Evaluation of Lista Fm shales on Grane using a machine learning approach

Abstract

Skifere fra Lista formasjonen på Grane-feltet har vært en utfordrende formasjon å bore gjennom på grunn av sin komplekse og heterogene natur. For å løse denne utfordringen, undersøker denne oppgaven bruken av maskinlæringsalgoritmer for å predikere skiferstabilitet og optimalisere boreparametere. Målet med oppgaven er å utvikle nøyaktige og pålitelige maskinlæringsmodeller for å forutsi skiferstabilitet basert på bildelogger, bore- og formasjonsparametere. Modellene utviklet i denne oppgaven inkluderer en bildeklassifiseringsmodell og en parameterprediksjonsmodell. Disse modellene ble trent på data fra ulike parametere, inkludert gammastrålinger, grunn resistivitet, dyp resistivitet, vekt på borkronen, penetrasjonshastighet, pumpetrykk, dreiemoment, hullvinkel, og borekrone-omdreininger per minutt.

Bildeklassifiseringsmodellen oppnådde en nøyaktighet på omtrent 81%, mens parameterprediksjonsmodellen oppnådde en nøyaktighet på omtrent 99%. Resultatene av oppgaven indikerer at hullvinkelen til brønnbanebanen er den viktigste parameteren for å forutsi skiferstabilitet, etterfulgt av andre boreparametere som penetrasjonshastighet, pumpetrykk og dreiemoment. I tillegg viser modellene at alle parametere har samme betydning, noe som betyr at kombinasjonen av parameterne gir et større bilde av skiferstabiliteten.

Modellene utviklet i denne oppgaven kan bidra til å optimalisere boreoperasjoner og redusere ustabilitetsrelaterte skifer problemer. Fremtidig forskning bør fokusere på å utvide datasettet, inkludere mer avanserte maskinlæringsteknikker, integrere sanntidsdata og forbedre valg av modell egenskaper for å forbedre nøyaktigheten og påliteligheten til modellene.

Drilling through the Lista Formation shales in the Grane field is a challenging task due to the shales complex and heterogeneous nature. To address this challenge, this thesis explores the use of machine learning algorithms to predict shale stability and optimize drilling parameters. The objective of the thesis is to develop accurate and reliable machine learning models for predicting shale stability based on image logs, surface logs, and downhole logs. The models developed in this thesis include an image classification model and a parameter prediction model, which were trained on data from various sources, including gamma ray, shallow resistivity, deep resistivity, weight on bit, rate of penetration, pump pressure, torque, inclination, and bit revolutions per minute.

The image classification model achieved an accuracy of approximately 81\%, while the parameter prediction model achieved an accuracy of approximately 99\%. The results of the thesis indicate that the inclination of the wellbore trajectory is the most important parameter for predicting shale stability. The most important drilling parameter proved to be the rate of penetration. Furthermore, the models indicate a relatively small variance in the importance of the different parameters, suggesting that the combination of parameters is crucial for accurate predictions.

The models developed in this thesis can help optimize drilling operations and reduce shale instability related problems. Future research should focus on expanding the dataset, incorporating more advanced machine learning techniques, integrating real-time data, and improving feature selection and engineering to improve the accuracy and reliability of the models.