機械学習アプローチは原石の評価を支援します

Jul 29, 2023

地球化学パラメータは、有機物が豊富なゾーンの予測精度を高めるための重要なデータセットです。 しかし、これらの測定値を取得する現在の実験室分析方法は、費用と時間がかかります。 有線ログから全有機炭素 (TOC) を推定するための豊富な知識と方程式が存在しますが、特に機械学習 (ML) を活用して、有線ログから地球化学パラメータを予測するための新しい研究努力が続けられています。 ただし、これらの方法はデータの可用性と品質に大きく依存します。 TOC などの地球化学パラメータは、岩石の有機物の豊富さと成熟度を理解するための貴重な情報を提供し、炭化水素探査を最適化します。

TOC は、岩石中の有機物の量として定義できます。 有機物は源岩の評価において最も重要な要素です。 したがって、TOC の変動を理解することは、炭化水素源の岩石の品質を評価し、有機物が豊富なゾーンを特定し、非在来型貯留層の特性評価を強化するために重要です。 以前は、ログを使用した数学的計算が TOC 値の推定と源岩の生産性の決定に役立ちました (Passey et al. 1990)。 この解釈により、有機成分と成熟した有機成分が豊富な区間が特定されました。 対数を使用して TOC を計算する 2 つの方法は、音速/比抵抗比 (Ahangari et al. 2022) と対数の組み合わせ (Fertl et al. 1988) です。 これらのアプローチは、源岩の炭化水素放出能力の評価を提供します。 これらの方法には限界があるため、この記事では、ML を使用してわずか数分で連続高解像度 TOC プロファイルを予測する新しいワークフローを紹介します。 このアプローチは、地球化学パラメーターの予測精度を向上させるのに役立ちます。 非破壊的であり、臨床検査の必要性は最小限です。

BackgroundTOC は、岩石層における有機物が豊富なゾーンと源岩の特徴を特定するための重要なパラメータです。 実験室で測定された TOC データの重要な制限の 1 つは、分析の破壊的な性質により、これらの測定値が離散的かつ散在的であり、対象領域全体をカバーしていないという事実です。 色属性を含む画像もワークフローに組み込んで、地球化学パラメータの予測に役立てることができます。 ML ワークフローは、さまざまな地球化学パラメーターを検出および視覚化し、非破壊的な方法で有機物が豊富なゾーンの特性評価を強化するために導入されました (Shalaby et al. 2019)。 ここでは、コア イメージと TOC ラボラトリー データを使用して、継続的な高解像度 TOC プロファイルをタイムリーに生成する ML ワークフローを紹介します。

方法論コア写真はエントロピーと色の属性 (赤、緑、青の曲線) に分解されました。 移動平均ウィンドウを使用して、属性の連続的な視覚的曲線を抽出しました。 これらの特性は、Rock Eval 熱分解装置を使用して実験室で測定された、対応する TOC 測定値と一致しました。

ワークフローは 2 つの ML アルゴリズムで構成されます。 最初のアルゴリズムは教師なし K 平均法クラスタリングで、抽出されたエントロピーとカラー カーブを入力として使用します。 これにより、抽出された属性に基づいてクラスターの連続曲線が生成されました。 コアの TOC 測定に関する事前の知識に基づいて、岩石クラスターの数が選択されました。 たとえば、高値、中値、低値など、さまざまな TOC 測定値が特定されました。 この場合、生成されるクラスタの数は３つとなります。 このアプローチは、TOC 値が高い区間を直接分類するのに役立ちます。 2 番目のアルゴリズムは、抽出された属性を TOC 値に関連付けてサポート ベクター回帰 (SVR) を適用しました。 このアプローチでは、データの 80% をモデルのトレーニングに使用し、20% をモデルのブラインド テストと検証に使用しました。 最終結果を使用して、連続的な高解像度 TOC プロファイルを生成できます (図 1)。

結果ワークフローは、非破壊的な方法で ML アルゴリズムを介して、源岩間隔の連続高解像度 TOC プロファイルからなる有望な結果を生成しました (図 2)。 結果は、測定データの±1%以内の90%の予測精度で連続TOCプロファイルの生成に成功したことを示しています(図3)。 一貫した高品質の画像を適切なデータ分散とともに使用すると、高い予測精度の結果を生成するのに役立ちます。 高品質の画像と幅広いデータ分布に基づいてモデルを構築およびトレーニングすると、予測結果が強化され、最終的には有機物が豊富なゾーンと非在来型資源の特性評価が向上します (Peters et al. 2016)。