MACHINE LEARNING PREDICTION OF NMR POROSITY IN CARBONATE RESERVOIRS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (G201704670 Master Thesis) G201704670_Hussain_Alhamood_Signed_Thesis.pdf - Published Version Restricted to Repository staff only until 16 September 2025. Download (8MB)

Arabic Abstract

مسامية الصخور من أهم الخصائص البتروفيزيائية التي تسخدم لتقدير كميات الهيدروكربون في مكامن النفط و الغاز، يتجلى ذلك في عدد الدراسات المنشورة التي تعمل على تقدير المسامية في المكامن، جزء كبير من المسامية في الصخور المترسبة تتواجد في الصخور الكربونية، لكن نظام المسامات في الصخور الكربونية يتميز بشدة التعقيد و ذلك لتنوع أحجام المسامات و اختلاف أشكال الصخور أثناء عملية الترسب، مما يجعل تقدير المسامية في مكامن الصخور الكربونية صعبا جدا، هنالك عدة مصادر شائعة لتقدير المسامية مثل عينات الحفر الجوفية أو تسجيل القياسات للآبار، عند مقارنة هذه المصادر يتضح وجود فارق كبير في جودة عملية تقدير المسامية عند استخدام أداة الرنين المغناطيسي النووي وذلك لعدم اعتمادها على معرفة نوع الصخور في المكمن، حيث أن أداة الرنين المغناطيسي تعتمد على حساب عدد ذرات الهيدروجين في الموائع الموجودة في الفراغات المسامية. هذه الدراسة تعمل على استخدام أساليب التعليم الآلي لتقدير المسامية الكلية لأداة الرنين المغناطيسي النووي، حيث تم استخدام 19735 عينة من البيانات من سجلات القياسات التقليدية للآبار كمصدر رئيسي للبيانات في هذه الدراسة، هذه السجلات تم استخراجها من عدة آبار تم حفرها في أحد حقول النفط في منطقة الشرق الأوسط، حيث تم تصنيف الجزء المغطى بالسجلات على أن هو مكمن للصخور الكربونية. الخطوات الأولى من الدراسة ركزت على تحليل البينات و إزالة المعلومات الغير صحيحة، بعد ذلك تم استخدام عشرة (10) خوارزميات من خورازميات التعليم الآلي لتطوير نظام يعمل على تقدير المسامية الكلية لأداة الرنين المغاطسيي النووي، بالاضافة إلى تطبيق عدد من الخطوات لتحسين عميلة التعليم للحصول على نتائج أفضل، تم قياس جودة التعليم واختبار النتائج باستخدام عدة معايير منها معامل الارتباط، و متوسط النسبة المئوية للخطأ المطلق، وجذر متوسط الخطأ المربع. النتائج بينت أن اثنتان من خورازميات التعليم الآلي وصلت لنتائج عالية من الدقة في تقدير المسامية من أداة الرنين المغناطيسي النووي، جودة النتائج وصلت إلى نسبة 97% من الدقة مع وجود نسبة خطأ بسيطة في تقدير المسامية، حيث بالامكان استخدام هذه الوسيلة لحساب و تقدير المسامية الكلية في الصخور الكربونية كحل بديل للوسائل التقلدية مما يقلل الاعتماد و الحاجة إلى هذه الوسائل، بالاضافة إلى ذلك، تم إنشاء طريقة عمل مبسطة لاستخدام خوارزميات التعليم الآلي لحساب المسامية بشكل خاص و الخصائص البتروفيزيائية بشكل عام. هذا البحث ييبن قدرة التعليم الآلي على حساب المسامية من أداة الرنين المغناطيسي النووي مما يشجع على استخدام هذه الوسيلة لحساب الخصائص البتروفيزيائية في صناعات النفط الغاز.

English Abstract

Porosity is an important petrophysical measurement that provides general evaluation to the hydrocarbon reservoirs. The number of studies for porosity prediction is an indication for its importance. Major percentage of porosity in sedimentary rocks exist in carbonate rocks. The pore system in carbonate rocks is very complex due to the existence of different pore sizes and rock geometry. This complexity creates challenges in the prediction of porosity in carbonate reservoirs. The common data sources for porosity prediction are mainly core samples and well logs data. The comparison between the well logs data illustrates a clear advantage for NMR tool in porosity prediction over the other porosity tools as NMR porosity is independent of lithology of the rock formation. NMR porosity tool principle is the estimation of the existing hydrogen atoms from the fluids in the pore space. This research is applying machine learning techniques to predict the total porosity estimated from Nuclear Magnetic Resonance (NMR) tool. 19735 data points from conventional well logs were used as the original set of data for this research. The data set is extracted from numerous wells that were drilled in an oil field located in the Middle East and the covered zone of the logs is identified to be from carbonate reservoir. Initial and focused data evaluation was conducted to assess the quality of the data and eliminate the outliers and invalid data points. A total of ten (10) machine learning algorithms were used to develop several machine learning models for total NMR porosity prediction. Additional stages of tuning and optimizing to the machine learning models were applied to enhance the results. The developed machine learning models’ evaluation criteria are correlation coefficient (R), average absolute percentage error (AAPE), and root mean square error (RMSE). The two machine learning algorithms random forest regressor and gradient boosting regressor delivered high accuracy result for the prediction of NMR porosity. The developed models for the algorithm have delivered prediction accuracy that reaches 97% with minor perdition error values. This solution can provide an alternative technique for the prediction of porosity in carbonate rocks and reduce the dependency on the traditional method of porosity prediction. Additional outcome of the study is a simplified workflow for utilizing machine learning algorithm to predict the total NMR porosity specifically and the petrophysical parameters in general. This research supports the utilization of machine learning models to predict NMR porosity. Moreover, it is an indication for the validity of using machine learning to estimate the petrophysical parameters in carbonate reservoirs and the petroleum industry in general.

Item Type:	Thesis (Masters)
Subjects:	Computer Petroleum > Reservoir Characterization Petroleum > Well Logging
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Mahmoud, Mohammed Naser-Aldeen
Committee Co-Advisor:	Abdulraheem, Abdulazeez
Committee Members:	Alshehri, Dhafer Abdullah and Gajbhiye, Rahul Narayanrao and Yan, Bicheng
Depositing User:	HUSSAIN ALHAMOOD (g201704670)
Date Deposited:	24 Sep 2024 05:48
Last Modified:	24 Sep 2024 05:48
URI:	http://eprints.kfupm.edu.sa/id/eprint/143058