Fecha original de la sesión: 5 de mayo de 2022
Temas tratados: Creador de gráficos, Cribado de modelos, Redes neuronales
Ponente: Peter Polito (@peter_polito), Ingeniero de Sistemas Sr.
Datos: IODP Exp. 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?
El concepto de la presión de los poros es un poco como las fases de la luna: la mayoría de la gente sabe que hay fases, duran aproximadamente un mes, hay luna nueva, luna llena y cosas intermedias, pero si le pides a alguien que explique por qué hay fases, la mayoría de la gente se atasca un poco. La presión de los poros es ampliamente conocida y la mayoría de los geocientíficos pueden hablar sabiamente al respecto, pero si comienza a hacer preguntas más complejas, nos quedamos un poco desconcertados. Es muy importante comprender la presión intersticial; se podría argumentar que, de todos los tipos de datos recopilados por las organizaciones de exploración y producción, la presión intersticial es el único dato que debe compartirse ampliamente. Cuanto más sepamos, cuanto más podamos entender, mejores serán nuestros modelos predictivos y más seguras serán las operaciones de perforación.
En este episodio de JMP en Upstream nos sumergimos en el concepto de presión intersticial, por qué es importante en la perforación, cómo visualizarla fácilmente y, por último, cómo predecirla. El orador Peter Polito usa datos de IODP Expedition 308 y la operación de perforación GOM^2 en GC955 para explicar estos métodos. Extrae registros de porosidad, gamma, densidad y resistividad de tres pozos (dos en Ursa Basin y uno en la región de Brazos-Trinity) para construir tres modelos predictivos únicos utilizando XGBoost, Boosted Tree y Boosted Neural Networks (BNN). Aunque el valor de R^2 es más bajo para el NN potenciado, una vez comparado con la presión intersticial real, el BNN proporciona una predicción más estable. Cuando se aplica a los cuatro pozos restantes (uno en Ursa Basin, dos en la región de Brazos-Trinity y uno en GC955), los resultados son mixtos. Para pozos que tienen un aumento de presión intersticial bastante estable, el modelo funciona muy bien. Sin embargo, una fracción de los pozos tuvo golpes de alta presión en profundidad, que ningún modelo pudo manejar y GC955 es un entorno geológico tan diferente que el modelo funciona muy mal: el pozo es más profundo, se encuentra con una geología diferente y tiene una gran cantidad de metano. hidratar. Si bien es un gran ejercicio en la construcción de modelos, Peter muestra que para mejorar la calidad del modelo, se necesitan datos adicionales.
Figura 1. Exceso de presión intersticial en U1324A, donde las herramientas de perfilaje encuentran un gran golpe de presión intersticial alrededor de 480 m (línea azul), pero las mediciones de presión intersticial in situ (puntos negros) sugieren que toda la profundidad está sobrepresionada.
Figura 2. Comparación de los tres modelos predictivos con la presión medida en U1324A. XGBoost (azul) es la red neuronal más ruidosa y potenciada (verde), aunque tiene el R2 más bajo, carece de grandes picos de presión imprecisos, con el árbol potenciado (rojo) en el medio.
Gran blog y sesión! ¡Estoy emocionado de retomar las cosas nuevamente en el otoño!
