Modellazione delle proprietà di serbatoio guidata dal machine learning del serbatoio AEB-3E nel giacimento Berenice, Egitto

Perché questa storia del sottosuolo conta

Petróleo e gas possono sembrare cose del passato, eppure il mondo continua a dipendere in larga misura da essi. Il modo in cui troviamo e gestiamo queste risorse sotterranee influisce non solo sulla sicurezza energetica, ma anche su quanto sia davvero necessario trivellare di nuovo. Questo studio analizza un giacimento in Egitto e pone una domanda semplice con un tocco high-tech: il machine learning moderno può aiutarci a costruire un quadro più nitido degli strati rocciosi nascosti usando dati molto limitati, in modo che le compagnie possano prendere decisioni più intelligenti e meno sprecone?

Il paesaggio nascosto sotto il deserto

In profondità sotto il Deserto Occidentale egiziano, il giacimento Berenice contiene una serie di strati rocciosi formatisi in antichi fiumi e mari poco profondi. Lo strato di interesse, chiamato AEB-3E, è composto da arenarie e argilliti disposte in un pattern complesso, tagliato e spostato da faglie. Queste fratture nella roccia possono intrappolare fluidi in compartimenti separati, perciò un pozzo può apparire promettente mentre uno vicino non lo è. Questa irregolarità rende difficile prevedere quanta petrolio o acqua si trovi tra i pochi pozzi esistenti e quanto facilmente i fluidi possano fluire attraverso la roccia.

Indizi da pozzi ed echi sismici

I ricercatori hanno iniziato con appena quattro pozzi, ciascuno registrando come diverse proprietà della roccia variano con la profondità: radioattività, densità, velocità del suono, conducibilità elettrica e contenuto di idrogeno. Da queste misure hanno calcolato tre caratteristiche chiave che controllano quanto la roccia sia utile come serbatoio: la frazione di materiale ricco di argilla, lo spazio vuoto disponibile per immagazzinare fluidi (porosità) e la frazione di quello spazio riempita d’acqua piuttosto che di idrocarburi. Hanno quindi associato questi profili di pozzo a una griglia tridimensionale e li hanno combinati con dati sismici 3D, che agiscono come scansioni mediche del sottosuolo, rivelando strutture e cambiamenti sottili tra i pozzi.

Lasciare che un ensemble di modelli apprenda i pattern

Invece di affidarsi solo a metodi statistici tradizionali, che assumono variazioni spaziali abbastanza regolari e prevedibili, il team ha usato un flusso di lavoro chiamato EMBER. Allena contemporaneamente numerosi modelli ad albero decisionale, permettendo loro di apprendere come combinazioni di pattern sismici e misure di pozzo si leghino alla qualità della roccia in posizioni note. Allo stesso tempo, adotta concetti della geostatistica per mantenere i risultati geologicamente plausibili, preservando la continuità lungo gli strati e attraverso il giacimento. Per ogni piccolo blocco nella griglia 3D, il metodo non fornisce solo una singola risposta ma un’intera gamma di valori possibili, descrivendo sia la stima migliore sia quanto incerta possa essere quella stima.

Cosa dicono i modelli su questo serbatoio

Le mappe risultanti dipingono lo strato AEB-3E come per lo più composto da arenaria relativamente pulita con contenuto di argilla basso e una capacità di spazio per i fluidi da discreta a buona. Le zone con meno argilla tendono a corrispondere a maggiore capacità di stoccaggio e minore contenuto d’acqua, evidenziando aree più interessanti per la produzione. Le sezioni trasversali del modello mostrano che queste zone favorevoli sono lateralmente continue in alcuni punti ma anche modellate da faglie e da cambiamenti sottili negli antichi ambienti fluviali e litoranei. Le simulazioni indicano inoltre che l’incertezza è generalmente bassa o moderata, ma aumenta vicino alle faglie e in regioni lontane da qualsiasi pozzo, dove il modello deve fare maggior affidamento solo sui pattern sismici.

Benefici, limiti e cosa significa nella pratica

Lo studio suggerisce che combinare machine learning con dati sismici e di pozzo può accelerare la modellazione dei serbatoi e ridurre la quantità di tentativi ed errori manuali, anche quando sono disponibili solo poche perforazioni. Nel giacimento Berenice, l’approccio identifica un’area a sud-ovest che sembra particolarmente promettente ma ancora non trivellata, offrendo un target mirato per lavori futuri. Allo stesso tempo, gli autori sottolineano che le loro conclusioni sono preliminari: con appena quattro pozzi, qualsiasi previsione lontana da questi punti dati va trattata con cautela e verificata con nuovi pozzi o informazioni di produzione. Per il lettore, la lezione è che strumenti digitali più intelligenti possono aiutare le compagnie energetiche a sfruttare meglio i dati esistenti, restringere dove la nuova trivellazione è più giustificata e comprendere meglio le incertezze che rimangono profondamente sotto i nostri piedi.

Citazione: 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

Parole chiave: modellazione del serbatoio, machine learning, dati sismici, Deserto Occidentale Egitto, proprietà petrofisiche