Luận án Đặc tính tầng chứa đá cacbonat tuổi mioxen giữa mỏ CX

hực là nhỏ nhưng chất lượng mô hình được đánh giá trên nhiều tập xác thực khác nhau. Một cách thường đường sử dụng là chia tập huấn luyện ra k tập con không có phần tử chung, có kích thước gần bằng nhau. Tại mỗi lần kiểm thử, được gọi là run, một trong số k tập con được lấy ra làm bộ xác thực. Mô hình sẽ được xây dựng dựa vào hợp của k-1 tập con còn lại. Mô hình cuối được xác định dựa trên trung bình của các sai số huấn luyện và sai số xác thực. Cách làm này còn có tên gọi là k-fold cross validation. - Regularisation là kỹ thuật làm thay đổi mô hình một ít, giảm độ phức tạp của mô hình, từ đó tránh được hiện tượng quá khớp trong khi vẫn giữ được tính tổng quát của nó (tính tổng quát là tính mô tả được nhiều dữ liệu, trong cả tập huấn luyện và tập thử) [8]. 4.2. Kết quả dự báo nhóm ĐVDC/Độ thấm Tác giả lần lượt thực hiện việc dự báo giá trị Chỉ báo dòng chảy FZI_pred, dự báo nhóm ĐVDC HFU_pred, dự báo độ thấm K_pred trên các đường đo ĐVLGK cơ bản (Gamma ray - GR, Điện trở sâu - RD, Điện trở nông - RS, Vi điện trở - MSFL, Mật độ - RHOB, Độ rỗng Neutron - NPHI, Siêu âm sóng nén - DTC, Siêu âm sóng ngang - DTS) với số liệu giám sát là Chỉ báo dòng chảy FZI_core, ĐVDC HFU_core và độ thấm K_core từ tài liệu phân tích mẫu lõi và số liệu phân nhóm HFU_core từ bước 1 của chu trình nghiên cứu. Các bước thực hiện được tóm tắt như sau: 72 i) Chuẩn bị số liệu đầu vào: Ở bước này, các tài liệu phân tích mẫu lõi và tài liệu đo ĐVLGK được kiểm tra kĩ để loại bỏ các điểm ngoại lai, đưa về cùng độ sâu (depth matching) và kiểm tra tính tương quan của các đường logs với số liệu cần dự báo ... Việc đưa số liệu phân tích mẫu lõi và tài liệu đo ĐVLGK về cùng độ sâu được thực hiện chủ yếu dựa vào việc so sánh đường đo GR trên mẫu lõi GR_Core với đường GR đo trong giếng khoan. Có thể kết hợp thêm với so sánh số liệu minh giải độ rỗng PHIT từ tài liệu ĐVLGK với số liệu phân tích độ rỗng mẫu lõi PHI_Core để chắc chắn rằng độ sâu của mẫu lõi đã đưa về cùng độ sâu với các phương pháp đo ĐVLGK. Hình 4.1 dưới đây là ví dụ kết quả đưa về cùng độ sâu đã thực hiện cho giếng khoan GK2. Hình 4.1: Đưa số liệu mẫu lõi về cùng độ sâu với tài liệu đo ĐVLGK GK2 73 Loại bỏ những điểm dữ liệu ngoại lai là một phần quan trọng trong quá trình làm sạch dữ liệu, để đảm bảo phân tích đầu ra chính xác. Trong nghiên cứu của luận án, sau khi kiểm tra trực quan trên các biểu đồ và trong bảng dữ liệu để nhận biết các giá trị bất thường của số liệu, tác giả đã sử dụng công cụ học máy với thuật toán Nhân tố ngoại lai cục bộ (Local outlier factor) để làm sạch các điểm ngoại lai. Code sử dụng được mô tả chi tiết trong phần phụ lục của luận án. Các đường đo ĐVLGK từ 3 GK đều được chuẩn hóa trước khi đưa vào Dạy máy (Training). Hệ số tương quan giữa các đường đo ĐVLGK và kết quả phân tích mẫu lõi được thể hiện ở bảng 4.1 dưới đây. Bảng 4.1: Hệ số tương quan giữa các đường đo ĐVLGK và kết quả phân tích mẫu lõi Có thể thấy mức độ tương quan giữa các đường đo ĐVLGK với các giá trị có được từ phân tích mẫu lõi rất khác nhau, thay đổi từ yếu đến rất mạnh. Giá trị K_core có mức độ tương quan với các đường đo ĐVLGK tốt hơn giá trị FZI_core và HFU_core. Trên các hình 4.2 – 4.4 cho thấy trực quan sự tương quan tốt giữa các đường đo logs với giá trị K_core. PHI_CORE K_CORE FZI_CORE HFU_CORE GR RD RS MSFL RHOB NPHI DTC DTS PHI_CORE 1 K_CORE 0.758 1 FZI_CORE 0.024 0.614 1 HFU_CORE 0.269 0.789 0.796 1 GR -0.204 -0.515 -0.478 -0.616 1 RD 0.291 0.461 0.305 0.498 -0.497 1 RS 0.194 0.387 0.295 0.469 -0.431 0.936 1 MSFL -0.422 0.029 0.481 0.453 -0.455 0.426 0.494 1 RHOB -0.845 -0.762 -0.192 -0.367 0.339 -0.496 -0.384 0.210 1 NPHI 0.668 0.480 -0.084 0.122 -0.275 0.055 0.004 -0.399 -0.567 1 DTC 0.835 0.711 0.126 0.303 -0.314 0.451 0.368 -0.259 -0.928 0.663 1 DTS 0.627 0.604 0.222 0.359 -0.412 0.487 0.429 -0.042 -0.715 0.439 0.769 1 74 Hình 4.2: Kiểm tra độ tương quan giữa độ thấm từ mẫu lõi K_core và các đường đo ĐVLGK GK2 75 Hình 4.3: Kiểm tra độ tương quan giữa độ thấm từ mẫu lõi K_core và các đường đo ĐVLGK GK3 76 Hình 4.4: Kiểm tra độ tương quan giữa độ thấm từ mẫu lõi K_core và các đường đo ĐVLGK GK4 ii) Dạy máy: Đầu vào là các đường cong ĐVLGK: Gamma GR, Điện trở sâu RD, Điện trở nông RS, Vi điện trở MSFL, Mật độ RHOB, độ rỗng neutron NPHI, Sóng nén DTC, sóng ngang DTS. 77 Số liệu giám sát (Supervised data): FZI_core/HFU_core/K_core Số liệu xác thực (Validation): 25% số liệu mẫu Số liệu thử (Testing): 15% số liệu mẫu Số liệu đầu ra: FZI_pred/HFU_pred/K_pred Các phương pháp học máy khác nhau lần lượt sẽ được sử dụng và phương pháp học máy có giá trị R2 cao nhất, RMSE tốt nhất sẽ được lựa chọn. Kết quả dạy máy được kiểm tra bằng cách so sánh kết quả dự báo số liệu xác thực và số liệu thử: So sánh các giá trị R2, giá trị RMSE để đảm bảo R2 đạt giá trị cao, RMSE thấp và các giá trị này tương đồng giữa số liệu xác thực và thử để tránh hiện tượng quá khớp overfitting hay chưa khớp underfitting. Bảng 4.2, 4.3 là bảng kết quả xác thực và thử các thuật toán sử dụng để dự báo Chỉ bảo dòng chảy FZI_Pred, độ thấm K_Pred và nhóm ĐVDC HFU_Pred. Bảng 4.2: Bảng kết quả sử dụng các thuật toán Học máy để dự báo FZI_Pred, K_Pred No Mô hình DỰ BÁO CHỈ BÁO DÒNG CHẢY FZI_PRED DỰ BÁO ĐỘ THẤM K_PRED Căn bậc 2 trung bình phương sai số RMSE Độ tương quan R2 Căn bậc 2 trung bình phương sai số RMSE Độ tương quan R2 Xác thực Thử Xác thực Thử Xác thực Thử Xác thực Thử 1 Hồi quy tuyến tính Linear 0.895 0.732 0.502 0.484 0.516 0.463 0.679 0.717 2 Interactions 0.933 0.678 0.459 0.557 0.504 0.418 0.693 0.77 3 Robust 1.120 0.843 0.220 0.315 0.518 0.459 0.677 0.723 4 Stepwise 0.905 0.687 0.491 0.545 0.512 0.463 0.684 0.718 5 Cây quyết định Fine 0.616 0.549 0.764 0.709 0.481 0.332 0.722 0.855 6 Medium 0.736 0.615 0.663 0.636 0.481 0.355 0.721 0.834 7 Coarse 0.816 0.672 0.587 0.564 0.543 0.437 0.644 0.749 8 Máy vec-tơ hỗ trợ SVM Linear 1.002 0.755 0.376 0.450 0.518 0.461 0.676 0.72 9 Quadratic 0.872 0.609 0.527 0.642 0.489 0.394 0.712 0.795 10 Cubic 0.904 0.490 0.492 0.769 0.614 0.32 0.546 0.865 11 Fine 0.802 0.453 0.600 0.803 0.432 0.282 0.775 0.896 12 Medium 0.871 0.567 0.528 0.690 0.457 0.35 0.748 0.839 13 Coarse 1.026 0.761 0.345 0.442 0.523 0.454 0.67 0.729 14 Boosted 0.583 0.507 0.789 0.752 0.428 0.343 0.779 0.845 78 No Mô hình DỰ BÁO CHỈ BÁO DÒNG CHẢY FZI_PRED DỰ BÁO ĐỘ THẤM K_PRED Căn bậc 2 trung bình phương sai số RMSE Độ tương quan R2 Căn bậc 2 trung bình phương sai số RMSE Độ tương quan R2 Xác thực Thử Xác thực Thử Xác thực Thử Xác thực Thử 15 Thuật toán kết hợp Ensemble Bagged 0.605 0.494 0.773 0.764 0.416 0.287 0.792 0.892 16 Hồi qui quá trình Gaussian Square Exponential 0.539 0.487 0.819 0.772 0.416 0.286 0.791 0.892 17 Matern 5/2 0.494 0.479 0.848 0.779 0.361 0.267 0.843 0.906 18 Exponential 0.459 0.395 0.869 0.850 0.320 0.235 0.870 0.927 19 Rational Quadratic 0.463 0.423 0.867 0.828 0.323 0.235 0.860 0.927 20 Mạng nơ- ron Narrow 0.694 0.593 0.701 0.661 0.454 0.352 0.752 0.837 21 Medium 0.669 0.555 0.722 0.703 0.452 0.337 0.754 0.851 22 Wide 0.632 0.458 0.752 0.798 0.5 0.341 0.699 0.846 23 Bilayered 0.882 0.593 0.517 0.661 0.449 0.38 0.757 0.81 24 Trilayered 0.654 0.834 0.734 0.329 0.481 0.315 0.721 0.869 Theo kết quả dạy máy như ở bảng 4.2 và Hình 4.5, phương pháp Hồi qui quá trình Gaussian số mũ (Gaussian Process Regression Exponential) cho kết quả tốt nhất. Kết quả dự báo Chỉ báo dòng chảy FZI_Pred từ bộ số liệu thử sẽ được sử dụng tính giá trị độ thấm từ công thức (2.8), kết quả được thể hiện ở hình 4.6. Hình 4.5: Kết quả xác thực và thử mô hình dự báo FZI sử dụng thuật toán Gaussian Processing Regression Exponential 79 Hình 4.6: So sánh kết quả dự báo độ thấm K từ kết quả dự báo FZI và độ thấm từ mẫu lõi, R2 =0.8974 Theo bảng 4.2 và Hình 4.7, phương pháp Hồi qui quá trình Gaussian Exponential cho kết quả dự báo độ thấm K_Pred tốt nhất và được lựa chọn để thực hiện các bước tiếp theo. Hình 4.7: Kết quả xác thực và thử dự báo độ thấm K sử dụng thuật toán Hồi qui quá trình Gaussian Exponential 80 Bảng 4.3: Kết quả sử dụng các thuật toán Học máy để dự báo HFU_Pred STT Mô hình Độ chính xác (%) Số liệu xác thực Số liệu thử 1 Cây quyết định Fine 70.7 79.1 2 Medium 63.1 64.7 3 Coarse 54.9 51.4 4 Phân tích biệt số Discriminant Linear 55.9 55.8 5 Quadratic 58.7 60.6 6 Hồi quy Logistic Efficient Logistic Regression 40.8 45.0 7 Thuật toán phân lớp Naive Bayes Gaussian 52.1 57.0 8 Kernel 58.2 63.9 9 Máy vec-tơ hỗ trợ SVM Linear 57.4 58.6 10 Quadratic 69.8 77.5 11 Cubic 78.9 80.3 12 Fine Gaussian 75.8 82.3 13 Medium Gaussian 64.4 66.3 14 Coarse Gaussian 51.1 52.2 15 Láng giềng gần nhât KNN Fine 80.5 85.9 16 Medium 62.7 67.5 17 Coarse 49.2 51.8 18 Cosine 65.4 67.9 19 Cubic 63.0 69.9 20 Weighted 80.7 85.9 21 Kết hợp Ensemble Boosted tree 69.1 73.9 22 Bagged tree 81.7 84.3 23 Subspace discriminant 55.2 55.0 24 Subspace KNN 78.7 85.1 25 RUSBoosted tree 67.6 70.3 26 Optimizable 82.5 85.9 27 Mạng nơ-ron Narrow 69.0 70.7 28 Medium 77.0 81.5 29 Wide 79.4 85.9 30 Bilayered 72.2 77.5 31 Trilayered 78.1 79.5 Theo bảng 4.3 và Hình 4.8 – 4.9, phương pháp Ensemble Optimizable cho kết quả dự báo chính xác nhất, kết quả dự báo Đơn vị dòng chảy theo phương pháp này được sử dụng để tính giá trị độ thấm, sau đó so với độ thấm từ mẫu lõi với mục đích xem xét khả năng áp dụng phương pháp này cho toàn bộ lát cắt cacbonat khu vực nghiên cứu. 81 Hình 4.8: Kết quả xác thực và thử mô hình dự báo ĐVDC sử dụng thuật toán Ensemble Optimizable Hình 4.9: Kết quả tính độ thấm K_PRED_HFU từ HFU dự báo từ số liệu thử so với độ thấm từ mẫu lõi K_CORE 82 Kết quả dạy máy của các phương pháp được thể hiện ở bảng 4.4 dưới đây: Bảng 4.4: Kết quả xác thực và thử của các phương pháp dự báo FZI, độ thấm K và HFU Dự báo FZI Dự báo Độ thấm trực tiếp K Dự báo HFU Xác thực Thử Dự báo độ thấm Xác thực Thử Xác thực* Thử * Dự báo độ thấm R2 (dec.)/Độ chính xác (%)* 0.869 0.85 0.8974 0.87 0.927 82.5 85.9 0.8691 RMSE 0.459 0.395 - 0.329 0.235 - - - Theo như bảng trên, kết quả dự báo FZI, độ thấm K, HFU đều cho kết quả tốt với R2 cao và RMSE thấp, kết quả tính độ thấm trên số liệu thử của từng phương án cũng cho thấy mức độ tin tưởng cao với hệ số tương quan tất cả đều trên 0.8. Do đó, các mô hình được lựa chọn để dự báo FZI, K và HFU sẽ được sử dụng để áp dụng cho toàn bộ lát cắt giếng khoan đi qua đối tượng nghiên cứu và tiếp tục tính toán độ thấm theo bước 2 ở Chu trình nghiên cứu. iii) Áp dụng mô hình cho toàn bộ lát cắt cacbonat Hệ số tương quan giữa độ thấm dự báo từ các phương pháp khác nhau theo chu trình ở bước 2 của chu trình nghiên cứu được thể hiện ở các hình 4.10- 4.12 và bảng 4.5 dưới đây: 83 Hình 4.10: Hệ số tương quan giữa độ thấm tính theo kết quả dự báo FZI K_pred_FZI và độ thấm mẫu lõi K_core Hình 4.11: Hệ số tương quan giữa độ thấm tính theo kết quả dự báo HFU K_pred_HFU và độ thấm mẫu lõi K_core 84 Hình 4.12: Hệ số tương quan giữa độ thấm dự báo trực tiếp từ học máy K_pred và độ thấm từ mẫu lõi K_core Bảng 4.5: Bảng so sánh hệ số tương quan giữa độ thấm dự báo từ các phương pháp khác nhau so với giá trị độ thấm từ mẫu lõi K_core Phương pháp Dự báo độ thấm K_Pred trực tiếp dùng Học máy (K_Pred) Dự báo độ thấm từ giá trị FZI dự báo dùng Học máy (K_Pred_FZI) Dự báo độ thấm từ kết quả dự báo nhóm HFU dùng Học máy (K_Pred_HFU) Hệ số tương quan 0.876 0.780 0.803 Độ tương quan từ kết quả tính độ thấm từ các phương pháp khác nhau so với độ thấm từ mẫu lõi đều cao, trong đó độ thấm tính được từ kết quả dự báo chỉ báo dòng chảy K_Pred_FZI, từ kết quả dự báo ĐVDC K_Pred_HFU và độ thấm dự báo trực tiếp từ học máy K_Pred lần lượt là 0.780, 0.803 và 0.876. Trong khuôn khổ luận án, kết quả dự báo độ thấm trực tiếp từ phương pháp học máy sẽ được sử dụng tại các bước tiếp theo của nghiên cứu vì cho độ tương quan cao nhất. 85 Kết quả dự báo độ thấm K_pred trực tiếp từ các đường đo ĐVLGK sử dụng phương pháp học máy theo thuật toán Hồi qui quá trình Exponential được thể hiện ở các hình 4.13 – 4.16 dưới đây: Hình 4.13: Kết quả dự báo độ thấm K, nhóm ĐVDC tại giếng GK2 86 Hình 4.14: Kết quả dự báo độ thấm K, nhóm ĐVDC tại giếng GK3 Hình 4.15: Kết quả dự báo độ thấm K, nhóm ĐVDC tại giếng khoan GK4 87 Hình 4.16: Biểu đồ tần suất độ thấm mẫu lõi K_core và độ thấm dự báo K_pred Trên hình 4.16 có thể thấy sự tương đồng trong dải biến đổi giá trị độ thấm dự báo và độ thấm theo mẫu lõi. Độ thấm thay đổi trong khoảng rộng từ dưới 1mD cho đến hơn 2.000 mD cho thấy tính phức tạp, tính không đồng nhất của đá chứa cacbonat tuổi Mioxen giữa mỏ CX. Hình 4.17 so sánh kết quả dự báo độ thấm dự báo từ học máy và độ thấm dự báo từ quan hệ tuyến tính rỗng thấm với độ thấm mẫu lõi. Với hệ số tương quan R2 = 0.876, các phương pháp học máy cho kết quả dự báo tốt hơn rất nhiều so với phương pháp truyền thống (R2 = 0.433). Hình 4.17: So sánh kết quả dự báo độ thấm từ học máy với phương pháp truyền thống 88 CHƯƠNG 5 DỰ BÁO ĐỘ BÃO HÒA NƯỚC DỰA TRÊN ĐƠN VỊ DÒNG CHẢY VÀ KẾT QUẢ DỰ BÁO ĐỘ THẤM 5.1 Xây dựng mô hình tính độ bão hòa nước theo chiều cao Để xây dựng mô hình tính độ bão hòa nước theo chiều cao (Saturation Height Function) so với mực nước tự do cho khu vực nghiên cứu tác giả sử dụng số liệu đo áp suất mao dẫn từ kết quả phân tích mẫu đặc biệt, cụ thể như sau:  GK2: 10 mẫu tấm xốp - porous plate; 50 mẫu bơm thủy ngân áp suất cao – MICP;  GK3: 10 mẫu tấm xốp; 62 mẫu bơm thủy ngân áp suất cao;  GK4: 20 mẫu bơm thủy ngân áp suất cao. Mối quan hệ độ bão hòa nước Sw với áp suất mao dẫn Pc tại đối tượng nghiên cứu được phân chia một cách chi tiết theo từng đơn vị dòng chảy. Kết quả được thể hiện như hình dưới đây. Hình 5.1: Tổng hợp kết quả đo áp suất mao dẫn và Sw cho các mẫu theo từng ĐVDC Tổng cộng 5 mô hình được thử áp dụng bao gồm Leverett-J, Brook Corey, phương pháp Lamda, phương pháp Thomeer và phương pháp Skelt-Harrison. Kết quả khớp mô hình cho các phương pháp được thể hiện như hình dưới đây. 89 Hình 5.2: Kết quả khớp theo mô hình Brook Corey Hình 5.3: Kết quả khớp theo mô hình J-function Hình 5.4: Kết quả khớp theo mô hình Lamda 90 Hình 5.5: Kết quả khớp theo mô hình Thomeer Hình 5.6: Kết quả khớp theo mô hình Skelt Harrison Theo kết quả khớp mô hình, mô hình Skelt Harrison cho sai số bé nhất, do đó mô hình này được sử dụng để xây dựng mô hình tính Sw cho từng đơn vị dòng chảy thủy lực (Bảng 5.1). Bảng 5.1: Bảng sai số kết quả khớp mô hình dự báo Sw Mô hình Brook Corey Mô hình J-function Mô hình Lamda Mô hình Thomeer Skelt Harrison Sai số 0.0428 0.039 0.0359 0.0878 0.0349 91 Mô hình Skelt Harrison được mô tả theo công thức sau: 𝑆𝑤 = 1 − 𝐴. 𝑒𝑥𝑝(− [ 𝐵 ℎ+𝐷 ] 𝐶 ) (5.1) Trong đó:  Sw= độ bão hòa nước  A, B, C, D là các hằng số và hệ số có được bằng cách khớp số liệu với mô hình.  h = độ cao so với mực nước tự do. Mực nước tự do (Free Water Level - FWL) được xác định dựa trên tài liệu đo áp suất vỉa và tài liệu đo ĐVLGK. Chi tiết kết quả xây dựng phương trình tính Sw được thể hiện trong các hình 5.7-5.11 dưới đây: Hình 5.7: Kết quả xây dựng phương trình tính Sw cho HFU 1 theo mô hình Skelt Harrison 92 Hình 5.8: Kết quả xây dựng phương trình tính Sw cho HFU 2 theo mô hình Skelt Harrison Hình 5.9: Kết quả xây dựng phương trình tính Sw cho HFU 3 theo mô hình Skelt Harrison 93 Hình 5.10: Kết quả xây dựng phương trình tính Sw cho HFU 4 theo mô hình Skelt Harrison Hình 5.11: Kết quả xây dựng phương trình tính Sw cho HFU 5 theo mô hình Skelt Harrison 94 5.2 Kết quả dự báo độ bão hòa nước từ mô hình độ bão hòa theo chiều cao Áp dụng giá trị độ thấm dự báo được ở bước 2 của chu trình nghiên cứu, kết hợp với giá trị độ rỗng có được từ minh giải log thông thường, có thể suy ra được nhóm ĐVDC từ kết quả phân nhóm ĐVDC từ bước 1. Sử dụng các mô hình tính độ bão hòa nước xây dựng cho 5 ĐVDC ở trên, có thể tính được độ bão hõa nước cho các điểm nằm phía trên Mực nước tự do mà không phụ thuộc vào các thông số như hệ số xi-măng m hay hằng số bão hòa n trong công thức Archie. Hình dưới đây thể hiện kết quả tính Sw từ các mô hình xây dựng cho 5 ĐVDC cho các giếng khoan mỏ CX. Hình 5.12: Kết quả dự báo Sw dựa trên mô hình độ bão hòa theo chiều cao xây dựng trên 5 ĐVDC (Sw_SHF) cho lát cắt cacbonat tuổi Mioxen giữa mỏ CX 95 Hình 5.13: Biểu đồ tổng hợp giếng GK2 Hình 5.14: Biểu đồ tổng hợp GK3 96 Hình 5.15: Biểu đồ tổng hợp GK4 Kết quả dự báo độ bão hòa nước theo chiều cao so với mực nước tự do Sw_SHF được so sánh với kết quả tính độ bão hòa nước theo phương pháp truyền thống SwT. Ở phía trên đới chuyển tiếp, giá trị Sw_SHF và SwT có nhiều điểm gần như tương đồng, chỉ khác nhau ở những điểm có giá trị độ rỗng thấp. Tuy nhiên, giá trị độ thấm ở các điểm này theo kết quả phân tích mẫu lõi thì vẫn có thể cho khí lưu thông được (mặc định khí có thể lưu thông ở đá có độ thấm >0.1 mD), SwT lại cho kết quả khá cao (>0.7), điều này khá không phù hợp. Như vậy, kết quả tính Sw_SHF ở đới này tối ưu hơn phương pháp truyền thống. Ở đới chuyển tiếp có sự khác biệt tương đối lớn giữa Sw_SHF và SwT, đặc biệt ở giếng khoan 3. Việc xác định chính xác độ bão hòa nước ở đới chuyển tiếp này từ lâu này vẫn là thách thức đối với các nhà nghiên cứu. Giá trị SwT tính theo công thức Archie mang nhiều rủi ro do thường không có thông tin về các giá trị hằng số xi-măng m hay hằng số bão hòa n trong công thức Archie và các giá trị này biến đổi 97 do sự phức tạp của đá chứa cacbonat. Ngoài ra ở đới chuyển tiếp, việc xác định giá trị thực của điện trở cũng mang nhiều rủi ro (theo Kamel Zahaf và nnk, 2014) [27]. Sự phân bố của độ bão hòa nước trong đới chuyển tiếp được kiểm soát bởi sự phân bố của nhóm đá, ở đây là nhóm ĐVDC, thể hiện chất lượng đá chứa. Độ cao của đới chuyển tiếp phụ thuộc vào nhóm ĐVDC. Thông thường ở nhóm ĐVDC có chất lượng kém, đới chuyển tiếp có xu hướng dày hơn. Ở GK3, đới chuyển tiếp bao gồm HFU 1-3, chủ yếu là HFU 2, do đó độ bão hòa nước sẽ có xu hướng biến đổi dần dần, giảm dần theo chiều cao so với mực nước tự do, chứ không biến đổi giảm đột ngột như kết quả tính theo phương pháp truyền thống. Do đó, kết quả xác định giá trị Sw_SHF hợp lý hơn so với SWT. Hiện tại vẫn không có phân tích mẫu để có giá trị Sw tại đới chuyển tiếp này, tuy nhiên, kết quả tính toán từ mô hình độ bão hòa nước theo chiều cao cho thấy cần lưu tâm nghiên cứu và đánh giá sau này: 1. Giúp chính xác hóa kết quả tính toán trữ lượng, mô hình địa chất, mô hình khai thác; 2. Giúp dự báo được lượng nước khi mở vỉa. 98 KẾT LUẬN VÀ KIẾN NGHỊ 1. KẾT LUẬN Một số kết luận chính được rút ra như sau: - Các phương pháp học máy không giám sát rất hữu dụng trong phân nhóm đơn vị dòng chảy một cách khách quan và chính xác. Phương pháp học máy K-means đã được lựa chọn áp dụng để phân chia đá chứa cacbonat tuổi Mioxen giữa mỏ CX thành 5 đơn vị dòng chảy. - Trên cơ sở phương pháp học máy có giám sát, độ thấm đã được dự báo trực tiếp từ tài liệu ĐVLGK đo trên lát cắt cacbonat tuổi Mioxen giữa mỏ CX với độ tương quan cao so với kết quả phân tích mẫu lõi. - Việc áp dụng 5 đơn vị dòng chảy thủy lực kết hợp với độ thấm dự báo trực tiếp từ tài liệu đo ĐVLGK nhằm tăng tính chính xác kết quả dự báo độ bão hòa nước theo mô hình dự báo độ bão hòa nước theo chiều cao là hoàn toàn phù hợp đối với đá chứa cacbonat. Trên cơ sở kết quả nghiên cứu, tác giả thấy rằng: - Đá chứa cacbonat mỏ CX có tính bất đồng nhất cao, độ thấm thay đổi lớn từ rất kém đến rất tốt (trong khoảng dưới 1mD cho đến hơn 2.000 mD), quan hệ rỗng - thấm không tuyến tính, phụ thuộc vào từng đơn vị dòng chảy thủy lực. - Độ bão hòa nước giảm dần theo chiều cao so với mực nước tự do; giá trị độ bão hòa nước, chiều cao của đới chuyển tiếp chịu ảnh hưởng của các đơn vị dòng chảy thủy lực. Áp dụng kĩ thuật học máy vào mô tả đặc tính tầng chứa có rất nhiều ưu điểm, tuy nhiên cần lưu ý một số vấn đề sau: - Phương pháp học máy thường yêu cầu một lượng lớn dữ liệu đầu vào để có thể tạo ra mô hình dự báo tốt. Các dữ liệu đầu vào cần được lựa chọn, làm sạch một cách cẩn thận để đảm bảo chất lượng. Với số liệu mẫu lõi, cần có đủ số liệu đại diện cho từng nhóm ĐVDC thì kết quả phân chia và dự báo ĐVDC mới đủ chính xác và khách quan. 99 - Các phương pháp học máy có giám sát và không giám sát khác nhau cho kết quả rất khác nhau tùy thuộc vào từng bộ số liệu. Do đó cần có sự thử nghiệm nhiều phương pháp khác nhau để lựa chọn phương pháp phù hợp với bộ số liệu có được ở khu vực nghiên cứu. 2. KIẾN NGHỊ Với các kết quả nghiên cứu đã đạt được, tác giả kiến nghị: - Áp dụng phân chia đơn vị dòng chảy thủy lực bằng phương pháp học máy không giám sát với kết quả dự báo độ thấm bằng phương pháp học máy có giám sát vào xác định độ bão hòa nước cho đá chứa cacbonat ở khu vực khác. - Nghiên cứu thử nghiệm áp dụng hệ phương pháp này cho các loại đá chứa khác (đá móng nứt nẻ, cát kết có độ bất đồng nhất cao, ...). 100 DANH MỤC CÁC BÀI BÁO, CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ CỦA TÁC GIẢ Tiếng Việt 1. Nguyễn Văn Hoàng, Hoàng Việt Bách, Nguyễn Trung Dũng, Lê Trung Tâm và nnk (2021), “Tối ưu mô hình tính độ bão hòa nước cho tầng chứa Miocene khu vực Đông bắc bể Cửu Long, Việt Nam”, Tạp chí dầu khí, số 7 - 2021, trang 16-22, ISSN 2615 - 9902. Tiếng Anh 2. Nguyen Trung Dung, Ha Quang Man, Nguyen Hong Viet, Phan Thien Huong, Cu Minh Hoang, Truong Khac Hoa (2023), “Developing a Saturation Height Function (SHF) for the classified Hydraulic Flow Unit, a case study from Middle Miocene Carbonate Reservoir in the Song Hong basin, Vietnam”, Journal of Mining and Earth Sciences, vol. 64, 6 (2023) 1-10. 3. Nguyen Trung Dung, Ha Quang Man, Truong Khac Hoa, Phan Thien Huong, Cu Minh Hoang, Nguyen Hong Viet (2024), “Applying machine learning for hydraulic flow unit classification and permeability prediction: case study from carbonate reservoir in the southern part Song Hong basin”, Vietnam Journal of Marine Science and Technology, 2024. Tiếng Nga 4. G.G.Djalylov, Vũ Tất Thắng, Nguyễn Trung Dũng, Vũ Nguyên Khang (2012), “Cái nhìn mới về cấu kiến tạo khu vực trung tâm và phía bắc vùng Nam Usturst và tiềm năng dầu khí của khu vực”, Uzbek journal of oil and gas, (3/2012), tr. 39-42. 5. Nguyễn Trí Dũng, I.T. Boykobilov, Vũ Tất Thắng, Nguyễn Trung Dũng và nnk, (2014), “Hướng tìm kiếm thăm dò dầu khí mới tại tầng trước Jura vùng Bukhara Khiva, cộng hòa Uzbekistan” - Các vấn đề thời sự khoa học địa chất dầu khí, kĩ thuật và công nghệ khoan sâu, nghiên cứu giếng khoan, tr.4-9. 101 6. G.S. Abdullaev, Nguyễn Trí Dũng, Nguyễn Trung Dũng, I.T. Boykobilov, M.R.Nurmatov (2014), “Cấu trúc địa chất và tiềm năng dầu khí tầng Pecmi lô đầu tư Kossor”, Uzbek journal of oil and gas, Ấn bản đặc biệt, (OGU 5/2014). 102 TÀI LIỆU THAM KHẢO Tiếng Việt 1. Địa chất và tài nguyên dầu khí Việt Nam (2005), tr. 181-233. 2. Vũ Ngọc Diệp (2011), Đặc điểm và mô hình trầm tích cacbonat tuổi Miocene phần Nam bể trầm tích Sông Hồng, Luận án Tiến sĩ, Đại học Mỏ - Địa chất. 3. Đỗ Thế Hoàng và nnk (2015), “Dự báo tướng thạch học và môi trường trầm tích cho đá chứa cacbonat phía Nam bể sông Hồng, Việt Nam”, Tạp chí dầu khí, số 3 - 2015, trang 22-26. 4. Lê Trung Tâm và nnk (2015), “Đặc trưng tầng chứa đá cabonat Mesozoic ở cụm cấu tạo Hàm Rồng, lô 106 thềm lục địa Việt Nam”, Tạp chí dầu khí, số 5/ 2015, trang 26-31. 5. Lê Hải An và nnk (2016), “Nghiên cứu đặc điểm trầm tích vá đánh giá chất lượng đá chứa cacbonat tuổi Mioxen khu vực Phú Khánh”. 6. Nguyễn Xuân Phong và nnk (2016), “Sinh tướng và môi trường trầm tích cacbonat hệ tầng Tri Tôn Miocene giữa Nam bể sông Hồng”, Tạp chí dầu khí, số 12/2016. 7. Nguyễn Thu Huyền và nnk (2019), “Sử dụng mạng neuron nhân tạo (ANN) để dự báo đặc điểm phân bố và chất lượng đá chứa cacbonat Mioxen bể trầm tích Phú Khánh”, Tạp chí dầu khí, số 5/2019, trang 25-31. 8. Tạ Quốc Dũng, Lê Thế Hà, Phạm Duy Khang (2019), “Ứng dụng mạng Neuron nhân tạo (ANN) trong dự báo độ rỗng”, Tạp chí dầu khí, số 7/2019, trang 18 - 27. Tiếng Anh 9. Robert J.Duham (1962), “Classification of carbonate rocks according to depositional texture. Classification of Carbonate rocks”, AAPG Memoir. 1962; 1: pp. 108 - 121. 10. Ebanks,W.J., Jr. (1987), “Flow Unit Concept - Integrated Approach to Reservoir Description for Engineering Projects: Abstract”, AAPG Bull. 1987, 71, pp. 551-552. 103 11. A.T. Amin, Abu Dhabi Co. For Onshore Operations, and M. Watfa and M.A. Ward, Schlumberger Middle East S.A. (1987), “Accurate Estimation of Water Saturations in Complex Carbonate Reservoirs”, SPE 15714. 12. Charles L. Vavra, John G. Kaldi, and Robert M. Sneider (1992), “Geological Applications of Capillary Pressure: A Review”, AAPG v. 76, No. 6 (June 1992), pp. 840 - 850. 13. Jude O. Amaefule, Mehmet Altunbay, Djebbar Tiab, David G. Kersey, Dare K. Keelan (1993), “Enhanced Reservoir Description: Using Core and Log Data to Identify Hydraulic (Flow) Units and Predict Permeability in Uncored Intervals/Wells”, SPE 26436. 14. F. Jerry Lucia (1995), “Rock fabric/ Petrophysical Classification of Carbonate Pore Space for Reservoir Characterization”, AAPG Bullentin (1995) 79 (9): 1275 - 1300. 15. Maghsood Abbaszadeh, SPE, Japan Natl. Oil Corp.; Hikari Fujii, SPE, Arabian Oil Co. Ltd; and Fujio Fujimoto, Japan Natl. Oil Corp (1996), “Permeability Prediction by Hydraulic Flow Units - Theory and Application”, SPE. 16. G.V. Chilingarian, S. J. Mazzullo, H.H. Rieke (1996), Carbonate reservoir characterization: a geologic - engineering analysis, part II, pp. 201-205, 254-258 17. Shahab Mohaghegh, SPE, Bogdan Balan, SPE, and Samuel Ameri, SPE, West Virginia U. (1997), “Permeability Determination from Well log data, SPE Formation Evaluation”, (SPE 30978). 18. Hamada, G.M., SPE and Al-Awad, M.N. College of Engineering, King Saud University, Saudi Arabia (2001), “Evaluating Uncertainty in Archie’s Water Saturation Equation Parameters Determination Methods”, (SPE 68086). 19. B. Harrison (Enterprise Oil) and X.D. Jing (Imperial College, London) (2001), “Saturation Height Methods and Their Impact on Volumetric Hydrocarbon in Place Estimates”, SPE 71326. 104 20. T. Babadagli, SPE, Sultan Qaboos University, and S. Al-Salmi, SPE, Halliburton Worldwide (2002), “Improvement of Permeability Prediction for Carbonate Reservoirs Using Well log data”, (SPE -77889 -MS). 21. Lucia, F. Jerry, Charles Kerans, and James W. Jennings Jr. (2003), “Carbonate reservoir characterization”, Journal of Petroleum Technology 55.06: 70-72. 22. F. Jerry Lucia (2007), Carbonate Reservoir Characterization - An Integrated Approach, Second Edition. 23. Special Core Analysis report Well 2 - CX Field (2011). 24. Core Analysis Report Well 2 - CX Field (2012). 25. Core Analysis Report Well 3 - CX Field (2012). 26. Special Core Analysis Report Well 3 - CX Field (2012). 27. Kamel Zahaf, Giles Bourdarot, Steven Low (2014), “Water saturation in Transition zone in carbonate reservoirs: Reconciling Open Hole Log and Capilary Pressure”, SPE -171790-MS. 28. Rebelle Michel và Lalanne Bruno (2014), “Rock-typing in Carbonates: A critical Review of clustering methods”, SPE 171759. 29. Core Analysis Report Well 4 - CX Field (2015). 30. Special Core Analysis Report Well 4 - CX Field (2015). 31. Hydrocarbon Initially In Place and Reserves Assessment Report for the CX Field, Using Information Available as at May 2015. 32. Trinh Xuan Cuong, Vu The Anh, Le Chi Mai (2015), “Tectonic Development of the Triton Horst and Adjacent Areas, Offshore South Vietnam”, AAPG #90236. 33. Ali Abedini, Farshid Torabi (2015), “Pore size determination using normalized J- function for different hydraulic flow units”, Ke Ai Advancing Research evolving science, Petroleum 1 (2015) 106-111. 34. David J. Lary, Amir H. Alavi, Amir H. Gandomi, Annette L. Walker (2016), “Machine learning in geosciences and remote sensing”, Geoscience Frontiers 7 (2016) 3 - 10.33. 105 35. Giuseppe Ciaburro (2017), Matlab for Machine Learning. 36. Christian J. Strohmenger, Lori Meyer, David S. Walley et al. (2019), “Reservoir characterization of the Middle Miocene Ca Voi Xanh isolated carbonate platform”, Petrovietnam - journal vol 6/2018. 37. Yuxi (Hayden) Liu (2020), Python Machine Learning by Example (Third Edition). 38. Ha Quang Man, Doan Huy Hien, Kieu Duy Thong, Bui Viet Dung et al. (2021), “Hydraulic Flow Unit Classification and Prediction using Machine Learning Techniques: A case study from Nam Con Son basin, Offshore Vietnam”, Energies 2021, 14, 7714. 39. Man Quang Ha, Hoa Minh Nguyen, Dung Viet Bui, Hong Viet Nguyen et al (2023), “Improving carbonate reservoir characterization by applying rock typing methods: a case study from the Nam Con Son basin, offshore Vietnam”, Journal of Mining and Earth Sciences Vol. 64, Issue 1 (2023) p. 38 - 49. 40. Muhammad Rashid, Miao Luo et al. (2023), “Reservoir Quality Prediction of Gas-Bearing Carbonate Sediments in the Qadirpur Field: Insights from Advanced Machine Learning Approaches of SOM and Cluster Analysis”, Minerals 2023, 13, 29. https://doi.org/10.3390/min13010029