原会议日期：2022 年 5 月 5 日
涵盖的主题：图形生成器、模型筛选、神经网络
演讲者：彼得·波利托（@peter_polito），高级系统工程师
数据：IODP Expd。 308—— https://mlp.ldeo.columbia.edu/data/timeline/html/308.html GC955 - https://brg.ldeo.columbia.edu/data/ghp/JIP2/GC955-H/index.html ? https://brg.ldeo.columbia.edu/data/ghp/JIP2/GC955-H/index.html？
孔隙压力的概念有点像月相——大多数人都知道有月相，它们大约一个月长，有新月、满月等等，但如果你问别人解释为什么有阶段，大多数人会有点卡住。 孔隙压力是广为人知的，大多数地球科学家都可以谈论它，但如果你开始问更复杂的问题，我们会有点困惑。 了解孔隙压力非常重要，有人可能会说，在勘探与生产组织收集的所有数据类型中，孔隙压力是应该广泛共享的数据。 我们知道的越多，我们能理解的越多，我们的预测模型就会越好，钻井作业也会越安全。
在本期 JMP in the Upstream 中，我们深入探讨了孔隙压力的概念、为什么它在钻井中很重要、如何轻松可视化以及如何预测它。 演讲者 Peter Polito 使用来自 IODP Expedition 308 和 GC955 的 GOM^2 钻井作业的数据来介绍这些方法。 他从三口井（两口在 Ursa 盆地，一口在 Brazos-Trinity 地区）提取孔隙度、伽马、密度和电阻率测井，使用 XGBoost、Boosted Tree 和 Boosted Neural Networks (BNN) 构建三个独特的预测模型。 尽管 Boosted NN 的 R^2 值较低，但与实际孔隙压力相比，BNN 提供了更稳定的预测。 当应用于剩余的四口井（一口在 Ursa 盆地，两口在 Brazos-Trinity 地区，一口在 GC955）时，结果好坏参半。 对于孔隙压力增加相当稳定的井，模型表现得非常好。 然而，一小部分井在深度处有高压冲击，这两种模型都无法处理，而且 GC955 是一个如此不同的地质环境，模型的表现非常糟糕——井更深，遇到不同的地质情况，并且有丰富的甲烷水合物。 虽然是模型构建的一个很好的练习，但彼得表明，为了提高模型质量，需要额外的数据。
图1。 U1324A 处的超孔隙压力，测井工具在 480 m 附近遇到较大的孔隙压力反冲（蓝线），但现场孔隙压力测量（黑点）表明整个深度都处于超压状态。
图 2。 三个预测模型与 U1324A 测量压力的比较。 XGBoost（蓝色）是最嘈杂的增强神经网络（绿色），同时具有最低的 R2，没有大的不准确的压力峰值，增强树（红色）位于中间。
很棒的博客和会议！ 我很高兴能在秋天重新振作起来！
