Ứng dụng học máy trong dự báo đường cong sonic cho giếng X

Bài viết trình bày việc đánh giá tương quan, lựa chọn các biến đầu vào dựa trên phân tích khai phá dữ liệu, từ đó chuẩn bị dữ liệu cho bước xây dựng mô hình; So sánh các thuật toán dựa trên việc loại bỏ hiện tượng overfitting “quá khớp” từ đó giảm tính thiên kiến của mô hình.
Nội dung trích xuất từ tài liệu:
Ứng dụng học máy trong dự báo đường cong sonic cho giếng X . 723ỨNG DỤNG HỌC MÁY TRONG DỰ BÁO ĐƢỜNG CONG SONIC CHO GIẾNG X Lương Hải Linh*, Đồng Nhật Thiên, Huỳnh T. Thảo Vi, Thiệu Kiều Anh, Bùi Tử An Trường Đại học Dầu khí Việt Nam *Tác giả chịu trách nhiệm: linhlh@pvu.edu.vnTóm tắt Việc xây dựng mô hình dự đoán theo hướng tiếp cận khoa học dữ liệu có khả năng tái tạo lạigiá trị đường cong sonic cho giếng không có dữ liệu thông qua việc học từ những giếng lân cậnkhác trên phạm vi mỏ là rất cần thiết nhằm tiết kiệm chi phí trong việc thực hiện đo giá trị đườnglog này. Nghiên cứu này thiết lập mô hình sự đoán sóng nén dựa trên quy trình làm việc củaphương pháp tiếp cận dữ liệu, bao gồm phân tích khám phá dữ liệu, chuẩn hóa và loại bỏ các giátrị ngoại lai. Sáu mô hình hồi quy học có giám sát được so sánh trên tập dữ liệu huấn luyện bằngcách sử dụng 2 giếng làm dữ liệu huấn luyện để thực hiện dự đoán và được xác thực với giá trịthực của giếng còn lại. Mô hình cuối cùng được điều chỉnh siêu tham số trước khi đưa ra dựđoán cuối cùng cho các giếng mù. Kết quả cho thấy thuật toán Gradient Boosting cho độ chínhxác tốt nhất đối với bộ dữ liệu sử dụng trong nghiên cứu này. Căn bậc hai sai số toàn phươngtrung bình (RMSE) đạt giá trị 0.23 khi mô hình được huấn luyện và thử nghiệm trên toàn bộ bộdữ liệu đào tạo 3 giếng và trung bình 0.28 khi mô hình được đào tạo trên 2 giếng và thử nghiệmtương ứng trên giếng còn lại.Từ khóa: Mô hình học máy; thời gian truyền sóng âm; đường cong sonic; phân tích dữ liệu.1. Đặt vấn đề Trong ngành Dầu khí những năm gần đây, những công trình nghiên cứu về ứng dụng các môhình Machine Learning và Deep Learning đang gia tăng, hứa hẹn một xu hướng khả thi để giảiquyết vấn đề kỹ thuật. Ứng dụng trí tuệ nhân tạo trong phạm trù đánh giá thành hệ được áp dụngthông qua các lớp thuật toán có giám sát “Supervised-Learning” và không có giám sát“Unsupervised - Learning” nhằm tự động minh giải dữ liệu địa vật lý giếng khoan và phân loạithạch học, từ đó loại bỏ yếu tố thiên kiến của người minh giải (Shi and Zhang, 2021), (Kumarand Seelam, 2022). Các đường cong sonic là công cụ đầu tiên để xác định độ rỗng thành hệ khi chưa có thông tinvề độ bão hòa chất lưu (Raymer et al., 1980); giá trị đường cong sonic được sử dụng để xác địnhđộ rỗng, phân loại thạch học, biểu thị độ bão hòa lưu chất, biểu thị độ cứng thành hệ, biểu thị sựtồn tại hydrocarbon. Sự đa dạng này là do thời gian lan truyền sóng âm bị ảnh hưởng bởi các đặctính của vỉa bao gồm: độ nén ép, độ rỗng, tính dị hướng, mật độ, tính chất thạch học, độ xi mănghóa, lực cố kết, ứng suất theo phương thẳng đứng “overburden stress” và áp suất lỗ rỗng(Khazanehdari, 2005). Các đường cong sonic là cơ sở quan trọng để xác định các thông số địa cơhọc, trong đó có tính chất đàn hồi của đá thành hệ, xây dựng mô hình địa cơ học nhằm xác địnháp suất lỗ rỗng. Trong quá trình khoan, dữ liệu đường cong sonic được sử dụng để cải thiện hiệusuất khoan, giảm thiểu biên độ lệch và từ đó tối ưu hoàn thiện giếng (Alford et al., 2012). Tổng quan các công trình nghiên cứu ứng dụng trí tuệ nhân tạo, mô hình học máy để giảiquyết các thông số địa cơ học và thành hệ giếng khoan; ứng dụng dự báo đường cong sonic chocác giếng dầu khí được nhóm tác giả thống kê ở bảng 1.724 Bảng 1. Thống kê các công trình áp dụng hướng tiếp cận khoa học dữ liệu cho dự báo đường cong âm học (liệt kê các thuật toán tiêu biểu và hiệu quả mô hình) Tác giả Nội dung Hiệu quả thuật toán So sánh mô hình ANN với các phương trình ANN (10 lớp ẩn)K. Ramcharitar(2016) thực nghiệm cho dự đoán đường cong sonic cho Sai số tuyệt đối trung bình 3 giếng onshore South-Western Trinidad (AAE 3 - 6%) Dự đoán các thông số địa cơ học (DT, DTS,Z. Tariq (2017) ANN (10 lớp ẩn) Young‟s modules, Poisson‟s ratio) Dựa trên các đường log cơ bản (GR, ROHB, Support Vector MachineW. Ni (2017) NPHI,…) cho dự đoán sóng nén. (độ chính xác 97,5%) Dựa trên các đường log cơ bản (GR, ROHB, Random Forest (Hệ số xácX. Zou (2019) NPHI,…) cho dự đoán sóng sonic. Huấn luyện định R-square 0.85) 10,000 điểm - dự đoán 1500 điểmT. Gan, M. A. Kumar, Dữ liệu mudlogging, logging dữ đoán đường ANN (10 lớp ẩn) NRMSEC. B. Ehiwario (2019) cong âm ...