Hyperparameter Optimization of Tree-Based Machine Learning (TB-ML) to Predict Permeability of a Heterogeneous Carbonate Oil Reservoir

القاسم علي حسن; علي احمد نمر; يوسف طه ياسين; واثق جاسم المظفر; ديفيد وود

doi:10.52716/jprs.v15i1.869

المؤلفون

القاسم علي حسن Department of Oil and Gas Engineering, Basrah University for Oil and Gas, Basrah, Iraq
علي احمد نمر Department of Oil and Gas Engineering, Basrah University for Oil and Gas, Basrah, Iraq
يوسف طه ياسين Department of Oil and Gas Engineering, Basrah University for Oil and Gas, Basrah, Iraq
واثق جاسم المظفر وزارة النفط / شركة نفط البصرة
ديفيد وود DWA Energy Limited, Lincoln, United Kingdom

DOI:

https://doi.org/10.52716/jprs.v15i1.869

الكلمات المفتاحية:

Machine learning, reservoir characterization, permeability prediction, XGBoost, hyperparameter tuning.

الملخص

النفاذية هي خاصية بترو فيزيائية مهمة يجب احتسابها بدقة وذلك لتأثيرها المباشر على توصيف المكمن، ومحاكاة المكامن، ومستوى عدم اليقين في اتخاذ القرار أثناء التخطيط لتطوير الحقل. ومع ذلك، فإن قياس النفاذية يتم إما عن طريق فحوصات نماذج اللباب الصخري او عمليات فحص الابار. وعادةً، هذه الفحوصات لا تكون متاحة لطبقات المكمن بأكملها ولا في جميع الابار المحفورة. لذلك، هناك حاجة ملحة لنمذجة النفاذية بدقة والتنبؤ بها كدالة لبيانات تسجيل الآبار. تم استخدام خوارزميات التعلم الآلي (ML) مؤخرًا كطريقة واعدة للتنبؤ بالنفاذية من خلال الاستفادة من بيانات سجلات الآبار جنبًا إلى جنب مع السحنات أو الصخارية. في هذا البحث، تم استخدام خوارزمية فعالة وهي XGBoost للتنبؤ بالنفاذية في مكمن مشرف بالاعتماد على بيانات تسجيل الآبار و السحنات. تتضمن بيانات تسجيل الآبار (Gamma Ray, Caliper, Density, Neutron Porosity, Shallow and Deep Resistivity, Total Porosity, Spontaneous Potential, Photoelectric Factor, and Water Saturation) بالإضافة إلى النفاذية والمسامية من نماذج اللباب الصخري. ايضاً، تم الحصول على السحنات المنفصلة عن طريق استخدام خوارزمية k-means clustering. بعد ذلك، تم تحسين أداء الخوارزمية المستخدمة باستخدام خوارزميتين للبحث: Random Search و Bayesian Optimization. تم تقييم توزيعات النفاذية المتوقعة بناءً على:Adjusted R2,, RMSE. و اخيراً، تم عمل مقارنة بين بين النماذج الثلاثة بالنظر إلى مجموعات التدريب والاختبار لتوضيح دقة نهج التعلم الآلي المستخدم للتنبؤ بالنفاذية. النتائج اظهرت ان هذا النهج دقيق بما يكفي ليتم تعميمه للتطبيق في كل من مكامن العراق سواء كانت كربوناتية أو سيليكاتية في حقول النفط والغاز الأخرى.

المراجع

M. Mahdaviara, A. Rostami, and K. Shahbazi, “State-of-the-art modeling permeability of the heterogeneous carbonate oil reservoirs using robust computational approaches”, Fuel, 268, p. 117389, 2020. https://doi.org/10.1016/j.fuel.2020.117389

A. Al-Anazi, I. D. Gates, “A support vector machine algorithm to classify lithofacies and model permeability in heterogeneous reservoirs”, Engineering Geology, vol. 114, no. (3–4), pp. 267–277, 2010. https://doi.org/10.1016/j.enggeo.2010.05.005

R. Qalandari, R. Zhong, C. Salehi, N. Chand, R. L. Johnson, G. Vazquez, J. Mclean-Hodgson, and J. Zimmerman, “Estimation of rock permeability scores using machine learning methods”, Paper presented at the SPE Asia Pacific Oil & Gas Conference and Exhibition, Adelaide, Australia, October 2022. https://doi.org/10.2118/210711-MS

M. A. Ahmadi, and Z. Chen, “Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via Petro-physical logs”, Petroleum, vol. 5, no. 3, pp. 271–284, 2019. https://doi.org/10.1016/j.petlm.2018.06.002

T. A. Mahdi, A. A. M. Aqrawi, A. D. Horbury, and G. H. Sherwani “Sedimentological characterization of the mid-Cretaceous Mishrif Reservoir in southern Mesopotamian Basin, Iraq”, GeoArabia, vol. 18, no. 1, pp. 139–174, 2013. https://doi.org/10.2113/geoarabia1801139

W. J. Al-Mudhafar, M. A. Abbas, and D. A. Wood, “Performance evaluation of boosting machine learning algorithms for lithofacies classification in heterogeneous carbonate reservoirs”, Marine and Petroleum Geology, vol. 145, p. 105886, 2022. https://doi.org/10.1016/j.marpetgeo.2022.105886

L. khudhur Abbas, T. A. Mahdi, “Reservoir units of Mishrif Formation in Majnoon oil field, southern Iraq”, Iraqi Journal of Science, vol. 60, no. 12, pp. 2656–2663, 2019. https://doi.org/10.24996/ijs.2019.60.12.15

W. J. Al-Mudhafar, “Integrating machine learning and data analytics for geostatistical characterization of Clastic Reservoirs”, Journal of Petroleum Science and Engineering, vol. 195, p. 107837, 2020. https://doi.org/10.1016/j.petrol.2020.107837

M. A. Abbas, and E. M. Al Lawe, “Clustering Analysis and Flow Zone Indicator for Electrofacies Characterization in the Upper Shale Member in Luhais Oil Field, Southern Iraq”, Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UA, 2019. https://doi.org/10.2118/197906-MS

M. Sarmad, “Robust data analysis for factorial experimental designs: Improved methods and software”, Durham theses, Durham University, 2006.

H. Belyadi, and A. Haghighat, “Machine Learning Guide for oil and gas using python”, 2021. https://doi.org/10.1016/C2019-0-03617-5

D. C. Howell, “Statistical Methods for Psychology”, Seventh Edition, Wadsworth Cengage Learning, Belmont, 2010.

T. Chen, T. and C. Guestrin, “XGBoost: A Scalable Tree Boosting System”, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016. https://doi.org/10.1145/2939672.2939785

W. J. Al-Mudhafar, “Incorporation of bootstrapping and cross-validation for efficient multivariate facies and Petrophysical Modeling”, Paper presented at the SPE Low Perm Symposium, Denver, Colorado, USA, May 2016. https://doi.org/10.2118/180277-MS