Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018

Kỷ yếu khoa học

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG KỸ THUẬT DẦU KHÍ:
BÀI TĨA N ÁP DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG DỰ BÁO
ÁP SUẤT NỨT VỈA
Đặng Hữu Minh*
Trường Đại học Dầu khí Việt Nam
*Tác giả liên lạc:
TĨM TẮT
Dự đóa n áp suất vỡ vỉa là một công việc quan trong khi lên kế hoạch thiết kế
giếng khoan. Thực tế có sai số trong các cơng thức, mối tương quan để dự đóa n
áp suất vỡ vỉa có thể gây ra một số vấn đề nghiêm trọng, trong đó có thể kể đến
như mất tuần hồn dung dịch khoan hoặc xảy ra hiện tượng “Kick” dẫn đến phun
trào. Các kết quả chính xác của áp suất vở vĩa cho phép việc kiểm sóa t, vận
hành, kích thích giếng hoạt động hiệu quả. Áp suất vỡ vỉa sẽ phụ thuộc vào các
thơng số chính như ứng suất lớp phủ, ứng suất thành hệ, áp suất lỗ rỗng, độ sâu,
hệ số Poisson, mô đun khối, mô đun Young,… Bất kỳ phương pháp dự đóa n áp
suất vỡ vỉa nào cũng xây dựng các mối tương quan từ những thơng số trên.
Từ khóa: Áp suất vỡ vỉa, mạng nơ-ron nhân tạo.
ARTIFICIAL INTELLIGENT APPLIED IN PETROLEUM
ENGINEERING: A CASE STUDY OF FRACTURE PRESSURE
PREDICTION USING ARTIFICIAL NEURAL NETWORK MODEL
Dang Huu Minh*
Petro Viet Nam University
*Corresponding Author:
ABSTRACT
Prediction formation fracture pressure is an essential task in designing safer
drilling operations and economical well planning. The errors in formulas,
correlations which using to predict formation fracture pressure can lead several

serious problems such as lost circulation and kick, even blowout. Accurate
formation fracture pressure prediction plays an important role in controls,
operations and stimulations. Fracture pressure depends on several factors
including magnitude of overburden stress, formation stress, formation pore
pressure, depth, Poisson’s ratio, bulk modulus, Young modulus, etc. Any
prediction methods should incorporate most of the above factors for a realistic
prediction of the fracture pressure.
Keywords: Formation fracture pressure, artificial neural network.
TỔNG QUAN
Áp suất vỡ vỉa là một thông số quan
trọng trong giai đoạn tiền thiết kế hệ
thống khoan, khai thác và kích thích
vỉa, cũng như được biết tới là một
thông số tiên quyết tới cơng tác tối ưu
các hoạt động khoan. Chi phí để xác
định áp suất vỡ vỉa bằng phương pháp

trực tiếp thường rất lớn và gặp nhiều
khó khăn, vì vậy nghiên cứu các
phương pháp gián tiếp hay mối tương
quan thực nghiệm để xác định áp suất
vỡ vỉa luôn là một đề tài thu hút nhiều
nhà nghiên cứu.
Những thông số như áp suất lỗ rỗng, độ
rỗng thành hệ, tỷ trọng đá, tính chất

513


Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018


thạch học của đất đá… theo độ sâu
được sử dụng như các dữ liệu đầu vào
cho bài tóa n dự đóa n áp suất vỡ vỉa.
Đồng thời cơng thức dự đóa n được sử
dụng riêng cho đặc tính vùng dựa trên
cơ sở dữ liệu có sẵn được sử dụng. Bài
báo này được thực hiện với mục đích
tìm hiểu cơ sở lý thuyết của mạng nơron nhân tạo, từ đó ứng dụng vào thực
tiễn xây dựng mơ hình dự đóa n áp suất
vở vỉa cho các giếng khoan dựa trên
các dữ liệu về địa cơ học hoặc các tài
liệu địa vật lý giếng khoan.
THÔNG SỐ ĐẦU VÀO VÀ
PHƯƠNG PHÁP NGHIÊN CỨU
Các thơng số đầu vào
Khi phân tích các mơ hình lý thuyết dự
đóa n áp suất vỡ vỉa thành hệ, tác giả
nhận thấy áp suất vỡ vỉa phụ thuộc vào
ứng suất địa tĩnh (PO), áp suất lỗ rỗng
(Pp), tỷ số Poisson (µ), tuổi thành hệ,
độ sâu và tỉ trọng đất đá. Tùy vào dữ
liệu của các giếng khác nhau để chọn
những thông số đầu vào cho phù hợp.
Tuy nhiên cần lưu ý rằng một số thông
số đầu vào lại có tương quan với nhau
như: tỷ số Poisson phụ thuộc vào tỉ
trọng riêng, tỷ số thành phần ứng suất
hữu hiệu và tuổi thành hệ. Do đó mối
nội liên hệ giữa khối lượng riêng của

thành hệ với gradient áp suất lỗ rỗng và
chiều sâu đã gián tiếp bao gồm trong
đó và đã thể hiện được sự ảnh hưởng
của nó tới áp suất nứt vỉa. Chính vì vậy,
việc lựa chọn thơng số đặc trưng để
đưa vào mơ hình cần được cân nhắc kĩ,
thay vì đưa hết các thơng số ảnh hưởng
trực tiếp tới áp suất nứt vỉa.
Các thông số cơ học, áp suất đều bị ảnh
hưởng và hồn tồn tính tóa n được
thơng qua các dữ liệu địa vật lý giếng
khoan. Vì vậy, khi khơng có các dữ
liệu về áp suất lỗ rỗng, áp suất địa tĩnh
và hệ số Poisson, tác giả đã sử dụng các
thông số địa vật lý giếng khoan như
DT, RHOB, NPHI, LLD, LLS và GR

Kỷ yếu khoa học

làm các dữ liệu đầu vào để xây dựng
mơ hình dự đóa n áp suất vỡ vỉa bằng
mạng nơ-ron nhân tạo. Tổng số 39351
điểm dữ liệu được chọn từ ba giếng
khoan 2X, 3X và 4X đã được khoan tại
mỏ X với mục đích xây dựng mơ hình
và dự đóa n áp suất vỡ vỉa cho giếng
5X. Trong đó 2/3 dữ liệu được chọn từ
tập hợp dữ liệu tổng để thành lập tập
dữ liệu đào tạo (training). Một nửa
những điểm dữ liệu còn lại được chọn

để thiết lập tập dữ liệu phê chuẩn
(validation) và phần còn lại là của tập
dữ liệu kiểm tra (testing). Những điểm
dữ liệu cho mỗi tập hợp được chọn từ
tập hợp tổng được phân bố sao cho vẫn
giữ được sự đồng nhất giống với tập dữ
liệu tổng.
Như vậy trong mơ hình nơ-ron nhân
tạo này, tác giả sẽ sử dụng các thông số
độ sâu, hệ số Poisson, ứng suất lớp phủ
và áp suất lỗ rỗng làm dữ liệu đầu vào
để dự đóa n áp suất vỡ vỉa.
Phương pháp nghiên cứu
Sau khi dữ liệu được tập hợp, bước tiếp
theo trong đào tạo một mạng là tạo ra
một đối tượng mạng. Qua quá trình
nghiên cứu và thử nghiệm, tác giả sử
dụng mạng lan truyền ngược (feedforward backpropagation) như đã giới
thiệu trong phần cơ sở lý thuyết với 3
lớp ẩn, 1 lớp đầu vào và 1 lớp đầu ra.
Tiếp theo là chọn số lượng nơ-ron
trong mỗi lớp. Số lượng nơ-ron nhỏ sẽ
đào tạo mạng nhanh hơn nhưng khơng
cho kết quả chính xác. Trong khi đó,
tăng số lượng neural có thể tăng thời
gian xử lý. Tác giả sử dụng cấu trúc
mạng với 15 nơ-ron trong lớp ẩn thứ
nhất, 10 nơ-ron trong lớp ẩn thứ hai và
12 nơ-ron trong lớp ẩn thứ ba (mạng 715-10-12-1). Xin lưu ý lựa chọn số
lượng nơ-ron khơng có nguyên tắc rõ

ràng nhưng chỉ cần đảm bảo đáp ứng
hệ thống sẵn có của người sử dụng, độ
chính xác cuối cùng chấp nhận được.
Kết quả của dữ liệu được đào tạo bởi

514


Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018

mơ hình mạng nơ-ron nhân tạo trong
nghiên cứu này chỉ ra đây là một mối
quan hệ chính xác: kết quả đào tạo, kết
quả xác nhận, kiểm tra và kết quả tổng
cộng đều cho các giá trị R lớn hơn
0,999.
KẾT QUẢ VÀ THẢO LUẬN
Sau khi có mơ hình dự báo với độ tin
cậy cao, tác giả tiến hành dự báo áp
suất vỡ vỉa cho giếng 5X (nằm lận cận
với các giếng 2X, 3X, và 4X) từ độ sâu
1920 m đến 3265 m. Kết quả dự báo
được trình bày trong hình 4 cùng với
các phương pháp dự báo truyền thống
được sử dụng hiện nay và phương pháp
xác định áp suất vỡ vỉa trực tiếp thơng
qua thí nghiệm “Leak off test”.
Thơng qua kết quả so sánh được trình
bày trong hình 3.10 có thể thấy rằng
kết quả dự đóa n áp suất vỡ vỉa bằng

mạng nơ-ron nhân tạo đối với giếng
5X, bể Cửu Long cho kết quả tốt hơn
so với phương pháp dự báo hiện nay
đang sử dụng (theo tiêu chuẩn so với
thí nghiệm LOT).
KẾT LUẬN
Các mơ hình dự đóa n ứng dụng trong
kĩ thuật dầu khí đang có sự phát triển
tương đối tốt. Tuy nhiên, hiện tại phần
lớn những thông số quan trọng như áp
suất vỉa, áp suất vỡ vỉa lấy làm ví dụ
đóng vai trị quan trọng khi lập kế
hoạch khoan, nhưng trong thực tế vẫn

Kỷ yếu khoa học

còn nhiều câu hỏi được đặt ra về sự
chính xác của chúng. Bài báo này đã
tổng hợp xu thế và tình hình ứng dụng
của trí tuệ nhân tạo trong ngành cơng
nghiệp dầu khí nói chung, lĩnh vực kỹ
thuật dầu khí nói riêng. Nằm trong
chuỗi nghiên cứu phát triển ứng dụng
trí tuệ nhân tạo trong mảng khoan khai
thác dầu khí, cơng nghệ mỏ, nhóm tác
giả bước đầu đã thực hiện dự báo áp
suất nứt vỉa cho một giếng X thuộc bể
Nam Côn Sơn, Việt Nam với số điểm
dữ liệu là 368. Phương pháp mạng nơron nhân tạo đã được lấy ví dụ để thực
hiện cơng việc này.

Từ kết quả nghiên cứu có thể thấy
phương pháp ANN có những ưu điểm
sau:
Sử dụng nhiều điểm dữ liệu khác nhau,
phù hợp với vùng nghiên cứu rộng, dữ
liệu đa dạng.
Thơng số đầu vào cho mơ hình dễ dàng
có được.
Đơn giản và dễ sử dụng trong q trình
trước khi khoan
Độ chính xác cao hơn so với các
phương pháp dự báo truyền thống
Kết quả dự đóa n áp suất vỡ vỉa cho mỏ
X đủ độ tin cậy để sử dụng cho những
ứng dụng cần thiết trong quá trình thiết
kế giếng lân cận trong vùng mỏ X và
cần kiểm nghiệm thêm nhiều giếng
khác trong cùng một vùng trước khi
nhân rộng tính ứng dụng của phương
pháp này.

TÀI LIỆU THAM KHẢO
ANIFOWOSE, F. A., EWENLA, A. O. AND ELUDIORA, S. I. (2011).
Prediction of Oil and Gas Reservoir Properties using Support Vector
Machines. International Petroleum Technology Conference.
R GHOLAMI, AR SHAHRAKI, M JAMALI PAGHALEH (2012). Prediction of
hydrocarbon reservoirs permeability using support vector machine.
Mathematical Problems in Engineering.
S. R. SHADIZADEH, F. KARIMI, M. ZOVEIDAVIANPOOR (2010). Drilling
Stuck Pipe. Prediction in Iranian Oil Fields: An Artificial Neural Network

Approach. Iranian Journal of Chemical Engineering, p.29-41.
515