Ứng dụng mạng neuron nhân tạo (ANN) trong dự báo độ rỗng

18 DẦU KHÍ - SỐ 7/2019 
THĂM DÒ - KHAI THÁC DẦU KHÍ
Variogram là công cụ để định lượng tính ổn định/liên 
tục hoặc sự tương quan không gian của đối tượng nghiên 
cứu bằng cách nghiên cứu các giá trị bình phương trung 
bình của hiệu giữa 2 giá trị cách nhau một khoảng cách “h” 
theo một hướng xác định.
2.2. Covariance
Nếu 2 biến ngẫu nhiên Zx và Zx + h cách nhau một đoạn 
“h” có phương sai, cũng có một covariance và được diễn 
đạt theo công thức thực nghiệm sau [1]:
Với m là kỳ vọng toán học của hàm.
2.3. Phương pháp nội suy Kriging
Kriging là nhóm phương pháp địa thống kê dùng để 
nội suy số liệu của một trường ngẫu nhiên tại một điểm 
chưa biết giá trị (không lấy được mẫu phân tích) từ những 
giá trị đã biết ở các điểm lân cận. Tính chất của Kriging là 
chất lượng của mẫu tốt thì giá trị xác định sẽ tốt. Kriging 
nội suy dựa trên quy luật BLUE - Best Linear Unbiased 
Estimator.
Và để nội suy được các điểm, cần giải hệ phương trình 
sau [3]:
Ngày nhận bài: 19/3/2019. Ngày phản biện đánh giá và sửa chữa: 19/3 - 3/6/2019. 
Ngày bài báo được duyệt đăng: 4/7/2019.
ỨNG DỤNG MẠNG NEURON NHÂN TẠO (ANN) TRONG DỰ BÁO ĐỘ RỖNG 
TẠP CHÍ DẦU KHÍ
Số 7 - 2019, trang 18 - 27
ISSN-0866-854X
Tạ Quốc Dũng1, Lê Thế Hà2, Phạm Duy Khang1
1Trường Đại học Bách khoa - Đại học Quốc gia TP. Hồ Chí Minh
2Tập đoàn Dầu khí Việt Nam
Email: tqdung@hcmut.edu.vn; halt01@pvn.vn
Tóm tắt
Nghiên cứu giới thiệu phương pháp dự báo độ rỗng bằng phương pháp truyền thống và sử dụng mạng neuron nhân tạo (Artificial 
Neural Network - ANN). Phương pháp nội suy truyền thống Kriging sẽ được áp dụng để tìm ra mối quan hệ trong không gian của thông số 
độ rỗng thông qua các mô hình 2D. Nghiên cứu cũng ứng dụng công cụ “nnstart” của phần mềm Matlab thông qua các lý thuyết về ANN 
và áp dụng vào việc dự báo độ rỗng cho giếng nghiên cứu. 
Kết quả cho thấy phương pháp sử dụng ANN đã giúp tối ưu công tác dự báo độ rỗng cho một giếng khoan từ tài liệu địa cơ học cho 
trước.
Từ khóa: Địa thống kê, Variogram, nội suy Kriging, mạng neuron nhân tạo. 
1. Giới thiệu
Độ rỗng là thông số quan trọng trong việc mô hình 
hóa đặc trưng thành hệ, có ảnh hưởng lớn đến tính toán 
trữ lượng và quyết định sự phát triển của một mỏ dầu 
hoặc khí.
Mục đích của nghiên cứu này là sử dụng phương 
pháp truyền thống địa thống kê Kriging trong các nghiên 
cứu thông số độ rỗng đồng thời so sánh với các kết quả 
tính toán sử dụng ANN.
2. Phương pháp địa thống kê
2.1. Variogram
Variogram được định nghĩa là một nửa kỳ vọng 
của biến ngẫu nhiên [Zx - Zx + h]
2 và theo công thức thực 
nghiệm [1, 2]: 
Trong đó:
γ(h): Hàm variogram theo khoảng cách h;
N(h): Số lượng cặp điểm tính toán;
Zx: Biến ngẫu nhiên x;
Z(x + h) : Biến ngẫu nhiên cách x 1 đoạn h.
(h) =
1
2 (h)
[ − ]
( )
(h) =
1
2 (h)
{[ − ][ − m]}
( )
− = [ − ] 
1
1
0 0
0
2
(h) =
1
2 (h)
[ − ]
( )
(h) =
1
2 (h)
{[ − ][ − m]}
( )
− = [ − ] 
1
1
0 0
0
2
( ) =
1
2 (h)
[ − ]
( )
(h) =
1
2 (h)
{[ − ][ − m]}
( )
− = [ − ] 
1
1
0 0
0
2
(1)
(2)
(3)
19DẦU KHÍ - SỐ 7/2019 
PETROVIETNAM
Thông thường, chuyển hệ phương trình trên thành 
một ma trận và giải ma trận đó [3]:
Trong đó:
K: Ma trận covariance giữa các điểm dữ liệu với các 
thành phần Kij = C(Zxi - Txj);
k: Vector covariance giữa điểm dữ liệu và điểm cần xác 
định với ki = C(Zxi - Zx0);
λi: Vector trọng số Kriging cho các dữ liệu xung quanh.
3. Trí tuệ nhân tạo và ANN
ANN ra đời xuất phát từ ý tưởng mô phỏng bộ não 
con người. Giống như con người, ANN được học bởi kinh 
nghiệm, lưu những kinh nghiệm đó và sử dụng trong tình 
huống phù hợp (Hình 1, 2).
- Học có giám sát (supervised learning)
Học có giám sát là nhóm thuật toán dự đoán đầu ra 
(output) của dữ liệu mới (new input) dựa trên các cặp dữ 
liệu đã biết trước. Cặp dữ liệu này còn được gọi là dữ liệu 
- nhãn (data - label). Đây là nhóm phổ biến nhất trong các 
thuật toán học máy.
Theo toán học, học có giám sát là khi có một tập hợp 
“n” biến đầu vào X = {x1, x2, , xn } và một tập hợp “n” nhãn 
tương ứng Y = {y1, y2, , yn}. Các cặp dữ liệu biết trước 
(xi, yi) được gọi là tập dữ liệu huấn luyện (training data). 
Từ tập huấn luyện này cần tạo ra một hàm số ánh xạ mỗi 
phần tử từ tập X sang một phần tử (xấp xỉ) tương ứng của 
tập Y.
Mục đích là xấp xỉ hàm số f thật tốt để khi có một dữ 
liệu x mới có thể suy ra được nhãn y tương ứng từ hàm 
số 
[ ] = 1 
= 
≈ ( ) 
1
.
Nhóm thuật toán học có giám sát gồm các bài toán 
chính sau:
Phân loại (classification): Các nhãn của dữ liệu đầu vào 
được chia thành các nhóm hữu hạn. 
Hồi quy (regression): Nhãn là một giá trị thực cụ thể. Ở 
nghiên cứu này, nhóm tác giả đã áp dụng bài toán hồi quy 
để dự báo phân bố độ rỗng của vỉa.
- Học không giám sát (unsupervised learning)
Trong thuật toán này không biết trước được đầu ra hay 
nhãn của tập dữ liệu đầu vào, chỉ dựa vào cấu trúc của dữ 
liệu để thực hiện công việc như: phân nhóm (clustering) 
hoặc giảm số chiều của dữ liệu (dimension reduction) để 
thuận tiện trong việc lưu trữ và tính toán.
Học không giám sát là khi chỉ có dữ liệu đầu vào X mà 
không biết nhãn Y tương ứng.
- Học bán giám sát (semi - supervised learning)
Các bài toán khi có một lượng lớn dữ liệu X nhưng chỉ 
có một phần được gán nhãn được gọi là học bán giám sát. 
Những bài toán thuộc nhóm này nằm giữa 2 nhóm trên.
- Học củng cố (reinforcement learning)
Học củng cố giúp hệ thống tự động xác định hành 
vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất 
(maximising the performance). 
3.1. Thuật toán Gradient descent và tốc độ học
Gradient descent (GD) là một thuật toán tối ưu dùng 
để tìm cực tiểu của hàm số. Thuật toán sẽ khởi tạo một 
điểm ngẫu nhiên trên hàm số và sau đó điểm này sẽ được 
di chuyển theo chiều giảm của đạo hàm cho đến khi đạt 
Hình 1. Lịch sử phát triển của trí tuệ nhân tạo [4, 5] 
Hình 2. Các phương pháp học của mạng neuron [4]
[ ] = 1 
= 
≈ ( ) 
1 [ ] = 1 
= 
≈ ( ) 
1
 ... c chỉnh sửa 
các giá trị ngoại lai (do sai số trong quá 
trình đo đạc). Với mô hình Variogram trên, 
nhóm tác giả đã tìm được hệ số hồi quy 
cho mô hình (Hình 10). Kết quả cho ra tốt 
(0,968), do đó mô hình trên sẽ được dùng 
để nội suy độ rỗng.
Tiến hành nội suy độ rỗng theo quỹ 
đạo giếng X11 từ thông số độ rỗng của 
các giếng lân cận trên thông qua mô hình 
xây dựng được.
Hình 12 cho thấy độ chính xác của 
thuật toán Kriging tương đối chính xác, 
với hệ số hồi quy của dữ liệu dự báo là 
trên 60%. Nguyên nhân dẫn đến hệ số 
hồi quy này chỉ đạt 60% là do chỉ áp dụng 
thuật toán Kriging 1 thông số. Nếu muốn 
tăng độ chính xác của thuật toán lên có 
thể áp dụng Cokriging, từ đó có thông 
số phụ hỗ trợ cho việc dự đoán thông số 
chính.
Thông số Ký hiệu (đơn vị) 
Độ sâu theo phương thẳng đứng TVD (m) 
Tọa độ theo phương Đông East (m) 
Độ rỗng Porosity 
Bảng 1. Thông số đầu vào của 3 giếng lân cận
24 DẦU KHÍ - SỐ 7/2019 
THĂM DÒ - KHAI THÁC DẦU KHÍ
4.2. Kết quả từ ANN
4.2.1. Bước 1: Thu thập và xử lý số liệu
Từ các thông số đầu vào như độ bền nén đơn trục 
(UCS), áp suất lỗ rỗng (Pore Pressure) và độ sâu theo 
phương thẳng đứng (TVD), mong muốn dự báo được số 
liệu đầu ra là độ rỗng tương ứng với các thành phần trên. 
Các thông số đầu vào này phải có tính ổn định, tính phổ 
biến và có liên quan mật thiết đến thông số đầu ra. 
Ở bộ số liệu thu thập được từ 3 giếng trong khu vực, 
nhóm tác giả đã chia thành 2 bộ con chính:
- Bộ 1 (Dữ liệu huấn luyện - Training Data) bao gồm 
266 giá trị bộ mẫu đầu vào (UCS, Pore Pressure, độ sâu) và 
266 giá trị độ rỗng tương ứng. Từ đây, công cụ xây dựng 
ANN của Matlab sẽ tiếp tục chia thành 3 nhóm nhỏ:
Luyện mạng (training) chiếm 70% bộ số liệu ứng với 
186 bộ mẫu đầu vào. Các giá trị này được sử dụng liên tục 
trong quá trình luyện mạng và mạng neuron sẽ được tinh 
chỉnh dựa trên sai số mạng.
Kiểm tra chéo (validation) chiếm 15% bộ số liệu ứng 
với 40 bộ mẫu đầu vào. Chúng dùng để kiểm tra mạng có 
xảy ra hiện tượng quá khớp hay là không.
Kiểm tra mạng (testing) chiếm 15% bộ số liệu ứng với 
40 bộ mẫu đầu vào, kiểm tra mức độ hiệu quả của mạng 
trong và sau khi luyện mạng.
- Bộ 2 (Dữ liệu kiểm tra mạng - Testing data) gồm 30 
giá trị bộ mẫu đầu vào và 30 giá trị độ rỗng tương ứng, xác 
định độ tin cậy của mạng vừa mới huấn luyện để từ đó có 
thể dự đoán cho giếng lân cận.
Ngoài ra, để dự báo độ rỗng cho giếng X11, nhóm tác 
giả đã chuẩn bị 1 bộ số liệu của giếng X11 gồm độ sâu 
theo phương thẳng đứng, độ bền nén đơn trục, áp suất 
Hình 12. Đồ thị biểu diễn độ chính xác giữa số liệu dự báo và số liệu thực 
từ phương pháp Kriging
R² = 0,6226
0
0,05
0,1
0,15
0,2
0,25
0,3
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Kriging X11
R² = 0,9959
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
D
ự 
bá
o
Giá trị thực
Mạng A
R² = 0,9955
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
D
ự 
bá
o
Giá trị thực
Mạng B
lỗ rỗng. Thông qua mạng neuron vừa được huấn luyện, 
nhóm tác giả sẽ suy được độ rỗng tương ứng.
4.2.2. Bước 2: Xây dựng mạng
Với yêu cầu bài toán là dự đoán độ rỗng từ tài liệu địa 
cơ học, vì thế lớp đầu vào chứa các giá trị địa cơ học thu 
thập được và lớp đầu ra chứa giá trị độ rỗng từ mạng. Sau 
đó, tiến hành quá trình xây dựng mạng hay chọn cấu trúc 
mạng thông qua việc chọn số lớp và số neuron ẩn trong 
từng lớp cho mạng. 
Thông thường, việc thiết kế ANN sẽ bắt đầu với một 
lớp ẩn. Số neuron trong lớp ẩn đó sẽ được điều chỉnh tăng 
dần cho đến khi đạt được kết quả sai số đầu ra của mạng 
và giá trị đầu ra mong muốn là chấp nhận được. Nếu số 
neuron quá lớn (hơn 50) mà sai số vẫn chưa chấp nhận 
được thì tăng lớp ẩn thành 2. Quá trình này được lặp đi 
lặp lại cho đến khi đạt được sai số và đầu ra mong muốn.
Trong bài báo này, nhóm tác giả sẽ xây dựng mạng với 
số lớp ẩn là 1 và số neuron của lớp ẩn này lần lượt là 10, 20.
4.2.3. Bước 3: Luyện mạng
Với cấu trúc mạng được chọn ở bước 2, tiếp tục tiến 
hành bước huấn luyện mạng. Thực chất, quá trình huấn 
luyện mạng chính là quá trình điều chỉnh trọng số liên kết 
(weights). Các giá trị trọng số liên kết này sẽ được mặc 
định ngẫu nhiên khi bắt đầu xây dựng mạng, sau đó, 
trong suốt quá trình luyện mạng, các thuật toán của mạng 
sẽ điều chỉnh các giá trị trên. 
Kết quả quá trình luyện mạng sẽ hiển thị sai số toàn 
phương trung bình (MSE) và hệ số tương quan (R) của 3 
bộ số liệu nhỏ được chia từ bộ 1, đó là sai số bộ số liệu 
luyện mạng, sai số kiểm tra chéo và sai số kiểm tra mạng. 
Công thức của MSE được trình bày như sau:
Trong đó:
yi: Giá trị dự báo;
yi
*: Giá trị thực đo từ mẫu;
n: Số mẫu.
4.2.4. Bước 4: Kiểm tra độ chính xác của mạng
Để tránh hiện tượng quá khớp và đánh giá mạng 
được luyện ở bước 3 phải kiểm tra độ chính xác của mạng.
Thực tế, mạng sau khi được huấn luyện sẽ sử dụng 
phần số liệu kiểm tra mạng để kiểm tra mức độ hiệu quả 
(28)
25DẦU KHÍ - SỐ 7/2019 
PETROVIETNAM
Hình 15. Kết quả dự báo độ rỗng từ mạng A
R² = 0,6226
0
0,05
0,1
0,15
0,2
0,25
0,3
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Kriging X11
R² = 0,9959
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
D
ự 
bá
o
Giá trị thực
Mạng A
R² = 0,9955
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
D
ự 
bá
o
Giá trị thực
Mạng B
của mạng. Tiếp đến, mạng sẽ sử dụng dữ liệu trung gian 
hay số liệu kiểm tra chéo để tính toán sai số nhằm đảm 
bảo hiện tượng quá khớp không xảy ra.
Việc quan sát đồ thị thể hiện (Performance) qua xây 
dựng mạng được dùng để đánh giá mạng và xem xét hiện 
tượng quá khớp. Các giá trị MSE và R ở bước 3 sẽ hiển thị 
tại vị trí vòng lặp (Epoch) cho hiệu quả tốt nhất của quá 
trình xây dựng mạng.
Nếu độ tin cậy của mạng sau khi kiểm tra không đạt 
kết quả mong muốn, sẽ thực hiện một trong 2 cách sau:
- Tiếp tục luyện lại mạng để có được kết quả tốt hơn.
- Quay lại bước 2, tiến hành điều chỉnh số neuron ở 
lớp ẩn hoặc cấu trúc mạng, sau đó luyện mạng lại.
Một ANN hoạt động tốt sẽ cho ra các kết quả sau:
- Sai số luyện mạng, kiểm tra chéo, kiểm tra mạng 
thấp;
- Sai số luyện mạng ở những vòng lặp cuối ổn định;
- Mức độ quá khớp không đáng kể;
- Kiểm tra mạng bằng bộ số liệu khác (bộ 2) cho kết 
quả tốt.
4.2.5. Bước 5: Sử dụng mạng để dự báo
Sử dụng mạng để dự báo các giá trị độ rỗng cần tìm 
với bộ số liệu là các thông số cơ học đá đã nhập để xây 
dựng mạng. Các giá trị được dự báo sẽ được so sánh với 
giá trị độ rỗng thực của giếng X11. Từ đó, tiến hành tính 
toán MSE để đưa ra những kết luận về phương pháp ANN.
Với bài toán trên, nhóm tác giả sẽ xây dựng các mạng 
sau để dự báo độ rỗng:
- Mạng 2-10-1 (mạng A) với các thông số đầu vào 
gồm áp suất lỗ rỗng và UCS, 10 neuron trong lớp ẩn.
- Mạng 2-20-1 (mạng B) với các thông số đầu vào 
gồm áp suất lỗ rỗng và UCS, 20 neuron trong lớp ẩn.
- Mạng 3-10-1 (mạng C) với các thông số đầu vào 
gồm áp suất lỗ rỗng, UCS và độ sâu theo phương thẳng 
đứng, 10 neuron trong lớp ẩn.
- Mạng 3-20-1 (mạng D) với các thông số đầu vào 
gồm áp suất lỗ rỗng, UCS và độ sâu theo phương thẳng 
đứng, 20 neuron trong lớp ẩn.
Đối với mạng A:
Với 2 thông số đầu vào là áp suất lỗ rỗng và độ bền 
nén đơn trục, nhóm tác giả đã xây dựng được mạng A như 
Hình 13.
Bảng 2 thể hiện kết quả huấn luyện mạng, kiểm tra 
chéo và kiểm tra mạng A ở vòng lặp thứ 7 và đồ thị thể 
hiện quá trình huấn luyện trong 13 vòng lặp.
Ngoài ra, nhóm tác giả tiếp tục sử dụng số liệu gồm 
30 mẫu ở bộ 2 để đánh giá sự chính xác của mạng vừa 
được huấn luyện. Kết quả Bảng 3 thể hiện làm tăng độ tin 
cậy của mạng A. 
Bảng 3. Kết quả đánh giá độ chính xác của mạng A khi dùng bộ số liệu 2
Hình 14. Đồ thị thể hiện MSE của 3 tập số liệu trong quá trình huấn luyện mạng A
Hình 13. Mô hình huấn luyện của mạng A dùng để dự báo độ rỗng
 Mẫu MSE × 10-7 R 
Tập huấn luyện 186 8,60788 0,999836 
Tập kiểm tra chéo 40 16,1608 0,999751 
Tập kiểm tra mạng 40 21,4578 0,999709 
Bảng 2. Kết quả huấn luyện ở epoch thứ 7 của mạng A dùng để dự báo độ rỗng
MSE × 10-7 171,899 
R 0,998413 
Dữ liệu 
đầu vào
Lớp ẩn Lớp đầu ra
Kết quả
Kết quả sai số MSE tốt nhất tại vòng lặp thứ 7
Vòng lặp
Huấn luyện
Kiểm tra chéo
Kiểm tra mạng
Tốt nhất
M
SE
26 DẦU KHÍ - SỐ 7/2019 
THĂM DÒ - KHAI THÁC DẦU KHÍ
Sau khi dùng mạng A để dự báo độ rỗng từ bộ số liệu 
X11, nhóm tác giả đã được một bộ số liệu độ rỗng 113 giá 
trị. Từ đó, nhóm tác giả đã đem so sánh với bộ số liệu độ 
rỗng thực tế của X11 cũng gồm 113 giá trị.
Với 2 bộ số liệu độ rỗng thực tế và dự báo có được, 
nhóm tác giả tiến hành đưa 2 thông số này vào Excel và 
tính toán MSE = 142,533 × 10-7 và hệ số hồi quy R = 0,9959.
Tương tự đối với 3 mạng còn lại:
Ở mạng B, nhóm tác giả cũng tiến hành tương tự các 
bước ở mạng A và thu được kết quả cuối cùng sau khi 
nhập vào Excel, MSE = 143,171 × 10-7 và hệ số hồi quy R 
= 0,9955.
Kết quả ở mạng C, MSE = 1428,875 × 10-7 và hệ số 
hồi quy R = 0,9624 (Hình 17). Với kết quả vẫn ra hệ số hồi 
quy lớn (trên 90%) cho thấy mạng neuron đã huấn luyện 
thành công và cho ra một hàm xấp xỉ gần với quy luật 
trong thực tế.
Kết quả ở mạng D, MSE = 138,968 × 10-7 và hệ số hồi 
quy R = 0,9955.
5. Kết luận
Mạng A với 2 thông số đầu vào (áp suất lỗ rỗng và độ 
bền nén đơn trục) được khởi tạo cùng với 10 neuron ở lớp 
ẩn, sau đó thu được kết quả dự báo rất khả quan với độ 
chính xác lên đến 99,59% so với số liệu thực tế. Tuy nhiên, 
ở mạng B, mạng chỉ thay đổi số neuron của lớp ẩn từ 10 
lên 20 neuron thì độ chính xác của mạng đạt 99,55. Như 
vậy, từ mạng A và B cho thấy với 10 neuron lớp ẩn thì chỉ 
cần 2 thông số đầu vào, mạng đã đạt giá trị dự báo ở mức 
tối đa.
Đối với mạng C, mạng được thêm thông số độ sâu 
TVD, kết quả cho thấy khi thêm thông số đầu vào (input) 
mạng sẽ giảm độ chính xác (đạt 96,24% so với thực tế). 
Muốn khắc phục hiện tượng trên chỉ cần tăng số lượng 
neuron ở lớp ẩn lên. Trong nghiên cứu này, nhóm tác giả 
đã tăng lên 20 để mạng C chuyển đổi thành mạng D.
Phương pháp mạng neuron cho kết quả tốt hơn khi 
so sánh với phương pháp dự báo độ rỗng dựa trên thuật 
toán Kriging (độ chính xác chỉ đạt 62,26% so với thực 
tế). Tuy nhiên, thuật toán Kriging cho biết bán kính ảnh 
hưởng và mối quan hệ không gian giữa các thông số dữ 
liệu, từ đó có cái nhìn tổng quan hơn về sự phân bố độ 
rỗng trong vỉa dầu khí.
Tài liệu tham khảo
1. Vũ Hữu Tiệp. Machine learning cơ bản. Nhà xuất 
bản Khoa học và Kỹ thuật. 2018. 
2. Trương Xuân Luận. Lý thuyết địa thống kê. Đại học 
Mỏ - Địa chất.
3. Ridha B.C.Gharbi. An expert system for selecting and 
designing EOR processes. Journal of Petroleum Science and 
Engineering. 2000; 27(1 - 2): p. 33 - 47. 
4. Elradi Abass, Cheng Lin Song. Artificial Intelligence 
selection with capability of editing a new parameter for EOR 
screening criteria. Journal of Engineering Science and 
Technology. 2011; 6(5): p. 628 - 638. 
5. VietAI. Bài giảng mô hình Neural Network. 2018.
Hình 16. Kết quả dự báo độ rỗng từ mạng B
Hình 17. Kết quả dự báo độ rỗng từ mạng C
Hình 18. Kết quả dự báo độ rỗng từ mạng D
R² = 0,6226
0
0,05
0,1
0,15
0,2
0,25
0,3
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Kriging X11
R² = 0,9959
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
D
ự 
bá
o
Giá trị thực
Mạng A
R² = 0,9955
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35
D
ự 
bá
o
Giá trị thực
Mạng B
R² = 0,9624
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Mạng C
R² = 0,9955
0
0,1
0,2
0,3
0,4
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Mạng D
R² = 0,9624
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Mạng C
R² = 0,9955
0
0,1
0,2
0,3
0,4
0 0,1 0,2 0,3 0,4
D
ự 
bá
o
Giá trị thực
Mạng D
27DẦU KHÍ - SỐ 7/2019 
PETROVIETNAM
6. Geraldo A.R.Ramos, Lateef Akanji. Application of 
artificial intelligence for technical screening of enhanced oil 
recovery methods. Journal of Oil, Gas and Petrochemical 
Sciences. 2017.
7. Mohamed Sidahmed, Atish Roy, Anjum Sayed. 
Steamline rock facies classification with deep learning 
cognitive process. SPE Annual Technical Conference and 
Exhibition, San Antonio, Texas, USA. 9 - 11 October, 2017.
8. Nguyễn Hoàng Thiên. Ứng dụng mô hình địa thống 
kê dự đoán phân bố đặc tính vỉa. Đại học Bách khoa Tp. Hồ 
Chí Minh. 2012.
9. Phan Đăng Võ. Xác định độ rỗng và độ thấm thành 
hệ từ tài liệu địa vật lý giếng khoan sử dụng mạng nơ ron 
nhân tạo. 2018.
10. Tạ Quốc Dũng, Nguyễn Văn Thuận. Địa thống kê 
và ứng dụng trong dự báo các thông số địa cơ học. 2016. 
11. Kelkar Mohan, Godofredo Perez, Anil Chopra. 
Applied geostatistics for reservoir characterization. Society 
of Petroleum Engineers. 2002. 
12. Edward H.Isaaks, R.Mohan Srivastava. An 
introduction to applied geostatistics (1st edition). Oxford 
University Press. 1990. 
Summary
The study presents the traditional geostatistic method and the new method using artificial neural network (ANN) to predict porosity. 
In the traditional method, Kriging algorithm is applied to find the spatial relationship of porosity in the reservoir through 2D models. In 
the new method, the "nnstart" tool of the Matlab software is applied to build the artificial neural network which will then be used to 
predict the porosity of the well being studied. 
The results are compared with each other and prove that ANN has optimised the porosity prediction for the studied well. 
Key words: Geostatistic, Variogram, Kriging, artificial neural network.
USING ARTIFICIAL NEURAL NETWORK TO PREDICT POROSITY 
Ta Quoc Dung1, Le The Ha2, Pham Duy Khang1
1Ho Chi Minh City University of Technology - VNU-HCMC
2Vietnam Oil and Gas Group
Email: tqdung@hcmut.edu.vn; halt01@pvn.vn