Permeability prediction from well-logs by applying Hydraulic flow unit and Machine learning: a case study of Cuu Long basin, offshore Vietnam; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 337, № 8
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 337, № 8.— 2026.— С. 211-226 |
|---|---|
| Other Authors: | , , , , , |
| Summary: | Relevance. This paper addresses the challenge of classifying and predicting hydraulic flow units in reservoirs, particularly in heterogeneous formations like the Cuu Long basin, offshore Vietnam. Integrating machine learning techniques offers a modern and efficient approach to reservoir characterization, which is crucial for improving permeability estimation and reducing uncertainty in reservoir modeling. Aim. To suggest a novel strategy to enhance the estimation of permeability and provide a more continuous geological profile for reservoir engineers. Objects. Core samples and well log data collected from 42 wells in the Cuu Long basin, offshore Vietnam. Methods. Machine learning techniques – both unsupervised and supervised were applied to predict permeability from well log data. Results. The study found that Fuzzy C-means clustering provided the optimal classification of hydraulic flow units, with 5 HUs being the best division for sedimentary reservoirs in the Cuu Long Basin. Among supervised learning models, Random Forest performed the best in clustering HUs, achieving an accuracy of 93% in training and 86% in testing, outperforming Boosted Tree, Artificial Neural Network, and Support Vector Machine. The integration of core and well log data improved hydraulic flow units classification and permeability prediction in heterogeneous reservoirs, providing a valuable tool for improved reservoir characterization and management in the Cuu Long basin and similar geological settings Актуальность. Рассматривается проблема классификации и прогнозирования гидравлических единиц потока в пластах, особенно в неоднородных , таких как в Кыулонгском бассейне шельфа Вьетнама. Интеграция методов машинного обучения предлагает современный и эффективный подход к характеристике резервуаров, что имеет решающее значение для улучшения проницаемости и снижения неопределенности в моделировании природных резервуаров нефти и газа. Целью исследования является предложение новой стратегии для улучшения оценки проницаемости и предоставления более непрерывного геологического профиля для инженеров-промысловиков. Объектом исследования являются образцы по керну и данные геофизических исследований скважин, собранные из 42 скважин в Кыулонгском бассейне на шельфе Вьетнама. Методы: методы машинного обучения, как неконтролируемые, так и контролируемые для прогнозирования проницаемости по данным геофизических исследований скважин. Результаты. Результаты исследования показали, что кластеризация Fuzzy C-means обеспечила наиболее оптимальную классификацию гидравлических единиц потока, при этом 5 HU являются наилучшим разделением для резервуаров в Кыулонгском бассейне. Среди контролируемых моделей обучения Random Forest показал наилучшие результаты в кластеризации HU, достигнув точности 93 % при обучении и 86 % при тестировании, превзойдя Boosted Tree, Artificial Neural Network и Support Vector Machine. Интеграция данных по керну и по геофизическим исследованиям скважин улучшила классификацию HU и прогнозирование проницаемости в неоднородных коллекторах, предоставив ценный инструмент для улучшения характеристики и управления пластами в Кыулонгском бассейне и аналогичных геологических условиях Текстовый файл |
| Language: | English |
| Published: |
2026
|
| Subjects: | |
| Online Access: | bulletin_tpu-2026-v337-i8-18.pdf https://doi.org/10.18799/24131830/2026/8/5049 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=688513 |