Geri Dön

Dadaş şeylinin kırılganlık indeksinin derin öğrenme ile tahmin edilmesi

Prediction of brittleness index of Dadaş shale using deep learning

PDF İndir

  1. Tez No: 800059
  2. Yazar: ORKHAN MUSAZADA
  3. Danışmanlar: PROF. DR. ŞAMİL ŞEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeoloji Mühendisliği, Geological Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Jeoloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Jeoloji Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 75

Özet

Ankonvansiyonel hidrokarbon arama ve üretim faaliyetleri her geçen gün yatay sondaj, hidrolik çatlatma ve yapay zeka teknolojileri ile artmaktadır. Şeyllerin kırılganlık indeksi, ankonvansionel rezervuarlarda hidrolik çatlatma ve sondaj öncesinde potansiyel alanların belirlenmesinde, hangi kaya türlerinin hidrolik kırma için uygun olduğunu belirlemekte temel parametrelerden birisidir. Bununla birlikte, herhangi bir şeyl rezervindeki tüm kuyuların tüm aralıklarından örnekler almak zaman alıcı ve pratik değildir. Bu çalışmada, Dadaş Şeylinin kırılganlık indeksi tahmini daha ekonomik ve hemen kullanılabilir konvansiyonel loglardan tahmin etmek için veri odaklı makine öğrenimi yöntemi kullanılmıştır. Makina öğrenimi çalışması için kuyu logu verileri (GR, Sonic), XRD analizi verileri (Kuvars, Feldspat, Karbonat, Kil) ve Piroliz (TOK) verilerinden oluşan bir veri seti oluşturulmuştur. Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2 kuyularının organik madde açısından zengin şeyllerinden oluşan 13 örnekli bir veri seti, kırılganlık tahmini için derin öğrenme modelinin oluşturulmasında kullanılmıştır. Tensorflow-Keras kütüphanesi ile 512, 256, 128, 64 ve 64 xiii nöronlardan ve 5 katmanlı yapay sinir ağı (YSA) ile yapılan eğim ve test çalışmasında en iyi ortalama hata geçmişi elde edilmiştir. Bu yapay sinir ağları (YSA) parametrelerini kullanarak oluşturulan modelde lineer korelasyon katsayısı R2=0.98 kadar yüksek tahmin edilmiştir. Elde edilen derin öğrenme modeli Akçay 1 ve Derindere 1 kuyularının kırlganlık indeksinin tahmininde kullanılmıştır. Jupiter Notebook üzerinden Pyhton 3 kodlama dili ile oluşturduğumuz model yeniden yüklenerek bu modele tahmin veri seti girilmiş ve Akçay 1 ve Derindere 1 kuyularındaki Dadaş şeylinin kırılganlık indeksi değerleri başarılı bir şekilde tespit edilmiştir

Özet (Çeviri)

Unconventional hydrocarbon exploration and production activities are increasing every day with the use of horizontal drilling, hydraulic fracturing, and artificial intelligence technologies. The brittleness index of shales is one of the fundamental parameters used in determining potential areas for hydraulic fracturing and well drilling in unconventional reservoirs. It helps identify which rock types are suitable for hydraulic fracturing operations. However, sampling from all intervals of every well in any shale reservoir is time-consuming and impractical. In this study, a data-driven machine learning method has used to estimate the brittleness index of Dadaş shale more economically and immediately compared to conventional logs. A dataset has created for the machine learning study, consisting of well log data (GR, Sonic), XRD analysis data (Quartz, Feldspar, Carbonate, Clay), and Pyrolysis (TOK) data. A dataset of 13 samples, consisting of shale samples rich in organic matter from the wells of the Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan1, and Çalıktepe-2, has used to create a deep learning model for brittleness estimation. In the xv training and testing process conducted using a 5-layer artificial neural network (ANN) with 512, 256, 128, 64, and 64 neurons using the TensorFlow-Keras library, the best average error history was obtained. Using the parameters of these artificial neural networks (ANN), the model created achieved a high linear correlation coefficient of R2=0.98 in the predictions. The obtained deep learning model has used to predict the brittleness index of Akçay-1 and Derindere-1 wells. The model created using the Python 3 programming language in Jupyter Notebook has been reloaded. By reloading this model, a prediction dataset was provided, and the fragility index values of the Dadaş shale in the Akçay 1 and Derindere 1 wells were successfully determined

Benzer Tezler

  1. Tez No

    833662

    The fracability evaluation of Dadaş shale in Southeastern Turkey based on its geomechanical properties

    Güneydoğu Türkiye'deki Dadaş şeylinin jeomekanik özelliklerine göre çatlatılabilirlik değerlendirmesi

    OĞUZ CİHANER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Petrol ve Doğal Gaz MühendisliğiOrta Doğu Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BETÜL YILDIRIM

  2. Tez No

    682765

    Dadaş şeylinin mineral bileşiminin ve toplam organik madde miktarının (TOK) makine öğrenmesi ile belirlenmesi

    Estimation of mineralogical composition and total organic carbon (TOC) of the Dadas shale by using machine learning

    SALİH SAĞLAM

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeoloji Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Jeoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞAMİL ŞEN

  3. Tez No

    851371

    Dadaş şeylinin porozite miktarının derin öğrenme modeli ile tahmin edilmesi

    Prediction of porosity amount of the Dadaş shale based on amodel using deep learning

    ABDULILAH ALKHALAF

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeoloji Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAMİL ŞEN

  4. Tez No

    152770

    Kolon boyut ve şeklinin değişiminin kat kesme kuvveti dağılımına etkisi

    The effect of changes in column dimension and column shape to the distribution of the floor shear force

    ULAŞ TUNALI

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    İnşaat MühendisliğiSakarya Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    Y.DOÇ.DR. HÜSEYİN KASAP

  5. Tez No

    334079

    Timpanoplastilerde greft materyali ve hazırlanış şeklinin postoperatif odyolojik kazanç ve greft tutulum başarısına etkisi

    The effect of graft material and its preparation method on post-operative hearing gain and graft take on timpanoplasty operations

    TEKİN ERSOY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    Kulak Burun ve BoğazAdnan Menderes Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    PROF. DR. A. ONUR ODABAŞI

Geri Dön