(2009) LWD POROSITY PREDICTION FOR WELL PLACEMENT USING NEURAL NETWORK. Masters thesis, King Fahd University of Petroleum and Minerals.

Preview

PDF Thesis_Report_Ahmed_Al-Ali.pdf Download (4MB) | Preview

Arabic Abstract

الحفر الأفقي في طبقات زيت غير سميكة يتطلب قراءات ذات جودة عالية وفورية لتوجيه عملية الحفر في الإتجاه الصحيح. أغلب ھذه القراءات تصل إلى السطح عبر وسائل قياس عن بعد مما يجعلھا عرضة للضياع أو التغيير نتيجة لبعض تأثيرات البيئة والحفر. بعض المؤثرات على القراءات خلال الحفر ھي : توسع بئر الحفر، عدم كفاءة آلة القراءة، اھتزاز آلة القراءه، انزلاق جھاز القراءه أثناء تغيير اتجاه الحفر. إن استخدام القراءت من دون أخذ ھذه المؤثرات بعين الإعتبار قد يؤدي إلى اتخاذ قرارات فورية خاطئة، وإلى تحليل خاطئ لطبقات الحفر. ھنالك بعض ظروف الحفر التي تتطلب منا تقدير بعض القراءات نظرا لعدم توفرھا بشكل جيد. ھذه الظروف ھي: 1- فقد جزء من قياسات القراءات نظرا لعطب عدسة القراءة للآلة. 2 - ارسال جھاز الكثافة من دون الجھاز الموازن للآلة والذي يعد مھما في آلة قراءة الكثافة. 3 - الحصول على قراءات غير منطقية لطبقات معلومة مسبقا مما يحذونا إلى عدم تصديقھا. ھذه الرسالة تقدم وسائل لتصحيح القراءات في جھاز الكثافة أو تقديرھا حال فقدھا أثناء عملية الحفر باستخدام شبكة الأعصاب الإصطناعية لأجل الحصول على أفضل توجيه لعملية الحفر في المنطقة الصحيحة وإنتاج معلومات جيدة لتحليل قراءات الطبقات. يمكننا استخدام ھذه التقنية في تقدير مسامية الطبقات لتكون متوافقة مع الآبار الأخرى. ھذه الطريقة ذات قيمة عالية لخبراء الصخور في عملھم اليومي.

English Abstract

Acquiring good quality logging while drilling (LWD) data is essential for geosteering wells drilled horizontally in narrow zones in oil bearing formation. The proper placement of those horizontal sections requiresreal time data from the formation as we drill through. Most of these data reach to the surface through different telemetry means which can be sometimes lost or distorted due to some environmental or drilling effects. Some of these effects on LWD data are: borehole wash-out, bad sensor detection, tool vibration, and sliding while changing azimuth or inclination angle. Utilizing raw LWD data without considering these factors may be misleading in making real time decisions as well as in the analysis of producing formation log (FAL). LWD data needs to be predicted in some conditions such as when: 1. Part of the LWD measurements completely missed due to tool or sensor failure while drilling, 2. Running LWD density tool without stabilizer, which has a significant effect on the density tool reading, 3. Uncertainty in believing the tool response to a known formation. This thesis provides means to correct LWD density data or predict missing LWD density data using artificial neural network (ANN) to optimize well placement correctly and produce good quality FAL. ANN method could be applied also to other porosity logs like neutron. Therefore, ANN technique can be used to predict porosity measurements to be consistent with other wells. This method provides significant value for petrophysicists in their daily operations.

Item Type:	Thesis (Masters)
Subjects:	Engineering Petroleum > Well Logging
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Al-Marhoun, Muhammad /A.
Committee Members:	Al-Yousef, Hasan / Y. and Hamada, Gharib / M.
Depositing User:	(g200268560)
Date Deposited:	10 Nov 2009 07:20
Last Modified:	01 Nov 2019 14:11
URI:	http://eprints.kfupm.edu.sa/id/eprint/136178