|
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.
|