David Thielen_Unsplash
Нефтяные коллекторы представляют собой сложные геологические структуры, где порода содержит множество микроскопических пор и трещин. Эти пустоты заполнены не только нефтью, но и пластовой водой, доля которой может достигать 70% от общего объема. Точное определение этого соотношения — водонасыщенности — является критически важным для корректного подсчета извлекаемых запасов углеводородов и планирования эффективной разработки месторождения. Традиционно для этого используются лабораторные исследования керна — образцов породы, извлеченных из скважины. Однако эти методы требуют значительных временных и финансовых затрат, а их точность при работе с неоднородными, сложнопостроенными пластами часто оказывается недостаточной. Ученые Пермского национального исследовательского политехнического университета (ПНИПУ) и Университета Персидского залива (Иран) предложили революционное решение — метод оценки водонасыщенности на основе машинного обучения. Комплексное исследование позволило выявить оптимальный алгоритм, точность прогноза которого достигает 99,5%, что кардинально превосходит традиционные подходы.
Статья с результатами исследования опубликована в авторитетном научном журнале «Scientific Reports» в 2025 году.
Проблемы традиционных методов и потенциал ИИ
Успех в нефтедобыче напрямую зависит от точного знания физических свойств горных пород-коллекторов: пористости, проницаемости, насыщенности флюидами и плотности. Эти параметры определяют выбор технологий добычи и экономику всего проекта. Классический путь их получения — отбор керна и его последующий сложный лабораторный анализ — становится «узким местом»: процесс дорог, длителен и не всегда репрезентативен для всего пласта.
На смену ему приходят технологии искусственного интеллекта, в частности, машинное обучение. Этот раздел науки использует математические алгоритмы, способные находить сложные, неочевидные закономерности в больших массивах данных. Обученная на реальных промысловых данных модель может быстро и с высокой точностью прогнозировать ключевые параметры, минимизируя затраты.
Обратите внимание: Ученые Пермского Политеха разработали инновационный тренажер для безопасного обучения электриков в виртуальной реальности.
– Машинное обучение уже доказало свою эффективность для прогнозирования пористости и проницаемости, а также для интерпретации данных геофизических исследований скважин, — отмечает Дмитрий Мартюшев, профессор кафедры «Нефтегазовые технологии» ПНИПУ, доктор технических наук. — Однако оценке водонасыщенности, одному из важнейших параметров для планирования добычи, уделялось значительно меньше внимания. Наше исследование направлено на заполнение этого пробела.
Как создавалась и тестировалась новая модель
Совместная работа российских и иранских ученых была нацелена на поиск наиболее эффективного алгоритма машинного обучения, который мог бы предсказывать водонасыщенность на основе стандартного набора данных геофизических исследований скважин (ГИС).
Для обучения любой подобной модели необходима обширная и качественная база данных. Исследователи собрали и систематизировали информацию с месторождений юго-западного Ирана, включающую более 30 000 реальных замеров. Каждая запись содержала значения по девяти ключевым параметрам: глубина залегания, пористость, удельное электрическое сопротивление породы, естественное гамма-излучение, спектральный гамма-каротаж, диаметр скважины, время пробега упругих волн, объемная плотность и температура.
Из множества существующих алгоритмов были отобраны пять наиболее перспективных для решения задач регрессии (прогнозирования численных значений). На собранной базе данных их последовательно обучали, тестировали и сравнивали между собой, оценивая способность предсказывать содержание воды. Для обеспечения статистической достоверности каждый алгоритм запускали в работу десять раз.
Победитель и его впечатляющие результаты
– Наилучший результат продемонстрировал алгоритм, известный как метод опорных векторов (Support Vector Machine, SVM), — поясняет Дмитрий Мартюшев. — Коэффициент детерминации (R²), показывающий, насколько точно модель описывает данные, составил 0,995 из 1, что близко к идеальному значению. Средняя квадратичная ошибка прогноза оказалась на уровне 0,002. Это означает, что алгоритм предсказывает водонасыщенность пласта с точностью около 99,5%, а расхождение с фактическими данными не превышает 0,2%.
Таким образом, используя всего девять стандартных параметров ГИС, обученная модель способна в режиме реального времени выдавать точные данные о насыщенности пласта водой. Внедрение этой технологии способно трансформировать управление разработкой месторождений, особенно с трудноизвлекаемыми запасами в неоднородных коллекторах. Это позволит повысить точность подсчета запасов, оптимизировать схемы заводнения и системы добычи, а также снизить зависимость от дорогостоящих и длительных лабораторных исследований керна.
Ограничения и перспективы
Ученые отмечают, что представленная модель была обучена и валидирована на данных по песчаным коллекторам. Для ее применения к другим типам пород, таким как карбонаты или трещиноватые коллекторы, может потребоваться дополнительная дообучение на соответствующих наборах данных, так как физические свойства и характер насыщения у этих пород могут существенно отличаться.
Исследование наглядно доказало высокий потенциал машинного обучения в нефтегазовой геологии. Разработанный метод не только превосходит по точности и скорости традиционные лабораторные подходы, но и показал себя лучше других тестируемых алгоритмов, утвердив метод опорных векторов в качестве надежного и стабильного инструмента для оперативной оценки одного из ключевых параметров пласта.
Больше интересных статей здесь: Производство.
Источник статьи: Точность 99%: разработка ученых Пермского Политеха и Иранского университета кардинально меняет оценку нефтяных запасов.