原定會議日期：2022 年 5 月 5 日
涵蓋的主題：圖形生成器、模型篩選、神經網絡
講者：彼得·波利托（@peter_polito），資深系統工程師
資料：IODP 擴充。 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，以及介於兩者之間的東西，但如果你問某人解釋為什麼有幾個階段，大多數人都會陷入困境。 孔隙壓力是眾所周知的，大多數地球科學家都可以廣為人知地談論它，但如果你開始問更複雜的問題，我們就會有點困惑。 理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資料類型中，孔隙壓力是應該廣泛共享的資料之一。 我們知道的越多，理解的就越多，我們的預測模型就會越好，鑽井作業就會越安全。
在 JMP 上游的這一集中，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，以及最後如何預測它。 演講者 Peter Polito 使用來自 IODP Expedition 308 和 GC955 的 GOM^2 鑽井作業的資料來示範這些方法。 他從三口井（兩口在Ursa 盆地，一口在Brazos-Trinity 地區）提取孔隙度、伽瑪、密度和電阻率測井數據，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。 當應用於其餘四口井（一口位於 Ursa 盆地、兩口位於 Brazos-Trinity 地區、一口位於 GC955）時，結果好壞參半。 對於孔隙壓力增加相當穩定的井，模型表現非常好。 然而，一小部分井在深度處存在高壓衝擊，這兩種模型都無法處理，而且GC955 的地質環境如此不同，因此該模型的表現非常差- 該井更深，遇到不同的地質情況，並且具有豐富的甲烷水合物。 雖然這是模型構建的一個很好的練習，但 Peter 表明，為了提高模型質量，需要額外的數據。
圖1。 U1324A 處存在超孔隙水壓力，測井工具在 480 m（藍線）附近遇到大孔隙壓力突跳，但現場孔隙壓力測量（黑點）顯示整個深度都處於超壓狀態。
圖 2. 三種預測模型與 U1324A 處測量壓力的比較。 XGBoost（藍色）是噪音最大的增強神經網路（綠色），同時具有最低的 R2，沒有大的不準確的壓力尖峰，增強樹（紅色）落在中間。
很棒的博客和會議！ 我很高興能在秋天再次撿起東西！
