Enhanced analysis of ultrasonic impedance logs: Improved imaging and fluid channel detection
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2780984Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
Målet med denne oppgaven er å detektere vertikale trekk isementen rundt foringsrøret i olje- og gassbrønner ved å bruke mønstergjenkjenningsteknikker basert påmaskinlæring påultralydloggdata. Å oppdage kanaler er en viktig del i vurdering av brønnintegritet, som er prosessen med å evaluere om foringsrørets sement giren hydraulisk tetning av brønnens ringrom. Automatisk deteksjon av kanaleri foringsrøret kan sement brukes til å gjøre evalueringer av brønnintegritetmer 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 løsningerfor dette vært fokusert på å detektere trekk i horisontal retning i brønnloggene.Derfor er eksisterende metoder ikke egnet for å oppdage kanaler iforingsrørets sement, ettersom slike trekk hovedsakelig er vertikale. I denne oppgaveninterpoleres brønnloggbilder ved bruk av korrigerte målelokasjoner og statistiske interpolasjonsteknikker for å hjelpe evalueringsprosessen.Det vises at denne prosessen forklarer artefakter som er synlige i bildenesom normalt vises for evaluering av brønnintegritet. For å oppdage kanaler,benyttes bildesegmentering ved bruk av dyp læring. Mens flere forbedringerer gjort sammenlignet med den lignende tilnærmingen brukt i et tidligere prosjekt dette arbeideter basert på, indikerer resultatene at dyp læring kanskje ikke er det beste alternativet for deteksjon av kanaler ibrønnloggdata. The aim of this thesis is to detect vertical features in the the casingcement of oil and gas wells by using pattern recognition techniques based onmachine learning onultrasonic log data. Detecting channels is an important part of well integrityevaluations, 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 integrityevaluations 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 imagesare interpolated using corrected measurement locations and state of the artstatistical 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 improvementsare made compared to the similar approach used in a previous project this workis based on, the resultsindicate that deep learning may not be the best alternative for such detection.