Naslov
Predviđanje klastičnih facijesa neuronskom mrežom (primjer polja Okoli)
(Clastic facies prediction using neural network (case study from Okoli field))

Autori
Malvić, Tomislav

Izvornik
Nafta (0027-755X) 57 (2006), 10; 415-431

Vrsta, podvrsta i kategorija rada
Radovi u časopisima, prethodno priopćenje, stručni

Ključne riječi
neuronske mreže; RProp algoritam; facijesi; donji pont; polje Okoli; Hrvatska
(neural networks; RProp algorithm; facies; Lower Pontian; Okoli field; Croatia)

Sažetak
SAŽETAK Za primjer predviđanja klastičnih facijesa nauronskom mrežom odabrano je polje Okoli koje se nalazi u Savskoj depresiji. Na polju su utvrđene značajne rezerve nafte i plina u donjopontskim pješčenjacima. Rezervoari te starosti predstavljaju regionalno dokazani stratigrafski proizvodni interval u kojemu se očekuju otkrića dodatnih ekonomskih količina ugljikovodika. U članku je detaljno prikazana metodologija upotrebe neuronskih mreža u predviđanju rezervoarskih facijesa. Uvodno su dane osnovne postavke neuronskih mreža, a zatim je opisan napredniji algoritam učenja nazvanim RProp po kojemu je načinjena prikazana analiza. Mreža je uvježbana karotažnim podatcima (krivulje GR, R16", R64", PORE/T/W, SAND i SHALE) iz dviju bušotina (kodnih imena B-1 i B-2) koje su probušile proizvodnu seriju „ c“ te ležište c2 (kao cilj analize) donjopontske starosti. Zabilježen je stvarni stratigrafski odnos rezervoarskog pješčenjaka ležišta c2 u odnosu na krovinski i podinski lapor, te je na temelju prvog dijela ulaznih podataka i takvog stvarnog litološkog odnosa uvježbana neuronska mreža. Iz preostalog su skupa karotažnih podataka, bez kalibracije na stvarne litološke odnose, predviđeni facijesi, odnosno položaj pješčenjaka te krovinskog i podinskog lapora. Rezultati su dvojaki, odnosno dijelom ukazaju na pretreniranost mreže kod predviđanja pješčenjačkih intervala. Najveći broj laporovitih sekvenci u krovini i podini zamijenjen je pješčenjakom. S druge strane, analiza je ukazala da bi se u daljnjim facijesnim modeliranjima neuronskim alatima u Savskoj depresiji, broj upotrijebljenih karotažnih krivulja trebao proširiti dodatnim vrstama koje također karakteriziraju litologiju i zasićenje (SP, CN, DEN). Također, kvalitetno i upotrebljivo predviđanje RProp algoritmom postiglo bi se uz vjerojatnost točnoga predviđanja većom od 90 % (u prikazanoj analizi ista je dosegla 82, 1 %). Ključne riječi: neuronske mreže, RProp algoritam, facijesi, donji pont, polje Okoli, Hrvatska ABSTRACT The Okoli field, located in the Sava depression, is selected as the example for clastic facies prediction using neural network. The significant oil and gas reserves are proved in Lower Pontian sandstones. Reservoirs of this age are the regional proved play, where also new economic hydrocarbon discoveries are expected. Methodology of neural networks using in reservoir facies prediction is presented through this paper in details. The basics of neural networks are given in introduction, and the reader is also connected with advance learning algorithm RProp used as a basis for presented analysis. The network is trained using log data (curves GR, R16", R64", PORE/T/W, SAND & SHALE) from two wells (code names B-1 & B-2). Both of them drilled production “ c” series and c2 reservoir (as analytical target) of Lower Pontian age. The real position of reservoir sandstone (c2) in relation to top and bottom marls is registered, and the neural network was trained based on selected part of input data and registered lithology. After, based on the rest of input data, and without calibration on the real lithology, positions of facies (sand/marl sequences) were predicted. The results indicate on over-trained network in the case of sandstone sequences prediction. The marl sequences in the top and the base are mostly replaced by sandstone. From the other side, such analysis pointed out that in further facies modelling in the Sava depression, performed by neural tools, the set of log curves need to be expanded with additional ones that characterised lithology and saturation (SP, CN, DEN). Also, quality and useful prediction by RPORP algorithm could be reached with more than 90 % probability of true prediction (in presented analysis this value reached 82.1 %).

Izvorni jezik
Hrvatski, engleski

Znanstvena područja
Geologija

Napomena
Rad je objavljen dvojezično (hrvatski i engleski).

POVEZANOST RADA