Valutazione completa delle proprietà gasifere in serbatoi di basamento ultra-profondi basata su una macchina a vettori di supporto ottimizzabile

Alla ricerca del gas nelle rocce più profonde

Lontano sotto la superficie terrestre, in rocce un tempo considerate troppo antiche e compatte per essere rilevanti, i geologi stanno scoprendo nuovi giacimenti di gas naturale. Queste rocce di “basamento” ultra-profonde si trovano oltre sei chilometri di profondità, dove il calore, la pressione e la complessità litologica rendono difficile capire dove il gas sia effettivamente accumulato. Questo studio esplora come un tipo di apprendimento automatico possa selezionare tra misure confuse provenienti da tali profondità per individuare quali livelli litologici contengono veramente gas, aiutando le compagnie a perforare meno pozzi secchi e a gestire questi serbatoi difficili in modo più sicuro.

Un nuovo tipo di obiettivo per il gas profondo

La ricerca si concentra sul Blocco K2 nel bacino del Qaidam in Cina, sede del primo giacimento di gas in basamento ultra-profondo al mondo con profondità di sepoltura oltre i 6.500 metri. Qui il gas non è immagazzinato nelle consuete arenarie, ma in antiche rocce di basamento fratturate come gneiss e diorite. Queste rocce sono attraversate da reti di fratture naturali e zone alterate che possono immagazzinare e trasmettere gas. Il gas proveniente da rocce sorgente giurassiche più giovani è migrato verso il basso lungo faglie fino a queste zone di basamento frantumato, accumulandosi in trappole dove il gas sovrasta acqua di formazione salina. Poiché le rocce sono molto variabili, le misure effettuate nel foro rispondono più ai cambiamenti litologici che al fatto che i pori siano riempiti di gas o di acqua.

Perché gli strumenti tradizionali non bastano

In molti giacimenti più superficiali, gli ingegneri si affidano a un semplice confronto di due curve di porosità ottenute da log neutronici e di densità per individuare il gas: le curve si intersecano in modo caratteristico quando è presente gas. Nel basamento del Blocco K2 questa regola empirica fallisce. Alcune rocce acide hanno naturalmente bassa densità e basso contenuto di idrogeno, imitando la “firma del gas” anche quando non è presente gas. Altre rocce alterate da calore e fluidi mostrano alto contenuto di idrogeno e comportamenti di densità diversi, confondendo nuovamente il quadro. Di conseguenza, le curve familiari si sovrappongono o si spostano in modi che non seguono in modo affidabile il tipo di fluido, rendendo quasi impossibile tracciare a occhio linee chiare tra strati ricchi di gas e asciutti.

Insegnare a una macchina a leggere le rocce

Per superare questo problema, il team ricorre a una macchina a vettori di supporto ottimizzabile, un noto metodo di apprendimento automatico adatto a dataset piccoli ma complessi. Invece di fare affidamento su un singolo pattern, il modello integra contemporaneamente diverse misure di logging, tra cui gamma naturale, tempo di percorrenza sonora, densità della roccia, risposta neutronica, resistività elettrica profonda e superficiale e letture di idrocarburi totali dal gas logging. Ogni profondità nei pozzi è etichettata come strato a forte presenza di gas, strato con presenza di gas debole o strato asciutto utilizzando risultati reali dei test di produzione. L’algoritmo quindi ricerca il modo migliore per separare questi tre gruppi in uno spazio ad alta dimensionalità, regolando automaticamente i parametri chiave per bilanciare accuratezza e affidabilità.

Quanto funziona bene l’approccio nei pozzi reali

Dopo l’addestramento su centinaia di campioni di profondità, il modello classifica correttamente oltre il 97% dei dati di addestramento e circa il 95% dei dati di test indipendenti, con punteggi di performance che indicano una separazione molto netta tra le categorie. Applicate a pozzi esistenti in diverse posizioni strutturali, le previsioni della macchina si allineano strettamente con il comportamento produttivo reale: i pozzi in alto sulla struttura, dove il modello individua spessi strati gassosi, mostrano una produzione di gas forte e stabile con poca acqua; i pozzi più in basso, con zone gassose previste più sottili e minore “altezza” sopra il contatto gas–acqua, presentano portate di gas inferiori e insorgenza precoce d’acqua. In un nuovo pozzo non incluso nell’addestramento del modello, lo strumento ha guidato la scelta dell’intervallo di perforazione nella sezione superiore e media del basamento. Quell’intervallo ha prodotto oltre 200.000 metri cubi di gas al giorno senza acqua, confermando il valore pratico delle previsioni.

Una tabella di marcia per perforazioni profonde più intelligenti

Sulla base di questi risultati, gli autori delineano un flusso di lavoro passo dopo passo: selezionare e pulire accuratamente i dati; definire categorie coerenti di strati gassosi, parzialmente gassosi e asciutti legate alla produttività reale; addestrare e ottimizzare il modello di machine learning; confrontare gli strati gassosi previsti tra i pozzi; e infine verificare e aggiornare il modello con i dati di produzione in corso. Per gli operatori, il messaggio principale è semplice. In rocce di basamento ultra-profonde dove le regole tradizionali falliscono, un modello di machine learning ben addestrato che combina molteplici segnali di logging può fornire un quadro più chiaro di dove il gas è realmente presente e quali intervalli è più sicuro aprire, supportando uno sviluppo più efficiente e meglio informato di queste risorse sfidanti.

Citazione: 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

Parole chiave: giacimento di gas ultra-profondo, rocce di basamento, analisi dei registri di pozzo, macchina a vettori di supporto, predizione della presenza di gas