В нефтедобыче прогнозирование свойств коллекторов — это важная задача, позволяющая оценить потенциал месторождения и принять решения по его качественной разработке. Обычно для этого проводят геофизические исследования, с помощью которых определяют характеристики горных пород — пористость, плотность и проницаемость. На их основе строят 3Д-модель месторождения и получают информацию о содержащихся в нем запасах нефти и газа. Однако структура и свойства коллекторов очень изменчивы, и такая неоднородность часто препятствует получению достоверных данных традиционными методами. Ученые Пермского Политеха разработали подход для моделирования пористости в нефтегазовой отрасли на основе искусственного интеллекта. Он позволит на 56% повысить точность прогноза и увеличит эффективность разработки месторождений.
Статья с результатами опубликована в журнале «Геосистемная инженерия», 2024 год. Исследование было профинансировано Минобрнауки РФ (проект № FSNM -2023-0005).
Коллекторы — это горные породы, которые содержат пустоты, способные вмещать, удерживать и отдавать флюиды (нефть, газ или воду) при разработке. Моделирование их свойств — одна из ключевых задач при оценке месторождений, где особое значение имеет точное прогнозирование пористости пласта. Традиционно для этой цели изучают керн горных пород и проводят геофизические исследования скважин. В частности, радиоактивный, электрический и акустический каротаж позволяют физически измерить плотность, пористость и проницаемость пород. Но в условиях сложного геологического строения технические ограничения таких методов и неоднородность пластов снижают точность прогноза. Нейронные сети и машинное обучение могут повысить качество прогнозов и точность 3Д-моделирования месторождений.
Ученые Пермского Политеха предложили подход к оценке пористости коллекторов с использованием алгоритмов машинного обучения, разработанных на основе существующих результатов геофизических исследований скважин. Полученные данные интегрировали в 3Д-модель месторождения, что позволило уточнить распределение пористости и выполнить пересчет запасов нефти.
Политехники проводили исследования на месторождении сложного строения, пористость которого изменяется от 0,7% до 24%, а проницаемость — от незначительных величин до 2,364 мкм2. Для обучения алгоритма собирали базу данных, используя результаты проведения геофизических исследований по 238 скважинам 6 месторождений. В дополнение к ним также добавили результаты лабораторных исследований керна (образцов горной породы) по определению пористости.
— Мы провели комплексную работу по сбору данных, обучению и настройке алгоритма, чтобы повысить его точность и обеспечить возможность адаптации разработки под конкретные условия. Построенную модель машинного обучения использовали для уточнения геологической модели месторождения и пересчета запасов нефти. Прогноз пористости выполнили для 22 скважин. В результате мы отметили повышение его точности на 56% по сравнению со стандартным методом, — рассказывает Сергей Кривощеков, доцент кафедры геологии нефти и газа ПНИПУ, кандидат технических наук.
Уточнение 3Д-модели с помощью разработанных алгоритмов помогло выявить, что в целом по месторождению наблюдается умеренный рост запасов углеводородов. Это объясняется увеличением средних значений пористости по сравнению с начальной моделью.
— Мы выявили дополнительные места с запасами нефти, которые ранее не были задействованы в разработке. Это позволило скорректировать план по добыче, включив в него новые зоны. Разработанный подход дает возможность более эффективно использовать ресурсы месторождения, снижая затраты и увеличивая объемы добычи, — объясняет Георгий Шиверский, аспирант кафедры геологии нефти и газа ПНИПУ.
Работа ученых ПНИПУ доказала перспективы применения алгоритмов машинного обучения для моделирования и прогнозирования пористости в условиях высокой геологической неоднородности. Разработанный подход позволяет автоматизировать и повысить качество прогноза свойств скважин, что оптимизирует разработку нефтяных месторождений. В скором будущем подобные технологии станут стандартным инструментом при исследовании недр, объединяя накопленные геологические знания с новейшими достижениями в области анализа данных и искусственного интеллекта.
