Scientific Reports: Ученые придумали, как находить нефть с точностью до 99,5%

Нефтяные пласты состоят из большого количества мелких пустот, которые могут быть заполнены не только углеводородами, но и водой. Вода может занимать до 70% объема породы. Для повышения эффективности добычи нефти и точного определения ее запасов необходимо заранее оценить содержание воды в пластах. Обычно для этого используются трудоемкие и дорогостоящие лабораторные анализы образцов. Однако такие методы не всегда дают точные результаты, особенно в сложных и неоднородных пластах.

Ученые из Пермского Политехнического университета и Иранского Университета Персидского залива разработали новый подход к оценке водонасыщенности, основанный на машинном обучении. Им удалось создать алгоритм, который с высокой точностью предсказывает водонасыщенность — до 99,5%. Результаты их исследования были опубликованы в журнале Scientific Reports.

Традиционно для определения характеристик горных пород, таких как пористость, проницаемость, плотность и насыщенность, используются лабораторные анализы кернов. Этот метод является дорогостоящим и длительным. В последние годы для решения этой задачи все чаще применяют алгоритмы машинного обучения. Они позволяют обрабатывать большие объемы данных и делать точные прогнозы, что существенно экономит время и ресурсы.

Дмитрий Мартюшев, профессор Пермского Политехнического университета, отмечает: «Методы машинного обучения уже применяются для прогнозирования пористости и проницаемости, но оценка водонасыщенности остается менее изученной, хотя она имеет важное значение для добычи нефти».

Исследователи проанализировали, какой алгоритм машинного обучения наиболее эффективен для прогнозирования водонасыщенности на основе данных геофизических исследований скважин. Они собрали базу данных, включающую более 30 000 измерений по девяти параметрам: глубина залегания, пористость, электрическое сопротивление, гамма-излучение, диаметр скважины, скорость продольных волн, объемная плотность, температура и другие.

Для анализа данных они использовали пять различных алгоритмов машинного обучения. Эти алгоритмы были обучены на собранной базе данных, после чего их точность была проверена.

Мартюшев подчеркивает: «Наилучшие результаты показал метод опорных векторов (SVM). Он предсказывает водонасыщенность с точностью до 99,5%, с погрешностью не более 0,2%».

Новый алгоритм, основанный на девяти параметрах, контролируемых геологами, способен непрерывно предоставлять данные о водонасыщенности скважин. Это может существенно изменить подходы к управлению нефтедобычей, повысить точность оценки запасов и снизить затраты на лабораторные исследования.

Однако стоит отметить, что алгоритм был обучен на данных, полученных из песчаных пород. Для применения к другим типам пород, таким как карбонатные или трещиноватые, может потребоваться дополнительная настройка или обучение.

Исследование ученых из ПНИПУ и Университета Персидского залива демонстрирует, что методы машинного обучения имеют большой потенциал для применения в нефтегазовой отрасли. Алгоритм SVM оказался высоконадежным инструментом для оценки водонасыщенности горных пород, превосходя традиционные методы, пишет источник.