Ứng dụng ANN trong dự báo áp suất nứt vỉa

32 DẦU KHÍ - SỐ 3/2019 
THĂM DÒ - KHAI THÁC DẦU KHÍ
chấp nhận để áp dụng trong việc tính toán, song vẫn còn 
tồn tại một số nhược điểm dẫn đến kết quả sai số lớn.
Các tài liệu nghiên cứu gần đây cho thấy các phương 
pháp như sử dụng mạng neuron nhân tạo (ANN), logic 
mạng mờ và thuật di truyền, được sử dụng rộng rãi trong 
lĩnh vực dầu khí, kỹ thuật vector hỗ trợ (SVM), mạng chức 
năng (functional network) và lập luận theo tình huống 
(case based reasoning) được sử dụng rộng rãi trong lĩnh 
vực dầu khí (Hình 1). Nhóm tác giả tổng hợp được 17 ứng 
dụng của kỹ thuật trí tuệ nhân tạo, bao gồm: (1) phát triển 
giao diện cho quá trình mô phỏng; (2) minh giải đường 
log; (3) lựa chọn choòng khoan; (4) chuẩn đoán trong quá 
trình vận hành bơm; (5) lựa chọn và minh giải mô hình thử 
vỉa; (6) phân tích nứt vỉa thủy lực; (7) tối ưu hóa gas-lift; (8) 
phân loại vỉa dầu khí; (9) các mối tương quan về các tính 
chất của chất lưu (PVT); (10) phân tích độ rủi ro của dự án 
thu hồi dầu tăng cường; (11) dự báo chế độ dòng chảy 
trong đường ống; (12) phân tích sự phá hủy thành hệ; (13) 
thiết kế và tối ưu hóa nứt vỉa thủy lực; (14) tối ưu hóa khai 
thác; (15) quản lý thu hồi dầu tăng cường; (16) tối ưu hóa 
vận hành khoan; (17) tối ưu trong thiết kế giếng sử dụng 
thuật di truyền [9]. Bảng 2 tổng hợp các tài liệu liên quan 
tới các ứng dụng của trí tuệ nhân tạo.
 Ngoài các thông số trên, có thể sử dụng trực tiếp các 
thông số vật lý vỉa như gamma ray, điện trở và mật độ 
được đo từ kết quả địa vật lý giếng khoan để dự báo áp 
suất nứt vỉa nhưng có kết hợp hiệu chỉnh mô hình thông 
qua kết quả đo trực tiếp từ thí nghiệm LOT hay FIT [24]. 
Ngày nhận bài: 2/5/2018. Ngày phản biện đánh giá và sửa chữa: 2/5 - 14/6/2018. 
Ngày bài báo được duyệt đăng: 6/3/2019.
ỨNG DỤNG ANN TRONG DỰ BÁO ÁP SUẤT NỨT VỈA
TẠP CHÍ DẦU KHÍ
Số 3 - 2019, trang 32 - 41
ISSN-0866-854X
Nguyễn Văn Hùng, Đặng Hữu Minh
Đại học Dầu khí Việt Nam
Email: hungnv@pvu.edu.vn
Tóm tắt
Dự báo áp suất nứt vỉa là công việc quan trọng khi lên kế hoạch thiết kế giếng khoan, cho phép kiểm soát, vận hành, kích thích giếng 
hoạt động hiệu quả. Nếu dự báo không chính xác áp suất nứt vỉa có thể gây ra các vấn đề nghiêm trọng như: mất tuần hoàn dung dịch 
khoan hoặc xảy ra hiện tượng "kick" dẫn đến phun trào 
Bài báo giới thiệu các ứng dụng của trí tuệ nhân tạo trong lĩnh vực dầu khí, sử dụng phương pháp sử dụng ANN dựa trên các dữ liệu 
đầu vào gồm: độ sâu, hệ số Poisson, ứng suất địa tĩnh, áp suất lỗ rỗng và dữ liệu đầu ra là áp suất nứt vỉa để xây dựng mô hình dự báo áp 
suất nứt vỉa cho giếng khoan thuộc bể Nam Côn Sơn. Nhóm tác giả đã so sánh với kết quả dự báo bằng phương pháp truyền thống cho 
thấy phương pháp sử dụng ANN cho kết quả dự báo áp suất nứt vỉa sát với kết quả đo thực tế nhất.
Từ khóa: Áp suất nứt vỉa, ANN, bể Nam Côn Sơn.
1. Giới thiệu
Áp suất nứt vỉa là thông số quan trọng trong giai đoạn 
tiền thiết kế hệ thống khoan, khai thác và kích thích vỉa, 
cũng như để tối ưu công tác khoan. Việc xác định áp suất 
nứt vỉa bằng phương pháp đo trực tiếp chi phí cao và gặp 
nhiều khó khăn, vì vậy có thể xác định áp suất nứt vỉa 
bằng phương pháp gián tiếp. Các thông số như áp suất lỗ 
rỗng, độ rỗng thành hệ, tỷ trọng đá, tính chất thạch học 
của đất đá theo độ sâu được sử dụng làm dữ liệu đầu 
vào để dự báo áp suất nứt vỉa. Đồng thời, công thức dự 
báo được sử dụng riêng cho đặc tính vùng dựa trên cơ sở 
dữ liệu có sẵn được sử dụng.
Năm 1957, Hubbert và Willis lần đầu đưa ra mối tương 
quan để tính áp suất nứt vỉa dựa vào áp suất lỗ rỗng, hệ 
số Poisson và ứng suất lớp phủ theo độ sâu [1]. Đến năm 
1968, Pennebaker phát triển mối tương quan giữa ứng 
suất lớp phủ và tuổi thành hệ để xây dựng công thức 
dự báo [2]. Eaton (1969) tìm ra công thức tính áp suất lỗ 
rỗng dựa vào ứng suất lỗ rỗng, hệ số Poisson và độ sâu, 
áp dụng cho vùng Tây Texas và vịnh Mexico [3]. Từ đó, các 
mối tương quan được xác định dựa trên sự hiệu chỉnh, cải 
tiến để giúp các kết quả dự báo áp suất nứt vỉa chính xác 
hơn. Bảng 1 thống kê các phương pháp truyền thống để 
xác định áp suất nứt vỉa đã được công bố. Mặc dù được 
33DẦU KHÍ - SỐ 3/2019 
PETROVIETNAM
Hình 1. Ứng dụng trí tuệ nhân tạo trong lĩnh vực dầu khí [9]
 hnít cứht gnôC oàv uầđ ốs gnôhT TT Tài liệu 
tham khảo 
1 
2 
Ứng suất địa tĩnh, 
Áp suất lỗ rỗng, 
= [1] 
[3] 
Độ sâu, D 
Áp suất lỗ rỗng, 
Hệ số 
= − + 3 
Áp suất lỗ rỗng, 
Hệ số Poisson, 
Ứng suất địa tĩnh, 
=
1 −
− + 
[4] 
4 
Mật độ biểu kiến 
Thời gian truyền sóng địa chấn 
Ứng suất địa tĩnh, 
Tra đồ thị [5] 
5 
Ứng suất địa tĩnh, 
Áp suất lỗ rỗng, 
Hệ số 
= ( − ) + [6] 
6 
Áp suất địa tĩnh, 
Áp suất lỗ rỗng, 
Hệ số Poisson, 
Hệ số nén của độ rỗng trong khung đá, 
= +
2
1 −
− 
[7] 
7 
Gradient ứng suất địa tĩnh, 
Gradient áp suất lỗ rỗng, = +
2
1 −
− [8] 
( )
)
)
(
(
Bảng 1. Các phương pháp truyền thống để xác định áp suất nứt vỉa
TT Phương pháp Thông số được dự báo Tài liệu tham khảo 
1 Fuzzy logic Xác định sự rò rỉ khí [10] 
2 Fuzzy logic, GA Tính chất chất lưu [11] 
3 ANN Độ rỗng, độ thấm, độ bão hòa [12] 
4 Hybrid System Độ rỗng, độ thấm của vỉa [13] 
5 ANN Kẹt cần khoan [14] 
6 SVM Tính chất của dầu và khí [15] 
7 SVM Độ thấm vỉa [16] 
8 CSR Sự cố trong quá trình khoan [17] 
9 ANN Lựa chọn cấu trúc giàn biển [18] 
10 ANN Độ ổn định thành giếng khoan [19] 
11 Neuro-fuzzy Các thông số về độ bền của đất đá [20] 
12 Hybird-SVM Đặc tính gaslift và tối ưu khai thác [21] 
Bảng 2. Ứng dụng của kỹ thuật trí tuệ nhân tạo trong lĩnh vực dầu khí
16
14
12
10
8
6
4
2
0
Logic mờ
Thuật di truyền
Mạng neuron
Hệ chuyên gia
2
2 2
2
6
2
10
2
13
1989 1990 1991 1992 1993 1994 1995 
Năm
25
20
15
10
5
0
Logic mờ
Hệ trí tuệ 
nhân tạo lai
Thuật di truyền
Mạng neuron
2
2
2
2
2
3
1
4
15
3
3
1
7
14
7
7
5
5
6
6
6
4
4
6
11
3
1996 1997 1998 1999 2000 2001 2002 2002 2003
Năm
Số
 b
ài
  ... ron 
nhỏ sẽ đào tạo mạng nhanh hơn nhưng không cho kết 
quả chính xác. Trong khi đó, tăng số lượng neuron có thể 
tăng thời gian xử lý. Nhóm tác giả sử dụng cấu trúc mạng 
với 12 neuron trong lớp ẩn thứ nhất và 10 neuron trong 
lớp ẩn thứ hai (mạng 4-12-10-1). Lựa chọn số lượng neu-
ron không có nguyên tắc rõ ràng nhưng chỉ cần đảm bảo 
đáp ứng hệ thống sẵn có của người sử dụng, độ chính xác 
cuối cùng chấp nhận được.
Hình 3 biểu diễn cấu trúc mạng mô phỏng. Những 
hàm hoạt động cho những lớp ẩn là hàm tag-sigmoid và 
log-sigmoid, hàm pure linear được sử dụng cho lớp đầu 
ra. Những hàm đó được biểu diễn như sau:
3.3. Phân tích hiệu suất mạng neuron sau khi huấn luyện
Sau khi mạng được đào tạo và đạt tới 225 phép lặp 
có thể thu được đồ thị biểu diễn hiệu suất của quá trình 
đào tạo như Hình 4. Hình 4 biểu diễn tổng sai số bình 
phương cho 3 tập dữ liệu với số lần lặp cho mạng có cấu 
trúc 4-12-10-1 sử dụng thuật toán đào tạo lan truyền 
ngược LMA (Levenberg-Marquardt Algorithm). Ứng xử 
của đường cong thể hiện quá trình đào tạo thành công 
và 3 tập dữ liệu được chọn phù hợp từ tập dữ liệu ban 
đầu. Hiệu suất tốt nhất là MSE = 2,7181 × 10-4 tại lần lặp 
thứ 219.
Các thông số về trọng số và ngưỡng của các lớp trong 
mô hình được trình bày trong Bảng 4 - 6.
Hình 5 trình bày dữ liệu đào tạo, xác nhận, kiểm tra và 
dữ liệu tổng. Đường nét đứt thể hiện kết quả sau khi đào 
tạo trùng với dữ liệu mục tiêu. Đường nét liền trình bày sự 
hồi quy tuyến tính tốt nhất giữa kết quả đào tạo và mục 
tiêu. Giá trị R biểu thị một mối quan hệ giữa kết quả và 
mục tiêu. Nếu R = 1 thì đó là một mối quan hệ tuyến tính 
Neuron 
Lớp ẩn 1 
Trọng số Ngưỡng 
1 2 3 4 
1 -0,52048 1,5535 -0,01865 -2,2423 2,3779 
2 0,61856 -0,01363 -0,94171 -2,0502 -2,2575 
3 -1,2951 -0,46325 1,5402 -1,6688 1,262 
4 1,3596 -0,21983 1,8014 -0,74996 -1,0919 
5 -2,3496 -1,3583 0,08929 -0,45597 0,43587 
6 1,7719 0,057823 0,90068 -1,2678 -0,41494 
7 -0,98796 0,53053 0,86185 2,1558 0,057315 
8 -0,66979 1,8355 -1,8686 -0,23488 -0,66435 
9 0,37842 1,5757 -1,098 -1,0741 1,125 
10 1,488 0,79276 -0,02608 1,765 1,7931 
11 -1,512 -0,40828 -1,0153 1,7788 -2,1895 
12 1,6715 1,2146 1,3159 -0,3573 2,6654 
Bảng 4. Trọng số và ngưỡng của lớp ẩn thứ nhất
= − 2 ( )( − ) 
( ) = 2
1+ − 2
− 1; ( ) = 1
1+ −
; ( ) = 
38 DẦU KHÍ - SỐ 3/2019 
THĂM DÒ - KHAI THÁC DẦU KHÍ
chính xác giữa kết quả đào tạo 
và mục tiêu [29].
Kết quả của dữ liệu được 
đào tạo bởi mô hình ANN trong 
nghiên cứu này chỉ ra đây là 
một mối quan hệ chính xác: kết 
quả đào tạo, kết quả xác nhận, 
kiểm tra và kết quả tổng cộng 
đều cho các giá trị R lớn hơn 
0,9995.
3.4. Sử dụng ANN để dự báo áp 
suất nứt vỉa, so sánh với các 
phương pháp truyền thống
Sau khi có mô hình dự báo 
với độ tin cậy cao, nhóm tác giả 
tiến hành dự báo áp suất nứt 
vỉa cho một giếng khoan thuộc 
bể Nam Côn Sơn. Kết quả dự 
báo được trình bày trong Hình 
6, trên hình cũng thể hiện kết 
quả dự báo bằng phương 
pháp truyền thống thường và 
phương pháp xác định áp suất 
nứt vỉa trực tiếp thông qua thí 
nghiệm “Leak off test”, LOT tại 
3 độ sâu của giếng: 2542,59m, 
2705,42m và 2932,09m (Bảng 
1).
Thông qua kết quả so 
sánh trong Hình 6 có thể thấy 
rằng mô hình lý thuyết Hu-
bert và Willis, Eaton nằm khá 
xa kết quả đo thực nghiệm 
LOT, trong khi kết quả của mô 
hình Bellotti và Glacca nằm sát 
hơn nhưng vẫn còn khác biệt. 
Ngược lại, đường cong dự báo 
áp suất nứt vỉa bằng phương 
pháp ANN qua các điểm áp 
suất nứt vỉa của thí nghiệm 
LOT. Vì vậy, phương pháp ANN 
có kết quả dự báo chính xác 
nhất so với các phương pháp 
dự báo truyền thống (Hubbert 
and Willis, Eaton, Bellotti and 
Giacca).
Lớ
p 
ẩn
 2
Tr
ọn
g 
số
N
gư
ỡn
g 
1 
2 
3 
4 
5 
6 
7 
8 
9 
10
11
12
-1
,4
60
9 
-0
,8
36
37
0,
32
72
1 
-0
,3
48
36
0,
46
7 
-0
,6
11
83
1,
37
99
0,
75
25
6 
1,
49
12
1,
32
04
-0
,4
51
47
-1
,0
86
9 
3,
48
15
-1
,0
17
-0
,3
03
2 
-1
,1
39
-0
,4
55
39
-1
,3
09
8 
0,
92
88
4 
0,
96
75
8 
-0
,1
03
03
0,
90
32
2 
-1
,8
69
2 
0,
42
31
2 
0,
07
21
92
2,
67
5 
-0
,4
85
65
0,
10
70
5 
-0
,3
26
39
1,
95
32
0,
79
35
4 
-1
,1
85
4 
0,
40
52
8 
-0
,1
74
07
-1
,3
13
2 
-1
,6
96
4 
0,
60
56
-0
,6
06
23
1,
74
51
0,
32
12
-0
,9
17
85
1,
32
49
-1
.6
03
3 
-0
,3
58
95
-1
,5
34
8 
-1
,1
90
5 
-0
,9
98
24
0,
14
68
5 
-1
,1
74
2 
-0
,4
87
64
0,
95
03
-1
,1
22
4 
-1
,1
07
4 
-0
,7
95
08
0,
13
51
4 
1,
57
33
0,
56
09
9 
0,
97
49
4 
-1
,0
27
9 
0,
82
36
5 
-0
,0
85
93
-0
,4
62
25
-0
,3
25
05
1,
66
48
0,
35
09
1 
0,
25
75
4 
0,
70
32
8 
0,
01
72
3 
1,
10
42
-0
,1
06
09
-0
,0
29
95
1,
16
58
-1
,4
55
4 
1,
14
11
0,
94
20
4 
-1
,5
19
5 
-1
,1
18
9 
0,
34
50
9 
0,
71
03
6 
-1
,3
65
1 
-0
,7
18
57
0,
83
44
1 
0,
81
09
4 
-0
,0
68
48
-1
,3
91
-1
,3
58
5 
0,
47
52
3 
0,
88
18
9 
1,
26
2 
0,
78
96
6 
1,
23
54
-0
,8
43
01
1,
39
98
0,
01
84
84
-1
,4
97
0,
76
88
3 
1,
18
25
-0
,1
11
62
0,
06
78
26
1,
12
83
-1
,5
05
1 
-1
,0
70
8 
-0
,8
01
91
-1
,8
19
9 
-1
,5
08
7 
0,
77
82
1 
0,
30
79
6 
-0
,7
80
59
1,
36
0,
40
71
3 
-1
,0
92
6 
-1
,4
46
3 
-0
.2
40
13
-0
,2
53
96
-1
,2
87
4 
-0
,2
49
82
-2
,7
75
-0
,7
93
59
-0
,0
37
67
0,
85
06
7 
-0
,7
55
99
1,
77
67
0,
45
02
4 
1,
98
21
1,
41
87
-0
.2
01
1 
0,
06
12
64
-0
,5
54
8 
0,
12
69
-3
,3
20
2 
Lớ
p 
đầ
u 
ra
Tr
ọn
g 
số
N
gư
ỡn
g 
1 
2 
3 
4 
5 
6 
7 
8 
9 
10
0,
50
36
3 
0,
63
16
8 
-0
,1
35
13
-0
,5
11
43
0,
49
31
6 
0,
52
49
2 
0,
19
88
5 
-0
,5
36
23
0,
15
88
3 
-0
,7
56
47
-1
,1
62
9 
Bả
ng
 5.
 Tr
ọn
g s
ố v
à n
gư
ỡn
g c
ủa
 lớ
p ẩ
n t
hứ
 ha
i
Bả
ng
 6.
 Tr
ọn
g s
ố v
à n
gư
ỡn
g c
ủa
 lớ
p đ
ầu
 ra
39DẦU KHÍ - SỐ 3/2019 
PETROVIETNAM
4. Kết luận
Nhóm tác giả đã thực hiện dự báo áp suất nứt vỉa cho 
một giếng khoan thuộc bể Nam Côn Sơn, với số điểm dữ 
liệu là 368. Từ kết quả nghiên cứu có thể thấy phương 
pháp sử dụng ANN có ưu điểm sau:
- Sử dụng nhiều điểm dữ liệu khác nhau, phù hợp 
với vùng nghiên cứu rộng, dữ liệu đa dạng;
- Thông số đầu vào cho mô hình dễ dàng có được;
- Đơn giản và dễ sử dụng trong quá trình trước khi 
khoan;
- Độ chính xác cao hơn so với các phương pháp dự 
báo truyền thống.
Kết quả dự báo áp suất nứt vỉa cho giếng khoan ở 
bể Nam Côn Sơn đủ độ tin cậy để sử dụng cho quá trình Hình 6. Áp suất nứt vỉa theo các phương pháp dự báo, xác định khác nhau
Hình 5. Đồ thị hồi quy của ANN
2400
2500
2600
2700
2800
2900
3000
12 13 14 15 16 17 18 19 20 21
Đ
ộ 
sâ
u 
(m
)
Áp suất (ppg)
Hubbert 
and Willis
Eaton
Bellotti 
and Giacca
LOT ANN
Huấn luyện: R = 0,99998
Mục tiêu
Đ
ầu
 ra
Data
Fit
Y = T
18
16
14
12
10
8
8 10 12 14 16 18
Kiểm tra: R = 0,99997
Mục tiêu
Đ
ầu
 ra
Data
Fit
Y = T
18
16
14
12
10
8
8 10 12 14 16 18
Tổng: R = 0,99998
Mục tiêu
Đ
ầu
 ra
Data
Fit
Y = T
18
16
14
12
10
8
8 10 12 14 16 18
Phê chuẩn: R = 0,99998
Mục tiêu
Đ
ầu
 ra
Data
Fit
Y = T
18
16
14
12
10
8
8 10 12 14 16 18
40 DẦU KHÍ - SỐ 3/2019 
THĂM DÒ - KHAI THÁC DẦU KHÍ
thiết kế giếng ở khu vực lân cận và cần kiểm nghiệm 
thêm trước khi nhân rộng tính ứng dụng của phương 
pháp này.
Tài liệu tham khảo
1. M.King Hubbert, David G.Willis. Mechanics of 
hydraulic fracturing. Society of Petroleum Engineers. 1957; 
210: p. 153 - 163.
2. E.S.Pennebaker. An engineering interpretation of 
seismic data. Fall Meeting of the Society of Petroleum 
Engineers of AIME, Houston, Texas. 29 September - 2 
October.
3. Ben A.Eaton. Fracture gradient prediction and its 
application in oilfield operations, Journal of Petroleum 
Technology. 1969; 21(10): p. 1353 - 1360.
4. W.R.Matthews, John Kelly. How to predict formation 
pressure and fracture gradient from electric and sonic logs. 
Oil and Gas Journal. 1967: p. 39 - 43.
5. L.A.MacPherson, L.N.Berry. Prediction of fracture 
gradients from log derived moduli. The Log Analyst. 1972. 
6. Stan A.Christman. Offshore fracture gradients. 
Journal of Petroleum Technology. 1973; p. 910 - 914.
7. R.A.Anderson, D.S.Ingram, A.M.Zanier. Determining 
fracture pressure gradients from well logs. Journal of 
Petroleum Technology. 1973.
8. P.Bellotti, D.Giacca. Seismic data can detect 
overpressures in deep drilling. Oil and Gas Journal. 1978.
9. E.M.Shokir. Neuron network determines shaly-sand 
hydrocarbon saturation. Oil & Gas Journal. 2001.
10. Henrique V.da Silva, Celso K.Morooka, Ivan 
R.Guilherme, Tiago C.da Fonseca, José R.P.Mendes. Leak 
detection in petroleum pipelines using a fuzzy system. 
Journal of Petroleum Science and Engineering. 2005; 49(3 
- 4): p. 223 - 238.
11. S.J.Cuddy, P.W.J.Glover. The application of fuzzy 
logic and genetic algorithms to reservoir characterization and 
modeling. Soft Computing for Reservoir Characterization 
and Modeling. 2002.
12. Alpana Bhatt, Hans B.Helle. Committee neuron 
networks for porosity and permeability prediction from well 
logs. Geophysical Prospecting. 2002: p.645 - 660.
13. Fatai Adesina Anifowose, Abdulazeez 
Abdulraheem. Prediction of porosity and permeability of oil 
and gas reservoirs using hybrid computational intelligence 
models. North Africa Technical Conference and Exhibition, 
Cairo, Egypt. 14 - 17 February, 2010.
14. S.R.Shadizadeh, F.Karimi, M.Zoveidavianpoor. 
Drilling stuck pipe prediction in Iranian oil fields: An artificial 
neuron network approach. Iranian Journal of Chemical 
Engineering. 2010; 7(4): p. 29 - 41.
15. Fatai Adesina Anifowose, AbdlAzeem Oyafemi 
Ewenla, Safiriyu Ijiyemi Eludiora. Prediction of oil and 
gas reservoir properties using support vector machines. 
International Petroleum Technology Conference, Bangkok, 
Thailand. 15 - 17 November, 2011.
16. R.Gholami, A.R.Shahraki, M.Jamali Paghaleh. 
Prediction of hydrocarbon reservoirs permeability using 
support vector machine. Mathematical Problems in 
Engineering. 2012.
17. HZ Raja, F Sormo, ML Vinther. Case-based 
reasoning: predicting real-time drilling problems and 
improving drilling performance. SPE Middle East Oil and 
Gas Show and Conference, Manama, Bahrain. 25 - 28 
September, 2011.
18. Md. Alhaz Uddin, Mohammed Jammeel, Hashim 
Abdul Razak. Application of artificial neuron network in 
fixed offshore structures. Indian Journal of Geo-Marine 
Sciences. 2012.
19. R.Keshavarzi, R.Jahanbakhshi, M.Rashidi. 
Predicting formation fracture gradient. In oil and gas wells: 
A neuron network approach. 45th U.S. Rock Mechanics/
Geomechanics Symposium, San Francisco, California. 26 - 
29 June, 2011. 
20. M.Heidarian, H.Jalalifar, A.Rafati. Prediction of rock 
strength parameters for an Iranian oil field using neurofuzzy 
method. Journal of AI and Data Mining. 2016; 4(2): p. 229 
- 234.
21. T.O.Odedele, H.D.Ibrahim. Predicting oil well gas 
lift performance and production optimization using hybrid 
particle swarm optimization and fuzzy support vector 
machines. World Congress on Engineering. 2016. 
22. Schlumberger Oilfield Glossary. Oilfield glossary. 
23. Adam Bourgoyne Jr, Keith Miliheim, Martin 
Chenevert, KS Young Jr. Applied drilling engineering. 
Society of Petroleum Engineers. 1986. 
24. Jincai Zhang, Shang-Xian Yin. Fracture gradient 
prediction: an overview and an improved method. Petroleum 
Science. 2017; 14(4): p. 720 - 730.
41DẦU KHÍ - SỐ 3/2019 
PETROVIETNAM
25. Opeyemi Bello, Javier Holzmann, Tanveer Yaqoob, 
Catalin Teodoriu. Application of artificial intelligence 
methods in drilling system design and operations: a review of 
the state of the art. Society of Petroleum Engineers. 2015; 
5(2): p. 121 - 139.
26. Agnar Aamodt, Enric Plaza. Case-Based reasoning: 
Foundational issues, methodological variations, and system 
approaches. Artificial Intelligence Communications. 1994; 
7(1): p. 39 - 52.
27. Warren S. McCulloch, Walter Pitts. A logical 
calculus of the ideas immanent in nervous activity. Bulletin 
of Mathematical Biophysics. 1943; 5(4): p.115 - 133.
28. Adel Malalah, Ibrahim Sami N a s h a w i . 
Estimating the fracture gradient coefficient using neuron 
networks for a field in the Middle East. Journal of Petroleum 
Science and Engineering. 2005; 49(3 - 4): p. 193 - 211.
29. M.H.Beale, M.T.Hagan, H.B.Demuth. Neuron 
network toolbox user's guide. The MathWorks. 2015.
Summary
Prediction of formation fracture pressure is an essential task in designing safer drilling operations and economical well planning, 
allowing effective control, operation and stimulation. Errors in fracture pressure prediction can lead to several serious problems such as 
lost circulation and kick, and even blowout.
This paper presents an overview on application of artificial intelligent in the petroleum industry. Then an artificial neural network 
model will be used with depth, overburden stress, Poisson’s ration, and pore pressure as the input data and fracture pressure as the output 
data of one well in Nam Con Son basin for predicting formation fracture pressure. The results obtained from the model are compared with 
those obtained from conventional method. The comparison shows that the ANN method is promising and under some circumstances it is 
superior to the available techniques. 
Key words: Formation fracture pressure, artificial neural network, Nam Con Son basin.
APPLICATION OF ARTIFICIAL NEURAL NETWORK IN FRACTURE 
PRESSURE PREDICTION
Nguyen Van Hung, Dang Huu Minh 
Petrovietnam University
Email: hungnv@pvu.edu.vn