PREDICTION OF WATER SATURATION FROM WELL LOGS USING ARTIFICIAL INTELLIGENCE TECHNIQUES. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) MS_Thesis_Mohamed_Gad -Final31.pdf - Accepted Version Restricted to Repository staff only until 5 February 2024. Download (1MB)

Arabic Abstract

إن حساب المحتوى المائي بالخزانات الجوفية البترولية يلعب دورا حيويا في تقييم حجم الهيدروكربونات في الخزانات التحت سطحية، يؤدي حساب المحتوى المائي غير السليم إلى أخطاء ملحوظة في القرارات اللاحقة المتعلقة بالتطوير والإنتاج من الخزانات التجت سطحية. هناك العديد من الطرق لتقدير نسبة المحتوى المائي في الخزانات التحت سطحية بأنواعها المختلفة، ولكن الطرق الأكثر استخدامًا في مجال النفط هي تلك القائمة على النماذج البتروفيزيقية مثل معادلة (Archie’s equation, Waxman-Smith, Simandoux, Indonesia, and dual-water models). ولكن هناك بعض القيود والتحديات عند استخدام هذه المعادلات حيث تحتاج إلى تدقيق في حساب الثوابت الموجودة بها والتي تختلف من منطقة لأخرى وأحيانا لا تكون متاحة بسهولة وبالتالي قد يؤدي ذلك إلى الخطأ في حساب نسبة المحتوى المائي إما بالزيادة أو النقصان عما هي عليه. علاوة على ذلك، لا يزال العائق الرئيسي في هذه النهج بسبب اعتمادها على التجارب المعملية والتي عادة تكون مكلفة وتستغرق وقتًا طويلا. مع وجود طفرة ملحوظة في مجال الذكاء الاصطناعي وتقنيات تعلم الآلة ظهرت طرق وأنماط جديدة قد تلعب دورا رئيسيا في التغلب على التحديات القائمة الخاصة بالطرق المعتادة لحساب المحتوى المائي بالخزانات التحت سطحية وتظهر هذه الدراسة مدى قدرة تقنية التعلم الآلي على تقدير المحتوى المائي من سجلات الآبار التقليدية بجودة ودقة عالية مقارنة بنظيرتها المعتادة. وتناقش الطرق القائمة على الشبكة العصبية القائمة على الذكاء الاصطناعي وكيفية التنبؤ بالمحتوى المائي من المعلومات المتاحة من تسجيلات الابار دون اللجوء للتجارب العملية واخذ عينات صخرية من أعماق الخزانات التحت سطحية.

English Abstract

Water saturation is a parameter that helps evaluate the volume of hydrocarbon in reservoirs. Improper water saturation calculation leads to remarkable errors in the subsequent decisions related to the development and production from the reservoir. Several methods are available to estimate the water saturation in clean and shaly formations, but the most commonly used methods in the petroleum industry are those based on petrophysical models, such as Archie’s equation, Waxman-Smits, Simandoux, Indonesia and dual-water models. Unfortunately, these models have limitations, and their input parameters are often not readily available. Consequently, it leads to either underestimated or overestimated fluid saturations.Furthermore, the main impediment remains in these approaches due to their reliance on experimental analysis, which is costly and time-consuming. In this research, machine learning techcniques including artificial neutral networks (ANN), adaptive neuro-fuzzy interference system (ANFIS), function neural networks (FN), support vector machine (SVM), and random forests (RF) will be applied to predict the water saturation from well-logs of resistivity, gamma ray (GR), bulk formation density, sonic porosity and neutron porosity, in addition to the core data collected from five wells in Greece. These data will be used since it is usually affect/determine the water saturation. A portion of the data will be used for training the ML models, while others will be used for testing and validation of the trained models.

Item Type:	Thesis (Masters)
Subjects:	Computer Civil Engineering Civil Engineering > Water and Environmental Engineering Earth Sciences Research > Petroleum Petroleum Petroleum > Well Logging
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	bin Waheed, Umair
Committee Members:	Soupios, Pantelis and M. Elkatatny, Salaheldin
Depositing User:	MOHAMED GAD (g201703250)
Date Deposited:	07 Feb 2023 12:03
Last Modified:	07 Feb 2023 12:03
URI:	http://eprints.kfupm.edu.sa/id/eprint/142334