Application of Time-Series and Advanced Machine Learning Techniques for Breakdown Pressure Estimation. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF MS_Thesis_Subhan Aliyev__Print.pdf - Accepted Version Restricted to Repository staff only until 21 May 2026. Download (5MB)

Arabic Abstract

أمرًا ضروريًا لتحسين عمليات التكسير الهيدروليكي، خاصة في (FBP (يُعد التنبؤ الدقيق بضغط االنهيار التكويني التكوينات الرملية التي تخضع لحقن سوائل مختلفة مثل الماء، وثاني أكسيد الكربون فوق الحرج، والنيتروجين. تهدف هذه الدراسة إلى تطوير نماذج تنبؤية متقدمة لمعالجة قيود المحاكاة العددية التقليدية وتحسين دقة تقدير ضغط االنهيار من خالل تقنيات التعلم اآللي والتنبؤ بالسالسل الزمنية. من خالل دمج بيانات الحقول، والمجموعات التجريبية، ونماذج المحاكاة العددية، توفر هذه الدراسة نهجًا شامالً لفهم التفا عالت الجيوميكانيكية المعقدة التي تؤثر على ضغط .االنهيار شملت الدراسة تحليل المعلمات التشغيلية والجيولوجية الرئيسية، مثل معدل الحقن، واللزوجة، وضغط االحتواء، واإلجهاد األفقي األدنى، وقوة الشد، والنفاذية، والمسامية. تم استخدام هذه البيانات لتدريب وتقييم نماذ ج التعلم اآللي، ذلك في بماTabNet و CatBoost وLightGBM و Kolmogorov-Arnold Network (KAN) والنماذج ثنائية االتجاه (LSTM (باإلضافة إلى ذلك، تم استخدام نماذج الذاكرة طويلة وقصيرة المدى .XGBoostو اللتقاط التغيرات الزمنية في ضغط االنهيار، مما يتيح التنبؤ في الوقت الفعلي. تم تقييم أداء النماذج (LSTM-Bi( ، حيث (²R (ومعامل التحديد (MAE (ومتوسط الخطأ المطلق (MSE (باستخدام معايير مثل متوسط مربع الخطأ .أعلى دقة تنبؤية، متفوقة على النماذج العددية التقليدية CatBoostو TabNet أظهرت نماذج أحد النتائج الرئيسية لهذه الدراسة هو التباين في تأثير العوامل المختلفة بين البيانات التجريبية وبيانات الحقول. في حين أشارت الدراسات السابقة إلى أن معدل الضغط، وحجم العينة، ونصف قطر البئر لها تأثير كبير على ضغط xviii االنهيار، فقد أظهرت هذه العوامل تأثيرًا ضئيالً في النماذج القائمة على بيانات الحقول. يبرز هذا التباين التحديات المرتبطة بتوسيع نطاق البيانات التجريبية لتطبيقات الحقول الحقيقية، ويؤكد على الحاجة إلى تطوير منهجيات محسنة لنقل نتائج المختبر إلى البيئات الميدانية. كما تقيم الدراسة قيود المحاكاة العددية التقليدية في تمثيل التعقيدات الميدانية، .مما يعزز أهمية دمج النماذج المستندة إلى البيانات للحصول على تنبؤات أكثر دقة يعمل دمج نماذج التنبؤ بالسالسل الزمنية على تعزيز دقة تقدير ضغط االنهيار، مما يوفر نهجًا ديناميكيًا للمراقبة في قدرتها على التقاط االتجاهات المتغيرة لضغط االنهيار مع LSTM الوقت الحقيقي. أظهرت النماذج المستندة إلى العمق، مما يؤكد إمكاناتها في تحسين عمليات التكسير الهيدروليكي. من خالل الجمع بين المحاكاة العددية، وبيانات الحقول، وتقنيات التعلم اآللي، توفر هذه الدراسة رؤى عملية لتحسين استقرار اآلبار، ومسارات التكسير، والكفاءة التشغيلية العامة في عمليات التكسير الهيدروليكي

English Abstract

Accurately predicting formation breakdown pressure (FBP) is essential for optimizing hydraulic fracturing operations, particularly in sandstone formations subjected to various injection fluids such as water, supercritical CO₂, and nitrogen. This research develops advanced predictive models to address the limitations of traditional numerical simulations and improve the accuracy of FBP estimation through machine learning and time-series forecasting techniques. By integrating field case data, experimentally collected datasets, and numerical simulation outputs, this study provides a comprehensive approach to understanding the complex geomechanical interactions influencing breakdown pressure. The study involved analyzing key operational and geological parameters, including injection rate, viscosity, confining pressure, minimum horizontal stress, tensile strength, permeability, and porosity. These variables were used to train and evaluate machine learning models, including TabNet, CatBoost, LightGBM, Kolmogorov-Arnold Network xv (KAN), and XGBoost. Additionally, long short-term memory (LSTM) and Bi-LSTM models were employed to capture temporal variations in breakdown pressure, enabling real-time forecasting. The models were assessed using metrics such as mean squared error (MSE), mean absolute error (MAE), and R², demonstrating that TabNet and CatBoost achieved the highest predictive accuracy, outperforming traditional numerical models. A key finding of this research is the discrepancy in influential parameters across experimental and field-scale datasets. While previous studies suggested that pressurization rate, sample size, and hole radius significantly affect breakdown pressure, these factors exhibited minimal impact in field-scale models. This highlights the challenge of scaling experimental insights to real-world applications and emphasizes the need for refined methodologies to improve the transferability of laboratory-derived findings. The study also evaluates the limitations of existing numerical simulations in capturing field-scale complexity, reinforcing the importance of integrating data-driven models for more reliable predictions. The integration of time-series forecasting further enhances breakdown pressure estimation, offering a dynamic approach for real-time monitoring. LSTM-based models effectively captured depth-varying breakdown pressure trends, demonstrating their potential for hydraulic fracturing optimization. By leveraging numerical simulations, field case data, and machine learning techniques, this research provides practical insights for improving wellbore stability, fracture propagation, and overall efficiency in hydraulic fracturing operations.

Item Type:	Thesis (Masters)
Subjects:	Computer Petroleum Petroleum > Reservoir Modelling and Simulation
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Al Shafloot, Talal
Committee Members:	Al Jawad, Murtada and Abdulraheem, Abdulaziz
Depositing User:	SUBHAN ALIYEV (g202314970)
Date Deposited:	22 May 2025 07:30
Last Modified:	22 May 2025 07:30
URI:	http://eprints.kfupm.edu.sa/id/eprint/143428