Dadaş şeylinin porozite miktarının derin öğrenme modeli ile tahmin edilmesi
Prediction of porosity amount of the Dadaş shale based on amodel using deep learning
- Tez No: 851371
- Danışmanlar: PROF. DR. ŞAMİL ŞEN
- Tez Türü: Yüksek Lisans
- Konular: Jeoloji Mühendisliği, Geological Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Jeoloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeoloji Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Ankonvansiyonel hidrokarbon arama ve üretim faaliyetleri her geçen gün yatay sondaj, hidrolik çatlatma ve yapay zeka teknolojileri ile artmaktadır. Şeyllerin porozite miktarları, ankonvansionel rezervuarlarda hidrolik çatlatma ve sondaj öncesinde potansiyel alanların belirlenmesinde, hatta hangi seviyelerin üretim için uygun olduğunun belirlenmesinde önemli parametrelerden birisidir. Bu çalışmada, Dadaş şeylinin porozite miktarı tahmini daha ekonomik ve hemen kullanılabilir verilerden tahmin etmek için veri odaklı makine öğrenimi yöntemi kullanılmıştır. Bunun için öncelikle dünyada iyi bilinen şeyllerden oluşturulan veri seti ile bir model oluşturulmuştur. Daha sonra Dadaş şeylinin XRD analizi verileri (Kuvars, Feldspat, Karbonat, Kil) ve Piroliz (TOK) verilerinden oluşan bir tahmin veri seti oluşturulmuştur. Bu tahmin veriseti Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2 ve Diyarbakır 1 kuyularınından 149 örneğin analizinden oluşmaktadır. Tensorflow-Keras kütüphanesi ile 512, 256, 128, 64 ve 64 nöron ve 5 katmanlı yapay sinir ağı (YSA) ile yapılan eğim ve test çalışmasında en iyi ortalama hata geçmişi elde Ankonvansiyonel hidrokarbon arama ve üretim faaliyetleri her geçen gün yatay sondaj, hidrolik çatlatma ve yapay zeka teknolojileri ile artmaktadır. Şeyllerin porozite miktarları, ankonvansionel rezervuarlarda hidrolik çatlatma ve sondaj öncesinde potansiyel alanların belirlenmesinde, hatta hangi seviyelerin üretim için uygun olduğunun belirlenmesinde önemli parametrelerden birisidir. Bu çalışmada, Dadaş şeylinin porozite miktarı tahmini daha ekonomik ve hemen kullanılabilir verilerden tahmin etmek için veri odaklı makine öğrenimi yöntemi kullanılmıştır. Bunun için öncelikle dünyada iyi bilinen şeyllerden oluşturulan veri seti ile bir model oluşturulmuştur. Daha sonra Dadaş şeylinin XRD analizi verileri (Kuvars, Feldspat, Karbonat, Kil) ve Piroliz (TOK) verilerinden oluşan bir tahmin veri seti oluşturulmuştur. Bu tahmin veriseti Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2 ve Diyarbakır 1 kuyularınından 149 örneğin analizinden oluşmaktadır. Tensorflow-Keras kütüphanesi ile 512, 256, 128, 64 ve 64 nöron 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 tahmin edilen porozite ile gerçek porozite arasındaki lineer korelasyon katsayısı R2=0.96 kadar yüksek tahmin edilmiştir. Jupiter Notebook üzerinden Pyhton 3 kodlama dili ile oluşturduğumuz model yeniden yüklenerek bu modele tahmin veri seti girilmiş ve kuyularındaki Dadaş şeylinin porozite miktarları başarılı bir şekilde tespit edilmiştir
Özet (Çeviri)
Unconventional hydrocarbon exploration and production activities are increasingly utilizing horizontal drilling, hydraulic fracturing, and artificial intelligence technologies. The porosity levels of shales are important parameters in determining potential areas for hydraulic fracturing and drilling in unconventional reservoirs, and even identifying which levels are suitable for production before drilling begins. In this study, a data-driven machine learning method was employed to estimate the porosity of Dadaş shale using more economical and readily available data. Initially, a model was created using a dataset comprised of well-known shales worldwide. Subsequently, a prediction dataset was formed from XRD analysis data of Dadaş shale (Quartz, Feldspar, Carbonate, Clay) and Pyrolysis (TOC) data. This prediction dataset consists of analyses from 149 samples from the Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2, and Diyarbakır 1 wells."Unconventional hydrocarbon exploration and production activities are increasingly utilizing horizontal drilling, hydraulic fracturing, and artificial intelligence technologies. The porosity levels of shales are important parameters in determining potential areas for hydraulic fracturing and drilling in unconventional reservoirs, and even identifying which levels are suitable for production before drilling begins. In this study, a data-driven machine learning method was employed to estimate the porosity of Dadaş shale using more economical and readily available data. Initially, a model was created using a dataset comprised of well-known shales worldwide. Subsequently, a prediction dataset was formed from XRD analysis data of Dadaş shale (Quartz, Feldspar, Carbonate, Clay) and Pyrolysis (TOC) data. This prediction dataset consists of analyses from 149 samples from the Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2, and Diyarbakır 1 wells. A gradient and test study conducted with a 512, 256, 128, 64, and 64 neuron and 5-layer artificial neural network (ANN) using the Tensorflow-Keras library yielded the best average error history. The artificial neural networks (ANNs) produced high predictions with a linear correlation coefficient R2=0.96 using the parameters of this model. By reloading the model created using these ANN parameters and inputting the prediction dataset into this model via Python 3 programming language in a Jupyter Notebook, the porosity levels of Dadaş shale in the wells were successfully determined
Benzer Tezler
- 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
2021
Jeoloji Mühendisliğiİstanbul Üniversitesi-CerrahpaşaJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞAMİL ŞEN
- Dadaş şeylinin kırılganlık indeksinin derin öğrenme ile tahmin edilmesi
Prediction of brittleness index of Dadaş shale using deep learning
ORKHAN MUSAZADA
Yüksek Lisans
Türkçe
2023
Jeoloji Mühendisliğiİstanbul Üniversitesi-CerrahpaşaJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAMİL ŞEN
- 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
2023
Petrol ve Doğal Gaz MühendisliğiOrta Doğu Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BETÜL YILDIRIM
- 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
2004
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. HÜSEYİN KASAP
- 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
2012
Kulak Burun ve BoğazAdnan Menderes ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
PROF. DR. A. ONUR ODABAŞI