Томография в недрах
Сотрудники Института геологии и нефтегазовых технологий КФУ разработали новый подход к оценке свойств горных пород, содержащих нефть и газ. Метод позволяет быстро оценить перспективность образцов горных пород.
Отраслевой контекст
В лаборатории Казанского федерального университета создан метод оперативной оценки пористости и проницаемости карбонатных пород-коллекторов. Он построен на основе рентгеновской микротомографии и машинного обучения. Разработка имеет глобальное промышленное значение для технологической трансформации ключевых секторов экономики.
Традиционный анализ керна (образцов извлекаемой из скважин горной породы) – процесс трудоемкий и дорогой. Он занимает недели, а иногда и месяцы. Новый метод, использующий томографическое сканирование с относительно низким разрешением — 34−36 микрометров, сокращает процесс до считанных часов. Полученные изображения структуры порового пространства анализируются с помощью специальной архитектуры глубокого обучения Swin Transformer, которая учитывает особенности строения породы.
Проницаемость – ключевой параметр, определяющий, насколько легко нефть, газ или вода могут перемещаться через подземный пласт. Ошибка в ее оценке ведет к миллиардным потерям. Теперь таких убытков можно избежать.
По данным Минэнерго, на карбонатные коллекторы, характеризующиеся сложной и неоднородной структурой пор, приходится около 50% мировых запасов углеводородов. В России к ним относятся гигантские месторождения: такие как Приобское в Западной Сибири. Низкая точность прогнозирования их продуктивности долгое время была «ахиллесовой пятой» геологоразведки. Применение ИИ для анализа «цифрового двойника» керна кардинально меняет ситуацию, повышая эффективность разведки и добычи, что, в конечном счете, снижает себестоимость ресурсов.
Формирование тренда
Разработка КФУ – очередной этап эволюции «цифрового керна» в России. В последние годы российские научные коллективы и промышленные компании активно развивают это направление. Публикации в отраслевых журналах говорят о постоянном повышении точности ML-алгоритмов для классификации пород по изображениям, оценки нанопористости и фильтрационно-емкостных свойств.
Фактически наблюдается формирование новой технологической парадигмы, где физические лабораторные исследования дополняются – а в перспективе и замещаются – высокоточным цифровым моделированием.
Перспективы разработки многогранны. Внедрение на внутреннем рынке позволит более рационально осваивать трудно извлекаемые запасы. При этом методология не ограничивается нефтью и газом. Её можно адаптировать для поиска и оценки водоносных горизонтов и геотермальных ресурсов в соответствии с курсом на диверсификацию энергетики.
Разработка может стать полноценным коммерческим программным продуктом. Софтверные разработки для геологоразведки обладают колоссальным экспортным потенциалом. Его естественными рынками станут регионы с обширными карбонатными коллекторами: Ближний Восток, Северная Африка и Средняя Азия.
Рынок подскажет
Фундаментальные исследования на стыке дисциплин нередко дают прикладные решения с экономическим эффектом. Понятно, что будущее добывающей отрасли невозможно без глубокой цифровизации и применения ИИ.
В ближайший год начнется апробация метода в пилотных проектах ведущих добывающих компаний. Через 3-5 лет можно прогнозировать его интеграцию в крупные сервисные центры, где он станет стандартом предварительной оценки. Долгосрочная цель — экспорт технологии в формате SaaS (программное обеспечение как услуга) или в составе комплексных аналитических решений.
Конечно, все это произойдет лишь при условии валидации метода на огромном массиве разнотипных пород. Негативным для распространения технологии фактором может стать дефицит современного оборудования для микротомографии в региональных лабораториях. Преодоление этих барьеров потребует применения государственно-частного партнерства и инвестиций в инфраструктуру.
