Исследователи используют машинное обучение для помощи в добыче нефти

Ученые Сколтеха и их коллеги из индустрии нашли способ с помощью машинного обучения точно предсказывать теплопроводность горных пород — ключевой параметр для методов увеличения нефтеотдачи (УНП). Исследование, поддержанное ООО «Лукойл-Инжиниринг», опубликовано в Geophysical Journal International.

Теплопроводность породы, или её способность проводить тепло, критически важна как для моделирования нефтегазоносного бассейна, так и для проектирования методов УНП, так называемой третичной добычи, которая позволяет извлечь значительно больше сырой нефти, чем при использовании базовых методов. Распространенный метод УНП — термическое воздействие, когда нефть в пласте нагревается, например, паром, и этот метод требует детального знания процессов теплопередачи в коллекторе.

Для этого необходимо измерять теплопроводность породы напрямую in situ, но эта задача оказалась чрезвычайно сложной и до сих пор не дала удовлетворительных для практики результатов. Поэтому ученые и практики обратились к косвенным методам, которые оценивают теплопроводность по данным каротажа, дающим детальную картину вертикальных изменений физических свойств пород.

«Сегодня три основные проблемы исключают любую возможность прямого измерения теплопроводности в интервалах без отбора керна. Во-первых, это время, необходимое для измерений: нефтяники не могут позволить надолго останавливать скважину, так как это экономически нецелесообразно. Во-вторых, индуцированная конвекция бурового раствора сильно влияет на результаты измерений. И, наконец, нестабильная форма ствола скважины, что связано с некоторыми техническими аспектами измерений», — поясняет аспирант Сколтеха и первый автор статьи Юрий Мешалкин.

Известные методы на основе каротажа используют регрессионные уравнения или теоретическое моделирование, и оба подхода имеют недостатки, связанные с доступностью данных и нелинейностью свойств пород. Мешалкин и его коллеги сравнили семь алгоритмов машинного обучения в «гонке» за максимально точное восстановление теплопроводности по данным каротажа. В качестве эталона для сравнения они также выбрали теоретическую модель Лихтенекера-Асаада.

Используя реальные каротажные данные с месторождения тяжелой нефти в Тимано-Печорском бассейне на севере России, исследователи обнаружили, что среди семи алгоритмов машинного обучения и базовой множественной линейной регрессии Random Forest обеспечил наиболее точные прогнозы теплопроводности пород по данным каротажа, даже превзойдя теоретическую модель.

«Если смотреть на сегодняшние практические потребности и существующие решения, я бы сказал, что наш лучший результат на основе машинного обучения очень точен. Дать какую-то качественную оценку сложно, так как ситуация может различаться и ограничена конкретными месторождениями. Но я считаю, что нефтедобывающие компании могут использовать такие косвенные прогнозы теплопроводности пород при проектировании УНП», — отмечает Мешалкин.

Ученые считают, что алгоритмы машинного обучения представляют собой перспективный подход для быстрого и эффективного прогнозирования теплопроводности горных пород. Эти методы более просты и надежны и не требуют дополнительных параметров помимо стандартных данных каротажа. Таким образом, они могут «кардинально улучшить результаты геотермических исследований, моделирования бассейнов и нефтяных систем и оптимизации методов термического УНП», заключается в статье.