Kompleksowa ocena właściwości zgazowienia w ultra-głębokich złożach podłoża na podstawie optymalizowalnej maszyny wektorów nośnych

Poszukiwanie gazu w najgłębszych skałach

Głęboko pod powierzchnią Ziemi, w skałach dawniej uważanych za zbyt stare i zwarte, geolodzy znajdują nowe zasoby gazu ziemnego. Te ultra-głębokie skały „podłoża” zalegają poniżej sześciu kilometrów, gdzie wysoka temperatura, ciśnienie i złożoność litologiczna utrudniają ustalenie, gdzie faktycznie ukrywa się gaz. W badaniu tym analizowano, jak pewien rodzaj uczenia maszynowego może przesiać mylące pomiary z tych głębokości, aby określić, które warstwy skalne rzeczywiście zawierają gaz — co pomaga firmom wykonywać mniej suchych odwiertów i bezpieczniej zarządzać tymi trudnymi złożami.

Nowy typ celu dla głębokiego gazu

Badanie koncentruje się na bloku K2 w basenie Qaidam w Chinach, gdzie znajduje się pierwsze na świecie ultra-głębokie złoże gazu w podłożu o zaleganiu poniżej 6500 metrów. Tutaj gaz nie jest magazynowany w znanych piaskowcach, lecz w pradawnych, spękanych skałach podłoża, takich jak gnejs i dioryt. Skały te są przecięte sieciami naturalnych spękań i stref wietrzenia, które mogą magazynować i przewodzić gaz. Gaz z młodszych skał źródłowych jury migrował w dół wzdłuż uskoków do rozdrobnionych stref podłoża, gromadząc się w pułapkach, gdzie gaz zalega nad zasoloną wodą formacyjną. Ponieważ skały są bardzo zróżnicowane, pomiary prowadzone w otworze reagują częściej na zmianę typu skały niż na to, czy porowatość jest wypełniona gazem czy wodą.

Dlaczego tradycyjne narzędzia zawodzą

W wielu płytszych złożach inżynierowie polegają na prostej analizie dwóch krzywych porowatości z logów neutronowego i gęstości, aby wykryć gaz: krzywe krzyżują się w charakterystyczny sposób, gdy obecny jest gaz. W podłożu bloku K2 ta zasada zawodzi. Niektóre kwaśne skały naturalnie mają niską gęstość i niską zawartość wodoru, naśladując „sygnaturę gazu” nawet wtedy, gdy gazu nie ma. Inne skały zmienione przez temperaturę i płyny wykazują wysoką zawartość wodoru i inne zachowanie gęstości, co ponownie wprowadza zamieszanie. W efekcie znajome krzywe nachodzą na siebie lub przesuwają się w sposób, który nie odzwierciedla wiarygodnie rodzaju płynu, co sprawia, że niemal niemożliwe jest wyznaczenie wyraźnych granic między warstwami bogatymi w gaz a suchymi jedynie na podstawie obserwacji wizualnej.

Nauczanie maszyny „czytania” skał

Aby pokonać ten problem, zespół zastosował optymalizowalną maszynę wektorów nośnych, dobrze znaną metodę uczenia maszynowego odpowiednią dla niewielkich, lecz złożonych zbiorów danych. Zamiast polegać na jednym wzorze, model przyjmuje jednocześnie kilka pomiarów logowych, w tym promieniowanie naturalne, czas przelotu fali akustycznej, gęstość skały, reakcję neutronową, głęboką i płytką rezystywność elektryczną oraz całkowite odczyty węglowodorów z logowania gazowego. Każdy punkt głębokości w studniach jest oznaczony jako warstwa silnie gazonośna, słabiej gazonośna lub sucha na podstawie rzeczywistych wyników testów produkcyjnych. Algorytm następnie poszukuje najlepszego sposobu rozdzielenia tych trzech grup w przestrzeni wielowymiarowej, automatycznie dostrajając kluczowe parametry, aby zrównoważyć dokładność i niezawodność.

Jak dobrze podejście sprawdza się w rzeczywistych studniach

Po przeszkoleniu na setkach próbek głębokości model poprawnie klasyfikuje ponad 97 procent danych treningowych i około 95 procent niezależnych danych testowych, a wskaźniki wydajności wskazują na bardzo silne rozdzielenie między kategoriami. Zastosowany do istniejących odwiertów w różnych pozycjach strukturalnych, prognozy maszyny pokrywają się ściśle z rzeczywistym zachowaniem produkcyjnym: studnie położone wysoko na strukturze, gdzie model wykrywa grube warstwy gazu, wykazują silną i stabilną produkcję gazu z niewielką ilością wody; studnie niżej, z cieńszymi przewidywanymi strefami gazu i mniejszą wysokością nad kontaktem gaz–woda, mają niższe wydajności gazu i wcześniejsze pojawienie się wody. W nowej studni, która nie była częścią treningu modelu, narzędzie pomogło wybrać przedział perforacji w górnej i środkowej sekcji podłoża. Ten przedział dostarczał ponad 200 000 metrów sześciennych gazu na dobę bez wody, potwierdzając praktyczną wartość prognoz.

Mapa drogowa dla mądrzejszego głębokiego odwiertu

W oparciu o te wyniki autorzy przedstawiają krok po kroku przepływ pracy: staranny dobór i oczyszczenie danych; zdefiniowanie spójnych kategorii warstw gazowych, gazonośnych i suchych powiązanych z rzeczywistą produktywnością; trening i strojenie modelu uczenia maszynowego; porównanie przewidywanych warstw gazowych między studniami; a następnie weryfikacja i aktualizacja modelu na podstawie bieżących danych produkcyjnych. Dla operatorów przekaz jest prosty. W trudnych ultra-głębokich skałach podłoża, gdzie stare reguły zawodzą, dobrze wytrenowany model uczenia maszynowego łączący wiele sygnałów logowych może dostarczyć wyraźniejszego obrazu, gdzie naprawdę zalega gaz i które przedziały są najbezpieczniejsze do otwarcia, wspierając bardziej efektywny i lepiej poinformowany rozwój tych wymagających zasobów.

Cytowanie: 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

Słowa kluczowe: ultra-głębokie złoże gazu, skały podłoża, analiza logów otworowych, maszyna wektorów nośnych, prognozowanie występowania gazu