Classificazione litologica 3D probabilistica a partire da volumi di proprietà elastiche: una workflow avanzata di inversione nel giacimento di gas Desouq, West Nile Delta, Egitto

Trovare il gas nascosto sotto il Delta del Nilo

Individuare nuovi giacimenti di gas è sempre più difficile poiché gli obiettivi più semplici sono già stati sfruttati. Nel Delta del Nilo onshore egiziano gli strati rocciosi sono complessi e le immagini sismiche tradizionali possono facilmente ingannare, portando le compagnie a trivellare pozzi costosi e secchi o a scarso rendimento. Questo studio presenta un nuovo modo di “vedere” il sottosuolo: combina l’elaborazione sismica avanzata, l’analisi delle proprietà delle rocce e il machine learning probabilistico per costruire un quadro 3D di quali rocce probabilmente contengono gas e quali sono compatte o piene d’acqua, aiutando a ridurre il rischio esplorativo e gli scavi inutili.

Un puzzle del sottosuolo difficile

Il giacimento di gas di Desouq si trova in una zona geologicamente intricata del West Nile Delta, dove faglie, canali e variazioni del livello del mare hanno impilato sabbie, argille e evaporiti in configurazioni complesse. Il gas è intrappolato principalmente nei canali sabbiosi della Formazione Abu Madi, ma un elemento particolarmente problematico è l’anidrite, una roccia molto densa e compatta. Sottili livelli di anidrite possono creare forti riflessioni sismiche che somigliano molto a sabbie contenenti gas. Gli approcci precedenti si basavano soprattutto su prodotti sismici più semplici e mappe di ampiezza, che non riuscivano a distinguere in modo affidabile questi segnali fuorvianti, lasciando le compagnie incerte se una macchia sismica brillante fosse un obiettivo promettente di gas o semplicemente un letto compatto e non produttivo.

Trasformare gli echi sismici in tipi di roccia

Per affrontare il problema, gli autori hanno costruito un flusso di lavoro in due fasi. Innanzitutto hanno utilizzato l’inversione sismica pre‑stack, che analizza come le riflessioni sismiche cambiano con l’angolo per stimare proprietà fondamentali del sottosuolo come l’impedenza P, l’impedenza di taglio e il rapporto tra le velocità delle onde compressionali e di taglio. Queste proprietà sono state calibrate con le misure provenienti da cinque pozzi, dove i registri dettagliati mostrano come gamma ray, densità, velocità soniche e altri indicatori variano lungo la colonna rocciosa. Controlli di qualità accurati hanno garantito che i volumi di proprietà invertiti corrispondessero ai dati dei pozzi e seguissero l’ordinamento stratigrafico noto, creando un modello iniziale del sottosuolo affidabile.

Insegnare al computer a riconoscere le rocce

La seconda fase ha trasformato queste proprietà calibrate in un modello statistico dei tipi di roccia. Nelle posizioni dei pozzi, il team ha eseguito un’analisi petrofisica per identificare quali profondità contenevano sabbia gassifera, sabbia acquifera, argilla o anidrite compatta. Hanno poi usato cross‑plot di fisica delle rocce per osservare come questi tipi litologici si raggruppano in termini di impedenza e rapporti di velocità. Dai raggruppamenti sono state costruite funzioni di densità di probabilità — in pratica delle impronte che descrivono quanto è probabile che una certa combinazione di proprietà appartenga a ciascun tipo di roccia. Un classificatore di machine learning addestrato su questi dati etichettati dei pozzi è stato quindi applicato all’intero volume sismico 3D, producendo “cube di probabilità” che, per ogni punto nel sottosuolo, stimano le probabilità di essere sabbia gassosa, sabbia acquifera, argilla o anidrite.

Cosa rivela la nuova vista 3D

Le mappe probabilistiche risultanti mostrano canali compartimentati di sabbia carica di gas che si snodano nella Formazione Abu Madi. È importante che esse raffinino le interpretazioni precedenti separando le vere firme di gas dai falsi positivi causati da sottili strati di anidrite. Le statistiche della matrice di confusione indicano che il modello identifica le sabbie gassose con alta accuratezza, mentre la misclassificazione dell’anidrite è molto bassa. Quando i cube di probabilità vengono confrontati con sezioni sismiche e registri di pozzo, le zone ad alta probabilità di sabbia gassosa corrispondono a intervalli di bassa saturazione d’acqua, dando agli operatori maggiore fiducia su dove il gas risiede effettivamente. L’analisi inoltre individua otto ulteriori zone contenenti gas nella parte sud‑occidentale del giacimento che in precedenza erano state scartate o lasciate incerte.

Perché questo è importante per le esplorazioni future

In termini pratici, questo studio aggiorna gli “occhi” sotterranei dell’industria da un’immagine sfocata in bianco e nero a una mappa 3D a colori dei probabili tipi di rocce e fluidi. Combinando inversione sismica avanzata, fisica delle rocce e classificazione probabilistica, il flusso di lavoro riduce i falsi indizi causati da rocce compatte fuorvianti e delinea meglio dove le sabbie ricche di gas sono connesse o compartimentate. Sebbene permangano alcune incertezze — specialmente dove sabbie gassose e acquifere appaiono simili o dove gli strati sono più sottili della risoluzione sismica — questo metodo integrato offre una guida più affidabile per scegliere le posizioni di perforazione e pianificare lo sviluppo del giacimento, sia nel Delta del Nilo sia in altri bacini complessi nel mondo.

Citazione: 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

Parole chiave: Gas del Delta del Nilo, inversione sismica, classificazione litologica, modellazione probabilistica del reservoir, fisica delle rocce