Data della sessione originale: 5 maggio2022
Argomenti trattati: Generatore di grafici, Screening di modelli, Reti neurali
Relatore: Peter Polito (@peter_polito), Suor Ingegnere di Sistemi
Dati: IODP esp. 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?
Il concetto di pressione interstiziale è un po' come le fasi lunari: la maggior parte delle persone sa che ci sono fasi, durano circa un mese, c'è una luna nuova, una luna piena e cose nel mezzo, ma se chiedi a qualcuno spiegare perché ci sono fasi, la maggior parte delle persone rimane un po' bloccata. La pressione interstiziale è ampiamente conosciuta e la maggior parte dei geoscienziati può parlarne in modo consapevole, ma se inizi a porre domande più complesse, diventiamo un po' perplessi. La pressione interstiziale è molto importante da comprendere, si potrebbe sostenere che di tutti i tipi di dati raccolti dalle organizzazioni E&P, la pressione interstiziale è l'unico bit di dati che dovrebbe essere ampiamente condiviso. Più sappiamo, più possiamo capire, migliori saranno i nostri modelli predittivi e più sicure saranno le operazioni di perforazione.
In questo episodio di JMP in the Upstream ci addentriamo nel concetto di pressione interstiziale, perché è importante nella perforazione, come visualizzarla facilmente e, infine, come prevederla. Il relatore Peter Polito utilizza i dati della spedizione IODP 308 e dell'operazione di perforazione GOM^2 al GC955 per esaminare questi metodi. Estrae i registri di porosità, gamma, densità e resistività da tre pozzi (due nel bacino dell'Orsa e uno nella regione di Brazos-Trinity) per costruire tre modelli predittivi unici utilizzando XGBoost, Boosted Tree e Boosted Neural Networks (BNN). Sebbene il valore R^2 sia inferiore per il Boosted NN, una volta confrontato con la pressione interstiziale effettiva, il BNN fornisce una previsione più stabile. Quando applicato ai quattro pozzi rimanenti (uno nel bacino dell'Orsa, due nella regione di Brazos-Trinity e uno a GC955) i risultati sono contrastanti. Per i pozzi che hanno un aumento della pressione interstiziale abbastanza stabile, i modelli si comportano molto bene. Tuttavia, una frazione dei pozzi ha avuto calci ad alta pressione in profondità, che nessuno dei modelli è in grado di gestire e GC955 è un'impostazione geologica così diversa, che il modello funziona molto male: il pozzo è più profondo, incontra una geologia diversa e ha un'abbondanza di metano idrato. Sebbene sia un ottimo esercizio nella costruzione di modelli, Peter mostra che per migliorare la qualità del modello sono necessari dati aggiuntivi.
Figura 1. Eccesso di pressione interstiziale a U1324A, dove gli strumenti di registrazione incontrano un grande calcio di pressione interstiziale intorno a 480 m (linea blu) ma le misurazioni della pressione interstiziale in situ (punti neri) suggeriscono che l'intera profondità è sovrapressione.
Figura 2. Confronto dei tre modelli predittivi rispetto alla pressione misurata a U1324A. XGBoost (blu) è la rete neurale potenziata più rumorosa e potenziata (verde), pur avendo l'R2 più basso, è priva di grandi picchi di pressione imprecisi, con l'albero potenziato (rosso) che cade nel mezzo.
Ottimo blog e sessione! Sono entusiasta di riprendere le cose in autunno!
