Hybrid modelling with machine learning for overpressure and mud weight prediction

Uventa høge poretrykk i undergrunnen er også i dag ei utfordring, sjølv etter tiår med olje og gassleiting og produksjon på norsk sokkel. Uventa høge trykk kan føre til fleire typar negative hendingar under boreoperasjonar. Det kan komme gass inn i brønnen, enn kan få slamtap og i verste tilfelle ukontrollert utblåsing. Det er ofte store usikkerheit knytt til predikering av poretrykk og hol stabilitet, noko som kan føre til nedetid og høge kostnader. Fleire ulike metodar blir nytta i dag for predikere trykket. Disse metodane baserer seg på sanntidsdata samla inn under boring, teoretiske modeller eller ein kombinasjon av nye data og modeller. I praksis, er det berre ein liten del av alle eksisterande data som blir brukt. En avgrensar seg gjerne til data frå nokre få omkringliggande brønnar. Geologiske modeller blir ikkje brukt i analysane. Den nye ideen er å bruke alle tilgjengelege data, både historiske og nye data, med å bruke hybrid modellering. Hybrid modellering tyder å kombinere fysikk baserte modeller og maskinlæring. Det kan være tredimensjonale modeller av undergrunnen med ulike sandsteins og skiferlag, kombinert med maskinlæring med data frå brønnar. Modellane kan dekke store områder på hundre kilometers skala. Med den nye arbeidsmetoden kan ein bruke maskinlæring på potensielt hundrevis av brønnar, og få betre predikering av brønnstabilitet og trykk for nye brønnar. Forskingsprosjektet «Big Pressure» er leda av SINTEF Industri, i tett samarbeid med NTNU, SINTEF Digital og Universitetet i Munich, i tillegg til Equinor og ConocoPhillips som industripartnarar. Ein doktorgradstudent vil bli tilsett i prosjektet.

Unexpected high overpressures in the subsurface are still a challenge on the Norwegian Continental Shelf, even after decades of oil and gas exploration and production. Unpredicted overpressures may lead to challenges in drilling operations, such as mud loss, kicks, and in the worst case, loss of wells. Currently, drilling teams experience large uncertainties in prediction of pore pressure and wellbore stability, leading to extensive non-productive time (NPT) and large costs. Today, several approaches are used to predict the pore pressures along a planned well path: either using well logs, seismic, modelling approaches or combinations thereof. In practice, only a small amount of existing data, and often only from nearby wells, are taken into account, and the geological models are not used in the predictions. The idea is to use all data available, both historical and real time data, by using hybrid analytics and machine learning techniques to get better pressure prediction and thereby improved mud weight estimates. The novel approach aims at combining existing physical three-dimension geomodels and pressure models, with machine learning applied to all well data available in a sedimentary basin (on a hundred km scale). The project aims to move forward the state-of-art on pressure and mud weight window prediction, built on the existing tools, to include machine learning using data from potentially hundreds of wells, to estimate key parameters that are used to predict well stability. The BigPressure project will be led by SINTEF Industry, in tight collaboration with researchers at SINTEF Digital, with NTNU and University of Munich as well as industry partners Equinor and ConnocoPhillips, who will contribute with industry perspectives on operation challenges and requirements.