Original paper

Lithofacies prediction from wireline logs with genetic algorithms and neural networks

Westphal, Hildegard; Bornholdt, Stefan

Kurzfassung

Zur Erkennung von Lithologien anhand von geophysikalischen Bohrloch-Daten werden künstliche neuronale Netzwerke erfolgreich angewendet. Die neuronalen Netzwerke werden auf der Basis von Bohrungen mit bekannter Lithologie trainiert. Sodann sind sie in der Lage, Lithologien von Bohrungen zu interpretieren, von denen nur geophysikalische Daten verfügbar sind. Konventionelle Trainingsverfahren sind im Einsatz limitiert, die Wahl des Trainingsdatensatzes ist oft kritisch. In der hier vorliegenden Arbeit werden die neuronalen Netze mit einem genetischen Algorithmus trainiert. Dieser erlaubt Trainingsdatensätze von beliebiger Größe und Komplexität. Ferner konvergiert er immer gegen das global optimale Netzwerk bei gegebenem Trainingsdatensatz und vorgegebener Netzwerkarchitektur. Im Vergleich zu der meistverwendeten Trainingsmethode der Fehlerrückführung zeigt die hier vorgestellte Methode eine verbesserte Leistung der Netzwerke. Der verwendete Datensatz umfaßt sieben Bohrungen aus dem Barrow-Dampier-Subbasin, das vor der Küste West-Australiens liegt. Sie durchteufen eine Abfolge von siliziklastischen und karbonatischen Lithologien. Von drei der Bohrungen standen sowohl Lithologien (Completion Logs) als auch geophysikalische Bohrloch-Daten zur Verfügung. Von den drei anderen lagen nur die geophysikalischen Daten vor.

Abstract

Artificial neural networks have been employed successfully for lithology recognition of geophysical well log data. They are applied on the basis of data from wells with known lithology in order to interpret neighboring boreholes where only geophysical wireline logs are available. However, the conventional training procedure for these networks is not straightforward and the choice of the training data is often critical. In our study, the artificial neural networks are trained by a genetic algorithm allowing training sets of arbitrary size and complexity. Compared to the usual training method of back-propagating errors our improved training procedure shows increased performance. The data set comprises seven offshore exploration wells from the Barrow-Dampier Subbasin offshore Western Australia. They penetrate a wide range of siliciclastic to carbonate lithologies. Of three of the wells, completion logs (including lithology) as well as geophysical wireline logs have been available. Of the others only geophysical logs have been at hand.