Áp dụng học máy có giám sát để phân loại tướng thạch học cho vỉa khí-condensate có tính chất thủy động lực học phức tạp tại bể Nam Côn Sơn
Tóm tắt
Việc kết hợp vật lý đá và nghịch đảo đia chấn có thể đánh giá một cách định lượng và phân dị các đặc tính vỉa. Tuy nhiên, các thuộc tính thu được đôi khi không phải là một chỉ báo hoàn hảo cho các thông tin cụ thể như thạch học hoặc độ bão hòa do các hạn chế về mặt công nghệ. Mỗi thuộc tính thường thể hiện sự kết hợp của nhiều đặc điểm địa chất và do đó có thể dẫn đến các minh giải chủ quan và chỉ cung cấp được kết quả định tính. Trong khi đó, học máy đang nổi lên như một nhà minh giải độc lập có thể tổng hợp đồng thời tất cả các tham số, tránh được việc phụ thuộc vào các giá trị ngưỡng không chắc chắn và phân loại khách quan các tướng thạch học dựa trên độ chính xác của kết quả.
Trong bài báo này, nhiều thuật toán phân loại bao gồm máy vectơ hỗ trợ (SVM), rừng ngẫu nhiên (RF), cây quyết định (DT), K-láng giềng gần nhất (KNN), hồi quy logistic, Gaussian, Bernoulli, Naïve Bayes đa thức và phân tích biệt thức tuyến tính được sử dụng trên các thuộc tính địa chấn để dự đoán tướng thạch học. Đầu tiên, tất cả các điểm dữ liệu của năm thuộc tính địa chấn gồm trở kháng âm, Lambda-Rho, Mu-Rho, mật độ (ρ) và tỷ số vận tốc sóng dọc trên vận tốc sóng ngang VpVs trong bán kính 25 mét và khoảng cách 25 mét trên và dưới vỉa được trích xuất theo quỹ đạo 4 giếng khoan để tạo ra bộ dữ liệu. Các phương pháp xác nhận chéo và tìm kiếm lưới được thực hiện trên bốn thuật toán tiềm năng nhất để tối ưu hóa các tham số cho mỗi thuật toán và tránh tình trạng quá khớp trong quá trình đào tạo. Cuối cùng, ma trận nhầm lẫn và độ chính xác được dùng để xác định mô hình tối ưu cho dự đoán tướng thạch học. Các mô hình máy học đã được áp dụng để dự đoán tướng thạch học cho một vỉa chứa phức tạp với diện tích 163 km2.
Từ góc độ phân loại, phương pháp rừng ngẫu nhiên đạt độ chính xác cao nhất với 0,907 so với máy vector hỗ trợ (0,896), K-láng giềng gần nhất (0,895) và cây quyết định (0,892). Hệ số tương quan là rất tốt tại các vị trí giếng khoan với 0,88 cho kết quả dự báo của rừng ngẫu nhiên so với độ dày cát thực tế. Về phân bố cát và sét, kết quả máy học cho dự báo hợp lý về mặt địa chất, ngay cả ở các vùng chưa được khoan và ở ranh giới của vỉa.
Các tài liệu tham khảo
Phạm Hoàng Duy, Hoàng Kỳ Sơn, Trần Ngọc Thế Hùng, và Trần Vũ Tùng, “Kết quả đo độ thấm bằng nhiều phương pháp khác nhau cho vỉa turbidite mỏ Hải Thạch, bể Nam Côn Sơn”, Tạp chí Dầu khí, Số 2, trang 35 - 44, 2019.
Pham Hoang Duy, Hoang Ky Son, Trinh Xuan Vinh, and Tran Vu Tung, “Condensate banking characterization and quantification of improvement from different mitigations using pressure transient analysis: A case study in Hai Thach field offshore Vietnam”, Offshore Technology Conference Asia, Kuala Lumpur, Malaysia, 2 - 6 November 2020. DOI: 10.4043/30142-MS.
Hoang Ky Son, Tran Vu Tung, Nguyen Ngoc Tan, Truong Tu Anh, Pham Hoang Duy, Tran Ngoc Trung, Trinh Xuan Vinh, and Ngo Tuan Anh, “Successful application of machine learning to improve dynamic modeling and history matching for complex gas-condensate reservoirs in Hai Thach field, Nam Con Son basin, offshore Vietnam”, SPE Symposium: Artificial intelligence - Towards a Resilient and Efficient Energy Industry, 18 - 19 October 2021. DOI: 10.2118/208657-MS.
Hoang Ky Son, Tran Vu Tung, Nguyen Ngoc Tan, Truong Anh Tu, Pham Hoang Duy, Tran Ngoc Trung, Trinh Xuan Vinh, and Ngo Tuan Anh, “Successful case study of machine learning application to streamline and improve history matching process for complex gas-condensate reservoirs in Hai Thach field, offshore Vietnam”, SPE Middle East Oil & Gas Show and Conference, 29 November 2021. DOI: 10.2118/204835-MS.
Leila Aliouane, Sid-Ali Ouadfeul, Nouredine Djarfour, and Amar Boudella, “Lithofacies prediction from well logs data using different neural network models”, Proceedings of the 2nd International Conference on Pattern Recognition Applications and Methods (PRG-2013), 2013. DOI: 10.5220/0004380707020706.
Paolo Bestagini, Vincenzo Lipari, and Stefano Tubaro, “A machine learning approach to facies classification using well logs”, SEG Technical Program Expanded Abstracts 2017. DOI: 10.1190/segam2017-17729805.1.
Jing Jing Liu and Jian Chao Liu, “Integrating deep learning and logging data analytics for lithofacies classification and 3D modeling of tight sandstone reservoirs”, Geoscience Frontiers, Vol. 17, No. 1, 2022. DOI: 10.1016/j.gsf.2021.101311.
Randall S. Miller, Skip Rhodes, Deepak Khosla, and Fernando Nino, “Application of artificial intelligence for depositional facies recognition - Permian basin”, Unconventional Resources Technology Conference, Denver, Colorado, USA, 22 - 24 July 2019. DOI: 10.15530/urtec-2019-193.
Tran Vu Tung, Ngo Huu Hai, Hoang Ky Son, Tran Ngoc The Hung, and Joseph J. Lambiase, “Depositional facies prediction using artificial intelligence to improve reservoir characterization in a mature field of Nam Con Son basin, offshore Vietnam”, Offshore Technology Conference Asia, Kuala Lumpur, Malaysia, 2 - 6 November 2020. DOI: 10.4043/30086-MS.
Hiren Maniar, Srikanth Ryali, Mandar S. Kulkarni, and Aria Abubakar, “Machine learning methods in geoscience”, SEG Technical Program Expanded Abstracts 2018. DOI: 10.1190/segam2018-2997218.1.
Seth Brazell, Alex Bayeh, Michael Ashby, and Darrin Burton, “A machine-learning-based approach to assistive well-log correlation”, Petrophysics, Vol. 60, No. 4, pp. 469 - 479, 2019. DOI: 10.30632/PJV60N4-2019a1.
Satinder Chopra and Kurt J. Marfurt, “Seismic facies characterization using some unsupervised machine learning methods”, SEG Technical Program Expanded Abstracts 2018. DOI: 10.1190/segam2018-2997356.1.
Vladimir Puzyrev and Chris Elders, “Unsupervised seismic facies classification using deep convolutional autoencoder”, Geophysics, Vol. 87, No. 4, 2022. DOI: 10.1190/geo2021-0016.1.
Thilo Wrona, Indranil Pan, Robert L. Gawthorpe, and Haakon Fossen, “Seismic facies analysis using machine learning”, Geophysics, Vol. 83, No. 5, 2018. DOI: 10.1190/geo2017-0595.1.
1. Tác giả giao bản quyền bài viết (tác phẩm) cho Tạp chí Dầu khí, bao gồm quyền xuất bản, tái bản, bán và phân phối toàn bộ hoặc một phần tác phẩm trong các ấn bản điện tử và in của Tạp chí Dầu khí.
2. Bằng cách chuyển nhượng bản quyền này cho Tạp chí Dầu khí, việc sao chép, đăng hoặc sử dụng một phần hay toàn bộ tác phẩm nào của Tạp chí Dầu khí trên bất kỳ phương tiện nào phải trích dẫn đầy đủ, phù hợp về hình thức và nội dung như sau: tiêu đề của bài viết, tên tác giả, tên tạp chí, tập, số, năm, chủ sở hữu bản quyền theo quy định, số DOI. Liên kết đến bài viết cuối cùng được công bố trên trang web của Tạp chí Dầu khí được khuyến khích.
