Date of Award

6-2025

Document Type

Thesis

Degree Name

Master of Science in Petroleum Engineering (MSPE)

Department

Chemical and Petroleum Engineering

First Advisor

Dr. Younes Alblooshi

Second Advisor

Dr. Muhammad Rehan Hashmet

Abstract

Naturally Fractured Reservoirs (NFRs) are characterized by dual-porosity and dual-permeability systems, posing significant challenges in managing water production due to highly conductive fracture networks that facilitate rapid water migration from bottom aquifers, often bypassing oil stored in the matrix, thus resulting in early water breakthrough and water channeling phenomena. The main objective of this thesis is to develop and validate deep learning and machine learning models to predict water production, water breakthrough time (tbt), and ultimate water cut (WCult) in NFRs, thereby enabling more effective reservoir management strategies. This work also aims to evaluate the sensitivity of water behavior to key reservoir parameters and optimize recovery under uncertainty. To achieve this, a combination of reservoir simulation and different machine learning methods were used. Simulation experiments were conducted on various fracture-matrix configurations using dual-porosity/dual-permeability models, and a series of statistical designs (e.g., Box-Behnken design) were employed to efficiently explore the parameter space. Ensemble tree models, neural networks, and other ML models were trained and tested using the simulation results. The study reveals that AI models offer high predictive accuracy (R² = 0.99, RMSE < 0.03) in forecasting both water breakthrough time and water cut trends. Additionally, the developed logistic and ML-based models effectively capture the non-linearity caused by the variations of reservoir parameters and their effect on water production dynamics. In effect, these models offer interpretable outputs suitable for real-time decision-making. This thesis makes a significant contribution by bridging the gap between numerical simulation and intelligent prediction models, providing a robust framework for understanding and managing early water channeling in NFRs. These findings not only enhance predictive capability in data-scarce environments but also offer practical solutions to one of the most persistent challenges in petroleum reservoir engineering.

Arabic Abstract


التحري والتنبؤ بالإنتاج المفرط للمياه في المكامن المشقَّقة طبيعيًّا ذات الدفع المائي السفلي باستخدام التعلُّم الآلي والتعلُّم العميق

تُعَد المكامن المشققة طبيعي ا نظ ما ذات مَساميَّة ونافِذِيَّة مزدوجَتي القيمة، وتشكّل تحديات كبيرة في إدارة إنتاج المياه نظرا لشبكات الشقوق عالية التوصيلية التي تُمكّن من هجرة المياه بسرعة من الطبقات المائية السفلية، متجاوزة غالباً النفط المحصور في البَعد المَصفوفي، مما يؤدي إلى حدوث اختراق مبكر للمياه وظاهرة قنوات المياه . يتمثّل الهدف الرئيسي لهذه الرسالة في تطوير والتحقق من نماذج التعلم العميق والتعلم الآلي لتوقع إنتاج المياه ووقت حدوث المياه اختراق (tbt) للمياه النهائية والنسبة (WCult) فاعلية أكثر استراتيجيات اعتماد من يمكّن مما المكامن، هذه في لإدارة المكامن . كما تهدف الدراسة إلى تقييم حساسية سلوك المياه تجاه العوامل الرئيسية في المكمن وتحقيق الأمثل للإنتاج في ظل ظروف عدم اليقين . لتحقيق ذلك، تمّ استخدام محاكاة المكامن إلى جانب مجموعة من أساليب التعلم الآلي . أُجريت التجارب المحاكاة على تكوينات مختلفة للشقوق والمصفوفة باستخدام نماذج مزدوجة المَساميَّة / النافِذِيَّة، واستُخدم تصميم بوكس – بينهكن الإحصائي لاستكشاف فضاء المعاملات بكفاءة . تمّ تدريب واختبار نماذج أشجار التجميع والشبكات العصبية وغيرها من نماذج التعلم الآلي باستخدام نتائج المحاكاة . وكشفت في توقع كل من وقت (R2=0.99, RMSE < 0.03) النتائج أن نماذج الذكاء الاصطناعي توفر دقة تنبؤية عالية اختراق المياه واتجاهات نسبة المياه . بالإضافة إلى ذلك، تلتقط النماذج اللوجستية ونماذج التعلم الآلي التغيرات غير الخطية الناجمة عن تغير معايير المكمن وتأثيرها على ديناميكيات إنتاج المياه بشكل فعال، مما يوفّر مخرجات قابلة للتفسير مناسبة لاتخاذ القرارات في الوقت الفعلي . تُسهم هذه الرسالة بشكل كبير في سد الفجوة بين المحاكاة العددية والنماذج التنبؤية الذكية، مقدمة إطار عمل قوي لفهم وإدارة قنوات المياه المبكرة في المكامن المشققة طبيعيا؛ حيث تعزّز هذه النتائج القدرة التنبؤية في بيئات تعاني من ندرة البيانات وتقدّم حلولا عملية لأحد أكثر التحديات استمراراً في هندسة حقول النفط في الشرق الأوسط.

Download
COinS