Прогнозирование кривых капиллярного давления при дренировании в природных пористых средах методом NMR-T2 релаксометрии: последствия для хранения CO2

Почему это исследование важно для климатических решений

Хранение углекислого газа глубоко под землёй — один из немногих инструментов, который позволяет замедлить изменение климата в период перехода от ископаемого топлива. Но прежде чем инженеры смогут безопасно закачивать CO2 в породы на глубине километра и более, они должны быть уверены, что эти породы — и, что особенно важно, запирающие пласты выше них — смогут удерживать газ в течение столетий. В этом исследовании предложен новый способ предсказать, насколько различные породы способны задерживать CO2, используя быструю недеструктивную магнитную съёмку вместо медленных и токсичных ртутных испытаний.

Как породы удерживают и запирают подземные жидкости

Глубоко под землёй породы не являются монолитными; они пронизаны крошечными порами и «горлышками», которые могут удерживать воду, нефть, газ или закачиваемый CO2. Останется ли CO2 на месте или уйдёт вверх, зависит от того, насколько легко он проходит через эти узкие каналы. Такое поведение описывается кривыми «капиллярного давления», которые связывают долю породы, заполненную невлажняющей жидкостью (например, CO2 или ртутью), с приложенным давлением. Традиционно в лабораториях такие кривые получают, закачивая ртуть в небольшие образцы при очень высоком давлении, а затем переводя результаты в условия, характерные для системы CO2 — солёная вода. Эти ртутные тесты разрушают образцы, дороги, опасны и обычно выполняются лишь на нескольких образцах вдоль скважины, оставляя большие пробелы в представлении о недрах.

Более безопасный способ «послушать» поры породы

Низкопольный ядерный магнитный резонанс (NMR) предлагает иной подход. Вместо закачки ртути учёные насыщают породу рассолом и используют последовательность магнитных импульсов, чтобы измерить, как быстро релаксируют ядра водорода в жидкости, параметр, обозначаемый как T2. Распределение значений T2 чувствительно к размеру и свойствам поверхности пор: крупные поры дают длинные времена T2, мелкие поры — короткие. В идеале этот спектр релаксации должен коррелировать с той же геометрией пор и «горлышек», которая управляет капиллярным давлением. Предыдущие методы пытались напрямую конвертировать спектры T2 в капиллярные кривые с помощью простых формул, предполагающих однородность свойств породы. Эти допущения часто не работают в реальных пластах, особенно в сложных карбонатах и плотных аргиллитах, и обычно требуют калибровки под конкретный тип породы.

Обучение модели распознавать поведение пород

Авторы разработали модель, основанную на данных, которая выучивает связь между измерениями NMR и ртутными капиллярными кривыми для множества типов пород. Они сформировали базу данных из 36 керновых образцов, включая песчаники, известняки и плотные аргиллиты с проницаемостями, охватывающими более семи порядков величины. Для каждого образца они объединили данные рутинного анализа керна (пористость и проницаемость), подробные распределения NMR T2 и данные ртутной инжекции. Затем были сконструированы несколько физически обоснованных признаков: параметр J, связывающий давление с качеством породы и смачиваемостью; индекс бимодальности, количественно оценивающий наличие одного или двух доминирующих диапазонов размеров пор; и логарифмическое среднее T2 с взвешиванием по корзинам, отражающее асимметрию распределения размеров пор. Используя эти признаки, они обучили бустинговое дерево решений (CatBoost) прогнозировать насыщение ртутью при любом давлении по входам NMR и параметрам породы.

Насколько хорошо работает новый метод

Чтобы убедиться, что модель действительно обобщает за пределы обучающей выборки, команда применила строгую валидацию «оставь один образец» и затем протестировала финальную модель на шести дополнительных «слепых» кернах, которые не использовались при обучении. В широком диапазоне давлений примерно от 0,5 до 50 000 psi модель воспроизвела измеренные ртутные капиллярные кривые со средним коэффициентом детерминации (R²) 0,94 и средней абсолютной ошибкой насыщения около 3,6% на слепом наборе. Метод показал стабильную производительность для песчаников, карбонатов и плотных аргиллитов. Анализ чувствительности показал, что доминирующую роль в предсказаниях играет давление-скейлированный параметр J, тогда как признаки, выведенные из NMR, уточняли форму кривой, отражая различия в структуре поровой системы. При переводе предсказанных ртутных кривых в условия рассол–CO2 с помощью стандартных шкалирующих соотношений они хорошо согласовались с лабораторно преобразованными кривыми, используемыми в исследованиях хранения CO2.

Что это значит для будущих проектов хранения CO2

Исследование демонстрирует, что тщательно разработанные модели машинного обучения могут преобразовать быстрые недеструктивные NMR-измерения в надёжные кривые капиллярного давления, значительно сокращая потребность в опасных ртутных инжекционных тестах. Поскольку NMR‑инструменты уже применяются как в лабораториях, так и в каротажных приборах в скважинах, этот подход может обеспечить почти непрерывное профильное оценивание запирающей способности и поведения по улавливанию вдоль всего ствола скважины. Авторы отмечают ограничения, такие как предположение водосмачиваемых условий и текущий объём обучающего набора, но их результаты указывают на практический путь к более безопасной, дешёвой и масштабной оценке мест для подземного хранения CO2 — что помогает инженерам лучше судить о том, насколько надёжно можно удержать закачанный углерод вне атмосферы.

Цитирование: Markovic, S., Kurochkin, A., Efara, M. et al. Predicting drainage capillary pressure curves in natural porous media by NMR-T₂ relaxometry: implications for CO₂ storage. Sci Rep 16, 11540 (2026). https://doi.org/10.1038/s41598-026-36861-z

Ключевые слова: геологическое хранение CO2, капиллярное давление, ядерный магнитный резонанс, машинное обучение в петрофизике, структура пор горных пород