Enhanced analysis of ultrasonic impedance logs: Improved imaging and fluid channel detection
Abstract
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 CO2 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. Sammendrag: 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 CO2-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.