שילוב אופטימיזציה ולמידת מכונה לאמידת התנגדות המים והרוויון במאגרים של חול חמרי

מדוע זה חשוב לאנרגיה ולסביבה

חברות נפט וגז מסתמכות על מדידות שנעשות בבור ההקידוח כדי להחליט היכן נמצאים הפחמימנים והאם שדה שווה פיתוח. במאגרים רבים, במיוחד אלה העשירים בחמרה וטין, אותן מדידות קשות לפרשנות, ולכן מהנדסים עלולים להעריך בצורה נמוכה את כמות הנפט או הגז האמיתית. המחקר הזה מציג דרך חדשה להפיק מידע מהימן יותר מתוך נתונים קיימים על־ידי שילוב אופטימיזציה מבוססת פיזיקה עם למידת מכונה מודרנית, מה שעשוי לשפר את ההפקה תוך הפחתת הצורך בדגימות ליבה יקרות.

הבעיה עם סלעים 'מלוכלכים'

רבים ממאגרי הפחמימנים בעולם הם "חולי-חמר" – תערובות של גרגרי חול, נוזלי נקבוב והמידות מוליכות של מינרלי חמרה. החמרות מעוותות מדידות חשמליות המשמשות לאמידת כמה מנפח הנקבובית מלא במים לעומת פחמימנים. כלים וטבלאות קלאסיות, שפותחו עבור חול נקי יותר, מניחים מבנים סלעיים פשוטים ומעט חמרה. בחול-חמר הנחות אלה מתמוטטות, מה שמקשה על המסקנות וגורם לעתים להראות את הסלעים כרטובים יותר מבעצם, ולדחות מקטעים שעשויים להכיל נפט או גז משמעותיים.

להפוך מדידות מפוזרות לעוגן מוצק

המחברים מתמודדים עם כמות מרכזית הנקראת התנגדות מי ההתהוות, שמתארת עד כמה המים בנקבוביות מוליכים חשמל. אם ערך זה שגוי, כל אומדן הרוויון הבא מוטה. במקום להסתמך על מספר מדידות מעבדה או שיטות גרפיות סובייקטיביות, הם מציבים את הבעיה כמשימת אופטימיזציה: למצוא את ערך התנגדות המים היחיד שהופך מודל פיזיקלי של חול-חמר להתאמה הטובה ביותר מול התנגדות שנמדדה לאורך הבור. הם בוחנים כמה אלגוריתמי חיפוש ומראים ששיטות פשוטות ללא נגזרות כמו פאולו (Powell) ונלדר–מיד (Nelder–Mead) יכולות לשחזר את התנגדות המים האמיתית עם שגיאה זניחה כאשר משווים לנתוני ליבה ודגימות מים מ‑11 קידוחים בים הצפוני הנורווגי ובמדבר המערבי במצרים.

יצירת "לוג מזויף" בדמות ליבה ללמידת מכונה

לאחר שתקבלו את התנגדות המים המותאמת, אותו מודל פיזיקלי משמש לחישוב פרופיל רוויון מים רציף לאורך כל קידוח. פרופיל זה מטופל כתווית איכותית ומבוססת פיזיקה – סוג של "ליבה מזויפת" – שקיימת בכל עומק, לא רק במספר נקודות מדגם. החוקרים מזינים אז יומני קידוח סטנדרטיים, כגון קרינת גמא, פורוזיות נייטרונית, צפיפות והתנגדות עמוקה, למגוון רחב של דגמי למידת מכונה. אלה כוללים אנסמבלים מבוססי עצים (Random Forest, XGBoost, CatBoost), מכונות וקטור תמיכה, וכמה ארכיטקטורות רשתות עצביות, כולל רשת חוזרת מיוחדת בשם LSTM שיכולה לזהות תבניות המשתנות בעומק. עיבוד מקדים זהיר, סינון חריגים ונירמול מסייעים להבטיח שהמודלים ילמדו יחסים גאולוגיים ממשיים ולא רעש.

אילו מודלים באמת הכלילו?

הצוות מעריך את המודלים בשני שלבים. ראשית, הם משתמשים בחצאי־חמש (five-fold) של תיקוף צולב על שמונה קידוחים בים הצפוני כדי לכוונן ולדרג אותם, ומגלים ש‑Random Forest ניצבת כמובילה לפי ציוני דיוק סטנדרטיים. ואז מגיע המבחן המרתק יותר: שלושה קידוחים "עיוורים", כולל שניים מבסין מצרי גאולוגית שונה שמעולם לא שימשו לאימון. כאן חלק מהמודלים מתקשים. ביצועי Random Forest יורדים, מה שמעיד על התאמת יתר לבסין המקורי. לעומת זאת, עצים בוסטיים מותאמים (CatBoost ו‑XGBoost) והרשתות LSTM ורשתות עצביות עם רגולריזציה בייסיאנית שומרות על דיוק גבוה, ומסבירות מעל 93–94% מהשונות ברוויון המים עם שגיאות מתונות. ניתוח חשיבות התכונות באמצעות SHAP, כלי מודרני לאינטרפרטביליות, מאשר שהמודלים נשענים בעיקר על קלטים שפיזיקלית הגיוניים כמו התנגדות, פורוזיות ונפח חמרה.

מה זה אומר במילים פשוטות

עבור קוראים שאינם מומחים, הרעיון המרכזי הוא שהמחברים משתמשים תחילה בפיזיקה כדי לנקות ולעגן את הבעיה, ורק לאחר מכן משחררים את למידת המכונה. על ידי כך שהאופטימיזציה מוצאת את התנגדות המים המתאימה ביותר והופכת זאת לסט אימון צפוף ומכבד מבחינה פיזיקלית, הם מתגברים על צוואר הבקבוק הרגיל של נתוני ליבה נדירים ויקרים. התוצאות שלהם מראות ששיטה זו של "אופטימיזציה קודם, למידת מכונה אחר־כך" יכולה לספק אומדנים מהימנים של כמה ממאגר חולי‑חמר מלא במים לעומת פחמימנים, גם בבסיסים חדשים שלא שימשו לאימון. במונחים מעשיים, זה יכול לסייע למפעילים למפות אזורי הפקה בצורה מהימנה יותר, להפחית קידוחי ליבה מיותרים ולשפר הערכות של כמויות פחמימנים במקום – הכל באמצעות שימוש חכם יותר בנתונים שכבר נאספים.

ציטוט: Hameedy, M.A.E., Mabrouk, W.M. & Metwally, A.M. Integrating optimization and machine learning for estimating water resistivity and saturation in shaley sand reservoirs. Sci Rep 16, 6342 (2026). https://doi.org/10.1038/s41598-026-36133-w

מילות מפתח: מאגרי חול חמרי, רוויון מים, התנגדות מי ההתהוות, למידת מכונה בפטרופיזיקה, איפיון מאגר