Недра нашей планеты находятся в постоянном движении. Горизонтальное давление в горных породах возникает вследствие перемещения тектонических плит, что представляет собой ключевую проблему для специалистов, занимающихся бурением нефтяных и газовых скважин. Буровой раствор должен эффективно нейтрализовать это давление. Неточности в расчетах могут привести к обрушению стенок скважины, поломке дорогостоящего оборудования, приостановке работ и возникновению экологической катастрофы. В настоящее время для оценки таких напряжений применяют два метода: анализ образцов горных пород и использование геофизических формул, которые зачастую не учитывают влияние тектонических сил. Нейросети позволяют ускорить вычисления, однако обеспечивают точность лишь в диапазоне 65–85% и отличаются низкой скоростью работы. Для преодоления этой трудности ученые Пермского Политеха в сотрудничестве с китайскими коллегами создали гибридную модель, основанную на искусственном интеллекте. Она позволяет прогнозировать горизонтальные напряжения с точностью 99,5%, используя обычные данные геофизических исследований скважин.
Статья опубликована в журнале «Rock Mechanics Bulletin».
Вы знали, что земные недра – это не просто массив горных пород, а сложная и постоянно меняющаяся среда, где на протяжении миллионов лет действуют огромные силы? Континенты перемещаются, сталкиваются и разделяются, подобно огромным глыбам льда в океане. Эти явления приводят к образованию гор, провоцируют землетрясения и формируют внутри Земли разветвленную сеть напряжений.
На глубине нескольких километров горные породы подвергаются сдавливанию со всех сторон. Вертикальное давление, обусловленное весом вышележащих слоев, вычислить несложно. Однако существует и более сложная сила — горизонтальное напряжение. Оно возникает из-за того, что земная кора постоянно находится в движении. К примеру, Гималайские горы продолжают расти, поскольку Индийская плита проникает в Евразийскую. Именно такие тектонические процессы формируют значительное боковое сжатие в недрах, с которым приходится иметь дело специалистам, которые бурят скважины, чтобы добраться до месторождений нефти и газа. Для них эти гигантские тектонические силы превращаются из абстрактной геологии в главную практическую проблему: как пробурить канал сквозь сжатую породу и удержать его открытым, не разрушив ни инструмент, ни сам пласт?
Чтобы прочувствовать трудности, с которыми сталкиваются специалисты, достаточно вспомнить детскую песочницу. При копании в сухом песке стенки ямы начинают осыпаться, а во влажном сохраняют форму — вода скрепляет песчинки. В процессе бурения роль воды выполняет буровой раствор: он подается внутрь, чтобы противостоять давлению горных пород и препятствовать обрушению стенок. Если давление недостаточно велико, стенки обрушатся и буровой прибор будет поврежден. Если давление чрезмерно велико — пласт деформируется, и нефть с газом неконтролируемо поднимутся на поверхность. Небольшая ошибка, всего несколько процентов, может привести к многомиллионным убыткам, приостановке работ, а в некоторых случаях и к экологической катастрофе.
В настоящее время для определения горизонтальных напряжений используют различные методы. Один из них предполагает лабораторные исследования образцов породы (керна), извлеченных из скважины. Однако такие образцы доступны не на всей глубине – их отбирают только в определенных интервалах, и при извлечении естественное напряжение теряется, что позволяет восстановить его лишь приблизительно. Альтернативный подход – геофизические исследования. В скважину опускают приборы, которые непрерывно регистрируют характеристики породы: скорость звука, плотность и пористость. Получается большой объем данных, однако без дополнительной обработки они не дают однозначного результата. Для расчета горизонтальных напряжений на их основе требуются сложные математические модели, которые нередко содержат упрощения, например, не принимают во внимание тектонические силы.
В связи с этим, в настоящее время нейросети все чаще используются для проведения расчетов. Они эффективно выявляют неочевидные взаимосвязи в больших объемах информации. Однако, у применяемых моделей присутствуют определенные ограничения: они склонны к «переобучению», что проявляется в высокой эффективности на знакомых скважинах, но приводит к ошибкам при работе с новыми, из-за чего точность прогнозирования находится в диапазоне 65–85%. Кроме того, скорость их работы оставляет желать лучшего: на выполнение одного расчета требуется несколько десятков секунд, что является неприемлемо долгим при проведении буровых работ.
Ученые Пермского Политеха в сотрудничестве с китайскими коллегами создали гибридную модель, основанную на искусственном интеллекте. Она позволяет с высокой точностью (99,5%) прогнозировать горизонтальные напряжения в горных породах, используя исключительно данные, полученные в ходе стандартных геофизических исследований скважин.
— Разработка включает в себя гибридный алгоритм, сочетающий два подхода. Это нейросеть с самонастраиваемой структурой и специальный математический метод, который позволяет ей оперативно находить наиболее точные решения. Модель проводит анализ сразу по девяти параметрам, непрерывно регистрируемым в скважине: скорости звука, плотности породы, ее электрического сопротивления, естественной радиоактивности, пористости и другим показателям. На их основе алгоритм рассчитывает минимальное и максимальное горизонтальное напряжение, — рассказал Дмитрий Мартюшев, профессор кафедры «Нефтегазовые технологии», доктор технических наук.
Для обучения нейросети исследователи использовали обширный набор данных, включающий более 10 тысяч измерений, полученных в трех скважинах, расположенных в Джунгарском бассейне на северо-западе Китая. Данное месторождение характеризуется геологической сложностью, обусловленной столкновениями тектонических плит, образованием гор и разломов в течение миллионов лет, а также неравномерным сжатием пород с разных сторон на различных глубинах. Именно в таких сложных геологических условиях обычные способы вычислений часто оказываются неэффективными. Подобные территории преобладают и в России, например, в Западной и Восточной Сибири, на шельфе Сахалина, Урале и Кавказе.
При обработке подобных объемных данных алгоритм осваивал умение выявлять тенденции. В отличие от обычных нейронных сетей, которые нередко подвергаются переобучению – то есть, демонстрируют высокую точность при работе с известными данными, но допускают ошибки при анализе новых, ранее не встречавшихся, – созданная модель самостоятельно выделяет значимые из девяти параметров, оказывающих влияние на горизонтальное давление, а остальные отсеивает как помехи, препятствующие точному прогнозу. Благодаря этому она способна эффективно функционировать даже на скважинах, на которых не проводилось её обучение».
Представьте, что вы изучаете, как предсказывать дождь. Вам предоставляется большой объем информации: температура, влажность, день недели и даже результаты футбольных матчей. Попытка учесть все факторы может привести к обнаружению случайных корреляций – например, к тому, что после победы любимой команды часто выпадает дождь. Это и есть «шум»: корреляция существует, но она не является закономерной и не будет работать на новых данных. Традиционные нейронные сети нередко оказываются в подобной ситуации: они запоминают как истинные закономерности, так и случайные совпадения. Поэтому они дают сбой при работе с новыми скважинами. Разработанная модель самостоятельно выявляет, какие параметры имеют существенное значение, а какие являются лишь случайными совпадениями. Она не принимает во внимание «футбол» и учитывает только те факторы, которые действительно влияют на исход. Поэтому она не ошибается при работе с новыми, ранее не виданными объектами.
— При проверке модели на данных со скважин, не использованных в процессе обучения, была достигнута точность в 99,5%. Это свидетельствует о том, что погрешность прогноза не превышает одного процента. Кроме того, время вычисления снизилось на 87% по сравнению с существующими решениями, — поделился Дмитрий Мартюшев.
Использование данного алгоритма позволяет определить степень бокового сжатия пород до начала буровых работ. Это дает возможность специалистам вычислить оптимальную плотность бурового раствора, что необходимо для предотвращения обрушения стенок скважины и исключения аварийных выбросов нефти или газа.
Определение величины горизонтальных напряжений имеет первостепенное значение для гидроразрыва пласта – метода, применяемого для извлечения труднодоступной нефти. В процессе проведения работ в скважину под высоким давлением закачивается жидкость, что приводит к образованию трещин в породе и открывает каналы для нефти и газа. Ориентация этих трещин определяется боковым сжатием горной породы. Благодаря этим знаниям, специалисты могут контролировать направление трещин, чтобы они проходили через зоны с наибольшей концентрацией полезных ископаемых, избегая при этом неперспективные участки или соседние скважины. Это позволяет увеличить производительность добычи и минимизировать потенциальные риски.
Благодаря новой разработке ученых можно отказаться от затратных и сложных способов определения горизонтальных напряжений, заменив их оперативным и точным решением на базе искусственного интеллекта. Данный гибридный алгоритм может оказаться полезным инструментом для нефтегазовой отрасли, поскольку он способствует уменьшению аварийности при бурении, сокращению расходов и обеспечению безопасности освоения трудноизвлекаемых запасов.