מודל תכונות מאגר מונע למידת מכונה של מאגר AEB-3E בשדה בֶּרֶנִיס במצרים

מדוע הסיפור התת־קרקעי הזה חשוב

נפט וגז עשויים להיראות כעניין מהעבר, אבל העולם עדיין תלוי בהם במידה ניכרת. האופן שבו אנו מזהים ומנהלים משאבים תת־קרקעיים אלה משפיע לא רק על ביטחון האנרגיה, אלא גם על כמה קידוחים חדשים באמת נחוצים. מחקר זה בוחן שדה במצרים ושואל שאלה פשוטה עם טוויסט טכנולוגי גבוה: האם למידת מכונה מודרנית יכולה לעזור לנו לבנות תמונה ברורה יותר של שכבות הסלע החבויות באמצעות נתונים מוגבלים מאוד, כך שחברות יוכלו לקבל החלטות חכמות ופחות בזבזניות?

הנוף החבוי מתחת למדבר

עומק מתחת למדבר המערבי של מצרים, שדה הנפט ברניס מכיל ערימה של שכבות סלע שנוצרו בנחלים קדומים וים רדוד. השכבה הספציפית שמעניינת אותנו, המכונה AEB-3E, מורכבת מסנדסטון ושוניות המסודרים בדגם מורכב, שחוטוּפוּ והוזזו על ידי קילופים (פאולטים). שברים אלה בסלע יכולים ללכוד נוזלים במחיצות נפרדות, כך שבאר אחת יכולה להראות מבטיחה בעוד שבאר סמוכה לא. הפאטשיניות הזו מקשה לחזות כמה נפט או מים יושבים בין הבארות המעטות הקיימות, וכמה קל לנוזלים לזרום דרך הסלע.

רמזים מבארות והד של סייסמיקה

החוקרים התחילו עם ארבע בארות בלבד, שכל אחת מהן מקליטה כיצד תכונות סלע שונות משתנות בעומק: רדיואקטיביות, צפיפות, מהירות קול, מוליכות חשמלית וכמות מימן נוכח. מתוך מדידות אלה חישבו שלושה מאפיינים מרכזיים המשפיעים על היות הסלע מאגר שימושי: כמה חומרים עשירי חימר הוא מכיל, כמה מקום פנוי יש לאחסון נוזלים, וכמה מהמרחב הזה מלא מים במקום פחמימנים. הם התאימו את פרופילי הבארים הללו לרשת תלת־ממדית ושילבו אותם עם נתוני סייסמיקה תלת־ממדיים, שפועלים כמו בדיקות רפואיות של התת־קרקע, וחושפים מבנים ושינויים עדינים בין הבארות.

מעניקים לאנסמבל של מודלים ללמוד את הדגמים

במקום להסתמך אך ורק על שיטות סטטיסטיות מסורתיות, שמניחות שינויים חלקים וניתנים לחיזוי במרחב, הצוות השתמש בתהליך עבודה שנקרא EMBER. הוא מאמן בו זמנית מודלים רבים מבוססי עצי החלטה, ומאפשר להם ללמוד כיצד שילובים של דגמי סייסמיקה ומדידות מבארים קשורים לאיכות הסלע במיקומים ידועים. במקביל, הוא שואב רעיונות מגאוסטטיסטיקה כדי לשמור על תוצאות הגיוניות מבחינה גאולוגית, לשמר רציפות לאורך השכבות וברחבי השדה. לכל בלוק קטן ברשת התלת־ממדית, השיטה אינה מספקת תשובה יחידה אלא טווח מלא של ערכים אפשריים, המתאר הן את האמדן הטוב ביותר והן את מידת אי־הוודאות באמדן זה.

מה אומרים המודלים לגבי המאגר הזה

המפות המתקבלות מציירות תמונה של שכבת AEB-3E ככמעט רוב סנדסטון נקי עם תכולת חימר יחסית נמוכה ומרווח אחסון סביר עד טוב לנוזלים. אזורים עם פחות חימר נוטים להתיישב עם קיבולת אחסון גבוהה יותר ותכולת מים נמוכה יותר, מה שמבליט אזורים אטרקטיביים יותר להפקה. חתכים דרך המודל מראים שאזורי נוחות אלה רציפים במקומות לרוחב אך גם מעוצבים על ידי קילופים ושינויים עדינים בסביבת הנחלים והחופים המקוריות. הסימולציות מראות גם שאי־הוודאות בדרך כלל נמוכה עד מתונה, אך גוברת בקרבת קילופים ובאזורים המרוחקים מכל באר, שם המודל נאלץ להסתמך יותר על דפוסי הסייסמיקה בלבד.

יתרונות, מגבלות ומה המשמעות בפועל

המחקר מציע ששילוב למידת מכונה עם נתוני סייסמיקה ובאר יכול להאיץ דמיית מאגרים ולהפחית את כמות הניסויים הידניים והטעייה, גם כאשר זמינות רק מספר מועט של בארות. בשדה ברניס, הגישה מזהה אזור דרום־מערבי שנראה מבטיח במיוחד אך נותר בלתי־מנוצל, ומציע יעד ממוקד לעבודה עתידית. יחד עם זאת, החוקרים מדגישים כי המסקנות שלהם מקדמיות: עם רק ארבע בארות, כל תחזית הרחק מנקודות נתונים אלה חייבת להיעשות בזהירות ולהיבדק מול בארות חדשות או נתוני הפקה. לקוראים, המסקנה היא שכלים דיגיטליים חכמים יותר יכולים לסייע לחברות אנרגיה לנצל טוב יותר נתונים קיימים, לצמצם היכן שקידוחים חדשים מוצדקים יותר, ולהבין טוב יותר את אי־הוודאות שעדיין נשארת עמוק מתחת לרגלינו.

ציטוט: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

מילות מפתח: דמיית מאגר, למידת מכונה, נתוני סייסמיקה, מדבר המערבי מצרים, תכונות פטрофיזיות