• artificial intelligence
• deep learning
• machine learning
• sonic log
• well log

The aim of the present thesis work is to delineate and explore alternative methods for the reconstruction of the sonic log by means of Machine Learning (ML) and Deep Learning (DL) techniques using only while drilling parameters or real time drilling data that are always acquired during a well log acquisition.

Sonic logging is used for many aims, especially for formation evaluation employing the use of DT compressional (that allows to determine the porosity), for the tie in with the seismic acquisition pre drill and for the indirect determination of pore pressure inside the layer of great importance for the safety of the well. Sometimes due to budget and operational problems such as the excavation of deviated hole, sonic is not acquired or not along all the extension of the well.

Machine learning techniques such as Linear Regression, K – Nearest Neighbors, Decision Tree and Random Forest and Deep Learning techniques such as Convolutional Neural Network and Time Convolutional Neural Network have been considered to predict sonic logs, developing data-driven models from existing drilling data.
The goal of this thesis is to use Machine Learning and Deep Learning techniques to make data-driven models and compare the efficiency of the predicted logs generated with the two techniques.

Lo scopo del presente lavoro di tesi è quello di delineare ed esplorare metodi alternativi per la ricostruzione del log sonico mediante tecniche di Machine Learning (ML) e Deep Learning (DL) utilizzando solo parametri di perforazione o dati di perforazione in tempo reale sempre acquisiti durante l'acquisizione di un pozzo.

Il log sonico viene utilizzato per molti scopi, in particolare per la valutazione della formazione impiegando l'uso di onde compressionali (che consente di determinare la porosità), per il collegamento con l'acquisizione sismica pre perforazione e per la determinazione indiretta della pressione interstiziale all'interno degli strati di maggiore importanza per la sicurezza del pozzo. A volte a causa di problemi di budget e operativi come lo scavo di un pozzo deviato, il sonico non viene acquisito o non lungo tutta l'estensione del pozzo.

Tecniche di machine learning come Linear Regression, K – Nearest Neighbors, Decision Tree e Random Forest e tecniche di Deep Learning come Convolutional Neural Network e Time Convolutional Neural Network sono state considerate per prevedere i log sonici, sviluppando modelli basati sui dati da dati di perforazione esistenti.
L'obiettivo di questa tesi è utilizzare le tecniche di Machine Learning e Deep Learning per creare modelli basati sui dati e confrontare l'efficienza dei log previsti generati con le due tecniche.