Prediction of Petrophysical Properties Using Machine Learning and Hierarchical Multi-Task Linear Models
Authors:
Autores
Person role | Person | |
---|---|---|
6909 |
3078,2489
|
|
6910 |
3078,2489
|
Informations:
Pesc publication
A caracterização petrofísica de rochas reservatório é uma etapa fundamental na avaliação de reservatórios de petróleo e é normalmente realizada através de ensaios laboratoriais que incorrem em custos e prazos significativos. Neste trabalho, foram avaliadas técnicas estatísticas e de aprendizado de máquina na estimativa de permeabilidade absoluta, curvas de pressão capilar óleo-água e curvas de permeabilidade relativa água-óleo, a partir de dados de porosimetria por intrusão de mercúrio, permeabilidade absoluta e porosidade. A partir da extração de diversas características das curvas de pressão capilar por intrusão de mercúrio, algoritmos de aprendizado de máquina e métodos estatísticos para a estimativa destas propriedades foram avaliados e comparados a métodos clássicos da literatura. Métodos lineares hierárquicos e multi-task foram avaliados para estimativa de curvas de pressão capilar óleo-água e permeabilidade relativa água-óleo. Foi demonstrado o efeito de regularização dos modelos lineares hierárquicos, que resultaram em modelos mais precisos, coerentes e com menor incerteza a posteriori.
Petrophysical characterization of reservoir rocks is a fundamental step in the evaluation of oil reservoirs, and is usually executed through laboratory experiments that incur in large costs and schedules. In this work, statistical techniques and machine learning models were evaluated fo the estimation of absolute permeability, oil-water capillary pressure and water-oil relative permeability curves, using mercury injection porosimetry, absolute permeability and porosity data. Through the exploration of several feature engineering and modeling strategies, machine learning and statistical models were assessed and compared to classical linear methods. Multi-task and hierarchical linear models were also evaluated for the estimation of special core analysis parameters from mecrcury injection porosimetry and routine core analysis data. On the evaluated dataset, hiearchical linear models were shown to have better precision, consistency and lower posterior uncertainty metrics when compared to simple linear regression models.