Abstract
This study presents the application of a Sequence-to-Sequence (Seq2Seq) recurrent neural network for estimating porosity log data by leveraging information from other logs. The effectiveness of this technique in simulating porosity for heterogeneous reservoirs is demonstrated by employing data from the Yamama Formation in the Faihaa Oil field in southern Iraq. Four wells in the field were used for the model training and evaluation, where input data comprised density, neutron, gamma-ray, and porosity logs. The model's performance was assessed using absolute percentage, and root means squared errors, and the results were compared against actual data, revealing a significant correlation. These results establish the Seq2Seq recurrent neural network model as a superior option for predicting reservoir porosity from other good log data. They could have practical implications in estimating porosity for petroleum calculations.
Keywords
carbonates formation
LSTM
Neural Network
Porosity prediction
Seq2Seq
south of Iraq.
Abstract
تقدم هذه الدراسة تطبيق شبكة عصبية متكررة من التسلسل إلى التسلسل (Seq2Seq) لتقدير بيانات سجل المسامية من خلال الاستفادة من المعلومات من السجلات الأخرى. تم توضيح فعالية هذه التقنية في محاكاة المسامية للخزانات غير المتجانسة من خلال استخدام البيانات من تكوين اليمامة في حقل الفيحاء للنفط في جنوب العراق. تم استخدام أربعة آبار في الحقل للتدريب والتقييم، حيث تضمنت بيانات الإدخال سجلات الكثافة والنيوترون وأشعة جاما والمسامية. تم تقييم أداء النموذج باستخدام النسبة المئوية المطلقة، ومتوسطات الجذر التربيعي للأخطاء، وقورنت النتائج بالبيانات الفعلية، مما كشف عن وجود ارتباط معنوي. تؤسس هذه النتائج نموذج الشبكة العصبية المتكررة Seq2Seq كخيار أفضل للتنبؤ بمسامية الخزان من بيانات السجل الجيدة الأخرى. يمكن أن يكون لها آثار عملية في تقدير المسامية لحسابات البترول.