[论文解读] Mind the Gap: A Well Log Data Analysis

Rui L. Lopes, Alí­pio Jorge|arXiv (Cornell University)|May 10, 2017

Hydrocarbon exploration and reservoir analysis参考文献 5被引用 3

一句话总结

本文提出了一种数据驱动的框架，用于使用多种机器学习模型预测油气井中缺失的中子孔隙度测井值。研究分析了1,026个北海油田井的实际数据缺口，基于统计模式生成合成缺口，并评估了人工神经网络、随机森林以及三种回归方法——发现人工神经网络在较大缺口上表现最佳，尽管差异在统计上不显著。

ABSTRACT

The main task in oil and gas exploration is to gain an understanding of the distribution and nature of rocks and fluids in the subsurface. Well logs are records of petro-physical data acquired along a borehole, providing direct information about what is in the subsurface. The data collected by logging wells can have significant economic consequences, due to the costs inherent to drilling wells, and the potential return of oil deposits. In this paper, we describe preliminary work aimed at building a general framework for well log prediction. First, we perform a descriptive and exploratory analysis of the gaps in the neutron porosity logs of more than a thousand wells in the North Sea. Then, we generate artificial gaps in the neutron logs that reflect the statistics collected before. Finally, we compare Artificial Neural Networks, Random Forests, and three algorithms of Linear Regression in the prediction of missing gaps on a well-by-well basis.

研究动机与目标

• 了解在大规模北海油田井数据集中，中子孔隙度测井中缺口的频率、大小和分布情况。
• 开发一种反映真实世界缺口统计特征的合成缺口生成方法，用于基准测试预测模型。
• 在单井基础上，比较多种机器学习算法（人工神经网络、随机森林、普通最小二乘法、贝叶斯回归和RANSAC）在预测缺失测井值方面的性能。
• 评估缺口大小和局部测井值对预测精度的影响，识别模型的优势与局限性。

提出的方法

• 对1,026个荷兰北海油田井的中子孔隙度测井中的缺口进行了描述性和探索性分析。
• 收集并归一化了包括体积密度（RHOB）、声波穿越时间（DT）、伽马射线（GR）和中子孔隙度（NPHI）在内的测井数据，所有数据均按深度对齐。
• 基于真实缺口统计，为前三个缺口大小分位数（16、66和168个点）每种生成30个合成缺口。
• 在单个完整井（F02-02）上训练并评估了五种模型——人工神经网络、随机森林、普通最小二乘法、贝叶斯岭回归和RANSAC，使用其余测井数据作为特征。
• 通过所有合成缺口的平均绝对误差（MAE）衡量性能，结果按缺口大小聚合，并进行可视化比较。

实验结果

研究问题

• RQ1 在1,026个北海油田井的中子孔隙度测井中，缺口大小和频率的分布是怎样的？
• RQ2 当基于真实缺口统计人工生成缺口时，不同机器学习模型在预测缺失中子孔隙度值方面的表现如何？
• RQ3 模型性能是否因缺口大小或局部测井值模式而显著不同？
• RQ4 哪种模型在预测精度与计算成本之间提供了最佳权衡，适用于测井缺口填补？

主要发现

• 中子孔隙度测井中的大多数缺口都很小，中位缺口大小为6.6米（66个点），第75百分位数为16.8米（168个点）。
• 人工神经网络（ANNs）在较大缺口（168个点缺口）上表现更优，而其他模型如普通最小二乘法和贝叶斯回归在较小缺口上表现更佳。
• 尽管存在性能差异，但各模型之间差异的统计显著性未得到确认，表明没有单一算法明显优于其他算法。
• 平均绝对误差（MAE）随缺口大小和局部测井值而变化，预测中观察到更高的方差，尤其是在较小缺口上。
• 随机森林和人工神经网络在计算上比线性模型更昂贵，尽管其在复杂模式上的潜在精度更高。
• 结果表明，缺口预测对局部数据模式高度敏感，而不仅仅是缺口大小，强调了需要上下文感知的建模方法。