Machine Learning Based Geomechanics Prediction While Drilling Using Mud Logging Data: Tight Fractured Quartzites, Rhourde Nouss Field, Algeria

Abstract

For accurate characterization of petroleum reservoirs and the optimization of drilling and production operations, a comprehensive understanding of the geomechanical properties of rock formations is required, particularly Poisson’s ratio and Young’s modulus, due to their fundamental role in wellbore stability assessment, in-situ stress estimation, drilling performance optimization, and hydraulic fracturing design. However, the estimation of these properties has traditionally relied on direct laboratory measurements on core samples or on sonic and density well logs. These methods are often unavailable or of limited accuracy in tight and naturally fractured reservoirs, owing to poor core recovery, data loss, and the degradation of log quality resulting from complex drilling conditions and the influence of drilling mud. This thesis aims to develop intelligent machine learning-based frameworks for the continuous and real-time prediction of geomechanical properties, specifically dynamic Poisson’s ratio (DPR) and dynamic Young’s modulus (DE), using drilling data and geophysical well log data. The developed models were trained and validated using 247 data points for DPR prediction and 1894 data points for DE prediction. The tight and naturally fractured El Hamra Quartzite Formation, of Rhourde Nouss field in southeastern Algeria, was selected as a case study for this research. The main findings of this thesis can be summarized as follows: • Dynamic Poisson’s ratio prediction is highly accurate using real-time drilling data, with Extreme Gradient Boosting (XGB) achieving (R² ≈ 0.856, RMSE0.025, MAE0.019). • Dynamic Young’s modulus prediction reaches optimal performance with XGB applied to conventional well logs (R² ≈ 0.963, RMSE ≈ 2.281, MAE ≈ 1.355), particularly after reservoir classification based on borehole diameter CALIPER • The innovative CALIPER (borehole diameter)-based reservoir classification strategy improved model accuracy by reducing internal data variability (R² ≈ 0.963, RMSE ≈ 2.281, MAE ≈ 1.355). • Using real-time drilling data represents a technical and economic alternative to traditional methods, enhancing decision making and reducing field operation costs. The results of this thesis confirm the effectiveness of artificial intelligence techniques in achieving accurate geomechanical characterization of complex petroleum reservoirs, including tight and fractured reservoirs, while saving time and effort and reducing costs associated with laboratory testing and conventional logging operations notably when losing of travel time (∆t). Furthermore, this study highlights the importance of integrating operational data with intelligent models as a modern and promising approach for developing more efficient and reliable reservoir evaluation strategies in contemporary petroleum engineering.

من أجل التوصيف الدقيق للمكامن البترولية وتحسين عمليات الحفر والإنتاج، يتطلب الأمر معرفة شاملة بالخصائص الجيوميكانيكية للتكوينات الصخرية، ولا سيما معامل بواسون ومعامل يونغ، لما لهما من دور أساسي في تقييم استقرار البئر، وتقدير الإجهادات في الموقع، وتحسين أداء الحفر، وتصميم عمليات التكسير الهيدروليكي غير أن تقدير هذه الخصائص يعتمد تقليديًا على القياسات المخبرية المباشرة على العينات اللبّية أو على التسجيلات الصوتية والكثافية، وهي طرائق غالبًا ما تكون غير متاحة أو محدودة الدقة في المكامن الضيقة والمتصدعة طبيعيًا، بسبب ضعف استرجاع اللب، وفقدان البيانات، وتدهور جودة التسجيلات نتيجة ظروف الحفر المعقدة وتأثير طين الحفر تهدف هذه الأطروحة إلى تطوير أطر ذكية قائمة على التعلّم الآلي للتنبؤ المستمر وفي الزمن الحقيقي بالخصائص الجيوميكانيكية، بالخصوص نسبة بواسون الديناميكي(DPR) dynamic Poisson’s ratio ومعامل يونغ الديناميك (DE) dynamic Young’s modulus ، اعتمادًا على بيانات الحفر وبيانات التسجيلات الجيوفيزيائية. تم تدريب النماذج المطورة والتحقق من صحتها باستخدام 247 نقطة بيانات للتنبؤ بمعامل بواسون الديناميكي و1894 نقطة بيانات للتنبؤ بمعامل يونغ الديناميكي. وقد تم اختيار تكوين كوارتزيت الحمرة (Quartzite El Hamra) الضيق والمتصدع طبيعيًا، بحقل غورد النص (Rhourde Nouss)جنوب شرق الجزائر، كحالة تطبيقية لهذه الدراسة. يمكن تلخيص النتائج الرئيسية لهذه الأطروحة على النحو التالي • تُظهر تنبؤ نسبة بواسون الديناميكية باستخدام بيانات الحفر في الوقت الفعلي دقة عالية، حيث حقّق نموذج( XGB) Extreme Gradient Boosting قيم R² ≈ 0.856 ، RMSE ≈ 0.025، وMAE ≈ 0.019. • يصل تنبؤ معامل يونغ الديناميكي إلى أداء أمثل عند تطبيق XGB على تسجيلات الآبار التقليدية، مع قيم R² ≈ 0.963، RMSE ≈ 2.281، وMAE ≈ 1.355، خاصة بعد تصنيف المكمن بناءً على قطر البئر (CALI). • أسهمت الاستراتيجية المبتكرة لتصنيف المكامن المبنية على CALI في تحسين دقة النماذج من خلال تقليل التباين الداخلي للبيانات، مما عزز موثوقية التنبؤا (R² ≈ 0.963, RMSE ≈ 2.281, MAE ≈ 1.355) • يعد استخدام بيانات الحفر في الزمن الحقيقي بديلاً تقنيًا واقتصاديًا للطرق التقليدية، مع تحسين اتخاذ القرار وتقليل تكاليف العمليات الميدانية. تؤكد نتائج هذه الأطروحة فعالية تقنيات الذكاء الاصطناعي في التوصيف الجيوميكانيكي الدقيق للمكامن البترولية المعقدة، بما في ذلك المكامن الضيقة والمتصدعة، مع توفير الوقت والجهد وتقليل التكاليف المرتبطة بالاختبارات المخبرية وعمليات التسجيل التقليدية. كما تُبرز هذه الدراسة أهمية دمج البيانات التشغيلية مع النماذج الذكية كاتجاه حديث وواعد لتطوير استراتيجيات تقييم مكامن أكثر كفاءة وموثوقية في هندسة البترول الحديثة.