Abstract

A Bayesian Belief Network (BN) has been developed to predict fractures in the subsurface during the early stages of oil and gas exploration. The probability of fractures provides a first-order proxy for spatial variations in fracture intensity at a regional scale. Nodes in the BN, representing geologic variables, were linked in a directed acyclic graph to capture key parameters influencing fracture generation over geologic time. The states of the nodes were defined by expert judgment and conditioned by available datasets. Using regional maps with public data from the Horn River Basin in British Columbia, Canada, predictions for spatial variations in the probability of fractures were generated for the Devonian Muskwa shale. The resulting BN analysis was linked to map-based predictions via a geographic information system. The automated process captures human reasoning and improves this through conditional probability calculations for a complex array of geologic influences. A comparison between inferred high fracture intensities and the locations of wells with high production rates suggests a close correspondence. While several factors could account for variations in production rates from the Muskwa shale, higher fracture densities are a likely influence. The process of constructing and cross-validating the BN supports a consistent approach to predict fracture intensities early in exploration and to prioritize data needed to improve the prediction. As such, BNs provide a mechanism to support alignment within exploration groups. As exploration proceeds, the BN can be used to rapidly update predictions. While the BN does not currently represent time-dependent processes and cannot be applied without adjustment to other regions, it offers a fast and flexible approach for fracture prediction in situations characterized by sparse data.

Résumé

Un réseau de croyances bayésiennes (RB) a été mis sur pied afin de prédire les fractures dans la subsurface durant les premiers stades d’exploration gazière et pétrolière. Les probabilités de fractures fournissent un moyen indirect de premier ordre pour déterminer l’intensité des fractures sur le plan des variations spatiales à l’échelle régionale. Les noeuds du RB, représentant des variables géologiques, ont été reliés à un graphe orienté acyclique dirigé afin d’obtenir des paramètres clefs qui influencent la génération de fractures au cours du temps géologique. Les états des noeuds ont été définis par un jugement expert et conditionnés par les bases de données disponibles. Au moyen de cartes régionales et de données publiques du bassin de la rivière Horn en Colombie-Britannique, au Canada, les prédictions pour les variations spatiales se rapportant aux probabilités de fractures ont été générées pour les schistes de Muskwa du Dévonien. Les analyses résultantes du RB ont été reliées à des prédictions cartographiques par l’entremise d’une base de données géoréférencées. Le procédé automatisé saisit le raisonnement humain et l’améliore par des calculs de probabilités conditionnelles qui visent une série complexe d’influences géologiques. Une comparaison entre les fractures de haute intensité inférées et l’emplacement des puits à taux élevé de production laisse croire qu’il existe dans ce parallèle une étroite correspondance. Bien que plusieurs facteurs puissent être attribuables aux taux de production variables des schistes de Muskwa, les densités de fractures plus élevés représentent probablement un facteur d’influence. Le processus de construction et de validation croisée du RB établit une démarche cohérente pour prédire l’intensité des fractures au début de l’exploration et favoriser les données nécessaires améliorant les prédictions. Comme tel, le RB fournit un mécanisme permettant un alignement à même les groupes d’exploration. Pendant que l’exploration avance, on peut utiliser le RB pour actualiser rapidement les prédictions. Bien que le RB ne représente pas présentement un processus dépendant du temps et ne peut être appliqué sans adaptation aux autres régions, il offre une démarche rapide et flexible pour prédire les fractures dans les situations où les données sont insuffisantes.

Michel Ory

You do not currently have access to this article.