PETROPHYSICAL EVALUATION OF UNCONVENTIONAL RESERVOIR (SHALE GAS) UTILIZING ROCK PHYSICS AND MACHINE LEARNING APPROACHES. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF [FINAL Version] Dissertation - Nandito Davy (#202115270).pdf Restricted to Repository staff only until 22 January 2027. Download (11MB)

Arabic Abstract

تُظهر مكامن الغاز الصخري قدرة كبيرة على مستوى العالم، ويُعد فهم العوامل التي تحدد مناطق الحلاوة أمرًا أساسيًا لتقييم دقيق لفرص الاستكشاف. تشمل هذه العوامل الكربون العضوي الكلي (TOC) الذي يعكس نسبة المواد العضوية، ومؤشر الهشاشة المبني على المعادن (MBI) والصلابة التي ترتبط بسهولة التكسير، إضافة إلى تشبع الغاز (Sg) الذي يدل على وجود الهيدروكربونات. تعتمد العديد من الدراسات على سجلات الآبار، إما بطرق تجريبية أو باستخدام الذكاء الاصطناعي (AI) أو تعلم الآلة (ML) لتقدير هذه العوامل. كما تستخدم بعض الدراسات بيانات زلزالية مثل المعاملات المرنة المعكوسة أو الخصائص الزلزالية. مع ذلك، يبقى دمج المعرفة الجيولوجية والبتروفيزيائية مع أساليب الذكاء الاصطناعي أو تعلم الآلة أمرًا غير شائع. ويُظهر دمج القيود البتروفيزيائية والجيولوجية مع سجلات "التريبل كومبو" (الكثافة الحجمية ρb، وأشعة غاما، ومسامية النيوترون ϕN) داخل إطار تعلم الآلة تحسنًا في توقعات TOC والصلابة. ويتم الحصول على القيد البتروفيزيائي من تقاطع ϕN و ρb، والذي يساعد في المكامن التقليدية على التمييز بين طبقات الخزان وغير الخزان. أما في المكامن غير التقليدية، فيساعد هذا التقاطع على التمييز بين طبقات غنية بالمواد العضوية وأخرى غنية بالطين وغير منتجة. ويساهم هذا القيد في تحسين التوقعات بنسبة تصل إلى 13 بالمئة مقارنة بعدم استخدامه. وأظهرت القيود الجيولوجية المبنية على الوحدات الطبقية تحسنًا مشابهًا، بينما لم تُظهر القيود المعتمدة على الموقع الجغرافي تحسنًا يذكر. تُعرض قوالب فيزياء الصخور (RPTs) من خلال مخطط يربط بين معاملين مرنين، حيث يمكن ملاحظة اتجاه تغير جودة الخواص. فمثلًا، ارتفاع TOC يعني وجود مواد أكثر ليونة، مما يخفض سرعة الموجة الطولية (Vp) والكثافة الحجمية ρb وبالتالي يخفض ممانعة الموجة الطولية (Ip). لكن معرفة الاتجاه دون تحديد حد واضح للفصل بين الطبقات المنتجة وغير المنتجة لا يزال أمرًا غير شائع. وتُظهر قوالب فيزياء الصخور المحسّنة إحصائيًا مع تعلم الآلة قدرة كلا الأسلوبين على التمييز بين المناطق المنتجة وغير المنتجة وتحديد مناطق الحلاوة مما يقلل من عدم اليقين. وعلى الرغم من أن أداء RPT أقل من أداء تعلم الآلة، إلا أن قوالب فيزياء الصخور توفر قدرة أفضل على التفسير، بينما يقدم تعلم الآلة أداءً تنبؤيًا أعلى. ويُعد الجمع بين الأسلوبين مفيدًا. اعتمادًا على فكرة دمج الأساليب المعتمدة على البيانات مع المعرفة العلمية، جرى دمج نموذج فيزياء الصخور المعروف بنموذج الرمل الصلب في دالة الخسارة لشبكة متعددة الطبقات (MLP)، ليصبح ذلك منهجًا لتعلم الآلة مدعومًا بفيزياء الصخور (RPIML)، والذي أدى إلى تحسين الأداء في حالات الاستقراء الصعبة التي تتطلب قدرة أعلى على التعميم. ويُظهر مقارنة RPIML مع تعلم الآلة التقليدي غير المرتبط بالفيزياء تحسنًا واضحًا في الحالة نفسها، حيث يمكن للنموذج غير الفيزيائي أن يعطي قيم R2 سالبة، بينما يعطي النموذج المدعوم بالفيزياء قيم R2 إيجابية قوية. كما أن مقارنة سريعة مع منهج الفيزياء فقط تُظهر أداءً أقل بقليل من RPIML، مما يدل على أن دمج الفيزياء عنصر أساسي في إجراءات الذكاء الاصطناعي وتعلم الآلة. تُظهر الدراسات أن الجمع بين تعلم الآلة وعلم الجيولوجيا والبتروفيزياء وفيزياء الصخور يحسن النتائج ويعزز الأساس العلمي للعملية.

English Abstract

Shale gas reservoirs show strong potential worldwide, and understanding the quality factors that define sweet spots is essential for accurate prospectivity assessment. These factors include Total Organic Carbon (TOC), which reflects organic richness; Mineralogical-based Brittleness Index (MBI) and hardness, which relate to ease of fracturing; and Gas Saturation (Sg), which indicates hydrocarbon presence. Many studies use well logs, through either empirical methods or data-driven AI (Artificial Intelligence) or ML (Machine Learning), to estimate these factors. Some also use seismic data such as inverted elastic parameters or seismic attributes. However, integrating domain knowledge with AI or ML approaches remains uncommon. An effort to integrate petrophysical and geological constraints with triple combo logs (bulk density or ρb, gamma ray, and neutron porosity or ϕN) in the machine learning (ML) framework improves TOC and hardness predictions. The petrophysical constraint is obtained from the crossover between ϕN and ρb. In conventional reservoirs it helps to separate reservoir intervals from non-reservoir intervals. In unconventional reservoirs, this translates into differentiating between prospective organic-rich intervals and non-prospective clay-rich intervals. This petrophysical consideration improves the prediction by up to 13% compared to not using the constraint. Geological constraints based on stratigraphic units showed similar improvement, while geological constraints based on vicinity showed little to no improvement. Rock Physics Templates (RPTs) are represented by a crossplot between two elastic parameters, where the trend of increasing or decreasing quality factors can be observed. For example, an increase in TOC means the system has more soft materials, so both P wave velocity (Vp) and ρb decrease, and therefore P impedance (Ip) also decreases. However, knowing the trend without actually setting a threshold to separate prospective and non-prospective intervals is still uncommon. A statistically optimized RPT and ML show that both approaches can distinguish between prospective and non-prospective zones and can delineate sweet spots, which reduces uncertainty. Although RPT performance is lower than ML performance, RPTs offer better interpretability, while ML models offer better predictive performance. Combining the two is beneficial. Building on the idea of combining data-driven and domain-based approaches, a rock physics model, the stiff sand model, was integrated into the loss function of a Multilayer Perceptron (MLP), making it a Rock-Physics-Informed Machine Learning (RPIML) method, which improved performance in challenging extrapolation cases that require stronger generalization. Comparison of RPIML with traditional ML without physics shows a consistent improvement for the same extrapolation case, where the version without physics can produce negative R2, but when physics are included, it shows strong positive R2. A quick comparison of the physics-only approach falls slightly behind the RPIML, showing that integration of physics is vital for AI and ML procedures. The studies show that pairing ML with geology, petrophysics, and rock physics improves results and strengthens scientific grounding.

Item Type:	Thesis (PhD)
Subjects:	Computer Earth Sciences Research > Information Technology Research > Petroleum Math Physics Petroleum > Petroleum Reserves and Economics Petroleum > Reservoir Characterization Petroleum > Well Logging Petroleum > Rock and Fluid Properties
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	ElHusseiny, Ammar
Committee Members:	Waheed, Umair bin and Ayranci, Korhan and Mahmoud, Mohamed and Fawad, Manzar
Depositing User:	NANDITO DAVY (g202115270)
Date Deposited:	26 Jan 2026 05:49
Last Modified:	26 Jan 2026 05:49
URI:	http://eprints.kfupm.edu.sa/id/eprint/144049