Ứng dụng máy học có thể dự đoán chính xác về khoáng chất, độ rỗng và độ bão hòa ở các vỉa phi truyền thống

Xác định khoáng vật học là một bước quan trọng trong phân tích địa vật lý của nhiều loại vỉa. Những thay đổi về khối lượng khoáng vật cho thấy những thay đổi về sự lắng đọng địa chất, sự hình thành đá trầm tích, chất lượng vỉa và độ giòn của đá. Đặc biệt trong các hoạt động sản xuất đá phiến, thành công của việc khai thác phụ thuộc vào việc xác định các hydrocacbon tại chỗ trong tầng sản phẩm tiềm năng. Và các tầng này phải đủ giòn để đáp ứng những yêu cầu khi áp dụng phương pháp xử lý đứt gãy thủy lực. Ngoài ra, việc xác định chính xác độ rỗng và độ bão hòa cũng cần thiết để tính toán chính xác tại chỗ lượng hydrocacbon. Thể tích khoáng chất và độ rỗng thường được xác định bằng cách sử dụng dữ liệu từ phân tích mẫu lõi hoặc ước tính bằng phương pháp phân tích khoáng chất thống kê. Tuy nhiên, nhiều khó khăn phát sinh ở lỗ khoan cũ bởi vì những dữ liệu địa vật lý lỗ khoan (well log) cần cho những phân tích phức tạp thường không có sẵn.

Để giải quyết vấn đề này nhóm nghiên cứu của công ty CGG (Fred Jenson, Chiranjith Ranganathan, Shi Xiuping, Ted Holden) đã sử dụng các mô hình máy học, được hỗ trợ bởi các phần mở rộng của ngôn ngữ lập trình Python và công cụ máy học của công nghệ minh giải địa vật lí Power Log (được phát triển bởi CGG GeoSoftware) để nhanh chóng tạo ra các minh giải well log chất lượng cao, bao gồm khối lượng khoáng chất trong thạch học phức tạp đối với một số lượng lớn các giếng. Để ước tính chính xác khối lượng khoáng vật của đá, nhóm nghiên cứu đã sử dụng công cụ hồi quy Random forest và PowerLog StatMin. Các đường cong được sử dụng làm đầu vào đặc trưng cho bộ hồi quy là gamma ray (GR), bulk density (RHOB), neutron porosity (NPHI), deep induction (ILD), and photoelectric capture cross section (PEF). Mô hình máy học được áp dụng trên ba giếng trong số 7 giếng có sẵn, trong khi bốn giếng còn lại được sử dụng làm giếng thử nghiệm để kiểm nghiệm độ chính xác của mô hình.

Để so sánh kết quả từ mô hình máy học với kết quả từ mô hình phân tích khoáng chất thống kê trong các giếng thử nghiệm, mô hình StatMin đã được tính toán cho tất cả bảy giếng trong nghiên cứu. Kết quả cho thấy kết quả dự đoán có độ chính xác cao.(Hình 1)

Biểu đồ mối quan hệ tương quan giá trị kerogen dự đoán với giá trị kerogen thống kê

Các chuyên gia đã xây dựng các mô hình cho từng khoáng chất và chất lỏng và áp dụng cho các giếng thử nghiệm, cho ra những dự đoán với độ chính xác cao. Trong hình 2 biểu thị sự so sánh kết quả nghiên cứu StatMin với kết quả dự đoán.

Ứng dụng máy học có thể dự đoán chính xác về khoáng chất, độ rỗng và độ bão hòa ở các vỉa phi truyền thống

Nghiên cứu điển hình này chứng minh giá trị của việc sử dụng các minh giải công nghệ cao để xây dựng mô hình máy học dựa trên dữ liệu well log chất lượng cao có sẵn. Nhóm nghiên cứu đã chứng minh rằng các mô hình máy học có thể dự đoán chính xác về khoáng chất, độ rỗng và độ bão hòa ở các vỉa phi truyền thống. Điều này mang lại những hiểu biết rõ ràng hơn về các tầng sản phẩm, cho phép kỹ sư vận hành khai thác tối đa tiềm năng trên phạm vi toàn mỏ.

Viễn Đông

Tham khảo tài liệu nước ngoài