Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/79013
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSanti Pailoplee-
dc.contributor.advisorWaruntorn Kanitpanyacharoen-
dc.contributor.authorKamonphan Phannithiprasert-
dc.contributor.otherChulalongkorn University. Faculty of Science-
dc.date.accessioned2022-06-28T04:26:01Z-
dc.date.available2022-06-28T04:26:01Z-
dc.date.issued2019-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/79013-
dc.descriptionโครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต ภาควิชาธรณีวิทยา คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2562en_US
dc.description.abstractPhotoelectric (PE) logging data is important in petroleum exploration due to its petrophysical implications, which can directly infer the reservoir composition. For example, the PE value of calcite is ~5 b/e, which can be used to indicate carbonates in the reservoir. However, well logging requires significant financial resources and intensive labor to acquire necessary information. Moreover, missing data at depth is a common problem during well logging surveys. This study thus aims to use three machine learning models: Extreme gradient boosting (XGBoost), Support vector regression (SVR), and Artificial neural network (ANN) to synthesize the PE log in the Anadarko basin, Kansas, USA. Over 50,000 well logging data points of 6 logging types (gamma ray, deep resistivity, spontaneous potential, density porosity, bulk density and photoelectric) from 12 wells are used to train, validate, and test the models in the ratio of 70:20:10. ANN performs poorly and shows the highest MSE at 0.197 due to its sensitiveness to imbalanced data. XGBoost shows the lowest mean square error (MSE) at 0.139 and R-square at 0.75, suggesting that XGBoost outperforms SVR and ANN. This is because XGBoost has an ability to handle imbalanced data, prioritize feature importance, and mimic human decision. Top three important features for synthesizing the PE log include depth, gamma ray log, and spontaneous potential log.en_US
dc.description.abstractalternativeข้อมูลธรณีหลุมเจาะแบบโฟโตอิเล็กทริกมีความสำคัญอย่างมากในการสำรวจหาแหล่งปิโตรเลียม เนื่องจากค่าของผลบันทึกสามารภใช้เป็นตัวแทนแสดงถึงแร่หลักของชั้นหินหรือแหล่งกักเก็บได้โดยตรง เช่น ค่าผล บันทึกโฟโตอิเล็กทริกประมาณ 5 บาร์นส์ตออิเล็กตรอนสามารถเป็นตัวแทนแสดงถึงหินคาร์บอเนตในแหล่งกักเก็บ แต่อย่างไรก็ตามการหยั่งธรณีหลุมเจาะใช้งบประมาณและแรงงานปริมาณมากเพื่อเก็บข้อมูลที่จำเป็น ยิ่งไปกว่านั้น การขาดหายไปของข้อมูลที่ความลึกต่างๆก็เป็นปัญหาที่เกิดขึ้นบ่อยในระหว่างขั้นตอนการเก็บข้อมูล ดังนั้น งานวิจัยนี้จึงประยุกต์ใช้วิธีการเรียนรู้ของเครื่อง 3 วิธีดังนี้ แบบจำลองเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง แบบจำลองซัพ พอร์ตเวกเตอร์รีเกรสชั่นและแบบจำลองโครงข่ายประสาทเทียม เพื่อสังเคราะห์ข้อมูลธรณีหลุมเจาะแบบโฟโตอิ เล็กทริกจากแอ่งอะนาร์ดาโกในรัฐแคนซัส ข้อมูลการหยั่งธรณีหลุมเจาะชนิดต่างๆ ทั้งหมด 6 ชนิดดังนี้ ข้อมูลธรณี หลุมเจาะแบบรังสีแกมมา แบบความต้านทานไฟฟ้าระดับลึก แบบศักย์ไฟฟ้าเกิดเอง แบบปริมาณรูพรุนำนวณจาก ความหนาแน่น แบบความหนาแน่นมวลรวมและแบบโฟโตอิเล็กทริก จำนวนมากกว่า 50,000 จุดข้อมูลจาก 12 หลุมเจาะได้ถูกนำมาใช้เพื่ออบรม ตรวจสอบและทดสอบแต่ละวิธีกรเรียนรู้ของเครื่อง ในอัตราส่วน 70:20:10 แบ จำลองโครงข่ายประสาทเทียมให้ผลลัพธ์ที่ไม่ดีนักโดยมีค่าคลาดเคลื่อนกำลังสองเฉลี่ยมากที่สุดซึ่งเท่ากับ 0.197 เนื่องจากแบจำลองชนิดนี้ไม่สามารถจัดการกับข้อมูลที่ไม่สมดุลได้ แต่แบบจำลองเอ็กซ์ตรีมเกรเดียนต์บูสติ้งให้ ผลลัพธ์ทีดีกว่าทั้งซัพพอร์ตเวกเตอร์รีเกรสชั่นและโครงข่ายประสาทเทียม โดยเอ็กซ์ตรีมเกรเดียนต์บูสติ้งมีค่า คลาดเคลื่อนกำลังสองเฉลี่ยน้อยที่สุดซึ่งเท่ากับ 0.139 และค่าสัมประสิทธิ์การตัดสินใจเท่ากับ 0.75 ผลลัพธ์นี้ เกิดขึ้นได้เพราะแบบจำลองเอ็กซ์ตรีมเกรเดียนต์บูสติ้งสามารถที่จะรับมือกับข้อมูลที่ไม่สมดุลได้และยังมี ความสามารถที่จะจัดลำดับความสำคัญข้อมูลธรณีหลุมเจาะชนิดต่างๆที่มีประโยชน์ในการสังเคราะห์ข้อมูลธรณี หลุมเจาะแบบโฟโตอิเล็กทริกได้ด้วยตัวเองประกอบกับมีการทำงานที่คล้ายคลึงกบการตัดสินใจของมนุษย์ ข้อมูล ธรณีหลุมเจาะที่มีประโยชน์ช่วยในการสังเคราะห์ข้อมูลธรณีหลุมเจาะแบบโฟโตอิเล็กทริกมากที่สุด 3 ชนิดแรกคือ ความลึกในการเก็บข้อมูลการหยั่งธรณีหลุมเจาะในหน่วยฟุต ข้อมูลธรณีหลุมเจาะแบบรังสีแกมมาและข้อมูลธรณี หลุมเจาะแบบศักย์ไฟฟ้าเกิดเองen_US
dc.language.isoenen_US
dc.publisherChulalongkorn Universityen_US
dc.rightsChulalongkorn Universityen_US
dc.subjectPhotoelectricen_US
dc.subjectImaging systems in geologyen_US
dc.subjectโฟโตอิเล็กทริกen_US
dc.subjectระบบการสร้างภาพทางธรณีวิทยาen_US
dc.titleReconstruction of synthetic well logs from Kansas, USA using machine learning approachen_US
dc.title.alternativeการจำลองข้อมูลการหยั่งธรณีหลุมเจาะสังเคราะห์จากรัฐแคนซัส ประเทศสหรัฐอเมริกา โดยวิธีการเรียนรู้ของเครื่องen_US
dc.typeSenior Projecten_US
dc.degree.grantorChulalongkorn Universityen_US
Appears in Collections:Sci - Senior Projects

Files in This Item:
File Description SizeFormat 
62-SP-GEO-001 - Kamonphan Phan.pdf2.15 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.