Нефтяные пласты характеризуются наличием большого количества микроскопических пустот и полостей, содержащих не только углеводороды, но и воду. Вода может составлять до 70% общего объема этих пустот. Для точного определения запасов нефти и разработки стратегии эффективной добычи необходимо заранее определять количество воды в породе. Обычно это делается с помощью трудоемких и затратных лабораторных испытаний образцов. Однако при работе с комплексными и неоднородными пластами такие испытания не всегда дают достоверные результаты. Специалисты Пермского Политеха и Иранского Университета Персидского залива создали новый метод качественной оценки водонасыщенности нефтяных коллекторов с применением машинного обучения. Проведенное исследование позволило определить наиболее подходящий алгоритм, который превосходит традиционные подходы и обеспечивает точность прогноза, достигающую 99,5%.
Статья опубликована в журнале «Scientific Reports», 2025.
В нефтедобыче первостепенное значение имеет установление физических характеристик горных пород, таких как пористость, проницаемость, насыщенность, плотность и другие. Эти параметры влияют на выбор способов и методов извлечения нефти из конкретного месторождения. Традиционно их определяют, извлекая керн – образец породы – и проводя его исследование в лаборатории. Тем не менее, этот метод требует значительных затрат и отнимает много времени.
В настоящее время машинное обучение вытесняет традиционные подходы. Этот раздел искусственного интеллекта использует математические алгоритмы. Благодаря работе с обширными данными, он может выявлять сложные взаимосвязи между характеристиками геологического разреза и создавать точные прогнозы, обеспечивая оперативность и снижение издержек.
– Уже сейчас данный метод демонстрирует свою эффективность в прогнозировании пористости и проницаемости горных пород, а также в анализе данных, полученных в ходе лабораторных исследований и испытаний, проводимых на скважинах. При этом оценка водонасыщенности, являющейся важным фактором для успешной добычи нефти, пока не получает достаточного внимания, как отмечает Дмитрий Мартюшев, профессор кафедры «Нефтегазовые технологии» ПНИПУ, доктор технических наук.
Сотрудники Пермского Политеха и Университета Персидского залива, используя комплексный инновационный подход, выявили наиболее эффективный метод машинного обучения. Он позволяет с высокой точностью прогнозировать показатели водонасыщенности пластов на основе имеющихся данных о параметрах скважин.
Для решения этой задачи можно использовать множество различных математических алгоритмов. Однако для их автономного вычисления необходимых параметров необходим обширный набор данных для обучения.
С целью проведения анализа специалисты получили большой объем данных с нефтяных месторождений, находящихся в юго-западной части Ирана. Этот объем данных включает в себя более 30 000 измерений, полученных непосредственно из скважин, по девяти показателям: глубина, пористость, сопротивление горных пород, расчетное и спектральное гамма-излучение, диаметр скважины, время прохождения продольных волн, объемная плотность и температура.
При выборе оптимального метода машинного обучения было рассмотрено пять различных алгоритмов, демонстрирующих высокую эффективность в прогнозировании характеристик горных пород. На основе сформированной базы данных проводилось обучение, тестирование и сопоставление алгоритмов, оценивая их способность предсказывать содержание воды в нефтяных пластах. Для каждого алгоритма выполнялось по десять запусков, что обеспечило подтверждение достоверности и стабильности полученных результатов.
– Метод опорных векторов продемонстрировал наилучшие результаты. Коэффициент, характеризующий способность алгоритма прогнозировать водонасыщенность, достиг значения 0,995 из максимально возможного, что свидетельствует о практически идеальном результате, а погрешность составила 0,002. По словам Дмитрия Мартюшева, это говорит о том, что содержание воды в пласте предсказывается с точностью 99,5%, и разница между полученными данными и фактическими значениями составляет всего 0,2.
На основании девяти основных параметров, которые геологи регулярно контролируют, обученный алгоритм сможет непрерывно предоставлять данные о степени водонасыщенности скважин. Внедрение данной технологии способно существенно преобразовать процесс управления нефтяными месторождениями, в особенности при работе со сложными и неоднородными геологическими структурами: это позволит повысить точность оценки запасов углеводородов, оптимизировать добычу и уменьшить потребность в дорогостоящих и не всегда информативных исследованиях образцов горных пород.
По мнению специалистов, алгоритм был разработан на основе информации, полученной из песчаных пород. Чтобы использовать его для работы с другими типами пород, такими как карбонаты или трещиноватые системы, вероятно, потребуется его переобучение или дополнительная настройка, поскольку данные для разных типов пород существенно различаются по своим свойствам и характеристикам.
Работа, выполненная специалистами ПНИПУ совместно с коллегами из Ирана, подтвердила перспективность использования методов машинного обучения. Эти методы не только демонстрируют существенное преимущество перед классическими решениями, но и превосходят другие алгоритмы, что делает метод опорных векторов наиболее надежным и стабильным инструментом для определения степени насыщенности пластов водой.