Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador

Luisteren naar gesteente zonder microfoon

Olie- en gasbedrijven vertrouwen op akoestische "sonic"-instrumenten om te luisteren hoe geluidsgolven zich door ondergrondse gesteenten voortplanten. Deze gedetailleerde metingen helpen ingenieurs de sterkte van gesteente te beoordelen, veilige putten te plannen en boorgegevens op elkaar af te stemmen met seismische onderzoeken. Maar sonic-apparatuur is duur, kan de operatie vertragen en kan soms helemaal niet worden ingezet. Deze studie laat zien hoe machine learning sonische informatie kan reconstrueren uit goedkopere, routinematig verzamelde metingen, en zo een manier biedt om de ondergrond te "horen" zelfs wanneer de microfoon ontbreekt.

Waarom het voorspellen van sonic-gegevens belangrijk is

Bij offshore boren nemen operators veel soorten putlogs op: natuurlijke radioactiviteit, boorsnelheid, pompdebiet, gewicht op de boor, en meer. Sonic-logs zijn bijzonder omdat ze tonen hoe snel geluid door gesteente gaat, een cruciale invoer voor het inschatten van stijfheid, druk en spanning van gesteente. Wanneer sonic-instrumenten niet beschikbaar zijn, moeten ingenieurs werken met lacunes of vertrouwen op grove vuistregels. Door machine learning te gebruiken om veelvoorkomende niet-sonische logs om te zetten naar nauwkeurige "pseudo-sonic"-curven, kunnen bedrijven de kosten voor gegevensverwerving verlagen, ontbrekende secties opvullen en toch gefundeerde beslissingen nemen over putstabiliteit en reservoirgedrag.

Een zorgvuldig recept om valsspelen te voorkomen

De auteurs werkten met gegevens van twee offshore-putten in Newfoundland en Labrador. Voor elke diepte probeerden ze compressionele traagheid (een maat voor hoe lang een geluidsgolf nodig heeft om door gesteente te reizen) te voorspellen met alleen niet-sonische metingen. Cruciaal was dat elk invoerinstrument dat direct of indirect sonische data gebruikte, zoals afgeleide elastische eigenschappen, was verboden. Ze bouwden ook features uitsluitend op basis van informatie van dezelfde diepte of ondieper, wat het scenario van realtime boren nabootst waarin de toekomst onbekend is. Uitschieters in sensormetingen werden geïdentificeerd met statistieken van slechts één "trainings"-put en daarna op identieke wijze in beide putten behandeld, zodat de modellen niet stiekem van de testgegevens konden leren. Alle schalingen en feature-keuzes werden eveneens vastgesteld op de trainingsput en vervolgens onveranderd op de andere put toegepast.

Ruwe logs omzetten in leerbare signalen

Ruwe logs simpelweg aan een algoritme voeren is zelden voldoende. Het team ontwikkelde een rijke set dieptebewuste features: ze volgden hoe elke log veranderde met diepte, filtreerden ruis op meerdere schalen en berekenden hellingen en krommingen die lokale trends benadrukken. Ze drukt ook diepte uit ten opzichte van segmenten van het boorgat, waardoor patronen zichtbaar worden die zich herhalen bij verandering van bitgrootte. Om te voorkomen dat de modellen worden overladen, rangschikten ze features met drie verschillende methoden en combineerden die ranglijsten tot één geordende lijst. Een compacte groep van de meest informatieve features werd vervolgens gekozen met een tijdsbewuste splitsing binnen de trainingsput, zodat het selectieproces zelf de natuurlijke volgorde met diepte respecteerde.

Boomgebaseerde modellen verslaan deep learning

De studie vergeleek drie modeltypen: Random Forests, XGBoost (een populair gradient-boosting-algoritme) en bidirectionele LSTM-neurale netwerken, vaak gebruikt voor sequentiedata. Elk model werd getraind op één put en blind getest op de andere, een veeleisende opzet die verschillen blootlegt in dieptebereik, bedrijfsomstandigheden en gesteentetypen. Onder deze test presteerde XGBoost het beste en bereikte hoge overeenstemming tussen voorspelde en gemeten sonic-logs wanneer getraind op de eerste put en toegepast op de tweede. Random Forests volgden dicht en waren soms stabieler in rumoerige zones. LSTM-netwerken bleven, ondanks hun complexiteit, achter in zowel nauwkeurigheid als robuustheid, waarschijnlijk omdat er slechts twee putten waren en de data sterk variëren met diepte — omstandigheden die niet gunstig zijn voor grote neurale netwerken.

Wat de nauwkeurigheid bepaalt en waar het helpt

Door verschillende onderdelen van hun preprocessing aan- en uit te zetten, toonden de auteurs aan dat slimme feature-generatie en -selectie het grootste verschil in prestaties maakten — meer dan alleen het toevoegen van langere historievensters of basale uitschietersfiltering. Wanneer deze stappen werden opgenomen, generaliseerden beide boomgebaseerde modellen veel beter over putten. De resulterende pseudo-sonic-logs waren nauwkeurig genoeg om downstreamtaken te ondersteunen, zoals het schatten van gesteentestijfheid, modellering van poriedruk en spanning, kalibratie van seismische data en het plannen van putten in zones waar directe sonic-metingen ontbreken, vertraagd zijn of onbetrouwbaar zijn. Omdat alle transformaties op een referentieput worden gefixeerd en vervolgens hergebruikt, kan de workflow vrijwel realtime tijdens het boren functioneren.

Belangrijkste boodschap voor niet-specialisten

Dit werk laat zien dat met gedisciplineerde datahandling en zorgvuldig gekozen machine learning-modellen het mogelijk is om waardevolle sonic-informatie te reconstrueren uit goedkopere boor- en logkanalen in een nieuwe put die het model nog nooit heeft gezien. De aanpak vervangt geen speciale sonic-instrumenten, zeker niet waar veiligheidsmarges kritisch zijn, maar biedt een praktische en kosteneffectieve back-up en een kwaliteitscontrole wanneer gemeten data twijfelachtig lijken. Naarmate meer putten en regio's worden toegevoegd en nieuwere modellen onder dezelfde strikte regels worden getest, kan dit soort cross-well voorspelling een standaarddeel van de digitale gereedschapskist worden voor veiliger en efficiënter offshore boren.

Bronvermelding: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

Trefwoorden: machine learning, sonic logs, well logging, offshore drilling, reservoir characterization