Data della sessione originaria: 5 maggio 2022
Argomenti trattati: Costruttore di grafici, Model Screening, Reti neurali
Relatore: Pietro Polito (@peter_polito), Ingegnere di sistemi senior
Dati: IODP Expd. 308— https://mlp.ldeo.columbia.edu/data/timeline/html/308.html CG955 — https://brg.ldeo.columbia.edu/data/ghp/JIP2/GC955-H/index.html?
Il concetto di pressione dei pori 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 intermedie, ma se chiedi a qualcuno di spiegare Perché ci sono delle fasi, la maggior parte delle persone rimane un po' bloccata. La pressione dei pori è ampiamente nota e la maggior parte dei geoscienziati può parlarne con cognizione di causa, ma se inizi a porre domande più complesse, rimaniamo 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 immergiamo 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 presso GC955 per illustrare 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 pozzi che hanno un aumento della pressione interstiziale abbastanza stabile, i modelli si comportano molto bene. Tuttavia, una frazione dei pozzi presentava colpi di alta pressione in profondità, che nessuno dei due modelli era 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 sotto pressione.
Figura 2. Confronto dei tre modelli predittivi rispetto alla pressione misurata a U1324A. XGBoost (blu) è la rete neurale più rumorosa e potenziata (verde) pur avendo l'R2 più basso, è priva di grandi picchi di pressione imprecisi, con Boosted Tree (rosso) che cade nel mezzo.
Ottimo blog e sessione! Sono entusiasta di riprendere le cose di nuovo in autunno!
