A NOVEL MULTIDIMENSIONAL RESERVOIR CHARACTERIZATION WITH GENERATIVE ADVERSARIAL NETWORKS. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Compiled_Updated_Final_A_Rahman_KFUPM_Thesis_desertation_compressed.pdf - Submitted Version Restricted to Repository staff only until 21 December 2026. Download (15MB)

Arabic Abstract

يعد توصيف المكامن والنمذجة الجيولوجية ضروريين ل إ دارة الموارد تحت السطحية، بما في ذلك استرداد الهيدروكربونات واستكشاف الطاقة الحرارية ال أرضية واحتجاز ثاني أكسيد الكربون. تواجه ال أساليب التقليدية تحديات تتعلق بتعقيد التكوينات الجيولوجية وندرة البيانات والعلاقات غير الخطية في الطبقات تحت السطحية. تستكشف هذه ال أطروحة أطر الذكاء الاصطناعي والتعلم ال آلي لتحسين التنبؤ بخصائص المكامن، وتقدير درجة حرارة التكوين الساكنة، واستكمال بيانات تسجيل ال آبار، واكتشاف الشذوذ، وترجمة الخصائص الجيولوجية. تناولت الدراسة أو لًا تقنيات التعلم ال آلي لتوقع الخصائص البتروفزيائية مثل المسامية وحجم الطين وتشبع الماء في حوض بحر الشمال الرسوبي. تم تدريب نماذج التعلم ال آلي، بما في ذلك الشبكات العصبية الاصطناعية والغابات العشوائية، على 512,23 نقطة بيانات بئرية، وحققت دقة تصل كما تم تطوير نموذج للتنبؤ بدرجة حرارة التكوين الساكنة في حقول الطاقة الحرارية ال أرضية، حيث تفوق نموذج الغابات العشوائية .²R إلى 59.0 على الشبكات العصبية الاصطناعية، وحقق 7.0 التسلسلية لتوليد بيانات التسجيل الاصطناعية NAG لمعالجة الفجوات في بيانات تسجيل ال آبار وتعزيز تقييم المكامن، تم تطبيق شبكات تصل ²R أدا ءً متفو قًا في استكمال البيانات، محقق ةً قيم NAG ecneuqes و NAG seires emit واستكمال البيانات المفقودة. أظهرت نماذج إلى 129.0 و 998.0 ، متفوقة على أساليب التعلم العميق التقليدية. كما تم استخدام الشبكات التوليدية التنافسية الجماعية لاكتشاف الشذوذ في . 1 بين 76.0 و 97.0 F حيث تراوحت قيم ،sledoM erutxiM naissuaG سجلات ال آبار، متفوقة على نماذج الذي حقق 78 ،TPGemiT كما تناول البحث استخدام نماذج المحولات لتوقع بيانات تسجيل ال آبار باستخدام ومميز teN-U أخي رًا، تم تقديم إطار يعتمد على الشبكات التوليدية التنافسية الشرطية لترجمة الخصائص الجيولوجية مباشرة. باستخدام مولد يتيح النموذج نمذجة جيولوجية عالية الدقة دون الحاجة إلى توليد سيناريوهات متعددة. حيث حقق 89 ،NAGhctaP تسلط هذه ال أطروحة الضوء على إمكانات الذكاء الاصطناعي في النمذجة الجيولوجية، حيث أظهرت أن تقنيات التعلم ال آلي، والشبكات التوليدية التنافسية، ونماذج المحولات، تعزز بشكل كبير من دقة التنبؤ وتقدير الموارد وتقليل عدم اليقين. تقدم هذه النتائج منهجيات جديدة لتوصيف المكامن، ونمذجة الطاقة الحرارية ال أرضية، وتحليل بيانات تسجيل ال آبار، مما يعزز تطبيقات الذكاء الاصطناعي في علوم ال أرض.

English Abstract

Reservoir characterization and geological modeling are essential for subsurface resource management, including hydrocarbon recovery, geothermal exploration, and CO2 sequestration. However, traditional approaches face challenges due to geological complexity, data scarcity, and non-linear subsurface relationships. This thesis explores multiple artificial intelligence and machine learning frameworks to improve reservoir property prediction, static formation temperature estimation, well log imputation, anomaly detection, and property-to-property translation. The study first investigates machine learning techniques for predicting petrophysical properties such as porosity, shale volume, and water saturation in the North Sea sedimentary basin. Supervised and unsupervised models, including artificial neural networks and random forests, were trained on 32,215 well log data points, achieving R² values up to 0.95. Additionally, a model for static formation temperature prediction in geothermal fields was developed, comparing artificial intelligence and non-artificial intelligence methods. The random forest model outperformed artificial neural networks, achieving a mean absolute error of 0.7% and a root mean square error of 0.9%. To address missing well log data and enhance reservoir evaluation, sequence-based generative adversarial networks were applied for synthetic well log data generation and imputation. The time series GAN and sequence GAN models demonstrated superior performance in filling data gaps, achieving R² values of 0.921 and 0.899, surpassing traditional deep learning methods. Furthermore, ensemble GANs were utilized for anomaly detection in well logs, outperforming Gaussian mixture models across multiple datasets, with F1 scores ranging from 0.67 to 0.79. The thesis also explores transformer-based architectures for zero-shot well log forecasting using TimeGPT, which achieved 87% correlation coefficient and 93% anomaly detection accuracy, showcasing its adaptability across different well log datasets without retraining. Finally, a conditional generative adversarial network-based framework was introduced for direct property-to-property translation in reservoir geomodeling. Using a U-Net generator and PatchGAN discriminator, the model enables high-fidelity geological modeling without multiple realizations. The framework achieved 98% pixel accuracy and 0.97 frequency-weighted intersection over union in facies-to-water saturation translation, along with strong performance in porosity prediction (mIoU = 0.50) and permeability modeling (FWIoU = 0.60). This thesis highlights the potential of artificial intelligence in subsurface modeling, demonstrating that machine learning, generative adversarial networks, and transformer models significantly improve predictive accuracy, resource estimation, and uncertainty reduction. The findings provide new methodologies for reservoir characterization, geothermal modeling, and well log analysis, advancing AI-driven geoscience applications.

Item Type:	Thesis (PhD)
Subjects:	Computer Earth Sciences Physics Petroleum > Reservoir Characterization Petroleum > Well Logging Petroleum > Reservoir Modelling and Simulation
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Kaka, Ismail Ebrahim San Linn
Committee Co-Advisor:	Koeshidayatuallah, Ardiansyah
Committee Members:	Kaminski, Michael and Abdulraheem, Abdulaziz and Mukerji, Tapan
Depositing User:	ABDULRAHMA AL-FAKIH (g202103050)
Date Deposited:	21 Dec 2025 12:17
Last Modified:	21 Dec 2025 12:17
URI:	http://eprints.kfupm.edu.sa/id/eprint/143815