Date de la session initiale : 5 mai 2022
Sujets abordés : Graph Builder, Model Screening, Neural Networks
Intervenant : Peter Polito (@peter_polito), Ingénieur systèmes principal
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?
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, une pleine lune et d'autres choses entre les deux, mais si vous demandez à quelqu'un de expliquer pourquoi il y a des phases, la plupart des gens restent un peu coincés. La pression interstitielle est largement connue et la plupart des géoscientifiques peuvent en parler en 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 affirmer que parmi 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 in the Upstream, nous abordons le concept de pression interstitielle, pourquoi elle est importante dans le forage, comment la visualiser facilement et enfin, comment la prédire. Le président Peter Polito utilise les données de l'expédition IODP 308 et de l'opération de forage GOM^2 à GC955 pour parcourir ces méthodes. Il extrait des 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 NN boosté, une fois comparée à la pression interstitielle réelle, le BNN fournit une prédiction plus stable. Lorsqu'ils sont appliqués aux quatre puits restants (un dans le bassin d'Ursa, deux dans la région de Brazos-Trinity et un au GC955), les résultats sont mitigés. Pour les puits présentant une augmentation de pression interstitielle assez stable, les modèles fonctionnent très bien. Cependant, une fraction des puits présentait des poussées de haute pression en profondeur, qu'aucun des deux modèles ne pouvait gérer et le GC955 est un environnement géologique tellement différent que le modèle fonctionne très mal : le puits est plus profond, rencontre une géologie différente et contient une abondance de méthane. hydrater. Bien qu'il s'agisse d'un excellent exercice de création de modèles, Peter montre que pour améliorer la qualité du modèle, des données supplémentaires sont nécessaires.
Figure 1. Pression interstitielle excessive à U1324A, où les outils de diagraphie rencontrent une pression interstitielle importante autour de 480 m (ligne bleue), mais les mesures de pression interstitielle in situ (points noirs) suggèrent que toute la profondeur est en surpression.
Figure 2. Comparaison des trois modèles prédictifs par rapport à la pression mesurée à U1324A. XGBoost (bleu) est le réseau neuronal le plus bruyant et boosté (vert) tout en ayant le R2 le plus bas, il est dépourvu de grands pics de pression inexacts, avec Boosted Tree (rouge) tombant au milieu.
Super blog et session ! J'ai hâte de reprendre les choses à l'automne !
