Der Ansatz des maschinellen Lernens unterstützt die Bewertung des Quellgesteins

Jul 29, 2023

Geochemische Parameter sind entscheidende Datensätze zur Verbesserung der Vorhersagegenauigkeit organisch reicher Zonen. Die aktuellen Laboranalysemethoden zur Erlangung dieser Messungen sind jedoch kostspielig und zeitaufwändig. Zwar gibt es umfangreiche Kenntnisse und Gleichungen zur Schätzung des gesamten organischen Kohlenstoffs (TOC) aus drahtgebundenen Protokollen, doch es werden weiterhin neue Forschungsanstrengungen unternommen, insbesondere durch die Nutzung von maschinellem Lernen (ML), um geochemische Parameter aus drahtgebundenen Protokollen vorherzusagen. Diese Methoden hängen jedoch stark von der Datenverfügbarkeit und -qualität ab. Geochemische Parameter wie der TOC liefern wertvolle Informationen, um den organischen Reichtum und die Reife des Gesteins zu verstehen und so die Kohlenwasserstoffexploration zu optimieren.

TOC kann als die Menge an organischem Inhalt in einem Gestein definiert werden. Organisches Material ist die wichtigste Komponente bei der Bewertung des Ausgangsgesteins. Das Verständnis der Schwankungen des TOC ist daher wichtig für die Bewertung der Qualität von Kohlenwasserstoff-Ausgangsgesteinen, die Identifizierung organisch reicher Zonen und die Verbesserung der Charakterisierung unkonventioneller Lagerstätten. Zuvor halfen mathematische Berechnungen unter Verwendung von Protokollen bei der Schätzung der TOC-Werte und der Bestimmung der Quellgesteinsproduktivität (Passey et al. 1990). Die Interpretation führte zur Identifizierung von organischen Inhalten und reifen organischen reichen Intervallen. Zwei Möglichkeiten zur Berechnung des TOC mithilfe von Protokollen sind das Schall-/Widerstandsverhältnis (Ahangari et al. 2022) und Protokollkombinationen (Fertl et al. 1988). Diese Ansätze ermöglichen eine Bewertung der Fähigkeit des Quellgesteins, Kohlenwasserstoffe freizusetzen. Aufgrund der Einschränkungen dieser Methoden stellt dieser Artikel einen neuartigen Arbeitsablauf zur Vorhersage kontinuierlicher hochauflösender TOC-Profile mithilfe von ML vor, der nur wenige Minuten dauert. Dieser Ansatz trägt dazu bei, die Präzision der geochemischen Parametervorhersagen zu erhöhen. Es ist zerstörungsfrei und erfordert nur minimale Labortests.

Der Hintergrund-TOC ist ein entscheidender Parameter für die Identifizierung organisch reicher Zonen und die Charakterisierung des Quellgesteins in einer Gesteinsformation. Eine wichtige Einschränkung der im Labor gemessenen TOC-Daten ist die Tatsache, dass diese Messungen diskret und verstreut sind und aufgrund des destruktiven Charakters der Analyse nicht den gesamten interessierenden Bereich abdecken. Bilder mit Farbattributen können ebenfalls in den Arbeitsablauf integriert werden, um die Vorhersage geochemischer Parameter zu erleichtern. Es wurde ein ML-Arbeitsablauf eingeführt, um verschiedene geochemische Parameter zu erkennen und zu visualisieren, um die Charakterisierung organisch reicher Zonen auf zerstörungsfreie Weise zu verbessern (Shalaby et al. 2019). Hier stellen wir einen ML-Arbeitsablauf vor, der Kernbilder und TOC-Labordaten verwendet, um kontinuierlich und zeitnah hochauflösende TOC-Profile zu erstellen.

Methodik: Kernfotos wurden in Entropie- und Farbattribute (rote, grüne und blaue Kurven) zerlegt. Ein gleitendes Durchschnittsfenster wurde verwendet, um kontinuierliche visuelle Kurven der Attribute zu extrahieren. Diese Attribute wurden mit den entsprechenden TOC-Messungen abgeglichen, die im Labor mit dem Pyrolysegerät Rock Eval gemessen wurden.

Der Arbeitsablauf besteht aus zwei ML-Algorithmen. Der erste Algorithmus ist das unbeaufsichtigte K-Means-Clustering, das die extrahierten Entropie- und Farbkurven als Eingaben verwendet. Dadurch wurde eine kontinuierliche Clusterkurve basierend auf den extrahierten Attributen generiert. Basierend auf den Vorkenntnissen der Kern-TOC-Messungen wurde die Anzahl der Gesteinscluster ausgewählt. Beispielsweise wurden verschiedene TOC-Messungen identifiziert, die hohe, mittlere und niedrige Werte umfassen. In diesem Fall beträgt die Anzahl der generierten Cluster drei. Dieser Ansatz ist nützlich, um Intervalle mit hohen TOC-Werten direkt zu klassifizieren. Der zweite Algorithmus wendete Support Vector Regression (SVR) an, wobei die extrahierten Attribute an TOC-Werte gebunden waren. Bei diesem Ansatz wurden 80 % der Daten zum Trainieren des Modells und 20 % für Blindtests und Validierung des Modells verwendet. Aus dem Endergebnis kann ein kontinuierliches, hochauflösendes TOC-Profil erstellt werden (Abb. 1).

ErgebnisseDer Arbeitsablauf lieferte vielversprechende Ergebnisse, bestehend aus kontinuierlichen hochauflösenden TOC-Profilen für Quellgesteinsintervalle durch ML-Algorithmen auf zerstörungsfreie Weise (Abb. 2). Die Ergebnisse zeigen die erfolgreiche Erstellung eines kontinuierlichen TOC-Profils mit einer Vorhersagegenauigkeit von 90 % innerhalb von ±1 % der gemessenen Daten (Abb. 3). Die Verwendung konsistenter und qualitativ hochwertiger Bilder zusammen mit einer angemessenen Datenverteilung kann dazu beitragen, Ergebnisse mit einem hohen Maß an Vorhersagegenauigkeit zu erzielen. Der Aufbau und das Training des Modells auf der Grundlage hochwertiger Bilder und einer breiten Datenverteilung verbessert die Vorhersageergebnisse und verbessert letztendlich die Charakterisierung von Zonen mit hohem Biovorkommen und unkonventionellen Ressourcen (Peters et al. 2016).

Der ML-Arbeitsablauf sagte genaue TOC-Profile für Quellgesteinsabschnitte voraus. Darüber hinaus hilft die Beschaffung eines großen Datensatzes für das Training dabei, auf kosten- und zeiteffiziente Weise genaue Ergebnisse für die TOC-Bestimmung zu generieren, wobei weniger Labortests erforderlich sind und Gesteinsproben nicht zerstört werden. Dieser zerstörungsfreie und schnelle Ansatz optimierte die genaue Identifizierung von TOC, was sich direkt auf die Klassifizierung organisch reicher Zonen auswirken und somit die Charakterisierung des Ausgangsgesteins verbessern kann. Eine weitere Implikation des Arbeitsablaufs besteht darin, das generierte TOC-Profil für ein einzelnes Bohrloch zu verwenden und es zur Kalibrierung anderer TOC-Messungen für versetzte Bohrlöcher mit ähnlicher Geologie und geochemischen Eigenschaften anzuwenden. Letztendlich kann diese Vorhersage dazu beitragen, die Exploration von Kohlenwasserstoffen innerhalb weniger Minuten auf kostengünstige Weise zu verbessern.

Zusammenfassung und Schlussfolgerungen Um den Reichtum des Ausgangsgesteins und seine Fähigkeit, Kohlenwasserstoffe freizusetzen, zu verstehen, ist es wichtig, geochemische Parameter zu analysieren, die die Menge an organischer Substanz in einem Gestein unterscheiden und die Gesteinsreife erkennen können (Tissot et al. 1987). Daher ist die Analyse des TOC und anderer geochemischer Parameter von entscheidender Bedeutung, um die Möglichkeit der Kohlenwasserstoffausstoßrate zu verstehen (Carvajal-Ortiz et al. 2018). Das Vorhandensein unterschiedlicher geochemischer Parametermessungen innerhalb einer Gesteinseinheit bestimmt Schwankungen im organischen Gesteinsgehalt und verbessert daher die Identifizierung organisch reicher Zonen (Peters et al. 2010). Diese Parameter spielen eine wichtige Rolle bei der Identifizierung der Kohlenwasserstoffquelle und -art.

Obwohl geochemische Labordaten ein gutes Verständnis des chemischen Gehalts von Gesteinen ermöglichen, kann die Verwendung von ML-Anwendungen zur Identifizierung und Quantifizierung geochemischer Parameter ein kosten- und zeiteffizientes Werkzeug sein, das Eingaben und Parameter zur Verbesserung der Charakterisierung des Quellgesteins und der Feldentwicklung liefert. Der Arbeitsablauf zeigt ein erfolgreich generiertes, kontinuierliches, hochauflösendes TOC-Profil mit einer Vorhersagegenauigkeit von bis zu 90 % auf zeitnahe und kostengünstige Weise. Das Ergebnis zeigt ein großes Potenzial zur Schätzung geochemischer Parameter mithilfe eines ML-Arbeitsablaufs. Der Arbeitsablauf ist so implementiert, dass TOC zerstörungsfrei und zeitnah bewertet und vorhergesagt wird. Dieser Ansatz kann auch zur Vorhersage und Kalibrierung von TOC-Werten (Bath 2002) für nahegelegene Bohrlöcher verwendet werden, mit der Empfehlung, für eine höhere Vorhersage eine ausreichende Datenverteilung und eine überlegene Bildqualität zu verwenden.

ReferenzenAhangari, D., Daneshfar, R., Zakeri, M., Ashoori, S. und Soulgani, BS 2022. Zur Vorhersage geochemischer Parameter (TOC, S1 und S2) durch Berücksichtigung von Bohrlochprotokollparametern mithilfe von ANFIS- und LSSVM-Strategien. Petroleum, 8 (2), 174–184.

Bath, A. 2002. Vom SKB-Standortcharakterisierungsprogramm geforderte geochemische Parameter. Schweden.

Carvajal-Ortiz, H. und Gentzis, T. 2018. Geochemisches Screening von Quellgesteinen und Reservoirs: Die Bedeutung der Verwendung des richtigen Analyseprogramms. International Journal of Coal Geology, 190, 56–69.

Fertl, WH und Chilingar, GV (1988). Aus Bohrlochprotokollen ermittelter Gesamtgehalt an organischem Kohlenstoff. SPE Formation Evaluation, 3 (02), 407–419.

Passey, QR, Creaney, S., Kulla, JB, Moretti, FJ, & Stroud, JD 1990. Ein praktisches Modell für organischen Reichtum aus Porositäts- und Widerstandsprotokollen. AAPG Bulletin, 74 (12), 1.777–1.794.‏

Peters, KE, Walters, CC und Moldowan, JM 2010. Der Biomarker-Leitfaden (Band 1). Cambridge University Press.‏

Peters, KE, Xia, X., Pomerantz, AE und Mullins, OC 2016. Geochemie zur Bewertung unkonventioneller Ressourcen. Handbuch zu unkonventionellen Öl- und Gasressourcen, 71–126. Gulf Professional Publishing.

Shalaby, MR, Jumat, N., Lai, D. und Malik, O. 2019. Integrierte TOC-Vorhersage und Quellgesteinscharakterisierung mithilfe von maschinellem Lernen, Bohrlochprotokollen und geochemischer Analyse: Fallstudie aus den jurassischen Quellgesteinen im Shams-Feld, NW-Wüste, Ägypten. Journal of Petroleum Science and Engineering, 176, 369–380.

Tissot, BP, Pelet, R. und Ungerer, PH 1987. Thermische Geschichte von Sedimentbecken, Reifungsindizes und Kinetik der Öl- und Gaserzeugung. AAPG Bulletin, 71 (12), 1.445–1.466.‏