Prediction of Reservoir Rock Permeability Using Artificial Intelligence in Carbonate Reservoir Utilizing Drilling Data /
Said Hassan Hassaan Hassan,
Prediction of Reservoir Rock Permeability Using Artificial Intelligence in Carbonate Reservoir Utilizing Drilling Data / توقع النفاذية لصخور الخزان باستخدام الذكاء الاصطناعي في خزان الكربونات بإستخدام بيانات الحفر / By Said Hassan Hassaan Hassan; Under the Supervision of Prof. Dr. Abdel Sattar Abdel-Hamid Dahab - 92 pages : illustrations ; 30 cm. + CD.
Thesis (M.Sc.)-Cairo University, 2024.
Bibliography: pages 66-76.
This study aims to predict rock permeability using readily available drilling parameters
without incurring additional costs. The study used three machine learning models,
namely random forest (RF), decision trees (DT), and support vector machines (SVM),
to predict porosity and permeability. The dataset used was obtained from two vertical
wells located in the Middle East. The RF model exhibited accurate predictions of
permeability, achieving R values surpassing 0.92 in the various datasets. The DT
model displayed slightly lower performance, with the R-value decreasing to 0.88 in
the testing dataset, the SVM model suffered from overfitting, with decreasing R values
to 0.83 in the testing dataset. The study highlights the efficiency of data-driven
machine learning models in real-time prediction of porosity and permeability using
drilling parameters, which can enable timely and cost-effective estimation of reservoir
properties while drilling الهدف من هذه الدراسة هو توقع المسامية والنفاذية الصخرية باستخدام بيانات الحفر ونماذج التعلم الآلي. تم استخدام ثلاثة نماذج للتعلم الآلي (DT, RF, SVM) للتنبؤ بالمسامية والنفاذية من بيانات الحفر المتاحة بسهولة. أظهرت النماذج الثلاثة أداءً مشجعاً في توقع المسامية، وأظهر نموذج RF توقعات دقيقة للنفاذية بينما عانى نموذج SVM من التجهيز الزائد. تكمن اهمية هذه الدراسة في التقدير الفوري والفعال من حيث التكلفة لخصائص الخزان، وتحسين عمليات اتخاذ القرار المتعلقة بإدارة الخزان.
Text in English and abstract in Arabic & English.
Petroleum Engineering
Permeability Porosity Artificial Intelligence Carbonate Reservoir
622.3382
Prediction of Reservoir Rock Permeability Using Artificial Intelligence in Carbonate Reservoir Utilizing Drilling Data / توقع النفاذية لصخور الخزان باستخدام الذكاء الاصطناعي في خزان الكربونات بإستخدام بيانات الحفر / By Said Hassan Hassaan Hassan; Under the Supervision of Prof. Dr. Abdel Sattar Abdel-Hamid Dahab - 92 pages : illustrations ; 30 cm. + CD.
Thesis (M.Sc.)-Cairo University, 2024.
Bibliography: pages 66-76.
This study aims to predict rock permeability using readily available drilling parameters
without incurring additional costs. The study used three machine learning models,
namely random forest (RF), decision trees (DT), and support vector machines (SVM),
to predict porosity and permeability. The dataset used was obtained from two vertical
wells located in the Middle East. The RF model exhibited accurate predictions of
permeability, achieving R values surpassing 0.92 in the various datasets. The DT
model displayed slightly lower performance, with the R-value decreasing to 0.88 in
the testing dataset, the SVM model suffered from overfitting, with decreasing R values
to 0.83 in the testing dataset. The study highlights the efficiency of data-driven
machine learning models in real-time prediction of porosity and permeability using
drilling parameters, which can enable timely and cost-effective estimation of reservoir
properties while drilling الهدف من هذه الدراسة هو توقع المسامية والنفاذية الصخرية باستخدام بيانات الحفر ونماذج التعلم الآلي. تم استخدام ثلاثة نماذج للتعلم الآلي (DT, RF, SVM) للتنبؤ بالمسامية والنفاذية من بيانات الحفر المتاحة بسهولة. أظهرت النماذج الثلاثة أداءً مشجعاً في توقع المسامية، وأظهر نموذج RF توقعات دقيقة للنفاذية بينما عانى نموذج SVM من التجهيز الزائد. تكمن اهمية هذه الدراسة في التقدير الفوري والفعال من حيث التكلفة لخصائص الخزان، وتحسين عمليات اتخاذ القرار المتعلقة بإدارة الخزان.
Text in English and abstract in Arabic & English.
Petroleum Engineering
Permeability Porosity Artificial Intelligence Carbonate Reservoir
622.3382