Интеграция физики и машинного обучения для единообразного сейсмического прямого моделирования и инверсии свойств залежей

Заглядывая в нефтяные и газовые пласты издалека

Нельзя пробурить землю повсюду, поэтому нефтегазовые компании полагаются на звуковые волны, чтобы «увидеть» глубинные структуры. В этом исследовании показано, как сочетание физических моделей и современных методов машинного обучения позволяет превратить эти эхо‑сигналы в более достоверную картину того, что действительно содержится в породах: насколько они пористы, сколько в них глин, и заполнены ли поры водой, нефтью или газом. Работа дает чертеж для более эффективного использования сейсмических съёмок, снижает риск при бурении и проясняет, что машинное обучение может — и чего оно не может — надёжно определить о скрытых залежах.

От зерен породы до сейсмических эхо

Сейсмические съёмки работают отчасти как медицинское УЗИ: звуковые волны посылаются в толщу и отражённые сигналы записываются на поверхности. Между тем существует большой разрыв между тем, что измеряется (извилистые следы отражённых волн), и тем, что интересует геологов (крошечные поры и флюиды в породах на сотнях или тысячах метров глубины). Авторы предлагают единый подход, связывающий три масштаба: микроскопические свойства породы (пористость, объем глины, вода или углеводороды), промежуточные «упругие» свойства, определяющие распространение звука (два скоростных параметра и плотность), и крупномасштабные сейсмические записи.

Разрешая физике генерировать обучающие данные

Вместо того чтобы стартовать с неряшливых полевых данных, команда создала чистую виртуальную лабораторию. Они использовали проверенный рецепт физики породы — модель Реймера–Дворкина–Фойгта (Raymer–Dvorkin–Voigt), — чтобы вычислить, как различные сочетания пористости, объёма глины и насыщения водой меняют скорости сейсмических волн и плотность. Систематически перебирая широкий диапазон реалистичных условий пород и флюидов для как нефтяных, так и газовых залежей, они создали трёхмерные сетки синтетических примеров. Эти упругие свойства затем были поданы в два типа сейсмических симуляторов: точный подход на основе уравнений Цепритца (Zoeppritz) и более прагматичный, имитирующий реальные съёмки путём свёртки контрастов пород с сейсмическим вейвлетом. Это позволило исследовать, как толщина слоёв и частота вейвлета размывают или «настраивают» отражения и как такое размытие скрывает тонкие детали о пластах.

Машинное обучение осваивает связь порода–сейсмика

Когда эта цифровая модель Земли была построена, авторы развернули задачу в обратную сторону. Используя синтетические упругие параметры в качестве входов и известные свойства пород в качестве целей, они обучили несколько моделей машинного обучения, включая случайные леса и нейронные сети, для выполнения «петрофизической инверсии»: предсказания пористости, содержания глины и насыщения водой по упругим данным. Они целенаправленно вводили в входы реалистичные шумы и сглаживания, чтобы имитировать несовершенства реальной сейсмической инверсии.

Тестирование подхода на классической слоистой залежи

Чтобы сделать результаты более конкретными, исследование применило полный прямой и обратный процесс к стандартной трёхслойной «сэндвич»-модели: алевролит (шил) сверху и снизу и песчаник между ними, который может содержать нефть, газ или воду. Варьируя пористость, тип флюида и насыщение, а затем выполняя синтетическую сейсмику и машинно-обучаемые инверсии, авторы показали, что пористость сильно контролирует силу сейсмического отклика, тогда как эффекты флюидов гораздо тоньше и легко спутываются. Подход также дал возможность количественно оценить неопределённость в контролируемой среде, показав, например, что даже небольшие начальные ошибки или умеренный сейсмический шум могут существенно подорвать уверенность в оценках содержания глины и насыщения водой, в то время как оценки пористости остаются относительно стабильными.

Что это значит для практической разведки

Для неспециалистов основной вывод одновременно воодушевляющий и предостерегающий. Воодушевляющая часть в том, что сочетая солидную физическую базу с машинным обучением, можно построить связную цепочку от того, что мы измеряем на поверхности, до того, что нас интересует в пласте, и строго проверить надёжность различных прогнозов. Предостерегающая часть в том, что не все свойства одинаково «видимы» для сейсмических волн: пористость, как правило, видна, а содержание глины и различие вода–углеводороды гораздо сложнее определить по одному лишь сейсмическому сигналу. Авторы утверждают, что будущее за гибридными подходами — такими как физически информированный и объяснимый ИИ — которые позволяют машинному обучению гибко аппроксимировать сложные закономерности, при этом уважая базовые физические законы и делая свои решения более прозрачными для геоучёных.

Цитирование: Zayier, Y., Yalikun, Y., Cheng, Y. et al. Integrating physics and machine learning for unified seismic forward modeling and reservoir property inversion. Sci Rep 16, 5932 (2026). https://doi.org/10.1038/s41598-026-36501-6

Ключевые слова: сейсмическая инверсия, физика породы, машинное обучение, характеризация залежей, пористость