Интеграция оптимизации и машинного обучения для оценки сопротивления пластовой воды и насыщения в шиалистых песчаных коллекторах

Почему это важно для энергетики и экологии

Нефтяные и газовые компании полагаются на измерения, выполненные в скважине, чтобы понять, где скрываются углеводороды и стоит ли разрабатывать месторождение. Во многих коллекторах, особенно богатых глиной и илом, эти измерения трудно интерпретировать, поэтому инженеры могут недооценивать объёмы нефти или газа. В этой работе предложен новый способ извлечь более надёжную информацию из имеющихся данных, сочетая основанную на физических законах оптимизацию с современным машинным обучением, что потенциально повышает извлечение ресурсов и снижает необходимость дорогостоящих керновых исследований.

Проблема с «грязными» породами

Многие гидрокарбонатные пласты в мире — это «шиалистые пески» — смеси зерен песка, флюидов в порах и электропроводящих глинистых минералов. Эти глины искажают электрические измерения, используемые для оценки того, какая часть порового пространства заполнена водой по сравнению с углеводородами. Классические инструменты и графики, разработанные для более чистых песков, предполагают простую структуру породы и небольшое количество глины. В шиалистых песках эти допущения нарушаются: порода часто выглядит более влажной, чем есть на самом деле, из‑за чего инженеры могут списывать интервалы, содержащие значительные запасы нефти или газа.

Преобразование разреженных измерений в надёжную опору

Авторы решают ключевую задачу — оценку сопротивления пластовой воды, которое характеризует проводимость воды в порах. Ошибка в этой величине искажает все последующие оценки водонасыщения. Вместо опоры на отдельные лабораторные измерения или субъективные графические методы они формулируют задачу как оптимизационную: найти единственное значение сопротивления пластовой воды, при котором физически обоснованная модель шиалистого песка лучше всего согласуется с измеренной по стволу скважины удельной проводимостью. Они испытывают несколько алгоритмов поиска и показывают, что простые методы без использования производных, такие как Пауэлл и Нелдера–Мида, способны восстановить истинное сопротивление пластовой воды с чрезвычайно малой ошибкой по сравнению с данными керновых и проб воды из 11 скважин в Норвежском секторе Северного моря и Западной пустыне Египта.

Создание «псевдокернового» лога для машинного обучения

После определения оптимизированного сопротивления пластовой воды та же физическая модель используется для вычисления непрерывного профиля водонасыщения вдоль каждой скважины. Этот профиль рассматривается как высококачественная, физически информированная метка — своего рода «псевдокерн», существующий на каждой глубине, а не только в нескольких отобранных интервалах. Исследователи затем подают стандартные каротажные логи, такие как гамма‑излучение, нейтронная пористость, плотность и глубокое сопротивление, во множество моделей машинного обучения. Среди них — ансамбли на деревьях (Random Forest, XGBoost, CatBoost), методы опорных векторов и несколько архитектур нейронных сетей, включая рекуррентную сеть LSTM, способную распознавать глубинно изменяющиеся закономерности. Тщательная предобработка, отбрасывание выбросов и нормализация помогают обеспечить, чтобы модели усваивали реальные геологические связи, а не шум.

Какие модели действительно обобщают?

Команда оценивает модели в два этапа. Сначала они используют пятифолдовый кросс‑валидационный тест на восьми скважинах Северного моря для настройки и ранжирования моделей, где Random Forest выигрывает по стандартным метрикам точности. Более показательным является следующий тест: три «слепые» скважины, включая две из геологически отличающегося египетского бассейна, никогда не использовавшиеся при обучении. Здесь некоторые модели показывают спад. Производительность Random Forest снижается, что указывает на переобучение под исходный бассейн. Напротив, градиентные бустинговые деревья (CatBoost и XGBoost) и сети LSTM и байесовско-регуляризованные нейронные сети сохраняют высокую точность, объясняя свыше 93–94% вариации водонасыщения при умеренных ошибках. Анализ значимости признаков с помощью современного интерпретируемого инструмента SHAP подтверждает, что модели опираются главным образом на физически обоснованные входы, такие как сопротивление, пористость и объём глинистости.

Что это означает простыми словами

Для неспециалистов ключевая идея в том, что авторы сначала используют физику, чтобы очистить и закрепить проблему, а затем включают машинное обучение. Позволив оптимизатору найти наилучшее сопротивление пластовой воды и превратив это в плотный, уважительный к физике обучающий набор, они обходят обычное узкое место — дефицит дорогих данных керна. Их результаты показывают, что подход «сначала оптимизация, затем ИИ» способен давать надёжные оценки доли воды в шиалистом пласте по отношению к углеводородам, даже в новых бассейнах, не использованных при обучении. На практике это помогает операторам точнее картировать продуктивные интервали, сокращать ненужное взятие керна и улучшать подсчёты запасов — всё за счёт более разумного использования уже собираемых данных.

Цитирование: Hameedy, M.A.E., Mabrouk, W.M. & Metwally, A.M. Integrating optimization and machine learning for estimating water resistivity and saturation in shaley sand reservoirs. Sci Rep 16, 6342 (2026). https://doi.org/10.1038/s41598-026-36133-w

Ключевые слова: шиалистые песчаные коллекторы, водонасыщение, сопротивление пластовой воды, машинное обучение в петрофизике, характеристика резервуара