Young modulus prediction using drilling data at CT oil field, offshore Vietnam

Abstract

Актуальность. Прогнозирование модуля Юнга по данным бурения имеет большое значение для повышения эффективности и безопасности нефтегазовых операций, особенно в сложных геологических условиях. Рассматривается насущная потребность в экономически эффективных методах определения геомеханических характеристик в режиме реального времени, снижающих зависимость от дорогостоящих традиционных методов. Целью исследования является разработка методологии, использующей машинное обучение и искусственный интеллект для точного прогнозирования модуля Юнга с применением данных параметров бурения скважин на месторождении CT шельфа Вьетнама. Объектом исследования являются горные породы и грунты, встречающиеся в скважинах. Особое внимание уделяется параметрам бурения, таким как нагрузка на долото, крутящий момент, скорость вращения и механическая скорость бурения. Методы: передовые методы машинного обучения, включая глубокие нейронные сети и ансамблевые методы, для анализа и отображения нелинейных связей между данными бурения и модулем Юнга. Модели обучаются и проверяются с использованием эталонных данных, полученных в результате испытаний керна и геофизических исследований скважин, с предварительной обработкой данных для снижения шума и повышения точности прогнозирования. Результаты. Применяя алгоритмы машинного обучения, исследовательская группа успешно разработала модели для прямого прогнозирования модуля Юнга по параметрам бурения, измеряемым в режиме реального времени при бурении скважин на нефтяном месторождении CT, шельф Вьетнама. Модель, использующая нейронную сеть обратного распространения, продемонстрировала превосходные результаты, достигнув коэффициента корреляции до 0,94 и среднеквадратичной ошибки всего 0,483 при слепом тестировании на новой скважине в пределах исследуемого участка

Relevance. Young modulus prediction from drilling data is highly relevant to enhancing the efficiency and safety of oil and gas operations, particularly in complex geological settings. This study addresses the pressing need for cost-effective, realtime geomechanical characterization methods, reducing dependence on costly traditional techniques. Aim. To develop a methodology employing machine learning and artificial intelligence to accurately predict the Young modulus using drilling parameter data from oil and gas wells at the CT oil field, offshore Vietnam. Objects. Encompass rock and soil formations encountered in oil and gas wells, focusing on drilling parameters such as weight on bit, torque, rotary speed, and rate of penetration. Methods. Advanced machine learning techniques, including deep neural networks and ensemble methods, to analyze and map the non-linear relationships between drilling data and Young modulus. Models are trained and validated using reference data from core testing and well logs, with data preprocessing applied to mitigate noise and enhance predictive accuracy. Results. By applying machine learning algorithms, the research team successfully developed models to directly predict Young modulus from drilling parameters measured in real-time during the drilling of wells at the CT oil field, offshore Vietnam. The model employing a backpropagation neural network demonstrated superior performance, achieving a correlation coefficient of up to 0.94 and an RMSE of only 0.483 when subjected to a blind test on a new well within the study area