Modelowanie właściwości zbiornika napędzane uczeniem maszynowym dla warstwy AEB-3E w złożu Berenice, Egipt

Dlaczego ta opowieść o podziemiu ma znaczenie

Ropa i gaz mogą wydawać się czymś z przeszłości, lecz świat wciąż w dużej mierze od nich zależy. To, jak odnajdujemy i zarządzamy tymi zasobami pod ziemią, wpływa nie tylko na bezpieczeństwo energetyczne, lecz także na to, ile nowego wiercenia jest naprawdę potrzebne. W tym badaniu zajmujemy się złożem w Egipcie i stawiamy proste pytanie z wysokotechnologicznym podejściem: czy nowoczesne uczenie maszynowe może pomóc zbudować jaśniejszy obraz ukrytych warstw skalnych przy bardzo ograniczonych danych, tak aby firmy mogły podejmować mądrzejsze, mniej marnotrawne decyzje?

Ukryty krajobraz pod pustynią

Głęboko pod Zachodnią Pustynią w Egipcie pole naftowe Berenice zawiera pakiet warstw skalnych powstałych w starożytnych rzekach i płytkich morzach. Interesująca nas warstwa, oznaczona AEB-3E, składa się z piaskowców i iłów ułożonych w złożony wzór, przeciętych i przesuniętych uskokiami. Te pęknięcia w skale mogą izolować płyny w oddzielnych przedziałach, więc jeden odwiert może wydawać się obiecujący, podczas gdy pobliski nie. Taka plamistość utrudnia przewidywanie, ile ropy czy wody znajduje się między kilkoma istniejącymi odwiertami oraz jak łatwo płyny mogą przepływać przez skałę.

Wskazówki z odwiertów i odbić sejsmicznych

Naukowcy zaczęli od zaledwie czterech odwiertów, z których każdy rejestrował, jak różne właściwości skały zmieniają się z głębokością: radioaktywność, gęstość, prędkość dźwięku, przewodność elektryczna oraz zawartość wodoru. Z tych pomiarów obliczyli trzy kluczowe cechy kontrolujące użyteczność skały jako zbiornika: zawartość materiału ilastego, porowatość czyli ilość pustej przestrzeni dostępnej do magazynowania płynów oraz stopień nasycenia wodą w tej przestrzeni w porównaniu do węglowodorów. Następnie dopasowali profile z odwiertów do trójwymiarowej siatki i połączyli je z trójwymiarowymi danymi sejsmicznymi, które działają jak skany medyczne podpowierzchni, ujawniając struktury i subtelne zmiany między odwiertami.

Pozwalając zespołowi modeli nauczyć się wzorców

Zamiast polegać wyłącznie na tradycyjnych metodach statystycznych, które zakładają dość gładkie i przewidywalne zmiany w przestrzeni, zespół zastosował workflow o nazwie EMBER. Trenuje on wiele modeli drzew decyzyjnych równocześnie, pozwalając im nauczyć się, jak kombinacje wzorców sejsmicznych i pomiarów z odwiertów wiążą się z jakością skały w miejscach o znanych właściwościach. Jednocześnie zapożycza elementy geostatystyki, aby zachować geologiczny sens wyników, utrzymując ciągłość wzdłuż warstw i w obrębie pola. Dla każdego małego bloku w siatce 3D metoda nie daje jedynie pojedynczej odpowiedzi, lecz pełen zakres możliwych wartości, opisując zarówno najlepsze oszacowanie, jak i niepewność tego oszacowania.

Co mówią modele o tym złożu

Wynikowe mapy przedstawiają warstwę AEB-3E przede wszystkim jako względnie czysty piaskowiec o niskiej zawartości iłu oraz o umiarkowanej do dobrej pojemności magazynowej. Strefy o mniejszej zawartości iłu zwykle pokrywają się z wyższą zdolnością magazynowania i niższym udziałem wody, co wskazuje obszary bardziej atrakcyjne dla produkcji. Przekroje modelu pokazują, że te korzystne strefy miejscami zachowują ciągłość poziomą, ale są też kształtowane przez uskoki i subtelne zmiany w pierwotnych środowiskach rzecznych i przybrzeżnych. Symulacje wykazują ponadto, że niepewność jest zazwyczaj niska do umiarkowanej, lecz rośnie w pobliżu uskoków oraz w rejonach oddalonych od jakiegokolwiek odwiertu, gdzie model musi opierać się głównie na wzorcach sejsmicznych.

Korzyści, ograniczenia i praktyczne znaczenie

Badanie sugeruje, że połączenie uczenia maszynowego z danymi sejsmicznymi i z odwiertów może przyspieszyć modelowanie zbiorników i zmniejszyć ilość ręcznych prób i błędów, nawet gdy dostępnych jest tylko kilka odwiertów. W złożu Berenice podejście identyfikuje obszar na południowy zachód, który wydaje się szczególnie obiecujący, lecz pozostaje nieodwiercony, oferując skoncentrowany cel do dalszych prac. Jednocześnie autorzy podkreślają, że ich wnioski są wstępne: przy zaledwie czterech odwiertach każde przewidywanie poza tymi punktami należy traktować ostrożnie i weryfikować przez nowe odwierty lub dane produkcyjne. Dla czytelników płynie stąd wniosek, że inteligentniejsze narzędzia cyfrowe mogą pomóc firmom energetycznym pełniej wykorzystać istniejące dane, zawęzić obszary, gdzie nowe wiercenia są najbardziej uzasadnione, oraz lepiej zrozumieć niepewności nadal zalegające głęboko pod naszymi stopami.

Cytowanie: 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

Słowa kluczowe: modelowanie zbiornika, uczenie maszynowe, dane sejsmiczne, Zachodnia Pustynia, Egipt, właściwości petrofizyczne