Lithology recognition during drilling through drilling parameters

Abstract

This study addresses the problem of accurately predicting the tops of the formation and its lithology while drilling using a novel machine learning (ML) approach. Our model, achieves 68% accuracy and 69% precision in real-time litho-facies identification using 11 drilling parameters. Extensive data preprocessing ensured unbiased and effective model performance. The model was carefully trained and evaluated, with extensive data preprocessing to reduce features, balance the sample distribution, and ensure an unbiased dataset. This attention to data quality and preprocessing is crucial for effective model performance. A case study in the Hassi Messaoud oil field validated the model's practical applicability. This ML-based methodology offers significant advantages for real-time geosteering, enhancing decision-making and efficiency in drilling operations. The model successfully predicts fine sand and fine sandstone lithologies, and for clay predictions are reasonably close to the real values. However, for salt, the model significantly overestimates the presence compared to the real data.

هذا البحث يعالج تحدي التنبؤ الدقيق بالتكوينات الحجرية والحدود الطبقية في صناعة النفط باستخدام منهج جديد للتعلم الآلي (ML). نموذجنا، "، يحقق دقة 68٪ و69٪ في تحديد ملامح الصخور في الوقت الفعلي باستخدام 11 معلمة حفر. كفل التحضير الشامل للبيانات أداء نموذجي غير متحيز وفعال. تم تدريب النموذج وتقييمه بعناية، مع التحضير الشامل للبيانات للحد من الميزات ، وموازنة توزيع العينة ، وضمان مجموعة بيانات غير متحيزة. يُعد هذا الاهتمام بجودة البيانات والتحضير أمرًا حاسمًا لأداء النموذج الفعال أثبتت دراسة الحالة في الحقل النفطي لحاسي مسعود صحة التطبيق العملي للنموذج. وتوفر هذه المنهجية القائمة على التعلم الآلي مزايا كبيرة للمراقبة الجيولوجية في الوقت الحقيقي، وتحسين عملية صنع القرار وكفاءة عمليات الحفر. يتنبأ النموذج بنجاح بالطبقات الصخرية الرملية الناعمة والحجر الرملي الناعم، وبالنسبة للصلصال، فإن التنبؤات قريبة بشكل معقول من القيم الفعلية. أما بالنسبة للطبقة الملحية، يبالغ النموذج في تقدير وجودها بشكل كبير مقارنةً بالبيانات الفعلية، “.