Reservoareigenschapsmodellering aangedreven door machine learning van het AEB-3E-reservoir in het Berenice-veld, Egypte

Waarom dit verhaal ondergronds ertoe doet

Olie en gas lijken misschien iets uit het verleden, maar de wereld is er nog steeds sterk van afhankelijk. Hoe we deze ondergrondse bronnen vinden en beheren beïnvloedt niet alleen de energiezekerheid, maar ook hoeveel nieuwe boringen werkelijk nodig zijn. Deze studie bekijkt een veld in Egypte en stelt een eenvoudige vraag met een technologisch tintje: kan moderne machine learning ons helpen een helderder beeld te bouwen van verborgen gesteentelagen met zeer beperkte data, zodat bedrijven slimmer en minder verspilling gedreven beslissingen kunnen nemen?

Het verborgen landschap onder de woestijn

Diep onder de Westelijke Woestijn van Egypte bevat het Berenice-olieveld een stapel gesteentelagen die gevormd zijn in oude rivieren en ondiepe zeeën. De laag van interesse, AEB-3E genoemd, bestaat uit zandstenen en schalie die in een complex patroon zijn gerangschikt en doorkruist en verschoven zijn door breuken. Deze breuken in het gesteente kunnen vloeistoffen in afzonderlijke compartimenten vasthouden, waardoor de ene put veelbelovend lijkt terwijl een nabije put dat niet is. Die ongelijkmatigheid maakt het moeilijk te voorspellen hoeveel olie of water zich tussen de weinige bestaande putten bevindt en hoe makkelijk vloeistoffen door het gesteente kunnen stromen.

Sporen uit putten en seismische echo's

De onderzoekers begonnen met slechts vier putten, die elk registreerden hoe verschillende gesteenseigenschappen met de diepte veranderen: radioactiviteit, dichtheid, geluidssnelheid, elektrische geleidbaarheid en de hoeveelheid waterstof. Vanuit deze metingen berekenden ze drie belangrijke kenmerken die bepalen hoe bruikbaar het gesteente als reservoir is: hoeveel klei-houdend materiaal het bevat, hoeveel porositeit beschikbaar is om vloeistoffen op te slaan, en welk deel van die ruimte door water in plaats van koolwaterstoffen is gevuld. Vervolgens koppelden ze deze putprofielen aan een driedimensionaal raster en combineerden die met 3D-seismische data, die fungeren als medische scans van de ondergrond en structuren en subtiele veranderingen tussen putten onthullen.

Een ensemble van modellen die patronen leert

In plaats van uitsluitend op traditionele statistische methoden te vertrouwen, die redelijk vloeiende en voorspelbare ruimtelijke veranderingen veronderstellen, gebruikte het team een workflow genaamd EMBER. Deze traint tegelijk veel decision-tree-modellen, waardoor ze kunnen leren hoe combinaties van seismische patronen en putmetingen samenhangen met gesteenskwaliteit op bekende locaties. Tegelijk haalt de methode ideeën uit de geostatistiek om de uitkomsten geologisch plausibel te houden, door continuïteit langs lagen en over het veld heen te behouden. Voor elk klein blok in het 3D-raster levert de methode niet slechts één antwoord, maar een volledig bereik aan mogelijke waarden, waarbij zowel de beste schatting als de onzekerheid van die schatting worden beschreven.

Wat de modellen over dit reservoir zeggen

De resulterende kaarten schetsen het AEB-3E-dek als grotendeels schone zandsteen met relatief weinig klei en matige tot goede porositeit. Zones met minder klei lijken samen te vallen met hogere opslagcapaciteit en lager watergehalte, wat gebieden aanwijst die aantrekkelijker zijn voor productie. Doorsneden door het model tonen dat deze gunstige zones op sommige plaatsen lateraal continu zijn, maar ook gevormd worden door breuken en subtiele variaties in de oorspronkelijke rivier- en kustmilieus. De simulaties geven verder aan dat de onzekerheid over het algemeen laag tot matig is, maar toeneemt nabij breuken en in gebieden ver van enige put, waar het model zwaarder op seismische patronen alleen moet leunen.

Voordelen, beperkingen en wat het in de praktijk betekent

De studie suggereert dat het combineren van machine learning met seismische en putdata het modelleren van reservoirs kan versnellen en de hoeveelheid handmatig proefondervindelijk werk kan verminderen, zelfs wanneer slechts een handvol putten beschikbaar is. In het Berenice-veld identificeert de aanpak een zuidwestelijk gebied dat bijzonder veelbelovend lijkt maar nog niet geboord is, wat een gefocust doelwit biedt voor toekomstig werk. Tegelijk benadrukken de auteurs dat hun conclusies voorlopig zijn: met slechts vier putten moeten voorspellingen weg van deze datapunten voorzichtig worden behandeld en worden geverifieerd met nieuwe putten of productiedata. Voor lezers is de belangrijkste les dat slim digitale hulpmiddelen energiebedrijven kunnen helpen bestaande data beter te benutten, scherp te bepalen waar nieuwe boringen het meest gerechtvaardigd zijn, en beter te begrijpen welke onzekerheden nog steeds diep onder onze voeten blijven bestaan.

Bronvermelding: 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

Trefwoorden: reservoirmodellering, machine learning, seismische data, Westelijke Woestijn Egypte, petrofysische eigenschappen