В Пермском Политехе нашли способ упростить прогнозирование свойств коллекторов в нефтедобыче
Пермь, 1 мар - ИА Neftegaz.RU. Ученые Пермского Политеха (ПНИПУ) разработали метод, который повысит эффективность нефтедобычи благодаря улучшению прогнозирования свойств коллекторов.
Об этом сообщила пресс-служба вуза.
Этот процесс является критически важным для оценки потенциала нефтяных месторождений и принятия информированных решений по их разработке.
Обычно для определения характеристик горных пород, таких как пористость, плотность и проницаемость, применяются геофизические исследования.
На их основании создаются 3D-модели месторождений, которые позволяют оценить объем содержащейся в них нефти и газа.
Однако изменчивость структуры и свойств коллекторов затрудняет получение точных данных с использованием традиционных методов.
Источник фото: ПНИПУ
Ученые Пермского Политеха предложили новый подход, основанный на искусственном интеллекте, который позволит повысить точность прогноза пористости на 56% и увеличит эффективность разработки месторождений.
Результаты данного исследования опубликованы в журнале Геосистемная инженерия в 2024 г. и профинансированы Министерством образования и науки РФ (проект FSNM-2023-0005).
Коллекторы - это породы, имеющие пустоты, которые могут удерживать и отдавать флюиды, такие как нефть, газ и воду.
Моделирование их свойств является ключевым аспектом оценки месторождений, при этом особое внимание уделяется точному прогнозированию пористости.
Традиционные методы, такие как анализ керна и геофизические исследования, включая радиоактивный, электрический и акустический каротаж, позволяют измерить различные физические свойства пород.
Однако сложные геологические условия и неоднородность пластов ограничивают их эффективность.
Использование нейронных сетей и методов машинного обучения открывает новые возможности для повышения точности прогноза и качества 3D-моделирования.
В рамках исследования ученые Пермского Политеха применили алгоритмы машинного обучения для оценки пористости коллекторов на основе данных геофизических исследований, собранных по 238 скважинам шести разных месторождений.
При этом они также использовали данные лабораторных исследований керна для определения пористости.
Источник фото: ПНИПУ
Созданная модель машинного обучения была использована для уточнения геологической модели месторождения и пересчета запасов нефти, что привело к повышению точности прогнозов пористости для 22 скважин.
В результате исследования было замечено, что запасы углеводородов на месторождении возросли.
Это связано с увеличением средних значений пористости по сравнению с предыдущими моделями.
По словам аспиранта кафедры геологии нефти и газа ПНИПУ Г. Шиверского, ученые обнаружили новые участки с запасами нефти, которые ранее не были задействованы в разработке, что позволило скорректировать план добычи и включить в него новые зоны.
Исследования ученых ПНИПУ продемонстрировали эффективность использования алгоритмов машинного обучения для моделирования и прогнозирования пористости в условиях высокой геологической неоднородности.
Новый подход автоматизирует процесс и повышает качество прогнозов свойств скважин, что оптимизирует разработку нефтяных месторождений.
Ожидается, что такие технологии вскоре станут стандартными инструментами в исследовании недр, позволяя соединить накопленные геологические знания с современными достижениями в области анализа данных и искусственного интеллекта.
Об этом сообщила пресс-служба вуза.
Этот процесс является критически важным для оценки потенциала нефтяных месторождений и принятия информированных решений по их разработке.
Обычно для определения характеристик горных пород, таких как пористость, плотность и проницаемость, применяются геофизические исследования.
На их основании создаются 3D-модели месторождений, которые позволяют оценить объем содержащейся в них нефти и газа.
Однако изменчивость структуры и свойств коллекторов затрудняет получение точных данных с использованием традиционных методов.
Источник фото: ПНИПУ
Ученые Пермского Политеха предложили новый подход, основанный на искусственном интеллекте, который позволит повысить точность прогноза пористости на 56% и увеличит эффективность разработки месторождений.
Результаты данного исследования опубликованы в журнале Геосистемная инженерия в 2024 г. и профинансированы Министерством образования и науки РФ (проект FSNM-2023-0005).
Коллекторы - это породы, имеющие пустоты, которые могут удерживать и отдавать флюиды, такие как нефть, газ и воду.
Моделирование их свойств является ключевым аспектом оценки месторождений, при этом особое внимание уделяется точному прогнозированию пористости.
Традиционные методы, такие как анализ керна и геофизические исследования, включая радиоактивный, электрический и акустический каротаж, позволяют измерить различные физические свойства пород.
Однако сложные геологические условия и неоднородность пластов ограничивают их эффективность.
Использование нейронных сетей и методов машинного обучения открывает новые возможности для повышения точности прогноза и качества 3D-моделирования.
В рамках исследования ученые Пермского Политеха применили алгоритмы машинного обучения для оценки пористости коллекторов на основе данных геофизических исследований, собранных по 238 скважинам шести разных месторождений.
При этом они также использовали данные лабораторных исследований керна для определения пористости.
Источник фото: ПНИПУ
Созданная модель машинного обучения была использована для уточнения геологической модели месторождения и пересчета запасов нефти, что привело к повышению точности прогнозов пористости для 22 скважин.
В результате исследования было замечено, что запасы углеводородов на месторождении возросли.
Это связано с увеличением средних значений пористости по сравнению с предыдущими моделями.
По словам аспиранта кафедры геологии нефти и газа ПНИПУ Г. Шиверского, ученые обнаружили новые участки с запасами нефти, которые ранее не были задействованы в разработке, что позволило скорректировать план добычи и включить в него новые зоны.
Исследования ученых ПНИПУ продемонстрировали эффективность использования алгоритмов машинного обучения для моделирования и прогнозирования пористости в условиях высокой геологической неоднородности.
Новый подход автоматизирует процесс и повышает качество прогнозов свойств скважин, что оптимизирует разработку нефтяных месторождений.
Ожидается, что такие технологии вскоре станут стандартными инструментами в исследовании недр, позволяя соединить накопленные геологические знания с современными достижениями в области анализа данных и искусственного интеллекта.