Uitgebreide beoordeling van gasdragende eigenschappen in ultra-diepe basismantelreservoirs op basis van een optimaliseerbare support vector machine

Op zoek naar gas in de diepste gesteenten

Ver ver onder het aardoppervlak, in gesteenten die ooit als te oud en te compact werden beschouwd om van belang te zijn, vinden geologen nieuwe voorraden aardgas. Deze ultra-diepe "basismantel"gesteenten liggen meer dan zes kilometer diep, waar temperatuur, druk en complexe gesteentetypen het moeilijk maken om te achterhalen waar gas zich daadwerkelijk bevindt. Deze studie onderzoekt hoe een type machine learning verwarrende metingen van deze diepte kan doorzoeken om vast te stellen welke gesteentelagen daadwerkelijk gas bevatten, waardoor bedrijven minder droge putten boren en deze lastige reservoirs veiliger kunnen beheren.

Een nieuw type diep gastype

Het onderzoek richt zich op Blok K2 in China’s Qaidam-bekken, de locatie van 's werelds eerste ultra-diepe basismantelgasreservoar met een begrafendiepte voorbij 6.500 meter. Hier wordt gas niet opgeslagen in de vertrouwde zandsteenformaties maar in oude gefragmenteerde basismantelgesteenten zoals gneis en dioriet. Deze gesteenten worden doorkruist door netwerken van natuurlijke scheuren en verweringszones die gas kunnen opslaan en transporteren. Gas uit jongere Jura-bronstenen is langs breuken naar beneden gemigreerd in deze verbrokkelde basismantelzones en heeft zich daar verzameld in vallen waar gas boven zout vormingswater ligt. Omdat de gesteenten zo gevarieerd zijn, reageren metingen in de boorholte sterker op veranderingen in gesteentetype dan op de vraag of poriën met gas of water zijn gevuld.

Waarom traditionele instrumenten tekortschieten

In veel ondiepere reservoirs vertrouwen ingenieurs op een eenvoudige vergelijking van twee porositeitscurven van neutron- en dichtheidslogs om gas te detecteren: de curven kruisen op een kenmerkende manier wanneer gas aanwezig is. In de basismantel van Blok K2 werkt deze vuistregel niet. Sommige zure gesteenten hebben van nature een lage dichtheid en een laag waterstofgehalte, waardoor ze een "gassignatuur" nabootsen, zelfs als er geen gas aanwezig is. Andere gesteenten die door hitte en vloeistoffen zijn gewijzigd vertonen juist een hoog waterstofgehalte en ander dichtheidsgedrag, wat opnieuw verwarring zaait. Als gevolg overlappen of verschuiven de vertrouwde curven op manieren die niet betrouwbaar het vloeistoftype volgen, waardoor het vrijwel onmogelijk is om met het blote oog duidelijke grenzen te trekken tussen gasrijke en droge lagen.

Een machine leren de gesteenten te lezen

Om dit probleem te overwinnen, wendt het team zich tot een optimaliseerbare support vector machine, een bekende machine‑learningmethode die geschikt is voor kleine maar complexe datasets. In plaats van te vertrouwen op één enkel patroon, neemt het model meerdere loggingmetingen tegelijk in zich op, waaronder natuurgammastralingen, akoestische reistijd, gesteentedichtheid, neutronrespons, diepe en ondiepe elektrische resistiviteit en totale koolwaterstofmetingen van gaslogging. Elk dieptepunt in de putten wordt gelabeld als een sterke gaslaag, een zwakker gasdragende laag of een droge laag op basis van werkelijke productie-testresultaten. Het algoritme zoekt vervolgens automatisch naar de beste manier om deze drie groepen te scheiden in een hoogdimensionale ruimte en stemt belangrijke instellingen af om nauwkeurigheid en betrouwbaarheid in balans te houden.

Hoe goed de aanpak werkt in echte putten

Na training op honderden dieptedata classificeert het model meer dan 97 procent van de trainingsgegevens correct en ongeveer 95 procent van onafhankelijke testgegevens, met prestatiescores die een zeer sterke scheiding tussen categorieën aangeven. Toegepast op bestaande putten op verschillende structurele posities, komen de voorspellingen van de machine goed overeen met het werkelijke productiegedrag: putten hoog op de structuur, waar het model dikke gaslagen vindt, tonen sterke en stabiele gasproductie met weinig water; putten lager, met dunnere voorspelde gaszones en minder 'hoogte' boven het gas‑watercontact, hebben lagere gasproducties en eerder waterdoorbraak. In een nieuwe put die niet bij de modeltraining betrokken was, hielp het hulpmiddel bij de keuze van het perforatie-interval in het bovenste en middelste basismantelgedeelte. Dat interval produceerde meer dan 200.000 kubieke meter gas per dag zonder water, waarmee de praktische waarde van de voorspellingen werd bevestigd.

Een routekaart voor slimmer diep boren

Voortbouwend op deze resultaten schetsen de auteurs een stapsgewijs werkproces: zorgvuldig gegevens selecteren en opschonen; consistente categorieën definiëren voor gas, gasdragende en droge lagen die zijn gekoppeld aan daadwerkelijke productiviteit; het machine‑learningmodel trainen en afstemmen; voorspelde gaslagen tussen putten vergelijken; en vervolgens het model controleren en bijwerken met doorlopende productiegegevens. Voor exploitanten is de kernboodschap helder. In moeilijk bereikbare ultra‑diepe basismantelgesteenten waar oude regels falen, kan een goed getraind machine‑learningmodel dat meerdere logging-signalen combineert een duidelijker beeld geven van waar gas zich werkelijk bevindt en welke intervallen het veiligst zijn om open te breken, wat bijdraagt aan efficiëntere en beter onderbouwde ontwikkeling van deze uitdagende hulpbronnen.

Bronvermelding: 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

Trefwoorden: ultra-diep gasreservoar, basismantelgesteenten, well-log analyse, support vector machine, gasdragende voorspelling