Cost Optimized Machine Learning For Predicting Permeability In Heterogeneous Carbonate Reservoirs. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Bayan_Aldahlawi_KFUPM_Thesis_25B.pdf Restricted to Repository staff only until 19 May 2027. Download (7MB)

Arabic Abstract

تُعد النفاذية عاملاً أساسياً يتحكم في جريان الموائع تحت السطح، كما أن تقديرها في المكامن الكربوناتية غير المتجانسة يُعد تحدياً خاصاً بسبب تعقيد أنظمة المسام وضعف موثوقية الطرق التجريبية التقليدية. تطوّر هذه الرسالة إطاراً من أربع مراحل للتعلّم الآلي للتنبؤ بالنفاذية في الصخور الكربوناتية اعتماداً على سجلات الآبار وبيانات اللباب في تكوين Formation-X باستخدام 2,284 عينة مواءمة عمقياً من سبعة آبار. تنشئ المرحلة الأولى أربعة متغيرات للبيانات من خلال الجمع بين استراتيجيتين لمعالجة القيم الشاذة وطريقتين للاستيفاء من أجل مواءمة منحنيات السجلات مع أعماق اللباب. تقيّم المرحلة الثانية خمسة عشر نموذج انحدار من خمس عائلات خوارزمية باستخدام تحقق متقاطع من سبع طيات مع ترك بئر واحد خارج التدريب، مع تحسين هجين للمعلمات الفائقة. وتتفوق طرائق التجميع الشجري باستمرار على العائلات الأخرى، ويظهر نموذج ExtraTrees على متغير البيانات القائم على الاستيفاء التكيفي بعد استبعاد القيم الشاذة بوصفه التهيئة الأقوى إجمالاً. تجري المرحلة الثالثة تقييماً شاملاً لعدد 8,192 مجموعة فرعية من السمات ضمن إطار تكلفة بديلة للاقتناء، وتستخدم تحليل SHAP لتفسير جبهة المفاضلة بين التكلفة والأداء. وتُظهر النتائج أن المسامية المشتقة من اللباب هي المتنبئ الأكثر هيمنة، وأن أفضل مجموعة فرعية مكوّنة من خمس سمات تحسن الأداء مقارنة بخط الأساس المقابل الذي يستخدم جميع السمات مع خفض عبء اقتناء سمات المسح. وتطبق المرحلة الرابعة تحققاً متداخلاً مع ترك بئر واحد خارج التدريب على التهيئات المختصرة، وتؤكد خط الأنابيب الموصى به بقيمة RMSElog = 0.659 ± 0.057 وقيمة R2 log = 0.683. وتبين هذه النتائج أن سير عمل مرحلي يجمع بين إعداد البيانات، ومقارنة النماذج، واختيار السمات المراعي للتكلفة، والتحقق غير المتحيز، يمكنه تقديم تنبؤ دقيق وعملي بالنفاذية في المكامن الكربوناتية، مع توضيح المفاضلة بين الاستخدام الأقل كلفة المعتمد على السجلات فقط والتنبؤ الأعلى أداءً المدعوم ببيانات اللباب. جرى إخفاء أسماء التكوينات والوحدات والمناطق الطبقية لأغراض السرية، مع الحفاظ على البنية الطبقية الأصلية.

English Abstract

Permeability is a key control on subsurface fluid flow and is especially difficult to estimate in heterogeneous carbonate reservoirs, where complex pore systems limit the reliability of traditional empirical methods. This thesis develops a four-phase machine learning framework for predicting carbonate permeability from wireline logs and core data in Formation-X using 2,284 depth-matched samples from seven wells. Phase 1 constructs four dataset variants by combining two outlier-flagging regimes with two interpolation schemes for aligning wireline curves to core depths. Phase 2 evaluates fifteen regression models from five algorithm families under seven-fold leave-one-well out cross-validation with hybrid hyperparameter optimization. Tree-based ensemble methods consistently outperform the other families, and ExtraTrees on the without outlier adaptive interpolation dataset variant emerges as the strongest overall configuration. Phase 3 performs exhaustive evaluation of 8,192 feature subsets under a surrogate acquisition-cost framework and uses SHAP analysis to interpret the resulting cost–performance frontier. The results show that core derived porosity is the dominant predictor and that the best cost-optimized six-feature subset improves on the corresponding full-feature baseline while reducing the sweep-feature acquisition burden. Phase 4 applies nested leave-one-well-out validation to the shortlisted configurations and confirms the recommended pipeline with RMSE log = 0.659 ± 0.057 and R2 log = 0.683. These findings show that a carefully staged workflow combining data preparation, model comparison, cost-aware feature selection, and unbiased validation can deliver accurate and practical permeability prediction for carbonate reservoirs while clarifying the trade-off between lower-cost wireline-only deployment and higher performance core-assisted prediction. Formation, member, and zone names have been anonymized for confidentiality; the original stratigraphic structure is preserved.

Item Type:	Thesis (Masters)
Subjects:	Computer Research Petroleum Petroleum > Petroleum Reserves and Economics Petroleum > Enhanced Oil Recovery Petroleum > Well Logging Petroleum > Rock and Fluid Properties
Department:	College of Computing and Mathematics > Information and Computer Science
Thesis Advisor:	Moayad Alnammi,
Thesis Committee Members:	Abdulazeez Abdulraheem, Irfan Ahmad,
Depositing User:	BAYAN ALDAHLAWI (g202317310)
Date Deposited:	20 May 2026 07:28
Last Modified:	20 May 2026 07:28
URI:	https://eprints.kfupm.edu.sa/id/eprint/144382