Integratie van natuurkunde en machine learning voor verenigde seismische voortwaartse modellering en inversie van reservoir-eigenschappen

Op afstand in olie- en gasreserves kijken

We kunnen niet overal onder de grond boren, dus olie- en gasbedrijven vertrouwen op geluidsgolven om ondergrondse structuren te “zien”. Deze studie laat zien hoe het combineren van fysica met moderne machine learning die echo’s kan omzetten in een betrouwbaarder beeld van wat er werkelijk in de gesteenten zit: hoe poreus ze zijn, hoeveel klei ze bevatten en of hun poriën gevuld zijn met water, olie of gas. Het werk biedt een blauwdruk om seismische onderzoeken beter te benutten, het boor­risico te verminderen en duidelijk te maken wat machine learning wel en niet betrouwbaar kan vertellen over verborgen reservoirs.

Van gesteentekorrels naar seismische echo’s

Seismische onderzoeken werken een beetje als medische echo’s: geluidsgolven worden de ondergrond in gestuurd en de teruggekaatste signalen worden aan het oppervlak geregistreerd. Maar er is een grote kloof tussen wat wordt gemeten (kronkelende traces van gereflecteerde golven) en wat geologen willen weten (de kleine poriën en vloeistoffen in gesteenten honderden of duizenden meters dieper). De auteurs stellen een uniform kader voor dat drie schalen koppelt: microscopische eigenschappen van het gesteente (porositeit, kleigehalte, water of koolwaterstoffen), intermediaire ‘elastische’ eigenschappen die bepalen hoe geluid zich voortplant (twee golfsnelheden en dichtheid), en grootschalige seismische opnamen.

De fysica laten zorgen voor de trainingsdata

In plaats van te beginnen met rommelige velddata bouwde het team een schone virtuele laboratoriumomgeving. Ze gebruikten een goed gevestigde receptuur uit de gesteentefysica, het Raymer–Dvorkin–Voigt-model, om te berekenen hoe verschillende combinaties van porositeit, kleivolume en watersaturatie de seismische golfsnelheden en dichtheid veranderen. Ze hebben systematisch een breed scala aan realistische gesteente- en vloeistoftoestanden bemonsterd voor zowel olie- als gasreservoirs en drie-dimensionale rasters van synthetische voorbeelden gecreëerd. Deze elastische eigenschappen voedden vervolgens twee typen seismische simulatoren: een exacte benadering gebaseerd op de Zoeppritz-vergelijkingen en een meer praktische die echte surveys nabootst door de gesteentecontrasties te convolveren met een seismische golflet. Hiermee konden ze onderzoeken hoe laagdikte en golfletfrequentie reflecties vervagen of ‘tunen’ en hoe die vervaging fijne details over het reservoir verbergt.

Machine learning leert de gesteente–seismiek koppeling

Zodra deze digitale Aarde was opgebouwd, keerden de auteurs het probleem om. Met de synthetische elastische eigenschappen als invoer en de bekende gesteente-eigenschappen als doelwaarden trainden ze verschillende machine-learningmodellen, waaronder random forests en neurale netwerken, om ‘petrofysische inversie’ uit te voeren: porositeit, klei en watersaturatie voorspellen op basis van elastische data. Ze injecteerden bewust realistische ruis en gladmaking in de invoer om de imperfecties van echte seismische inversie na te bootsen.

Het kader testen op een klassiek gelaagd reservoir

Om de resultaten concreter te maken, paste de studie de volledige voorwaartse-en-inverse keten toe op een standaard driedelige ‘sandwich’-model: schalie boven en onder een zandsteenreservoir dat olie, gas of water kan bevatten. Door porositeit, vloeistoftype en saturatie te variëren en vervolgens de synthetische seismiek en machine-learninginversies uit te voeren, toonden de auteurs aan hoe porositeit sterk de sterkte van de seismische respons bepaalt, terwijl vloeistof­effecten veel subtieler zijn en gemakkelijk verwisseld kunnen worden. Het kader maakte het ook mogelijk onzekerheid op een gecontroleerde manier te kwantificeren en liet bijvoorbeeld zien dat zelfs kleine initiële fouten of bescheiden seismische ruis het vertrouwen in klei- en watersaturatie­schattingen sterk kunnen aantasten, terwijl porositeitsschattingen relatief stabiel blijven.

Wat dit betekent voor verkenning in de echte wereld

Voor niet-specialisten is de kernboodschap zowel bemoedigend als waarschuwend. Het bemoedigende deel is dat door solide fysica te combineren met machine learning we een samenhangende keten kunnen bouwen van wat we aan het oppervlak meten naar wat ons in het reservoir interesseert, en dat we rigoureus kunnen testen hoe betrouwbaar verschillende voorspellingen zijn. Het waarschuwende deel is dat niet alle eigenschappen even goed ‘zichtbaar’ zijn voor seismische golven: porositeit meestal wel, maar kleigehalte en water versus koolwaterstof zijn veel moeilijker vast te stellen op basis van seismische data alleen. De auteurs bepleiten dat de toekomst ligt in hybride benaderingen — zoals fysica-geïnformeerde en uitlegbare AI — die machine learning in staat stellen complexe patronen flexibel te passen terwijl ze nog steeds basale natuurkundige wetten respecteren en hun beslissingen transparanter maken voor geowetenschappers.

Bronvermelding: Zayier, Y., Yalikun, Y., Cheng, Y. et al. Integrating physics and machine learning for unified seismic forward modeling and reservoir property inversion. Sci Rep 16, 5932 (2026). https://doi.org/10.1038/s41598-026-36501-6

Trefwoorden: seismische inversie, gesteentefysica, machine learning, reservoirkarakterisering, porositeit