В МФТИ научились быстро прогнозировать проницаемость пород
В горной породе нефть, газ и вода движутся через небольшие поры. От такой «пропускной способности» пород зависит, сколько можно будет извлечь из них полезных ископаемых. Чтобы это понять, геологи обычно берут керн, образец, составляют трехмерную модель пор, считают. Но это довольно долго.
Исследователи Московского физико-технического института (МФТИ) совместно с коллегами из Ирана создали алгоритм для нейросети, который быстро рассчитывает, насколько хорошо горная порода пропускает жидкости и газы в разных направлениях. Для этого внутренняя структура породы – как расположены поры и как они связаны между собой – описывается набором чисел. Всего получается около 250 параметров вместо огромного трехмерного изображения.
Компактный набор чисел для полного понимания
Проницаемость – одна из важнейших характеристик, учитываемых при разведке и разработке нефтегазовых месторождений. Она влияет на то, насколько легко нефть, газ или вода перемещаются внутри подземного пласта. А пропускает жидкости в разных направлениях порода по-разному. Если порода слоистая или ее каналы вытянуты в одну сторону, то вдоль них жидкость течет легко, а поперек – с трудом. Это называется анизотропией проницаемости. Именно для учета анизотропии, которая требует сложных расчетов, исследователи МФТИ предложили применить быструю нейросетевую модель.
Алгоритм использует комбинацию математического моделирования и машинного обучения. Сначала рассчитываются статистические характеристики внутренней структуры породы – пространственное распределение пор. Затем они преобразуются в набор из 250 параметров. Нейросеть прогнозирует девять компонентов тензора проницаемости, описывающего способность материала пропускать жидкость или газ в разных направлениях. Прогноз выдается за доли секунды.
Свойства под микроскопом
В области цифрового исследования горных пород и прогнозирования их свойств с помощью ИИ в России уже накоплен богатый опыт.
Например, компании «Роснефть» и «Иннопрактика» создали программный комплекс «РН-Цифровой керн» для цифрового моделирования свойств керна на основе компьютерной томографии и электронной микроскопии. Он позволяет рассчитывать пористость, проницаемость, кривые капиллярного давления и многофазную фильтрацию. Обновленная версия дает возможность моделировать трехфазную фильтрацию (нефть-газ-вода) и напрямую рассчитывать проницаемость пласта.
Не остаются в стороне и ученые. Исследователи из Казанского федерального университета предложили метод прогнозирования газовой проницаемости карбонатных коллекторов с применением рентгеновской микротомографии и машинного обучения. Это позволяет обойтись без трудоемкой реконструкции полной трехмерной поровой сети.
В свою очередь в Пермском политехе была разработана методика цифрового определения параметров призабойной зоны пласта – участка горных пород, которые находятся рядом со стволом скважины и через которые флюид поступает в нее. Здесь нейросети обучали на данных 486 исследований добывающих скважин. Наиболее удачная модель при проверке показала ошибку менее 7%.
А ученые МФТИ и Сычуаньского университета представили метод SWNN, позволяющий создавать объемные модели пористых материалов на основе одного двумерного изображения. Фактически сегодня в МФТИ формируется комплексное направление: сначала восстановление структуры, затем прогноз свойств.
Затраты – ниже, безопасность – выше
В России доля трудноизвлекаемых запасов в добыче уже превысила 30% и в дальнейшем будет увеличиваться. Это повышает значение технологий, позволяющих рентабельно разрабатывать сложные месторождения – выходить на более эффективное использование ресурсов, сокращение производственных затрат и экологическую безопасность при оценке распространения загрязнений в подземных водах.
Кроме того, исследователи МФТИ показали, что для решения сложной физической задачи не всегда требуется давать нейросети полный трехмерный массив данных – предварительное выделение информативных признаков снижает вычислительную нагрузку.
