Data Analytics and End-to-End Machine Learning for 1D to 3D Reservoir Prediction: Volve Field, North Sea. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF MS_Thesis_Lundi_FINAL_8Jan_fullsignature.pdf Restricted to Repository staff only until 9 January 2024. Download (14MB)

Arabic Abstract

أدى التقدم الأخير في الذكاء الاصطناعي إلى نقلة لتحليل البيانات في مجال النفط والغاز. في علوم الأرض، سمحت تطبيقات الذكاء الاصطناعي بالتوصيف الجيولوجي من البداية إلى النهاية مع الحد من التدخل البشري ونمذجة خصائص المكامن من البعد الأول إلى البعد الثالث. تعد بيانات السحنة والمسامية أمثلة قليلة على مجموعة البيانات التي يمكن أن تستفيد من الخوارزميات المعتمدة على البيانات. ومع ذلك، فإن التوصيف الجيولوجي تحت السطح يعاني في كثير من الحالات من مجموعة سجل بيانات غير مكتملة ومحدودة التي تعوق التفسير الدقيق والقوي. بالإضافة إلى ذلك، فإن مجموعة البيانات المحدودة هذه تتفاقم بسبب استهلاك الوقت والمكلفة حسابيا ومتحيزة عند إجرائه يدويا وبأساليب جيولوجية إحصائية. في هذه الدراسة، تم استخدام مجموعة بيانات تحت سطح الأرض متاحة للعامة من حقل فولفي، بحر الشمال ودراستها بالتفصيل لتقييم جدوى خوارزميات التعلم الآلي لإجراء توصيف المكامن من البداية إلى النهاية. يتوفر عشرون بئرا مع قمم الآبار وسجلات الآبار الأساسية والبتروفيزيائية المرتبطة بها، بالإضافة إلى الخريطة الهيكلية للخزان العلوي. تم تنبؤ سجلات السحنات والمسامية في البعد الأول باستخدام التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف. وبالمثل ، تم اختبار وتقييم العديد من خوارزميات التعلم الآلي للتنبؤ بتوزيع السحنات والمسامية في البعد الثاني والثالث . وبالنسبة للأخيرة، استخدمت النماذج الجيولوجية الإحصائية للتحقق من صحة النماذج التي تعتمد على التعلم الآلي. تم تحليل ومعالجة البيانات مسبقا قبل أي عملية لاحقة. للتنبؤ بمسامية السجل المفقودة، تم استخدام الشبكة العصبية الاصطناعية (ANN) الوصول إلى معامل تحديد 0.95 R2 الذي تفوق على الخوارزميات الأخرى التي تم اختبارها. بالنسبة لتنبؤ السحنات ، تجاوزت الغابة العشوائية (RF) جميع الخوارزميات التي تمت محاولتها بما في ذلك الذاكرة طويلة المدى قصيرة المدى (LSTM) التي حققت دقة 0.84 وأعلى من 0.5 درجة f1 ولكنها انخفضت بشكل كبير في البئر الأعمى حيث حدث الإفراط في التركيب. كبديل، تم اقتراح تجميع k-mean الهرمي المتسلسل(KMC) ونتج عنه 3 سحنات التي وصفت بأنها رمال نظيفة وطين رملي ورمل طيني. تم إجراء تعلم جزئي تحت الاشراف حيث تم استخدام سحنات KMC في الغابة العشوائية RF والذاكرة طويلة المدى قصيرة المدى LSTM. أدت هذه الهندسة العكسية إلى دقة 0.85 وأكثر من 0.7 درجة f1، وبالتالي فإن تسمية السحنات الأصلية مقلقة بسبب عدم الاتساق. تم استخدام سحنات KMC للتنبؤ في البعد الثاني والثالث لاحقا و . تم تنفيذ التنبؤ في البعد الثاني ، SVM كان الخيار الأول للسحنات بدقة 0.96 وأعطى أفضل جيولوجيا حيث تم تحديد اتجاه ENE-WSW الذي يتماشى مع مفهوم الترسيب. تم اختبار KNN ونتج عنه معامل تحديد 1 R2 للتنبؤ بمسامية ثنائية الأبعاد مقيدة بالسحنات، متجاوزا الخوارزميات الأخرى، ولكنها لا تزال تعاني من مشكلة في التوزيع. عانى التعلم الآالي ML للتنبؤ بالبيانات في البعد الثالث ، حيث أعطى SVM دقة 0.77 للسحنات وكان استخدام KNN مقلق عند توزيع المسامية خارج الآبار. تم إنشاء المحاكاة المتسلسلة للإحصاءات الجيولوجية كحقيقة مطلقة حيث هناك حاجة إلى فاريوغرام تفسيري، والاتجاه. وتفوقت الإحصاءات الجيولوجية في احترام بيانات الآبار واحصائيات المسامية والسحنات. حقق التعلم الآلي MLتنبؤ مكاني ملحوظ بينما لا تزال عيوبه بارزة، وفي النهاية، لم يتمكن التعلم الآلي ML من التنافس الكامل مع الإحصاءات الجيولوجية.ضم سحنات التعلم الآلي ML في البعد الثالث مع محاكاة الاحصاءات الجيولوجية باستخدام سحنات التعلم الآلي ML في البعد الثالث كاتجاه اعطى أفضل نتيجة. وكان هذا الاتجاه بمثابة قيمة احتمالية للإحصاءات الجيولوجية لتوزيع السحنات . أصبحت الشبكة العصبية الاصطناعية ANN والغابة العشوائية RF الخيار الرئيسي لتنبؤ المسامية والسحنات في البعد الأول ، وفي الوقت نفسه، فإن KMC الهرمي المتسلسل هو أداة قوية مبتكرة لتجميع السحنات . الجمع بين ML SVM والإحصاء الجيولوجي هو أفضل علاج للتنبؤ في البعد الثالث. مع معرفة مخاوف التعلم الآلي ML، لا تزال هناك حاجة إلى استكشاف المزيد من الاحتمالات مع تطور تكنولوجيا الذكاء الاصطناعي بسرعة.

English Abstract

The recent advancement of artificial intelligence (AI) has transformed data analytics in oil and gas. In geosciences, the applications of AI allowed end-to-end geological characterization with minimum human intervention and modeling reservoir properties from 1D to 3D. Facies and porosity data are a few examples of dataset that could benefit from data-driven algorithms. However, in many cases, subsurface geological characterization suffers from incomplete and limited log datasets which hinder accurate and robust interpretation. In addition to that, these limited datasets are compounded by a time-consuming, computationally expensive, and biased analysis when performed manually and with geostatistical methods. In this study, a publicly accessible subsurface dataset from the Volve field, North Sea was utilized and studied in detail to assess the feasibility of machine learning (ML) algorithms to conduct end-to-end reservoir characterization. A total of 20 wells with well tops and associated basic and petrophysical well logs, along with the top reservoir structural map are available. 1D well log facies and porosity predictions were performed using supervised and unsupervised ML. Similarly, several ML algorithms were tested and evaluated to predict the distribution of facies and porosity in 2D and 3D space. For the latter, geostatistical models were used to validate the ML-driven models. Data analytics including data pre-processing was performed prior to any subsequent process. To predict missing log porosity, an artificial neural network (ANN) was used and reached 0.95 R2 which outperformed other algorithms tested. For facies prediction, random forest (RF) exceeded all algorithms attempted including long short-term memory (LSTM) that achieved 0.84 accuracy and above 0.5 f1-score but dropped significantly in the blind well where overfitting happened. As an alternative, sequent hierarchical k-mean clustering (KMC) was proposed and resulting three facies labels that were described as clean sand, shaly sand, and sandy shale. Semi-supervised approach was conducted where KMC facies was used in RF and LSTM. This reverse engineering led to 0.85 accuracy and more than 0.7 f1-score, hence the original facies label has inconsistency concerns. KMC facies was used for subsequent 2D and 3D prediction. The 2D prediction was executed, yielded SVM as the first choice for facies with 0.96 accuracy and gave the most prominent geology where the ENE-WSW trend is identified which is in line with the depositional concept. K nearest neighbors (KNN) was tested and resulted in 1 R2 to predict 2D porosity constrained by facies which surpassed other algorithms but still suffered from distribution issues. ML struggled to predict data in 3D, where SVM gave 0.77 facies accuracy and KNN had concerns when populating porosity outside wells. Geostatistics sequential simulations were generated as ground truth where interpretative variogram and trend are needed. Geostatistics excelled in respecting well data and facies or porosity statistics. ML for spatial prediction has achieved remarkable result while drawbacks are still prominent and, in the end, ML has not been able to fully compete with geostatistics. Reconciliation of 3D facies ML and geostatistics simulation by treating ML as a 3D facies trend provided superior results. The trend acted as a probability value to guide geostatistics facies distribution. ANN and RF become the main option for 1D porosity and facies prediction, meanwhile, sequent hierarchical KMC is an innovative powerful tool for facies clustering. A combination of ML SVM and geostatistics is the best treatment for 3D prediction. Knowing the ML concerns, further detail potential still needs to be explored as AI technology evolves fast.

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences Petroleum > Reservoir Characterization Petroleum > Reservoir Modelling and Simulation
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Koeshidayatullah, Ardiansyah
Committee Members:	Al-Ramadan, Khalid Abdulsamad and Isma'il Kaka, SanLinn
Depositing User:	LUNDI KUSUMA (g201901030)
Date Deposited:	10 Jan 2023 06:20
Last Modified:	10 Jan 2023 06:20
URI:	http://eprints.kfupm.edu.sa/id/eprint/142313