머신 러닝 접근 방식이 소스 록 평가에 도움이 됩니다.

Jul 29, 2023

지구화학적 매개변수는 유기물 풍부 지역의 예측 정확도를 높이는 데 중요한 데이터 세트입니다. 그러나 이러한 측정값을 얻기 위한 현재의 실험실 분석 방법은 비용이 많이 들고 시간이 많이 걸립니다. 유선 로그에서 총 유기탄소(TOC)를 추정하기 위한 풍부한 지식과 방정식이 존재하지만, 유선 로그에서 지구화학적 매개변수를 예측하기 위해 특히 기계 학습(ML)을 활용하는 새로운 연구 노력이 계속되고 있습니다. 그러나 이러한 방법은 데이터 가용성과 품질에 크게 의존합니다. TOC와 같은 지구화학적 매개변수는 암석의 유기물 풍부함과 성숙도를 이해하여 탄화수소 탐사를 최적화하는 데 유용한 정보를 제공합니다.

TOC는 암석에 함유된 유기물 함량으로 정의할 수 있습니다. 유기물은 근원암 평가에서 가장 중요한 구성요소이다. 따라서 TOC의 변화를 이해하는 것은 탄화수소 원천 암석 품질을 평가하고, 유기물이 풍부한 지역을 식별하고, 비전통적인 저장소 특성화를 강화하는 데 중요합니다. 이전에는 로그를 사용한 수학적 계산이 TOC 값을 추정하고 근원암 생산성을 결정하는 데 도움이 되었습니다(Passey et al. 1990). 해석을 통해 유기물 함량과 성숙한 유기물 풍부 간격이 확인되었습니다. 로그를 사용하여 TOC를 계산하는 두 가지 방법은 음파/비저항 비율(Ahangari et al. 2022)과 로그 조합(Fertl et al. 1988)입니다. 이러한 접근법은 탄화수소를 방출하는 근원암 능력을 평가합니다. 이러한 방법의 한계로 인해 이 기사에서는 ML을 사용하여 단 몇 분만에 연속 고해상도 TOC 프로파일을 예측하는 새로운 작업 흐름을 제시합니다. 이 접근법은 지구화학적 매개변수 예측의 정확성을 높이는 데 도움이 됩니다. 비파괴적이며 실험실 테스트가 최소한으로 필요합니다.

BackgroundTOC는 유기물이 풍부한 지역을 식별하고 암석층의 근원암 특성을 파악하는 데 중요한 매개변수입니다. 실험실에서 측정한 TOC 데이터의 한 가지 중요한 한계는 이러한 측정이 불연속적이고 분산되어 있으며 분석의 파괴적인 특성으로 인해 전체 관심 영역을 포괄하지 못한다는 사실입니다. 색상 속성이 포함된 이미지를 작업 흐름에 통합하여 지구화학적 매개변수를 예측하는 데 도움을 줄 수도 있습니다. 비파괴적인 방식으로 유기물 풍부 구역 특성화를 향상시키기 위해 다양한 지구화학적 매개변수를 감지하고 시각화하기 위해 ML 작업 흐름이 도입되었습니다(Shalaby et al. 2019). 여기에서는 핵심 이미지와 TOC 실험실 데이터를 사용하여 적시에 지속적인 고해상도 TOC 프로필을 생성하는 ML 작업 흐름을 보여줍니다.

방법론핵심 사진은 엔트로피와 색상 속성(빨간색, 녹색, 파란색 곡선)으로 분해되었습니다. 속성의 연속적인 시각적 곡선을 추출하기 위해 이동 평균 창을 사용했습니다. 이러한 속성은 Rock Eval 열분해 기기를 사용하여 실험실에서 측정한 해당 TOC 측정값과 일치했습니다.

워크플로는 두 가지 ML 알고리즘으로 구성됩니다. 첫 번째 알고리즘은 추출된 엔트로피와 색상 곡선을 입력으로 사용하는 비지도 K-평균 클러스터링입니다. 이는 추출된 속성을 기반으로 클러스터의 연속 곡선을 생성했습니다. 핵심 TOC 측정에 대한 이전 지식을 바탕으로 암석 클러스터의 수가 선택되었습니다. 예를 들어, 높은 값, 중간 값, 낮은 값을 포함하는 다양한 TOC 측정값이 식별되었습니다. 이 경우 생성되는 클러스터 수는 3개가 됩니다. 이 접근 방식은 TOC 값이 높은 구간을 직접 분류하는 데 유용합니다. 두 번째 알고리즘은 추출된 속성이 TOC 값에 연결된 SVR(지원 벡터 회귀)을 적용했습니다. 이 접근 방식에서는 데이터의 80%를 모델 학습에 사용하고 20%를 모델의 블라인드 테스트 및 검증에 사용했습니다. 최종 결과는 연속적인 고해상도 TOC 프로파일을 생성하는 데 사용될 수 있습니다(그림 1).

결과 작업 흐름은 ML 알고리즘을 통해 비파괴적인 방식으로 소스 암석 간격에 대한 연속적인 고해상도 TOC 프로파일로 구성된 유망한 결과를 생성했습니다(그림 2). 결과는 측정 데이터의 ±1% 내에서 90% 예측 정확도로 연속 TOC 프로파일이 성공적으로 생성되었음을 보여줍니다(그림 3). 적절한 데이터 배포와 함께 일관된 고품질 이미지를 사용하면 예측 정확도가 높은 결과를 생성하는 데 도움이 될 수 있습니다. 고품질 이미지와 광범위한 데이터 분포를 기반으로 모델을 구축하고 훈련하면 예측 결과가 향상되고 궁극적으로 유기물이 풍부한 지역과 비전통적인 자원의 특성화가 향상됩니다(Peters et al. 2016).