Исследование межскважинной связности при затоплении CO2 на основе сети внимания на графе с долговременной кратковременной памятью

Почему это исследование важно для энергетики и климата

Большая часть мировой нефти по‑прежнему добывается из стареющих месторождений, в которых извлечение оставшейся нефти становится всё сложнее и дороже. Один перспективный подход — затопление CO2: закачка углекислого газа в недра, чтобы вытеснить больше нефти и одновременно хранить CO2, который в противном случае попал бы в атмосферу. Но операторы часто не видят, как именно газ движется между скважинами. В этой статье предложен новый подход на основе данных, который позволяет в реальном времени «картировать» эти скрытые связи, делая затопление CO2 более эффективным и потенциально более дружественным к климату.

Делаем видимыми невидимые подземные «шоссе»

При закачке CO2 в нефтеносный пласт газ распространяется неравномерно. Он следует предпочтительным подземным путям — словно скрытым шоссе — образованным вариациями проницаемости пород и существующими трещинами. Некоторые нагнетательные скважины сильно влияют на определённые добывающие скважины; другие почти не влияют. Эта картина, называемая межскважинной связностью, определяет, насколько эффективно CO2 выдавливает нефть к добывающим скважинам и сколько газа обходит полезные зоны или прорывается слишком быстро. Точное отслеживание этих связей критично для настройки планов закачки и добычи, но традиционные методы часто требуют дорогостоящих испытаний или упрощённых предположений, которые не справляются со сложными пластами.

Ограничения обычных инструментов

Инженеры давно опираются на методы вроде тестов давления, химических трассеров и моделирования по линиям тока, чтобы делать выводы о подземной связи скважин. В последнее время в арсенал добавились статистические инструменты и классические модели машинного обучения. Каждый метод дает свои инсайты, но у всех есть недостатки: полевые испытания медленные и дорогие; упрощённые физические модели могут пропускать важные детали в сильно неоднородных породах; а стандартное машинное обучение часто рассматривает скважины как изолированные временные ряды, игнорируя развивающуюся сеть взаимодействий между ними. Эти подходы также склонны предполагать, что схема связей фиксирована во времени, хотя фронты CO2, давления и каналы потока меняются по мере течения закачки.

Умная сеть, которая обучается времени и пространству одновременно

Авторы представляют гибридную модель искусственного интеллекта, призванную отслеживать и изменения скважин во времени, и их взаимное влияние в пространстве. Одна часть модели — сеть долговременной кратковременной памяти (LSTM) — специализируется на извлечении закономерностей из временных рядов — здесь это суточные показатели закачки и добычи по каждой скважине. Другая часть — графовая сеть внимания (GAT) — рассматривает скважины как узлы в сети и учится определять, какие пары наиболее тесно связаны, присваивая более высокие веса более значимым связям. Вместе LSTM–GAT система может как прогнозировать будущую добычу, так и оценивать силу связей между нагнетательными и добывающими скважинами с возможностью обновления по мере развития пласта.

Построение «живой» карты связей скважин

Для обучения модели исследователи использовали широко изучаемую трёхмерную синтетическую модель коллектора EGG и смоделировали затопление CO2 в течение десятилетия для восьми нагнетательных и четырёх добывающих скважин. Они строили «живую» карту связей, анализируя, как колебания закачки в одной скважине проявляются с временной задержкой в добыче в другой. Для вывода вероятной силы и временных лагов каждой связи использовалась метрика максимальной лаговой кросс-корреляции в скользящих временных окнах. В сеть включались только пары, которые были одновременно достаточно скоррелированы и географически близки. Получающийся эволюционирующий граф подавался в GAT, который дополнительно уточнял важность каждой связи, в то время как LSTM захватывала поведение каждой скважины день за днем.

Насколько хорошо работает новый подход

Гибридная модель была тщательно настроена и протестирована на тысячах смоделированных дней. Она показала высокую точность в прогнозировании показателей добычи газа — тестовый R² составил примерно 0,94, то есть модель объясняла большую часть вариации в смоделированном поле. При сравнении выведённых карт связности с детальными полями тока из традиционных численных симуляций сильные связи в обученной сети совпадали с зонами высокой проницаемости и плотными путями потока. Авторы также сравнили свой метод с рядом других моделей — от простой регрессии до отдельных графовых сетей и методов для временных рядов. Во всех случаях LSTM–GAT показал более точные прогнозы и более реалистичные карты связности, тогда как статические графовые модели значительно отставали.

Последствия для более чистой и эффективной добычи

Для неспециалиста главный вывод таков: это исследование предлагает более интеллектуальный и гибкий способ отслеживать, как закачанный CO2 перемещается в недрах, используя данные, которые современные месторождения уже собирают ежедневно. Превращая истории добычи в динамическую карту подземных связей, операторы могли бы лучше решать, куда закачивать, какие скважины приглушать и как избегать ненужных каналов газа. Хотя работа продемонстрирована на контролируемой синтетической модели, а не на реальных, «грязных» данных с месторождений, она указывает путь к инструментам будущего, которые могут сделать затопление CO2 экономичнее и эффективнее для изоляции углерода, согласуя краткосрочные энергетические потребности с долгосрочными климатическими целями.

Цитирование: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

Ключевые слова: затопление CO2, межскважинная связность, графовые нейронные сети, прогнозирование добычи, повышение нефтеотдачи