L’approche d’apprentissage automatique facilite l’évaluation des roches sources

Jul 29, 2023

Les paramètres géochimiques constituent des ensembles de données cruciaux pour améliorer la précision des prévisions des zones riches en matière organique. Les méthodes d’analyse actuelles en laboratoire permettant d’obtenir ces mesures sont cependant coûteuses et prennent du temps. Bien qu'il existe un riche corpus de connaissances et d'équations pour estimer le carbone organique total (COT) à partir des diagraphies filaires, de nouveaux efforts de recherche se poursuivent, en tirant notamment parti de l'apprentissage automatique (ML), pour prédire les paramètres géochimiques à partir des diagraphies filaires. Ces méthodes dépendent toutefois fortement de la disponibilité et de la qualité des données. Les paramètres géochimiques tels que le COT fournissent des informations précieuses pour comprendre la richesse organique et la maturité des roches et, par conséquent, optimiser l'exploration des hydrocarbures.

Le COT peut être défini comme la quantité de contenu organique dans une roche. La matière organique est l’élément le plus important dans l’évaluation des roches mères. Comprendre les variations du COT est donc important pour évaluer la qualité des roches mères d’hydrocarbures, identifier les zones riches en matières organiques et améliorer la caractérisation des réservoirs non conventionnels. Auparavant, les calculs mathématiques utilisant des diagraphies aidaient à estimer les valeurs du COT et à déterminer la productivité des roches mères (Passey et al. 1990). L'interprétation a conduit à l'identification du contenu organique et des intervalles riches en matières organiques matures. Deux des façons de calculer le COT à l’aide des logs sont le rapport sonique/résistivité (Ahangari et al. 2022) et les combinaisons de logs (Fertl et al. 1988). Ces approches permettent d'évaluer la capacité des roches mères à libérer des hydrocarbures. En raison des limites de ces méthodes, cet article présente un nouveau flux de travail pour prédire des profils TOC continus à haute résolution à l'aide du ML, en ne prenant que quelques minutes. Cette approche permet d'augmenter la précision des prédictions des paramètres géochimiques. Il est non destructif et nécessite peu de tests en laboratoire.

ContexteLe COT est un paramètre critique pour l'identification des zones riches en matière organique et la caractérisation des roches mères dans une formation rocheuse. Une limitation importante des données de COT mesurées en laboratoire est le fait que ces mesures sont discrètes et dispersées et ne couvrent pas la totalité de la zone d'intérêt en raison de la nature destructrice de l'analyse. Les images contenant des attributs de couleur peuvent également être intégrées au flux de travail pour faciliter la prévision des paramètres géochimiques. Un flux de travail ML a été introduit pour détecter et visualiser différents paramètres géochimiques afin d'améliorer la caractérisation des zones riches en matière organique de manière non destructive (Shalaby et al. 2019). Ici, nous présentons un flux de travail ML qui utilise des images de base et des données de laboratoire COT pour générer des profils COT haute résolution continus en temps opportun.

MéthodologieLes photos de base ont été décomposées en attributs d'entropie et de couleur (courbes rouges, vertes et bleues). Une fenêtre de moyenne mobile a été utilisée pour extraire des courbes visuelles continues des attributs. Ces attributs ont été comparés à leurs mesures de COT correspondantes, telles que mesurées en laboratoire à l'aide de l'instrument de pyrolyse Rock Eval.

Le flux de travail se compose de deux algorithmes ML. Le premier algorithme est un clustering K-means non supervisé, qui utilise les courbes d'entropie et de couleur extraites comme entrées. Cela a généré une courbe continue de clusters basée sur les attributs extraits. Sur la base des connaissances préalables des mesures de COT des carottes, le nombre d'amas de roches a été sélectionné. Par exemple, différentes mesures du COT ont été identifiées, comprenant des valeurs élevées, moyennes et faibles. Dans ce cas, le nombre de clusters générés sera de trois. Cette approche est utile pour classer directement les intervalles avec des valeurs de COT élevées. Le deuxième algorithme appliqué prend en charge la régression vectorielle (SVR), avec les attributs extraits liés aux valeurs de la table des matières. Cette approche a utilisé 80 % des données pour entraîner le modèle et 20 % pour les tests aveugles et la validation du modèle. Le résultat final peut être utilisé pour produire un profil TOC continu à haute résolution (Fig. 1).

RésultatsLe flux de travail a généré des résultats prometteurs consistant en des profils COT continus à haute résolution pour les intervalles de roches mères grâce à des algorithmes ML de manière non destructive (Fig. 2). Les résultats montrent la génération réussie d'un profil COT continu avec une précision de prédiction de 90 % à ± 1 % des données mesurées (Fig. 3). L’utilisation d’images cohérentes et de haute qualité ainsi que d’une distribution adéquate des données peuvent aider à produire des résultats avec un degré élevé de précision de prédiction. La construction et l'entraînement du modèle basé sur des images de haute qualité et une large gamme de distribution de données améliorent les résultats prédictifs et améliorent finalement la caractérisation des zones riches en matière organique et des ressources non conventionnelles (Peters et al. 2016).