Intégration des interprétations des journaux de forage pour la classification des lithofaciés et la modélisation de la perméabilité par des algorithmes d'apprentissage machine avancés

Dans cet article, une procédure intégrée a été adoptée pour obtenir une classification précise des lithofaciés à incorporer avec les interprétations des journaux de forage pour une modélisation précise de la perméabilité des carottes. Des réseaux neuronaux probabilistes (PNN) ont été utilisés pour modéliser les séquences de lithofaciés en fonction des données de forage afin de prédire la distribution discrète des lithofaciés à des intervalles manquants. Ensuite, le modèle de régression boostée généralisée (GBM) a été utilisé pour établir une relation non linéaire entre la perméabilité des carottes, les données de forage et les lithofaciés. Les interprétations des journaux de forage considérées pour la classification des lithofaciés et la modélisation de la perméabilité sont la porosité des neutrons, le volume de schiste et la saturation en eau en fonction de la profondeur ; cependant, les types de lithofaciés discrets mesurés sont le sable, le sable argileux et le schiste. Une classification précise des lithofaciés a été atteinte par le PNN, le pourcentage total correct des lithofaciés discrets prédis étant de 95,81 %. Dans les résultats du GBM, l'erreur de prédiction quadratique moyenne et le R-carré ajusté ont des valeurs positives incroyables, car il y avait une excellente correspondance entre la perméabilité des carottes mesurée et prédite. De plus, le modèle GBM a permis de surmonter la multicolinéarité qui existait entre une paire de prédicteurs. L'efficacité de la régression boostée a été démontrée par la correspondance des prédictions de la perméabilité des carottes par rapport à la régression linéaire multiple (MLR) conventionnelle. Le GBM a permis une prédiction de la perméabilité beaucoup plus précise que celle de la MLR.