Justering av brønnloggdybde er en viktig prosess i olje- og gassindustrien. Det innebærer å sammenligne dybdeavlesningene til to forskjellige typer brønnlogger, en samlet ved måling under boring (MWD) og den andre ved elektrisk wireline-logging (EWL), og sikre at de er riktig justert til samme referansedybde for nøyaktig tolke de petrofysiske dataene.

En måte å justere brønnloggene på er gjennom bruk av bulkdybdeforskyvning, som innebærer å forskyve MWD-brønnloggen med en viss mengde for å matche den med EWL-brønnloggen. Dette gjøres ved å sammenligne dybdeavlesningene til de to loggene på spesifikke punkter og bestemme mengden skift som er nødvendig for å justere dem. I noen tilfeller kan det imidlertid hende at bulkskift ikke er tilstrekkelig til å justere brønnloggene nøyaktig. I disse tilfellene kan det være nødvendig med dynamiske dybdeskift.

Dynamiske dybdeforskyvninger innebærer å strekke eller klemme MWD-brønnloggen for å justere den perfekt med EWL-brønnloggen. Dette gjøres ved å sammenligne dybdeavlesningene til de to stokkene over en lengre avstand og bestemme mengden strekk eller klem som er nødvendig for å justere dem. Dynamiske dybdeskift er mer komplekse enn bulkskift, men de kan gi en mer nøyaktig innretting av brønnloggene.

I denne forskningen vil vi bruke flere verktøy for å samkjøre MWD- og EWL-brønnloggene, inkludert krysskorrelasjon, dynamisk tidsforvrengning, maskinlæring og dyp læring.

Kryskorrelasjon er en statistisk teknikk som måler likheten mellom to sett med data, og kan brukes til å justere MWD- og EWL-brønnloggene ved å sammenligne dybdeavlesningene til de to loggene på spesifikke punkter.

Dynamisk tidsforvrengning er en metode som sammenligner formen til to tidsserier, og kan brukes til å justere MWD- og EWL-brønnloggene ved å sammenligne dybdeavlesningene til de to loggene over en lengre avstand.

Maskinlæring og dyp læring er begge former for kunstig intelligens som involverer treningsalgoritmer for å analysere data og ta spådommer eller beslutninger. I denne forskningen vil vi bruke maskinlæring og dyp læring for å analysere MWD- og EWL-brønnloggene og bestemme den beste måten å justere dem på.

Lignende oppgaver kan finnes på andre felt, for eksempel geologi og geofysikk, hvor ulike typer data samles inn og må justeres for å tolke resultatene nøyaktig. For eksempel, i geologi, kan forskjellige typer bergprøver samles inn fra forskjellige dyp og må justeres for å tolke steinlagene nøyaktig. I geofysikk kan forskjellige typer data, som seismiske data og gravitasjonsdata, samles inn fra forskjellige steder og må justeres for å tolke undergrunnsstrukturen nøyaktig.

Oppsummert er brønnloggdybdejustering mellom MWD- og EWL-brønnlogger en viktig prosess i olje- og gassindustrien, og kan oppnås gjennom bruk av bulkdybdeskift eller dynamiske dybdeskift. Lignende oppgaver kan finnes på andre felt, for eksempel geologi og geofysikk, hvor ulike typer data samles inn og må justeres for å tolke resultatene nøyaktig.

• BRU 21