Машинное обучение поперек скважин для предсказания звуковых каротажей на Ньюфаундленде и Лабрадоре

Слушая породы без микрофона

Нефтегазовые компании полагаются на акустические «звуковые» приборы, чтобы определять, как звуковые волны распространяются через подземные породы. Эти детальные измерения помогают инженерам оценивать прочность пород, планировать безопасные скважины и соотносить данные бурения с сейсмическими исследованиями. Но звуковые приборы дорогостоящи, могут замедлять работы и порой их вообще нельзя использовать. В этом исследовании показано, как машинное обучение может восстанавливать звуковую информацию по более дешевым, рутинно собираемым измерениям, давая возможность «услышать» подпочву даже при отсутствии микрофона.

Почему важно предсказывать звуковые данные

При морском бурении операторы записывают множество типов каротажей: естественную радиоактивность, скорость бурения, расход насоса, нагрузку на долото и прочее. Звуковые каротажи особенные тем, что показывают скорость распространения звука в породе — ключевой параметр для оценки жесткости пород, давлений и напряжений. Когда звуковых приборов нет, инженерам приходится работать с пробелами или полагаться на грубые эмпирические правила. Применяя машинное обучение для превращения общих несхожих (non-sonic) логов в точные «псевдозвуковые» кривые, компании могут сократить затраты на сбор данных, заполнить пропуски и по-прежнему принимать обоснованные решения по устойчивости скважины и поведению резервуара.

Тщательный рецепт, чтобы избежать «подсматривания»

Авторы работали с данными двух морских скважин на Ньюфаундленде и Лабрадоре. Для каждой глубины они пытались предсказать продольную тормозимость (способ выражения времени прохождения звуковой волны через породу), используя только несвoдовые измерения. Критически важно, что были запрещены любые входы, прямо или косвенно использующие звуковые данные, например выведённые упругие параметры. Также они формировали признаки только из информации той же глубины или более мелких глубин, имитируя реальное бурение в режиме реального времени, где будущее неизвестно. Выбросы в показаниях сенсоров определяли с помощью статистики только одной «тренировочной» скважины, а затем обрабатывали одинаково в обеих скважинах, чтобы модели не могли незаметно выучить тестовые данные. Все масштабирования и выбор признаков фиксировались на тренировочной скважине до применения, без изменений, к другой скважине.

Преобразование сырых логов в обучаемые сигналы

Просто подать сырые логи в алгоритм обычно недостаточно. Команда разработала богатый набор признаков, учитывающих глубину: они отслеживали изменение каждого лога по глубине, сглаживали шумные сигналы на нескольких масштабах и вычисляли наклоны и кривизны, выделяющие локальные тренды. Также глубину выражали относительно сегментов ствола, фиксируя повторяющиеся паттерны при смене проходного диаметра долота. Чтобы модели не перегружались, признаки ранжировали тремя разными методами и объединяли ранжирования в единый упорядоченный список. Компактную группу наиболее информативных признаков затем выбирали с использованием временно-чувствительного разбиения внутри тренировочной скважины, чтобы сам процесс уважал естественный порядок по глубине.

Деревья выиграли у глубокого обучения

Исследование сравнивало три типа моделей: случайные леса (Random Forests), XGBoost (популярный метод градиентного бустинга) и двунаправленные LSTM-нейронные сети, часто используемые для последовательных данных. Каждую модель обучали на одной скважине и слепо тестировали на другой — требовательная схема, обнажающая различия между скважинами по диапазону глубин, условиям эксплуатации и типам пород. В этом тесте XGBoost показал наилучшие результаты, добившись высокого согласования между предсказанными и измеренными звуковыми каротажами при обучении на первой и применении ко второй скважине. Случайные леса были немного уступали, но иногда оказывались более стабильными в шумных зонах. LSTM-сети, несмотря на свою сложность, отставали и по точности, и по устойчивости, вероятно потому, что данных было всего две скважины и характеристики сильно менялись с глубиной — условия, неблагоприятные для больших нейронных сетей.

От чего зависит точность и где это полезно

Отключая и включая различные части предобработки, авторы показали, что интеллектуальная генерация и отбор признаков давали наибольший вклад в производительность, больше чем простое увеличение длины истории или базовая фильтрация выбросов. Когда эти шаги включались, обе деревообразные модели гораздо лучше обобщали между скважинами. Полученные псевдозвуковые логи были достаточно точными для поддержки последующих задач, таких как оценка жесткости пород, моделирование порового давления и напряжений, калибровка сейсмических данных и планирование скважин в зонах, где прямые звуковые измерения отсутствуют, задерживаются или ненадёжны. Поскольку все преобразования фиксируются на эталонной скважине и затем переиспользуются, рабочий процесс может работать почти в реальном времени во время бурения.

Вывод для неспециалистов

Эта работа показывает, что при дисциплинированной обработке данных и правильном выборе моделей машинного обучения возможно восстановить ценные звуковые параметры по более дешёвым каналам бурения и каротажа в новой скважине, которую модель никогда не видела. Подход не заменяет специализированные звуковые приборы, особенно там, где важны высокие запас прочности, но предлагает практичную и экономичную страховку, а также средство контроля качества, когда измеренные данные выглядят сомнительно. По мере добавления большего числа скважин и регионов и тестирования новых моделей по тем же строгим правилам такие поперечные предсказания могут стать стандартной частью цифрового инструментария для более безопасного и эффективного морского бурения.

Цитирование: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

Ключевые слова: машинное обучение, звуковые каротажи, каротаж скважин, морское бурение, характеризация резервуара