model by conducting ten different tests. The importance of the new approach to geologists and petroleum engineers and the advantages that this computing process has over other conventional method is discussed. The machanics by which this technique achieves its objectives is also discussed. In addition, we discuss how the new approach is reliable, efficient, and more economic than the conventional method.

Item Type: Thesis (Masters)
Subjects: Computer
Department: College of Computing and Mathematics > Information and Computer Science
Committee Advisor: Al-Muallim, Hussein
Committee Members: Al-Bassam, Sulaiman Abdulla and Al-Ghamdi, Jarallah S.
Depositing User: Mr. Admin Admin
Date Deposited: 22 Jun 2008 13:51
Last Modified: 01 Nov 2019 13:52
URI: http://eprints.kfupm.edu.sa/id/eprint/9874