Alqarawi, Abdulhamid (2026) Characterizing Carbonate Buildups Using Ai Driven Techniques: a Case From the Loppa High, Norwegian Barents Sea. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis Abdulhamid Final Submission V3.pdf Restricted to Repository staff only until 23 June 2027. Download (5MB)

Arabic Abstract

تُعد التراكمات الكربوناتية من المكامن البترولية المربحة على نطاق واسع، كما تُعتبر هذه التراكمات شائعة في منصات الكربونات القديمة العائدة للعصر الباليوزوي. في منطقة مرتفعات لوبّا، تظهر هذه التراكمات بشكل واسع ضمن المكعب الزلزالي ثلاثي الأبعاد، لا سيما داخل متكّون أورن الذي يعود إلى العصرين الكربوني والبرمي. تهدف هذه الدراسة إلى تعميق الفهم لسلوك هذه التراكمات الكربوناتية من خلال تطبيق تقنيات متقدمة مدعومة بالذكاء الاصطناعي، بالاعتماد على بيانات مستخلصة من بئر استكشافي واحد داخل المكعب الزلزالي ثلاثي الأبعاد. بدأت عملية البحث بالكشف الدقيق عن هياكل التراكمات الكربوناتية من خلال تتبع الأسطح الزلزالية، وقد تم دعم هذا التفسير بدمج عدة خصائص جيوفيزيائية، حيث لوحظ ارتباط واضح بين السعات الزلزالية العالية وهذه التراكمات. بعد ذلك، تم استخراج الأجسام الجيولوجية بناءً على هذا التحديد، اعتمادًا على كل من الشكل البنيوي وارتفاع قيمة السعة الجذرية المتوسطة، مما عزز من احتمالية وجود التراكمات. ثم طُبِّقت تقنيات إحصائية مكانية لنقل قيم المسامية من البئر الوحيد إلى التراكمات المحددة داخل المكعب الزلزالي. وقد ساعد دمج بيانات المسامية مع الخصائص الجيوفيزيائية في تعزيز القدرة على توصيف جودة المكمن في هذه التراكمات، مما أتاح فهماً أشمل لإمكاناتها كمكامن للنفط والغاز. في هذه الدراسة، تم استخدام تقنيات ذكية غير خاضعة للتوجيه اليدوي بهدف تحسين الكشف عن التراكمات الكربوناتية وتحديد أنماط الرواسب داخل البيانات الزلزالية. وقد استُخدمت أربع طرق ضمن الذكاء الاصطناعي جميعها ضمن برامج جاهزة، حيث تم إدخال بيانات الزلازل فقط، وتمكنت هذه الطرق من تحديد الأنماط والسمات المرتبطة بالترسيب الجيولوجي بشكل تلقائي، مما قلّل من الحاجة إلى التفسير اليدوي. وقد أظهرت النتائج التي تم الحصول عليها من هذه الأساليب توافقًا كبيرًا مع نتائج الطرق اليدوية التقليدية، مما يدل على كفاءتها في تحديد الهياكل الجيولوجية تحت السطح بدقة. لم تقتصر فائدة هذه الأدوات الذكية على تسريع عملية التفسير، بل قدّمت أيضًا وسيلة موضوعية قابلة للتكرار لتحليل البيانات الزلزالية المعقدة. ويتماشى هذا النهج مع نتائج دراسات سابقة أثبتت فعالية طرق الذكاء الاصطناعي غير الموجه في تصنيف الوجوه الزلزالية، خاصةً في البيئات الجيولوجية المعقدة والمحدودة البيانات

English Abstract

Carbonate buildups are commonly recognized as valuable hydrocarbon reservoirs and are abundant features within ancient Paleozoic carbonate platforms. In the Loppa High, these buildups show extensive distribution throughout the 3D seismic volume, particularly within the Permo-Carboniferous Ørn Formation. This study aims to improve the understanding of carbonate buildup distribution, geometry, and reservoir potential through the application of advanced seismic interpretation software and AI-driven methods, expanding upon insights derived from a single drilled exploration well within the 3D seismic block. The investigative process began with detailed seismic horizon interpretation and the identification of carbonate buildup geometries within the Ørn Formation. This workflow was supported by the integration of multiple seismic attributes, where a strong relationship was observed between high seismic amplitudes, particularly Root Mean Square (RMS) amplitude, and carbonate buildup distribution. RMS amplitude, envelope, and sweetness attributes consistently highlighted similar buildup trends and behaved as a correlated amplitude-driven attribute group, whereas Relative Acoustic Impedance provided more independent lithologic and reservoir-related information. The subsequent step focused on geobody extraction based on the spatial relationship between buildup morphology and high-amplitude anomalies. The extracted geobodies revealed a heterogeneous carbonate system composed of both isolated mounded features and laterally connected ridge-like geometries. Geostatistical methods were then applied to propagate porosity values from the single exploration well throughout the extracted geobodies using seismic-guided trends. This integration of petrophysical and geophysical data improved the characterization of reservoir heterogeneity and demonstrated the influence of both depositional facies architecture and diagenetic overprint on porosity distribution. Following the manual interpretation workflow, unsupervised artificial intelligence (AI)-driven techniques were employed to enhance carbonate buildup detection and seismic facies classification. Four AI methods, including Neural Networks, K-Means clustering, Self-Organizing Maps (SOM), and Waveform Classification, were implemented as ready-to-use plugins within Petrel and PaleoScan software platforms. Using only seismic-derived inputs, these methods autonomously identified patterns corresponding to geological facies and buildup geometries, effectively complementing the manual interpretation. The ML-derived classifications showed strong spatial agreement with the manually interpreted geobodies, particularly between the SOM and K-Means approaches, increasing confidence in the robustness of the interpreted buildup distribution. Additional volumetric comparison between manually interpreted and ML-derived geobodies provided a quantitative validation layer beyond qualitative seismic interpretation alone. The application of unsupervised AI methods provided a more objective and reproducible framework for analyzing complex seismic datasets in data-limited carbonate systems. Overall, this study demonstrates that the integration of seismic interpretation, seismic attributes, petrophysical calibration, and AI-driven workflows provides an effective and scalable framework for the characterization of carbonate buildup systems and reservoir heterogeneity within the Loppa High, Norwegian Barents Sea. However, the study is constrained by limited well control and seismic resolution, which introduce uncertainty in facies interpretation and porosity propagation.

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences Petroleum Petroleum > Reservoir Characterization
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Thesis Advisor:	Ardiansyah Koeshidayatullah,
Thesis Committee Members:	John Humphrey,
Depositing User:	ABDULHAMID ALQARAWI
Date Deposited:	28 Jun 2026 06:49
Last Modified:	30 Jun 2026 09:21
URI:	https://eprints.kfupm.edu.sa/id/eprint/144617