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 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 688513 | ||
| 005 | 20261012133906.0 | ||
| 090 | |a 688513 | ||
| 100 | |a 20261012d2026 k||y0rusy50 ba | ||
| 101 | 0 | |a eng | |
| 102 | |a RU | ||
| 135 | |a drcn uucaa | ||
| 200 | 1 | |a Permeability prediction from well-logs by applying Hydraulic flow unit and Machine learning: a case study of Cuu Long basin, offshore Vietnam |d Прогнозирование проницаемости по данным геофизических исследований скважин с применением гидравлических единиц потока и машинного обучения: на примере Кыулонгского бассейна, Вьетнам |z rus |f Vu Hong Duong, Nguyen Thanh Tung, Nguyen Minh Hoa [et al.] | |
| 320 | |a References: p. 225-226 (29 tit.) | ||
| 330 | |a 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 | ||
| 330 | |a 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 | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 688369 |9 688369 |t Т. 337, № 8 |d 2026 |v С. 211-226 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a hydraulic flow units | |
| 610 | 1 | |a permeability | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a Cuu Long basin | |
| 610 | 1 | |a core | |
| 610 | 1 | |a well-log | |
| 610 | 1 | |a гидравлические единицы потока | |
| 610 | 1 | |a проницаемость | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a бассейн Кыулонг | |
| 610 | 1 | |a керн | |
| 610 | 1 | |a ГИС | |
| 701 | 0 | |a Vu Hong Duong | |
| 701 | 0 | |a Nguyen Thanh Tung | |
| 701 | 0 | |a Nguyen Minh Hoa | |
| 701 | 0 | |a Nguyen Danh Lam | |
| 701 | 0 | |a Ha Quoc Dat | |
| 701 | 0 | |a Nguyen Xuan Duy | |
| 801 | 0 | |a RU |b 63413507 |c 20261012 | |
| 850 | |a 63413507 | ||
| 856 | 4 | 0 | |u bulletin_tpu-2026-v337-i8-18.pdf |z bulletin_tpu-2026-v337-i8-18.pdf |
| 856 | 4 | 0 | |u https://doi.org/10.18799/24131830/2026/8/5049 |z https://doi.org/10.18799/24131830/2026/8/5049 |
| 942 | |c CF | ||