Waarschijnlijkheidsgebaseerde 3D-lithologieclassificatie uit elastische eigenschapsvolumes: een geavanceerde inversieworkflow in het Desouq-gasveld, Westelijke Nijl-delta, Egypte

Verborgen gas onder de Nijldelta opsporen

Het vinden van nieuwe gasreservoirs wordt steeds lastiger omdat de gemakkelijkste doelwitten al aangeboord zijn. In de onshore Nijldelta van Egypte zijn de gesteentelagen complex en kunnen traditionele seismische beelden gemakkelijk misleiden, waardoor bedrijven dure droge of laagproductieve putten boren. Deze studie presenteert een nieuwe manier om ondergronds te "kijken": ze combineert geavanceerde seismische verwerking, analyse van gesteenseigenschappen en probabilistische machine learning om een 3D‑beeld te bouwen van welke gesteenten waarschijnlijk gas bevatten en welke compact of watergevuld zijn, wat helpt om exploratierisico's en verspilde booractiviteiten te verminderen.

Een uitdagende ondergrondpuzzel

Het Desouq-gasveld ligt in een geologisch ingewikkeld deel van de Westelijke Nijl-delta, waar breuken, kanalen en wisselende zeeniveaus zanden, schalieën en evaporietgesteenten in verwarde patronen hebben opgestapeld. Gas zit voornamelijk opgesloten in zandkanalen van de Abu Madi-formatie, maar een bijzonder probleem is anhydriet, een zeer dicht en compact gesteente. Dunne anhydrietlagen kunnen sterke seismische reflecties veroorzaken die sterk lijken op die van gasdragende zandlagen. Eerdere benaderingen vertrouwden vooral op eenvoudigere seismische producten en amplitudekaarten, die deze gelijkenis niet betrouwbaar konden onderscheiden, waardoor bedrijven onzeker bleven of een fel seismisch gebied een veelbelovend gasdoel was of slechts een compacte, niet‑productieve laag.

Seismische echo's omzetten in gesteentetypen

Om dit aan te pakken ontwikkelden de auteurs een workflow in twee fasen. Eerst gebruikten ze pre‑stack seismische inversie, die analyseert hoe seismische reflecties veranderen met invalshoek om sleutelondergrondse eigenschappen te schatten zoals P‑impedantie, S‑impedantie en de verhouding van compressie‑ tot schuifgolfsnelheden. Deze eigenschappen werden gekalibreerd met metingen uit vijf putten, waar gedetailleerde loggegevens tonen hoe gamma‑straling, dichtheid, sonische snelheden en andere indicatoren door de gesteentekolom variëren. Zorgvuldige kwaliteitscontroles zorgden ervoor dat de geïnverteerde eigenschappenvolumes overeenkwamen met de putgegevens en de bekende geologische lagen volgden, waarmee een betrouwbaar beginmodel van de ondergrond werd gecreëerd.

De computer leren gesteenten te herkennen

De tweede fase zette deze gekalibreerde eigenschappen om in een statistisch gesteentetype‑model. Op de putlocaties voerde het team petrofysische analyses uit om te bepalen welke dieptes gasdragend zand, nat zand, schalie of compact anhydriet bevatten. Vervolgens gebruikten ze rock‑physics crossplots om te zien hoe deze gesteentetypen clusteren in termen van impedantie en snelheidsverhoudingen. Uit deze clusters bouwden ze waarschijnlijkheidsdichtheidsfuncties—min of meer vingerafdrukken die beschrijven hoe waarschijnlijk een bepaalde combinatie van eigenschappen tot elk gesteentetype behoort. Een machine‑learningclassificator, getraind op deze gelabelde putdata, werd vervolgens over het gehele 3D seismische volume toegepast, wat resulteerde in "waarschijnlijkheidskubussen" die voor ieder punt ondergronds de kans schatten dat het gaszand, nat zand, schalie of anhydriet is.

Wat de nieuwe 3D‑weergave onthult

De resulterende probabilistische kaarten tonen gekamde kanalen van gasrijke zandlagen die door de Abu Madi‑formatie heen lopen. Belangrijk is dat ze eerdere interpretaties verfijnen door echte gassignaturen te scheiden van misleidende felle reflecties veroorzaakt door dunne anhydrietlagen. Statistieken uit verwarringsmatrices geven aan dat het model gaszanden met hoge nauwkeurigheid identificeert, terwijl verkeerd geclassificeerde anhydriet zeer laag is. Wanneer de waarschijnlijkheidskubussen worden vergeleken met seismische secties en putlogs, komen zones met hoge gaszandkans overeen met intervallen van lage waterverzadiging, wat operators meer vertrouwen geeft in waar het gas daadwerkelijk aanwezig is. De analyse onthult ook acht extra gasdragende zones in het zuidwestelijke deel van het veld die eerder waren afgeschreven of onzeker werden gehouden.

Waarom dit belangrijk is voor toekomstige exploratie

In gewone woorden upgradeert deze studie de ondergrondse "ogen" van de industrie van een vage zwart‑witfoto naar een kleurgecodeerde 3D‑kaart van waarschijnlijke gesteente‑ en vloeitypen. Door geavanceerde seismische inversie, rock‑physics en probabilistische classificatie te combineren, vermindert de workflow valse leads veroorzaakt door misleidend compacte gesteenten en schetst beter waar gasrijke zandlagen verbonden of gecompartimenteerd zijn. Hoewel enkele onzekerheden blijven—vooral waar gas‑ en watergevulde zandlagen sterk op elkaar lijken of waar lagen dunner zijn dan de seismische resolutie—biedt deze geïntegreerde methode een betrouwbaardere leidraad voor het kiezen van boorlocaties en het plannen van veldontwikkeling, zowel in de Nijldelta als in andere complexe bekken wereldwijd.

Bronvermelding: 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

Trefwoorden: Nijl-delta gas, seismische inversie, lithologieclassificatie, waarschijnlijkheidsgestuurde reservoirmodellering, rockenfysica