Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters
| Κύριος συγγραφέας: | |
|---|---|
| Μορφή: | Μεταπτυχιακή εργασία |
| Γλώσσα: | English |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5581 |
| _version_ | 1780278401344471040 |
|---|---|
| abstract | CSEM (Controlled Source Electromagnetics) has been used in parallel with seismic surveys for the past decade by the oil industry and is a development of older geophysical techniques that aim at the "mapping" of electrical properties, especially electrical resistance, of the subsoil. This thesis aims to study statistical well log data analysis methods, to accelerate the solution of the inverse problem which is required during CSEM data processing. The inverse problem determines the distribution of the electrical resistance of the subsoil, which would generate signals equal to the actual received signals at the receivers. Solving the inverse problem is a computationally demanding and time-consuming process (it takes several hours to days for a complete solution by computing clusters). In particular, the possibility of providing reliable estimations of the ground electrical resistivity using sonic well-log data will be studied. These estimations will be used as initial conditions in the process of solving the inverse problem which, in turn, can significantly reduce the duration of the inversion while increasing its accuracy. |
| abstracttranslated | Η τεχνολογία CSEM (Controlled Source Electromagnetics) χρησιμοποιείται παράλληλα με σεισμικές μεθόδους, την τελευταία δεκαετία, από την πετρελαϊκή βιομηχανία και αποτελεί εξέλιξη παλιότερων γεωφυσικών τεχνικών οι οποίες στοχεύουν στην «χαρτογράφηση» των ηλεκτρικών ιδιοτήτων, ειδικά της λεκτρικής αντίστασης, του υπεδάφους. Η διπλωματική αποσκοπεί στην μελέτη στατιστικών μεθόδων ανάλυσης γεωφυσικών δεδομένων γεωτρήσεων προκειμένου να επιταχυνθεί η επίλυση του αντίστροφου προβλήματος που απαιτείται κατά την ανάλυση CSEM δεδομένων. Με το αντίστροφο πρόβλημα (inverse problem) υπολογίζεται η κατανομή της ηλεκτρικής αντίστασης του υπεδάφους η οποία θα δημιουργούσε στους δέκτες σήματα ίσα με τα πραγματικά λαμβανόμενα. Η επίλυση του αντιστρόφου προβλήματος είναι υπολογιστικά απαιτητική και χρονοβόρα διαδικασία (απαιτούνται αρκετές ώρες έως και ημέρες για την πλήρη επίλυση από υπολογιστικά clusters).
Συγκεκριμένα, θα μελετηθεί η δυνατότητα προσεγγιστικού υπολογισμού της ηλεκτρικής αντίστασης του εδάφους χωρίς την επίλυση του αντίστροφου προβλήματος. Ο προσεγγιστικές τιμές θα χρησιμοποιούνται ως αρχικές συνθήκες στην διαδικασία επίλυσης του αντιστρόφου προβλήματος. Θα εξεταστεί επίσης η πιθανή βελτίωση στην διάρκεια και ακρίβεια επίλυσης του αντίστροφου προβλήματος. |
| advisor | |
| author | Μποβιάτσης, Δημήτριος |
| author_facet | Μποβιάτσης, Δημήτριος |
| author_sort | Μποβιάτσης, Δημήτριος |
| collection | Okeanis Institutional Repository |
| format | Μεταπτυχιακή εργασία |
| id | okeanis-123456789-5581 |
| institution | University of West Attica Campus II |
| keyword | Akaike information criterion AIC Controlled source electro-magnetic CSEM Data analysis Inverse problem Machine learning Neural network Parameter estimation Resistivity Root mean square error RMSE System identification Νευρωνικά δίκτυα Τεχνητή νοημοσύνη |
| language | English |
| physical | 89 |
| publishDate | 2020 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-55812021-11-25T11:05:13Z Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters Μοντελοποίηση μηχανικής μάθησης στην υπηρεσία της γεωφυσικής ανάλυσης: εκτίμηση παραμέτρων βιομηχανίας πετρελαίου Μποβιάτσης, Δημήτριος Ποτηράκης, Στυλιανός TPSH::Τεχνολογία::Εξόρυξη και Σχετικές Εφαρμογές TPSH::Τεχνολογία::Θερμοδυναμική::Καύσιμα TPSH::Τεχνολογία::Μηχανική Akaike information criterion AIC Controlled source electro-magnetic CSEM Data analysis Inverse problem Machine learning Neural network Parameter estimation Resistivity Root mean square error RMSE System identification Νευρωνικά δίκτυα Τεχνητή νοημοσύνη CSEM (Controlled Source Electromagnetics) has been used in parallel with seismic surveys for the past decade by the oil industry and is a development of older geophysical techniques that aim at the "mapping" of electrical properties, especially electrical resistance, of the subsoil. This thesis aims to study statistical well log data analysis methods, to accelerate the solution of the inverse problem which is required during CSEM data processing. The inverse problem determines the distribution of the electrical resistance of the subsoil, which would generate signals equal to the actual received signals at the receivers. Solving the inverse problem is a computationally demanding and time-consuming process (it takes several hours to days for a complete solution by computing clusters). In particular, the possibility of providing reliable estimations of the ground electrical resistivity using sonic well-log data will be studied. These estimations will be used as initial conditions in the process of solving the inverse problem which, in turn, can significantly reduce the duration of the inversion while increasing its accuracy. Η τεχνολογία CSEM (Controlled Source Electromagnetics) χρησιμοποιείται παράλληλα με σεισμικές μεθόδους, την τελευταία δεκαετία, από την πετρελαϊκή βιομηχανία και αποτελεί εξέλιξη παλιότερων γεωφυσικών τεχνικών οι οποίες στοχεύουν στην «χαρτογράφηση» των ηλεκτρικών ιδιοτήτων, ειδικά της λεκτρικής αντίστασης, του υπεδάφους. Η διπλωματική αποσκοπεί στην μελέτη στατιστικών μεθόδων ανάλυσης γεωφυσικών δεδομένων γεωτρήσεων προκειμένου να επιταχυνθεί η επίλυση του αντίστροφου προβλήματος που απαιτείται κατά την ανάλυση CSEM δεδομένων. Με το αντίστροφο πρόβλημα (inverse problem) υπολογίζεται η κατανομή της ηλεκτρικής αντίστασης του υπεδάφους η οποία θα δημιουργούσε στους δέκτες σήματα ίσα με τα πραγματικά λαμβανόμενα. Η επίλυση του αντιστρόφου προβλήματος είναι υπολογιστικά απαιτητική και χρονοβόρα διαδικασία (απαιτούνται αρκετές ώρες έως και ημέρες για την πλήρη επίλυση από υπολογιστικά clusters). Συγκεκριμένα, θα μελετηθεί η δυνατότητα προσεγγιστικού υπολογισμού της ηλεκτρικής αντίστασης του εδάφους χωρίς την επίλυση του αντίστροφου προβλήματος. Ο προσεγγιστικές τιμές θα χρησιμοποιούνται ως αρχικές συνθήκες στην διαδικασία επίλυσης του αντιστρόφου προβλήματος. Θα εξεταστεί επίσης η πιθανή βελτίωση στην διάρκεια και ακρίβεια επίλυσης του αντίστροφου προβλήματος. 2020 Μεταπτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5581 en http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. 89 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/5581/4/MSC_IES_%ce%9c%cf%80%ce%bf%ce%b2%ce%b9%ce%ac%cf%84%cf%83%ce%b7%cf%82_%ce%94%ce%b7%ce%bc%ce%ae%cf%84%cf%81%ce%b9%ce%bf%cf%82_IES-0030_MSc_Thesis_2020.pdf.jpg |
| spellingShingle | TPSH::Τεχνολογία::Εξόρυξη και Σχετικές Εφαρμογές TPSH::Τεχνολογία::Θερμοδυναμική::Καύσιμα TPSH::Τεχνολογία::Μηχανική Μποβιάτσης, Δημήτριος Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title | Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title_full | Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title_fullStr | Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title_full_unstemmed | Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title_short | Machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title_sort | machine learning modelling in service of geophysics analysis: estimation of oil industry parameters |
| title_translated | Μοντελοποίηση μηχανικής μάθησης στην υπηρεσία της γεωφυσικής ανάλυσης: εκτίμηση παραμέτρων βιομηχανίας πετρελαίου |
| topic | TPSH::Τεχνολογία::Εξόρυξη και Σχετικές Εφαρμογές TPSH::Τεχνολογία::Θερμοδυναμική::Καύσιμα TPSH::Τεχνολογία::Μηχανική |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5581 |