Отправлено: 05.08.20 06:32. Заголовок: Detecting Specific Facies in Well-Log Data Sets Using Knowledge-Driven Hierarchical Clustering

Irina Emelyanova1*, Jean-Baptiste Peyaud1, Tess Dance1, and Marina Pervukhina1
Detecting Specific Facies in Well-Log Data Sets Using Knowledge-Driven Hierarchical Clustering
PETROPHYSICS, VOL. 61, NO. 4 (AUGUST 2020); PAGES 383–400;
==========================
Electrofacies are commonly used as proxies for
lithofacies in the absence of core samples. Determined
from well-log data sets, electrofacies are de ned as depth
intervals of consistent patterns of log variations. Machinelearning approaches are appropriate for the determination
of electrofacies as they involve analyzing the variation
of multiple log signals simultaneously. The feasibility of
an electrofacies identi cation depends on the statistical
signi cance of this electrofacies recurrence, i.e., the facies
with low recurrence tend to be associated with nearby
intervals or intervals displaying similar but not identical
properties. Consequently, intervals with low recurrence but
high geological signi cance can remain hidden due to their
association with other electrofacies. In this communication,
a new knowledge-driven hierarchical clustering method
is developed and applied to identify sporadic lowpermeability
es in a thick sandstone reservoir assessed
for CO2 sequestration suitability in Western Australia.
The developed method takes advantage of both machine
learning and expert rules and allows improved objective
detection of the low-permeability layers, which potentially
provide retardation to the migration of injected CO2. The
method not only reliably identi es the shale baf es that
have been targeted by the expert rules, but additionally
highlights highly cemented sandstone layers also exhibiting
low permeability that has not been envisaged by the expert.
The developed method is of practical importance for
reliable and objective identi cation of speci c and/or lowrecurrence facies in large data sets.


=========================
Google перевод с моей рутиной правкой
========================
Электрофации обычно используются в качестве прокси для литофаций при отсутствии образцов керна. определенный
из наборов данных каротажа электрофация определяется как глубина интервалы последовательных закономерностей вариаций каротажа.
Подходы машинного обучения подходят для определения электрофаций, поскольку они включают анализ вариации нескольких сигналов каротажа одновременно. Возможность идентификация электрофации зависит от статистических значимость повторения этой электрофации, т.е. с низкой частотой рецидивов, как правило, связаны с близлежащими интервалы или интервалы, отображающие похожие, но не идентичные свойства.

Следовательно, интервалы с низкой повторяемостью, но высокая геологическая значимость может оставаться скрытой из-за их ассоциация с другими электрофациями. В этом сообщении предлагается новый метод иерархической кластеризации, основанный на знаниях
который разработан и применяется для выявления спорадических перегородок с низкой проницаемостью в толстом пласте из песчаника.
для СО2 пригодность для секвестрации в Западной Австралии.

В разработанном методе используются преимущества обеих способов.
обучение и экспертные правила и позволяет улучшить цель обнаружение слоев с низкой проницаемостью, которые потенциально
обеспечивают замедление миграции закачиваемого СО2.

Метод не только надежно идентифицирует сланцевую пластину, были нацелены на экспертные правила, но дополнительно
выделяет слои сильно цементированного песчаника, также демонстрируя низкая проницаемость, не предусмотренная экспертом.

Разработанный метод имеет практическое значение для надежная и объективная идентификация специфических и / или мало повторяющихся фаций в больших массивах данных.