粘土質砂層貯留層における水の電気抵抗率と飽和度推定のための最適化と機械学習の統合

エネルギーと環境にとってなぜ重要か

石油・ガス企業は、ボーリング孔内で得られる測定値を基に炭化水素がどこに存在するか、あるいは鉱区を開発する価値があるかを判断します。特に粘土やシルトを多く含む貯留層では、これらの測定値の解釈が非常に難しく、埋蔵されている石油やガスの量が過小評価されることが少なくありません。本研究は、物理に基づく最適化手法と現代的な機械学習を組み合わせることで既存データからより信頼できる情報を引き出す新しい手法を提示し、回収率の改善や高価なコア試料の必要性低減に寄与する可能性を示します。

粘性のある岩石が抱える問題

世界の多くの炭化水素貯留層は「粘土質砂（shaley sands）」で、砂粒、間隙流体、導電性の粘土鉱物が混在しています。これらの粘土は、岩石の間隙が水で満たされている割合（飽和度）を推定するための電気測定を歪めます。クリーンな砂を前提に開発された従来のツールやチャートは、単純な岩相や粘土の少なさを仮定していますが、粘土質砂ではその仮定が破綻し、実際よりも湿潤に見えることが多く、重要な油やガスを含む区間が見落とされることがあります。

まばらな測定を確かな基準に変える

著者らは、間隙内の水がどれだけ電気を通すかを表す地層水の電気抵抗率（formation water resistivity）という重要な量に着目します。この値がずれると、その後のすべての水飽和度推定が歪みます。少数の実験室測定や主観的な図式法に頼る代わりに、彼らはこの問題を最適化課題として定式化し、物理ベースの粘土質砂モデルが井戸に沿って測定された抵抗率と最もよく一致する単一の水抵抗率値を見つけます。複数の探索アルゴリズムを検証し、Powell法やNelder–Mead法のような単純で微分不要の手法が、ノルウェー北海とエジプト西部砂漠の11井のコアと水試料データに対して極めて小さい誤差で真の地層水抵抗率を再現できることを示しています。

機械学習用の“擬似コア”ログを作る

この最適化された地層水抵抗率が得られると、同じ物理モデルを用いて各井戸に沿った連続的な水飽和度プロファイルを算出します。このプロファイルは高品質で物理に裏付けられたラベル、すなわち深さごとに存在する「擬似コア」として扱われます。研究者らは次に、ガンマ線、ニュートロン比重、密度、深部抵抗率などの標準的な井戸ログを幅広い機械学習モデルに入力します。モデルには、ランダムフォレスト、XGBoost、CatBoostといった木構造のアンサンブル、サポートベクターマシン、およびLSTMを含む複数のニューラルネットワーク構造が含まれ、深さに沿って変化するパターンを捉えることができます。慎重な前処理、外れ値の除去、正規化により、モデルがノイズではなく真の地質学的関係を学習するように配慮しています。

どのモデルが本当に一般化するか？

チームはモデルを二段階で評価します。まず、北海の8井で5分割交差検証を行い、モデルの調整と順位付けを行ったところ、標準的な精度指標ではランダムフォレストが優位に見えました。次により厳しいテストが続きます。訓練に用いなかった地質的に異なるエジプトの盆地を含む3つの“ブラインド”井戸での評価です。ここではいくつかのモデルが失速しました。ランダムフォレストの性能低下は元の盆地への過学習を示唆します。対照的に、CatBoostやXGBoostといった勾配ブースティング木、およびLSTMやベイズ正則化を用いたニューラルネットワークは高い精度を維持し、水飽和度の変動の約93～94%を説明しつつ中程度の誤差に抑えました。SHAPという現代的解釈手法による特徴重要度分析は、モデルが抵抗率、間隙率、粘土体積など物理的に妥当な入力に最も依存していることを確認しました。

平易に説明すると何を意味するか

専門外の方に向けた要点は、著者らがまず物理を用いて問題を精緻化し基準化し、その後に機械学習を適用していることです。最適化ルーチンで最適な地層水抵抗率を見つけ、それを密な物理整合性のある学習データに変換することで、希少で高価なコアデータに依存するという通常のボトルネックを回避しています。結果は、この「最適化を先、MLを後にする」アプローチが、訓練に用いられていない新しい盆地においても粘土質貯留層の水と炭化水素の占有比を信頼できる形で推定できることを示しています。実務上は、これによって採掘可能層のより確かな把握、不必要なコア採取の削減、地中に存在する炭化水素量の推定精度向上が期待でき、既に収集しているデータをより賢く活用することにつながります。

引用: 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

キーワード: 粘土質砂層貯留層, 水飽和度, 地層水の電気抵抗率, 岩石物性学における機械学習, 貯留層特性評価