Umfassende Bewertung der gasführenden Eigenschaften in ultratiefer Grundgebirgsreservoirs basierend auf einer optimierbaren Support-Vektor-Maschine

Auf der Suche nach Gas in den tiefsten Gesteinen

Tief unter der Erdoberfläche, in Gesteinen, die einst als zu alt und zu dicht galten, entdecken Geologen neue Lagerstätten von Erdgas. Diese ultratiefe „Grundgebirgs“-Schicht liegt mehr als sechs Kilometer unter der Oberfläche, wo Wärme, Druck und komplexe Gesteinsarten es schwer machen, zu erkennen, wo sich das Gas tatsächlich verbirgt. Diese Studie untersucht, wie eine Form des maschinellen Lernens verwirrende Messwerte aus solchen Tiefen durchforsten kann, um genau die Gesteinsschichten zu lokalisieren, die tatsächlich Gas enthalten, und so Unternehmen dabei zu helfen, weniger trockene Bohrungen zu tätigen und diese schwierigen Reservoirs sicherer zu bewirtschaften.

Eine neue Art von tiefem Gasziel

Die Forschung konzentriert sich auf den Block K2 im Qaidam-Becken in China, Heimat des weltweit ersten ultratiefen Grundgebirgsgasreservoirs mit einer Beerdigungstiefe von über 6.500 Metern. Hier wird Gas nicht in den üblichen Sandsteinen gespeichert, sondern in alten, gebrochenen Grundgebirgsgesteinen wie Gneis und Diorit. Diese Gesteine sind von Netzwerken natürlicher Risse und verwitterter Zonen durchzogen, die Gas speichern und leiten können. Gas aus jüngeren Jura-Quellegesteinen ist entlang von Störungen in diese zerrütteten Grundgebirgszonen nach unten gewandert und sammelt sich in Fallen, in denen Gas über salzhaltigem Formationwasser liegt. Weil die Gesteine so variabel sind, reagieren Messungen im Bohrloch stärker auf Gesteinsartänderungen als darauf, ob Poren mit Gas oder Wasser gefüllt sind.

Warum traditionelle Werkzeuge versagen

In vielen flacheren Reservoirs verlassen sich Ingenieure auf einen einfachen Vergleich zweier Porositätskurven aus Neutronen- und Dichte-Logs, um Gas zu erkennen: Die Kurven kreuzen sich auf charakteristische Weise, wenn Gas vorhanden ist. Im Grundgebirge des Blocks K2 versagt diese Faustregel. Manche sauren Gesteine haben von Natur aus geringe Dichte und einen niedrigen Wasserstoffgehalt und ahmen so die „Gas-Signatur“ nach, selbst wenn kein Gas vorhanden ist. Andere durch Hitze und Flüssigkeiten veränderte Gesteine zeigen hohen Wasserstoffgehalt und ein anderes Dichteverhalten, was das Bild erneut verwirrt. Infolgedessen überlappen oder verschieben sich die vertrauten Kurven so, dass sie nicht verlässlich den Fluidtyp wiedergeben, sodass es mit bloßem Auge nahezu unmöglich wird, klare Grenzen zwischen gasreichen und trockenen Schichten zu ziehen.

Der Maschine beibringen, die Gesteine zu lesen

Um dieses Problem zu überwinden, wendet das Team eine optimierbare Support-Vektor-Maschine an, eine bekannte Methode des maschinellen Lernens, die für kleine, aber komplexe Datensätze geeignet ist. Anstatt sich auf ein einzelnes Muster zu verlassen, verarbeitet das Modell mehrere Logging-Messungen gleichzeitig, darunter natürliches Gammastrahlen-, Schalllaufzeit-, Gesteinsdichte-, Neutronenantwort-, tiefe und flache elektrische Widerstandsfähigkeit sowie Gesamt-Kohlenwasserstoffwerte aus Gaslogging. Jeder Tiefenpunkt in den Bohrungen wird anhand tatsächlicher Produktionstestergebnisse als starke Gasschicht, schwächer gasführende Schicht oder trockene Schicht gekennzeichnet. Der Algorithmus sucht dann nach der besten Trennung dieser drei Gruppen in einem hochdimensionalen Raum und passt dabei automatisch wichtige Einstellungen an, um Genauigkeit und Zuverlässigkeit auszubalancieren.

Wie gut der Ansatz in realen Bohrungen funktioniert

Nach dem Training mit Hunderten von Tiefenproben klassifiziert das Modell über 97 Prozent der Trainingsdaten korrekt und etwa 95 Prozent der unabhängigen Testdaten, wobei die Leistungskennzahlen eine sehr starke Trennung der Kategorien anzeigen. Auf vorhandene Bohrungen an unterschiedlichen Strukturpositionen angewendet, stimmen die Vorhersagen des Modells eng mit dem tatsächlichen Produktionsverhalten überein: Bohrungen in höherer Lage der Struktur, wo das Modell dicke Gasschichten identifiziert, zeigen starke und stabile Gasförderung mit wenig Wasser; tiefer gelegene Bohrungen mit dünneren vorhergesagten Gaszonen und weniger „Höhe“ über dem Gas-Wasser-Kontakt leiden unter geringeren Gasraten und früherem Wasserdurchbruch. In einer neuen Bohrung, die nicht Teil des Modelltrainings war, leitete das Werkzeug die Wahl des Perforationsintervalls im oberen und mittleren Grundgebirge. Dieses Intervall förderte mehr als 200.000 Kubikmeter Gas pro Tag ohne Wasser, was den praktischen Wert der Vorhersagen bestätigte.

Ein Fahrplan für intelligenteres Tiefbohren

Aufbauend auf diesen Ergebnissen skizzieren die Autoren einen Schritt-für-Schritt-Workflow: Daten sorgfältig auswählen und bereinigen; konsistente Kategorien für Gas-, gasführende und trockene Schichten definieren, die mit tatsächlicher Produktivität verknüpft sind; das Machine-Learning-Modell trainieren und abstimmen; vorhergesagte Gasschichten zwischen Bohrungen vergleichen; und das Modell dann mit laufenden Produktionsdaten überprüfen und aktualisieren. Für Betreiber ist die Botschaft klar: In schwierigen ultratiefe Grundgebirgsgesteinen, in denen alte Regeln versagen, kann ein gut trainiertes Machine-Learning-Modell, das mehrere Logging-Signale kombiniert, ein klareres Bild davon liefern, wo sich Gas tatsächlich befindet und welche Intervalle am sichersten zu öffnen sind, und so eine effizientere und besser informierte Entwicklung dieser anspruchsvollen Ressourcen unterstützen.

Zitation: Huang, X., Tang, J., Zhao, J. et al. Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine. Sci Rep 16, 15492 (2026). https://doi.org/10.1038/s41598-026-53786-9

Schlüsselwörter: ultratiefer Gasreservoir, Grundgebirgsgesteine, Bohrlochdatenanalyse, Support-Vektor-Maschine, Gasführungsvorhersage