Пермские исследователи увеличили эффективность извлечения нефти.

Статья с результатами опубликована в журнале «Геосистемная инженерия». Исследование было финансировано Министерством науки и высшего образования России.

Коллекторы представляют собой горные породы, содержащие пустоты, которые могут вмещать, удерживать и отдавать флюиды (нефть, газ или воду) в процессе разработки. Моделирование их характеристик является одной из основных задач при оценке месторождений, где важным аспектом является точное прогнозирование пористости пласта. Для этой цели традиционно изучают керн горных пород и проводят геофизические исследования скважин. В частности, радиоактивный, электрический и акустический каротаж позволяют физически измерить плотность, пористость и проницаемость пород. Однако в условиях сложного геологического строения технические ограничения этих методов и неоднородность пластов снижают точность прогноза. Нейронные сети и машинное обучение могут значительно улучшить качество прогнозов и точность 3D-моделирования месторождений.

Ученые Пермского Политеха предложили новый подход к оценке пористости коллекторов, основываясь на алгоритмах машинного обучения, разработанных с использованием существующих данных геофизических исследований скважин. Полученные данные были интегрированы в 3D-модель месторождения, что дало возможность уточнить распределение пористости и произвести пересчет запасов нефти.

Политехники проводили исследования на месторождении со сложной структурой, где пористость варьируется от 0,7% до 24%, а проницаемость – от незначительных значений до 2,364 мкм². Для обучения алгоритма была собрана база данных на основе результатов геофизических исследований по 238 скважинам шести месторождений. Кроме того, были добавлены результаты лабораторных исследований керна (образцов горной породы) для определения пористости.

«Мы осуществили комплексную работу по сбору данных, обучению и настройке алгоритма, что позволило повысить его точность и адаптировать разработку под конкретные условия. Построенная модель машинного обучения была использована для уточнения геологической модели месторождения и пересчета запасов нефти. Прогноз пористости был выполнен для 22 скважин. В результате мы отметили увеличение его точности на 56% по сравнению со стандартным методом», – делится Сергей Кривощеков, доцент кафедры геологии нефти и газа ПНИПУ, кандидат технических наук.

Уточнение 3D-модели с помощью разработанных алгоритмов позволило выявить, что в целом по месторождению наблюдается умеренный рост запасов углеводородов. Это связано с увеличением средних значений пористости по сравнению с начальной моделью.

«Мы обнаружили дополнительные участки с запасами нефти, которые ранее не использовались в разработке. Это позволило скорректировать план по добыче, включив новые зоны. Разработанный подход предоставляет 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 подтвердила перспективность 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 ближайшем будущем подобные технологии станут стандартным инструментом в исследовании недр, объединяя накопленные геологические знания с последними достижениями в области анализа данных и искусственного интеллекта.