LU603268B1 - Method for Intelligently Identifying Sweet Spot Types in Shale Reservoirs Based on Fractal Characteristics - Google Patents

Claims (8)

ANSPRUCHE ee LU603268 Ansprüche

1. Verfahren zur intelligenten Identifizierung von ,Sweet-Spot‘‘-Typen in Schiefer-Reservoirs auf Basis fraktaler Merkmale, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: Schritt 1: Erfassung der Rohdaten des Tz-Spektrums der Zielbohrung mittels NMR-Logging, parallele Analyse und Aufbereitung dieser Daten sowie anschlieBende Berechnung der relevanten fraktalen Kennwerte, um für jede T2-Spektrum-Gruppe einen Satz fraktaler Attribute zu erhalten; Schritt 2: Ermittlung der beweglichen Porosität der Zielbohrung und deren Finteilung in vier Kategorien, die als ursprüngliche Klassenlabels dienen; Zusammenfassung der fraktalen Attribute mit den ursprünglichen Labels in eine Datentabelle, die als Fingabe für ein K-Means-Clustering-Modell verwendet wird; Durchführung des Clusterings der fraktalen Attribute mit Methoden des maschinellen Lernens, um neue Cluster-Labels zu erzeugen; Schritt 3: Analyse der Bedeutung der fraktalen Attribute mit der Random-Forest-Methode; das Attribut mit der hôchsten ermittelten Wichtigkeit wird als finale Klassifikationskriterium festgelegt — der optimale fraktale Kennwert; Schritt 4: Auf Basis der Zuordnung zwischen ursprünglichen Labels und neuen Cluster-Labels wird für jedes Cluster der Anteil der einzelnen Typen sowie der Anteil jedes Typs an allen Clustern berechnet; durch 1

ANSPRUCHE ee LU603268 kombinierte Auswertung wird eine Abbildungsregel zwischen Cluster- und Original-Labels erstellt, mit der für jeden Datensatz das finale Label bestimmt wird; Schritt 5: Unter Verwendung der finalen Labels und des optimalen fraktalen Kennwerts werden Wertebereiche des optimalen fraktalen Attributs für die vier Klassen abgeleitet; diese Intervalle dienen als endgültige Klassifikationsgrundlage und werden auf sämtliche optimalen fraktalen Werte der Zielbohrung angewendet, woraus sich ein neues, hauptsächlich auf dem optimalen fraktalen Kennwert basierendes Klassifikations- und Bewertungsergebnis für das Schiefer-Reservoir ergibt.

2. Verfahren nach Anspruch 1 zur intelligenten Identifizierung von ,Sweet-Spot‘‘-Typen in Schiefer-Reservoirs auf Basis fraktaler Merkmale, dadurch gekennzeichnet, dass in Schritt 1 die Analyse und Aufbereitung der Rohdaten des T:-Spektrums der Zielbohrung durch Dimensionslosigkeit erfolgt: unter Verwendung einer entsprechenden Formel werden die Rohdaten des Tz-Spektrums dimensionslos gemacht, sodass alle Werte im Intervall [0, 1] liegen.

3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt 1 die fraktalen Kennwerte der aufbereiteten Daten mit einer Methode zur Berechnung der fraktalen Dimension ermittelt werden; die fraktalen Attribute des Tz-Spektrums umfassen Singularitätsstärke, Offset 2

ANSPRUCHE ee LU603268 sowie maximalen und minimalen Offset-Wert.

4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt 2 die Daten der beweglichen Porosität aus verschlossenen Kernbohrungen des Zielbohrabschnitts stammen und nach abnehmender GrôBe in vier Kategorien eingeteilt werden.

5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt 2 die zusammengestellte Datentabelle vor Eingabe in das K-Means-Clustering-Modell einer Vorverarbeitung unterzogen wird: zunächst werden fehlende und AusreiBer-Werte durch Data-Cleaning entfernt, anschließend erfolgen Korrelationsanalyse und Dimensionsreduktion sowie eine Standardisierung der Daten mittels Normalisierung.

6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt 3 mit Hilfe des Random-Forest-Verfahrens die Wichtigkeit der fraktalen Attribute analysiert wird, wodurch eine Rangfolge der drei fraktalen Attribute nach ihrem Einfluss auf das Clustering, die jeweiligen Einflusswerte sowie ein Histogramm erhalten werden.

7. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt 4 mittels der ,bidirektionalen Maximierung“ (two-way-maxi mization) der Anteil jeder urspriinglichen Kategorie innerhalb jedes Cluster-Labels sowie der Anteil jeder ursprünglichen Kategorie über alle Cluster-Labels bestimmt wird. Konkret erfolgt dies durch Anal 3

ANSPRUCHE ee LU603268 yse der Unterschiede und Zusammenhänge zwischen Cluster-Labels und den ursprünglichen Klassen-Labels; mit der two-way-maximizati on erhält man für jedes Cluster-Label den prozentualen Anteil der e inzelnen Original-Labels und umgekehrt für jedes Original-Label des sen Verteilung auf alle Cluster. Durch eine kombinierte Auswertung wird eine Abbildungsregel zwischen Cluster-Labels und ursprünglic hen Klassen-Labels erstellt, auf deren Grundlage die geclusterten Da ten neu klassifiziert und die endgültigen Klassen-Labels zugewiesen werden.

8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Abbildungsregel lautet: {Cluster-Label 0 — Original-Label 1, Clust er-Label 1 — Original-Label 2, Cluster-Label 2 — Original-Label 4, Cluster-Label 3 — Original-Label 3}. 4