原定会议日期：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 扩展。 308— https://mlp.ldeo.columbia.edu/data/timeline/html/308.html GC955— 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，以及介于两者之间的东西，但如果你问某人解释为什么有几个阶段，大多数人都会陷入困境。 孔隙压力是众所周知的，大多数地球科学家都可以广为人知地谈论它，但如果你开始问更复杂的问题，我们就会有点困惑。 理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之一。 我们知道的越多，理解的就越多，我们的预测模型就会越好，钻井作业就会越安全。
在 JMP 上游的这一集中，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，以及最后如何预测它。 演讲者 Peter Polito 使用来自 IODP Expedition 308 和 GC955 的 GOM^2 钻井作业的数据来演示这些方法。 他从三口井（两口在 Ursa 盆地，一口在 Brazos-Trinity 地区）提取孔隙度、伽玛、密度和电阻率测井数据，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。 当应用于其余四口井（一口位于 Ursa 盆地、两口位于 Brazos-Trinity 地区、一口位于 GC955）时，结果好坏参半。 对于孔隙压力增加相当稳定的井，模型表现非常好。 然而，一小部分井在深度处存在高压冲击，这两种模型都无法处理，而且 GC955 的地质环境如此不同，因此该模型的表现非常差 - 该井更深，遇到不同的地质情况，并且具有丰富的甲烷水合物。 虽然这是模型构建的一个很好的练习，但 Peter 表明，为了提高模型质量，需要额外的数据。
图1。 U1324A 处存在超孔隙水压力，测井工具在 480 m（蓝线）附近遇到大孔隙压力突跳，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. 三种预测模型与 U1324A 处测量压力的比较。 XGBoost（蓝色）是噪音最大的增强神经网络（绿色），同时具有最低的 R2，没有大的不准确的压力尖峰，增强树（红色）落在中间。
很棒的博客和会议！ 我很高兴能在秋天再次捡起东西！
