Wahrscheinliche 3‑D‑Lithologieklassifikation aus Volumen elastischer Eigenschaften: ein erweitertes Inversions‑Workflow im Desouq‑Gasfeld, Westlicher Nildelta, Ägypten

Verstecktes Gas unter dem Nildelta finden

Das Auffinden neuer Gaslagerstätten wird zunehmend schwieriger, da die einfachsten Ziele bereits erschlossen sind. Im onshore Nildelta Ägyptens sind die Gesteinsschichten komplex, und traditionelle seismische Bilder können leicht täuschen, sodass Unternehmen teure trockene oder gering ergiebige Bohrungen durchführen. Diese Studie stellt einen neuen Weg vor, unter die Oberfläche zu »sehen«: Sie kombiniert fortgeschrittene seismische Verarbeitung, Analyse von Gesteinseigenschaften und probabilistisches maschinelles Lernen, um ein 3‑D‑Bild zu erstellen, welche Gesteine wahrscheinlich Gas enthalten und welche dicht oder wassergefüllt sind. Das reduziert das Explorationsrisiko und verschwendete Bohrungen.

Ein herausforderndes Puzzle im Untergrund

Das Desouq‑Gasfeld liegt in einem geologisch komplizierten Bereich des Westlichen Nildeltas, wo Verwerfungen, Kanäle und schwankende Meeresspiegel Sande, Schiefer und Evaporitgesteine in verschlungenen Mustern übereinander gestapelt haben. Gas ist hauptsächlich in Sandkanälen der Abu‑Madi‑Formation eingeschlossen, doch ein besonderer Störfaktor ist Anhydrit, ein sehr dichtes, undurchlässiges Gestein. Dünne Anhydritlagen können starke seismische Reflektionen erzeugen, die stark denen von gasführenden Sanden ähneln. Frühere Ansätze stützten sich meist auf einfachere seismische Produkte und Amplituden‑Karten, die diese ähnlichen Signale nicht zuverlässig unterscheiden konnten, sodass unklar blieb, ob ein leuchtender seismischer Bereich ein vielversprechendes Gasziel oder nur eine dichte, nicht‑produktive Lage ist.

Seismische Echos in Gesteinsarten verwandeln

Um dem zu begegnen, entwickelten die Autoren einen zweistufigen Workflow. Zunächst verwendeten sie Pre‑Stack‑Seismic‑Inversion, die analysiert, wie seismische Reflektionen mit dem Einfallswinkel variieren, um Schlüsselgrößen des Untergrunds wie P‑Impedanz, S‑Impedanz und das Verhältnis von Kompressions‑ zu Scherwellengeschwindigkeit abzuschätzen. Diese Eigenschaften wurden mit Messungen aus fünf Bohrungen kalibriert, in denen detaillierte Logs zeigen, wie Gamma‑Strahlung, Dichte, Schallgeschwindigkeit und andere Indikatoren im Gesteinsprofil variieren. Sorgfältige Qualitätskontrollen stellten sicher, dass die invertierten Eigenschaftsvolumen mit den Bohrungsdaten übereinstimmen und der bekannten geologischen Schichtung folgen, wodurch ein verlässliches Anfangsmodell des Untergrunds entstand.

Den Computer Gesteine lehren

In der zweiten Stufe wurden diese kalibrierten Eigenschaften in ein statistisches Gesteinstypmodell überführt. An den Bohrstellen führten die Autoren petrophysikalische Analysen durch, um Tiefenintervalle zu identifizieren, die gasführenden Sand, nassen Sand, Schiefer oder dichten Anhydrit enthalten. Anschließend nutzten sie Gesteinsphysik‑Crossplots, um zu sehen, wie sich diese Gesteinstypen in Bezug auf Impedanz und Geschwindigkeitsverhältnisse clustern. Aus diesen Clustern erstellten sie Wahrscheinlichkeitsdichtefunktionen — im Grunde Fingerabdrücke, die beschreiben, wie wahrscheinlich eine gegebene Kombination von Eigenschaften einem bestimmten Gesteinstyp zuzuordnen ist. Ein auf diesen gelabelten Bohrungsdaten trainierter Machine‑Learning‑Klassifikator wurde dann auf das gesamte 3‑D‑Seismikvolumen angewendet und erzeugte »Wahrscheinlichkeitswürfel«, die für jeden Punkt im Untergrund die Wahrscheinlichkeit schätzen, Gas­sand, nassen Sand, Schiefer oder Anhydrit zu sein.

Was die neue 3‑D‑Ansicht offenbart

Die resultierenden probabilistischen Karten zeigen segmentierte Kanäle gasgesättigten Sands, die sich durch die Abu‑Madi‑Formation ziehen. Wichtig ist, dass sie frühere Interpretationen verfeinern, indem sie echte Gassignale von irreführenden Hellflecken unterscheiden, die durch dünne Anhydritlagen verursacht werden. Statistiken aus Konfusionsmatrizen zeigen, dass das Modell Gas­sande mit hoher Genauigkeit identifiziert, während Fehlklassifikationen von Anhydrit sehr gering sind. Vergleicht man die Wahrscheinlichkeitswürfel mit seismischen Schnitten und Bohrungs‑Logs, so stimmen Zonen mit hoher Gas‑Sand‑Wahrscheinlichkeit mit Intervallen niedriger Wassersättigung überein, was den Betreibern mehr Vertrauen in die tatsächliche Lage des Gases gibt. Die Analyse fördert außerdem acht zusätzliche gasführende Zonen im südwestlichen Teil des Feldes zutage, die zuvor abgeschrieben oder unsicher waren.

Warum das für zukünftige Exploration wichtig ist

Alltagsgerecht ausgedrückt hebt diese Studie die »Augen« der Industrie im Untergrund von einem verschwommenen Schwarz‑Weiß‑Bild auf eine farbkodierte 3‑D‑Karte wahrscheinlicher Gesteins‑ und Fluidtypen. Durch die Kombination fortschrittlicher seismischer Inversion, Gesteinsphysik und probabilistischer Klassifikation reduziert der Workflow Fehlinformationen, die durch täuschend dichte Gesteine entstehen, und zeichnet besser nach, wo gasreiche Sande verbunden oder segmentiert sind. Obwohl Unsicherheiten bestehen bleiben — insbesondere dort, wo gas‑ und wassergefüllte Sande ähnlich erscheinen oder Schichten dünner als die seismische Auflösung sind — bietet diese integrierte Methode eine verlässlichere Orientierung für die Wahl von Bohrstandorten und die Planung der Feldentwicklung, im Nildelta wie auch in anderen komplexen Becken weltweit.

Zitation: El Hateel, M.S., El Sayed, A.A., El-Werr, AK. et al. Probabilistic 3D lithology classification from elastic property volumes an advanced inversion workflow at Desouq Gas Field, West Nile Delta, Egypt. Sci Rep 16, 10950 (2026). https://doi.org/10.1038/s41598-026-42888-z

Schlüsselwörter: Gas im Nildelta, seismische Inversion, Lithologieklassifikation, probabilistische Reservoirmodellierung, Gesteinsphysik