dc.contributor.advisor | Løvstakken, Lasse | |
dc.contributor.advisor | Viggen, Erlend Magnus | |
dc.contributor.author | Hoff, Simon Andreas | |
dc.date.accessioned | 2021-09-23T18:18:35Z | |
dc.date.available | 2021-09-23T18:18:35Z | |
dc.date.issued | 2020 | |
dc.identifier | no.ntnu:inspera:56990118:20964470 | |
dc.identifier.uri | https://hdl.handle.net/11250/2780984 | |
dc.description.abstract | Målet med denne oppgaven er å detektere vertikale trekk i
sementen rundt foringsrøret i olje- og gassbrønner ved å bruke mønstergjenkjenningsteknikker basert på
maskinlæring på
ultralydloggdata. Å oppdage kanaler er en viktig del i vurdering av brønnintegritet, som er prosessen med å evaluere om foringsrørets sement gir
en hydraulisk tetning av brønnens ringrom. Automatisk deteksjon av kanaler
i foringsrøret kan sement brukes til å gjøre evalueringer av brønnintegritet
mer effektive og robuste. Dette er viktig både for riggsikkerhet, men også for
plugging og forlating, og brønner som vurderes for CO$_2$-injeksjon.
Selv om automatisk deteksjon av trekk i brønnlogger er vanlig, har de fleste løsninger
for dette vært fokusert på å detektere trekk i horisontal retning i brønnloggene.
Derfor er eksisterende metoder ikke egnet for å oppdage kanaler i
foringsrørets sement, ettersom slike trekk hovedsakelig er vertikale. I denne oppgaven
interpoleres brønnloggbilder ved bruk av korrigerte målelokasjoner og
statistiske interpolasjonsteknikker for å hjelpe evalueringsprosessen.
Det vises at denne prosessen forklarer artefakter som er synlige i bildene
som normalt vises for evaluering av brønnintegritet. For å oppdage kanaler,
benyttes bildesegmentering ved bruk av dyp læring. Mens flere forbedringer
er gjort sammenlignet med den lignende tilnærmingen brukt i et
tidligere prosjekt dette arbeidet
er basert på, indikerer resultatene
at dyp læring kanskje ikke er det beste alternativet for deteksjon av kanaler i
brønnloggdata. | |
dc.description.abstract | The aim of this thesis is to detect vertical features in the the casing
cement of oil and gas wells by using pattern recognition techniques based on
machine learning on
ultrasonic log data. Detecting channels is an important part of well integrity
evaluations, which is the process of evaluating whether the casing cement provides
a hydraulic seal of the annulus of the well. Automatic detection of channels
in the casing cement can be used to make well integrity
evaluations more efficient and robust, which is important for rig safety,
as well as for plug and abandonment, and CO$_2$ injection.
While automatic feature detection in well logs is common, most such
detection has been focused on picking azimuthal features in the well logs.
Therefore, existing methods are not suitable for detecting channels in
the casing cement, as such features are mainly vertical. In this work,
well log images
are interpolated using corrected measurement locations and state of the art
statistical interpolation techniques in order to aid the annotation process.
It is shown that this process explains artefacts visible in the raw images
normally displayed for well integrity evaluations. To detect channels,
image segmentation is performed using deep learning. While several improvements
are made compared to the similar approach used in a previous project this work
is based on, the results
indicate that deep learning may not be the best alternative for such detection. | |
dc.language | | |
dc.publisher | NTNU | |
dc.title | Enhanced analysis of ultrasonic impedance logs: Improved imaging and fluid channel detection | |
dc.type | Master thesis | |