原會議日期：2022 年 5 月 5 日
涵蓋的主題：圖形生成器、模型篩選、神經網絡
演講者：彼得·波利托（@peter_polito），高級系統工程師
數據：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？
孔隙壓力的概念有點像月相——大多數人都知道有月相，它們大約一個月長，有新月、滿月等等，但如果你問別人解釋為什麼有階段，大多數人會有點卡住。 孔隙壓力是廣為人知的，大多數地球科學家都可以談論它，但如果你開始問更複雜的問題，我們會有點困惑。 了解孔隙壓力非常重要，有人可能會說，在勘探與生產組織收集的所有數據類型中，孔隙壓力是應該廣泛共享的數據。 我們知道的越多，我們能理解的越多，我們的預測模型就會越好，鑽井作業也會越安全。
在本期 JMP in the Upstream 中，我們深入探討了孔隙壓力的概念、為什麼它在鑽井中很重要、如何輕鬆可視化以及如何預測它。 演講者 Peter Polito 使用來自 IODP Expedition 308 和 GC955 的 GOM^2 鑽井作業的數據來介紹這些方法。 他從三口井（兩口在 Ursa 盆地，一口在 Brazos-Trinity 地區）提取孔隙度、伽馬、密度和電阻率測井，使用 XGBoost、Boosted Tree 和 Boosted Neural Networks (BNN) 構建三個獨特的預測模型。 儘管 Boosted NN 的 R^2 值較低，但與實際孔隙壓力相比，BNN 提供了更穩定的預測。 當應用於剩餘的四口井（一口在 Ursa 盆地，兩口在 Brazos-Trinity 地區，一口在 GC955）時，結果好壞參半。 對於孔隙壓力增加相當穩定的井，模型表現得非常好。 然而，一小部分井在深度處有高壓衝擊，這兩種模型都無法處理，而且 GC955 是一個如此不同的地質環境，模型的表現非常糟糕——井更深，遇到不同的地質情況，並且有豐富的甲烷水合物。 雖然是模型構建的一個很好的練習，但彼得表明，為了提高模型質量，需要額外的數據。
圖1。 U1324A 處的超孔隙壓力，測井工具在 480 m 附近遇到較大的孔隙壓力反沖（藍線），但現場孔隙壓力測量（黑點）表明整個深度都處於超壓狀態。
圖 2。 三個預測模型與 U1324A 測量壓力的比較。 XGBoost（藍色）是最嘈雜的增強神經網絡（綠色），同時具有最低的 R2，沒有大的不准確的壓力峰值，增強樹（紅色）位於中間。
很棒的博客和會議！ 我很高興能在秋天重新振作起來！
