Enhancing Reservoir Characterization by Applying Machine Learning

Olje- og gass-selskaper bruker betydelig tid og ressurser på å identifisere og evaluere prospekter før de driller en brønn. De må lage en presis modell av undergrunnen som viser om det er olje og gass til stede og om det er nok til at det lønner seg å drille. En presis undergrunnsmodell er også viktig for sikkerhet og for miljøkonsekvenser av utbyggingen. I ReservoAIr lager vi en programvare som hjelper selskaper å lage en mer presis modell av undergrunnnen. Selskapene vil benytte programvaren til å predikere bergartenes egenskaper og tilstedeværelsen av sand ved hjelp av en ny maskinlæringsmetode. Hittil i prosjektet har vi predikert geologiske formasjoner som injektitter og kanaler, samt predikert bergartsegenskaper. Vi har laget en prototype på en iterativ arbeidsflyt som gjør at brukeren kan tolke komplekse geologiske formasjoner med hjelp av maskinlæring. Resultatene er lovende og etter planen. Metodene og programvaren vi utvikler for å lage en bedre undergrunnsmodell kan også brukes for å evaluere og monitorere et CO2-reservoar.