Пермські вчені підвищили ефективність видобутку нафти.

Стаття з результатами опублікована в журналі «Геосистемна інженерія». Дослідження було профінансовано Міністерством освіти і науки Росії.

Колектори – це гірські породи, які містять порожнини, здатні вміщувати, утримувати та віддавати флюїди (нафту, газ або воду) під час видобутку. Моделювання їх властивостей – одна з ключових задач при оцінці родовищ, де особливе значення має точне прогнозування пористості пласта. Традиційно для цієї мети вивчають керн гірських порід і проводять геофізичні дослідження свердловин. Зокрема, радіоактивний, електричний і акустичний каротаж дозволяють фізично виміряти щільність, пористість і проникність порід. Але в умовах складної геологічної будови технічні обмеження таких методів і неоднорідність пластів знижують точність прогнозу. Нейронні мережі та машинне навчання можуть підвищити якість прогнозів і точність 3D-моделювання родовищ.

Вчені Пермського Політеху запропонували підхід до оцінки пористості колекторів з використанням алгоритмів машинного навчання, розроблених на основі існуючих результатів геофізичних досліджень свердловин. Отримані дані інтегрували в 3D-модель родовища, що дозволило уточнити розподіл пористості та виконати перерахунок запасів нафти.

Політехніки проводили дослідження на родовищі складної будови, пористість якого змінюється від 0,7% до 24%, а проникність – від незначних величин до 2,364 мкм². Для навчання алгоритма збирали базу даних, використовуючи результати проведення геофізичних досліджень по 238 свердловинам шести родовищ. В додаток до них також додали результати лабораторних досліджень керна (зразків гірської породи) на визначення пористості.

«Ми провели комплексну роботу з збору даних, навчання та налаштування алгоритма, щоб підвищити його точність і забезпечити можливість адаптації розробки під конкретні умови. Побудовану модель машинного навчання використали для уточнення геологічної моделі родовища та перерахунку запасів нафти. Прогноз пористості виконали для 22 свердловин. В результаті ми відзначили підвищення його точності на 56% у порівнянні зі стандартним методом», – розповідає Сергій Кривощеков, доцент кафедри геології нафти та газу ПНІПУ, кандидат технічних наук.

Уточнення 3D-моделі за допомогою розроблених алгоритмів допомогло виявити, що в цілому по родовищу спостерігається помірний ріст запасів вуглеводнів. Це пояснюється збільшенням середніх значень пористості в порівнянні з початковою моделлю.

«Ми виявили додаткові місця з запасами нафти, які раніше не були залучені до розробки. Це дозволило скоригувати план по видобутку, включивши в нього нові зони. Розроблений підхід дає можливість більш ефективно використовувати ресурси родовища, знижуючи витрати та збільшуючи обсяги видобутку», – пояснює Георгій Шиверський, аспірант кафедри геології нафти та газу ПНІПУ.

Робота вчених ПНІПУ довела перспективи застосування алгоритмів машинного навчання для моделювання та прогнозування пористості в умовах високої геологічної неоднорідності. Розроблений підхід дозволяє автоматизувати і підвищити якість прогнозу властивостей свердловин, що оптимізує розробку нафтових родовищ. У найближчому майбутньому подібні технології стануть стандартним інструментом при дослідженні надр, об'єднуючи накопичені геологічні знання з новітніми досягненнями в галузі аналізу даних і штучного інтелекту.