DATA MINING APPLICATIONS OF NMR DATA FOR PETROPHYSICAL DATA PREDICTION. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (M.Sc.Thesis) MS_Thesis_Final_Emad_20220605.pdf - Accepted Version Restricted to Repository staff only until 29 June 2023. Download (3MB)

Arabic Abstract

بيانات الرنين المغناطيسي النووي (NMR) هي أداة مفيدة تستخدم لقياس الخصائص الفيزيائية الصخرية الأساسية مثل المسامية والنفاذية والتشبع وقابلية البلل وحجم الحلق المسام. وقت الاسترخاء T2 هو القياس القياسي في صناعة الرنين المغناطيسي النووي لأنه سريع ويوفر معلومات قيمة. بالنسبة للمقابس الأساسية المشبعة ذات المرحلة الجيبية ، ينعكس توزيع حجم المسام في توزيع وقت الاسترخاء T2 ، والذي يمكن أن يوفر معلومات بشأن النفاذية وأنواع الصخور. هنا ، تم استخدام العديد من نماذج التعلم الآلي (ML) لبيانات الاسترخاء NMR T2 للتنبؤ بالنفاذية. تم استخدام عدة أنواع من الصخور مثل الحجر الرملي (الصافي والنظيف) والكربونات (الحجر الجيري والدولوميت والطباشير) في هذه الدراسة ، بما في ذلك صخور النتوءات والخزانات. علاوة على ذلك ، تغطي المقابس الأساسية مجموعة كبيرة من بيانات المسامية والنفاذية للتحقق من تأثيرها على توزيع وقت استرخاء T2 لكل نوع صخر. تم إجراء القياسات باستخدام آلة تعمل بتردد Larmor ~ 2 ميجاهرتز (أي نفس أدوات تسجيل الخط السلكي). بالإضافة إلى قياسات وقت الاسترخاء T2 ، أجريت تجارب مسامية الغاز والنفاذية في جميع العينات كطرق تقليدية للتحقق من صحة المخرجات. تقنيات ML تتضمن ثلاث طرق مختلفة للشبكات العصبية الاصطناعية (ANN) مثل التغذية إلى الأمام العكسي (FFNN) ، التعاقب الأمامي (CFNN) ، (ELMNN). تم اختيار العديد من معلمات الإدخال لتدريب نماذج ML مثل التوزيع الكامل لوقت الاسترخاء T2 والمتوسط اللوغاريتمي (T2LM) وذروة T2 والمدى والمنطقة الواقعة تحت المنحنى. كانت مخرجات نماذج ML هي النفاذية ونوع الصخور. أظهرت النتائج أن الشبكة العصبية من نوع Elman بتقنية الانتشار العكسي لتنظيم Bayesian يمكن أن تتنبأ بالنفاذية كدالة للمدخلات. أثبت النموذج المطور أيضًا أنه يعمل بشكل أفضل من نماذج الشبكة العصبية السابقة المستخدمة في الأدبيات ونماذج الانحدار والارتباطات التجريبية مثل نماذج SDR و Timur-Coates. تم استخدام معامل الارتباط (CC) ومعامل التحديد (R2) لقياس دقة النموذج وللمقارنة مع النماذج الأخرى.

English Abstract

Nuclear Magnetic Resonance (NMR) data is a useful tool to evaluate the essential petrophysical properties such as porosity, permeability, saturation, wettability, pore, and pore throat size. T2 relaxation time is the NMR industry-standard measurement because it is fast and provides valuable information. For a single-phase saturated core plugs, the pore size distribution is reflected in the T2 relaxation time distribution, which can offer information regarding permeability and rock types. Here, several machine learning (ML) models were employed to NMR T2 relaxation data to predict the permeability. The full T2 spectrum was used for the first time which allowed to benefit from all information associated with the data. The model accuracy was enhanced and better results were achieved. Several rock types such as sandstone (clean, and shaly), and carbonates (limestone, dolomite, and chalk) were used in this study, including outcrop and reservoir rocks. Furthermore, the core plugs cover a wide range of porosity and permeability data to investigate their effect on the T2 relaxation time distribution for each rock type. The measurements were carried out utilizing a machine operating at Larmor frequency ~ 2 MHz (i.e. same as the wireline logging tools). In addition to the T2 relaxation time measurements, gas porosity and permeability experiments were performed in all samples as conventional methods to validate the outputs. ML techniques including three different methods of Artificial Neural Networks (ANN) such as the feed-forward backpropagation (FFNN), cascade-forward (CFNN), Elman (ELMNN). Several input parameters were selected to train ML models such as the entire T2 relaxation time distribution, T2 logarithmic mean (T2LM), T2 peak, range, and area under curve. The outputs of ML models were permeability and rock type. The results showed that the Elman type neural network with Bayesian regularization back-propagation technique could predict the permeability as a function of the inputs, as mentioned above. The developed model also proved to work better than the previously neural network models used in literature, regression models, and empirical correlations such as SDR and Timur-Coates models. Correlation coefficient (CC) and Coefficient of determination (R2) as well as the Root mean square error (RMSE) were used to measure the accuracy of the model and to benchmark versus other models. Model accuracy of 0.97 CC, 0.94 R2 and 0.92 RMSE was achieved using the two step ensemble permeability prediction model. The rock typing model accuracy reached 90% of accurate Petrophysical rock types. The pore throat size prediction model accuracy of 0.985 CC, 0.97 R2 and 0.016 RMSE.

Item Type:	Thesis (Masters)
Subjects:	Engineering Earth Sciences Petroleum Petroleum > Reservoir Characterization Petroleum > Well Logging Petroleum > Rock and Fluid Properties
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Mahmoud, Mohamed
Committee Members:	AL Shehri, Dhafer and Elhusseiny, Ammar
Depositing User:	EMAD MOHAMMED (g201905850)
Date Deposited:	29 Jun 2022 08:39
Last Modified:	29 Jun 2022 08:39
URI:	http://eprints.kfupm.edu.sa/id/eprint/142176