Точность 99%: разработка ученых Пермского Политеха и Иранского университета кардинально меняет оценку нефтяных запасов

Традиционно это рассчитывается с помощью трудоемких и дорогостоящих испытаний образцов породы в лабораториях. Однако при работе со сложными неоднородными пластами они не всегда дают точные результаты. Ученые Пермского Политеха и Иранского Университета Персидского залива разработали инновационный метод качественной оценки водонасыщенности нефтяных коллекторов с использованием машинного обучения. Комплексное исследование позволило выявить наиболее оптимальный алгоритм, который превосходит традиционные подходы, обеспечивая точность прогноза до 99,5%.

 

В нефтяной отрасли ключевой задачей является определение физических параметров горных пород – пористости, проницаемости, насыщенности, плотности и многих других. От них зависит, как и какими методами будут добывать нефть на том или ином месторождении. Обычно их определяют путем отбора керна (образца породы) и его изучения в лабораторных условиях. Однако это дорогостоящий процесс, занимающий много времени. 

 

Сегодня на смену традиционным методам приходит машинное обучение. Это подраздел искусственного интеллекта, работающий на математических алгоритмах. На основе больших массивов информации он способен уловить сложные связи между свойствами пласта и сделать точный прогноз. Выдавая быстрые результаты при меньших затратах.

 

– Такой подход уже успешно применяют для прогнозирования пористости, проницаемости горных пород и интерпретации данных, получаемых с лабораторных и скважинных испытаний. Однако значительно меньше внимания уделяется оценке водонасыщенности – одного из ключевых параметров в вопросе эффективной нефтедобычи, – объясняет Дмитрий Мартюшев, профессор кафедры «Нефтегазовые технологии» ПНИПУ, доктор технических наук. 

 

Ученые Пермского Политеха и Университета Персидского залива с помощью комплексного инновационного подхода определили наилучший метод машинного обучения, который на основе известных скважинных параметров наиболее точно предсказывает значения водонасыщенности коллекторов. 

 

Существуют десятки разных математических алгоритмов, подходящих под эту задачу. Но для того, чтобы они смогли самостоятельно рассчитать нужные показатели, требуется большая обучающая база данных.

Для этого эксперты собрали обширную информацию с нефтяных месторождений, расположенных в юго-западном регионе Ирана. Она включает в себя более 30 000 замеров с реальных скважин по 9 параметрам: глубина, пористость, сопротивление горной породы, расчетное и спектральное гамма-излучение, диаметр скважины, время прохождения продольных волн, объемная плотность и температура. 

 

Для выбора наиболее подходящего метода машинного обучения отобрали пять разных алгоритмов, которые хорошо справляются с прогнозами свойств пород. По собранной базе данных их обучали, тестировали и сравнивали друг с другом, проверяя способность предсказывать содержание воды в нефтяных пластах. Каждый алгоритм запускали в работу по десять раз. Это позволило убедиться в достоверности и надежности результатов.

 

– Из всех наилучший результат показал метод опорных векторов. Коэффициент, который показывает, насколько хорошо алгоритм предсказывает водонасыщенность, составил целых 0,995 из 1, что почти идеально, а погрешность – 0,002. Это означает, что он предсказывает содержание воды в пласте с точностью до 99,5%, и полученные данные отличаются от реальных лишь на 0,2%, – поделился Дмитрий Мартюшев. 

 

Таким образом, на основе девяти ключевых параметров, которые регулярно контролируются геологами, обученный алгоритм сможет непрерывно выдавать показатели насыщения скважины водой. Внедрение такой технологии может кардинально изменить процесс управления нефтяными месторождениями, особенно в условиях сложных и неоднородных коллекторов: повысить точность подсчета запасов углеводородов, оптимизировать добычу, снизить зависимость от дорогостоящих и не всегда продуктивных исследований керна.

 

Эксперты отмечают, что алгоритм обучен на данных, относящихся к песчаным породам. Для его применимости к другим типам, например, карбонатам или трещиноватым системам, может понадобиться переобучение или дополнительная адаптация из-за различий в свойствах и характеристиках данных. 

 

Исследование ученых ПНИПУ и Ирана доказало потенциал методов машинного обучения. Они не только значительно превосходят традиционные подходы, но и обходят другие алгоритмы, делая метод опорных векторов самым надежным и стабильным инструментом для оценки водонасыщенности пластов.