Date de la session initiale : 5 mai 2022
Sujets abordés : Graph Builder, Model Screening, Réseaux de neurones
Intervenant : Peter Polito (@peter_polito), Ingénieur principal des systèmes
Données : 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?
Le concept de pression interstitielle est un peu comme les phases de la lune - la plupart des gens savent qu'il y a des phases, elles durent environ un mois, il y a une nouvelle lune, la pleine lune et d'autres choses entre les deux, mais si vous demandez à quelqu'un de Explique Pourquoi il y a des phases, la plupart des gens sont un peu bloqués. La pression interstitielle est largement connue et la plupart des géoscientifiques peuvent en parler en toute connaissance de cause, mais si vous commencez à poser des questions plus complexes, nous devenons un peu déconcertés. La pression interstitielle est très importante à comprendre, on pourrait dire que de tous les types de données collectées par les organisations E&P, la pression interstitielle est la seule donnée qui devrait être largement partagée. Plus nous en savons, plus nous pouvons comprendre, meilleurs seront nos modèles prédictifs et plus les opérations de forage seront sûres.
Dans cet épisode de JMP dans l'Amont, nous plongeons dans le concept de pression interstitielle, pourquoi elle est importante dans le forage, comment la visualiser facilement et enfin, comment la prédire. Le conférencier Peter Polito utilise les données de l'expédition IODP 308 et de l'opération de forage GOM^2 au GC955 pour parcourir ces méthodes. Il extrait les journaux de porosité, de gamma, de densité et de résistivité de trois puits (deux dans le bassin d'Ursa et un dans la région de Brazos-Trinity) pour construire trois modèles prédictifs uniques utilisant XGBoost, Boosted Tree et Boosted Neural Networks (BNN). Bien que la valeur R^2 soit inférieure pour le Boosted NN, une fois comparé à la pression interstitielle réelle, le BNN fournit une prédiction plus stable. Lorsqu'il est appliqué aux quatre puits restants (un dans le bassin d'Ursa, deux dans la région de Brazos-Trinity et un à GC955), les résultats sont mitigés. Pour les puits qui ont une augmentation de pression interstitielle assez stable, les modèles fonctionnent très bien. Cependant, une fraction des puits avait des coups de pied à haute pression en profondeur, ce qu'aucun modèle ne pouvait gérer et GC955 est un contexte géologique si différent, que le modèle fonctionne très mal - le puits est plus profond, rencontre une géologie différente et a une abondance de méthane hydrater. Bien qu'il s'agisse d'un excellent exercice de construction de modèles, Peter montre que pour améliorer la qualité du modèle, des données supplémentaires sont nécessaires.
Figure 1. Excès de pression interstitielle à U1324A, où les outils de diagraphie rencontrent un grand coup de pied de pression interstitielle autour de 480 m (ligne bleue) mais les mesures de pression interstitielle in situ (points noirs) suggèrent que toute la profondeur est surpressée.
Figure 2. Comparaison des trois modèles prédictifs par rapport à la pression mesurée à U1324A. XGBoost (bleu) est le réseau de neurones le plus bruyant et boosté (vert) tout en ayant le R2 le plus bas, est dépourvu de grands pics de pression imprécis, avec Boosted Tree (rouge) tombant au milieu.
Super blog et session ! J'ai hâte de reprendre les choses à l'automne!
