Геологически ограниченный гибридный ансамблевый метод стекинга с использованием каротажных данных для прогноза ГОС в континентальных сланцевых резервуарах

Почему это важно для будущих поисков нефти

Поиск новой нефти в сланцах всё больше зависит от умного использования данных, а не от бурения всё более дорогих скважин. Ключевая характеристика, называемая общим органическим углеродом (ГОС), показывает геологам, где сланцы достаточно богаты древним органическим веществом, способным генерировать нефть. Прямое определение ГОС по керновым образцам медленное и дорогое, поэтому большинство глубин в большинстве скважин остаются неоценёнными. В этом исследовании показано, как тщательно спроектированная система искусственного интеллекта, направляемая геологическими знаниями, может превращать рутинные измерения каротажа в надёжные непрерывные оценки ГОС в крупном китайском бассейне сланцевой нефти.

Чтение горных пород электронными «глазами»

В современных скважинах рутинно ведут каротаж инструментами, измеряющими такие свойства, как естественная радиация, время распространения звука, электрическое сопротивление, плотность и нейтронный отклик. Эти показания образуют непрерывные кривые по стволу скважины и гораздо дешевле, чем сбор и анализ кернов. Однако связь между сигналами каротажа и органической насыщенностью сложна. Она зависит от типа породы, размера зерна, поровой жидкости и условий осадконакопления и последующих преобразований. Ранние эмпирические формулы, такие как классический метод ΔlogR, работают достаточно хорошо в простых условиях, но испытывают трудности, когда геология становится более разнообразной и слоистой, как в континентальных озёрных бассейнах, например в бассейне Сонгляо на северо-востоке Китая.

Добавление геологического понимания к машинному обучению

Чтобы решить эту задачу, авторы создали гибридную ансамблевую модель «стекинг», объединяющую четыре разных предсказательных механизма: градиентный бустинг деревьев, случайный лес, метод регрессии на опорных векторах и усовершенствованную рекуррентную нейронную сеть. Вместо того чтобы подавать этим моделям голые кривые каротажа, они сконструировали богатый набор входных признаков, которые кодируют геологический контекст. Типы пород были переведены в непрерывную числовую шкалу, которая плавно меняется через границы слоёв и отражает, как ГОС, как правило, варьируется от нефтесодержащего сланца до обычного сланца, алевролита и карбонатных пород. Интервалы резервуара, выделенные по региональной стратиграфии, были добавлены в виде категориальных индикаторов, что помогло системе учесть, как связь между каротажем и ГОС меняется в разных глубинных зонах.

Выделение тонких закономерностей в сложных каротажных данных

Команда также разработала новые признаки для улавливания тонких комбинаций откликов каротажа, которые указывают на плотные, богатоорганические сланцы в отличие от более проницаемых, «чистых» пород. Они комбинировали несколько измерений сопротивления, чтобы описать, насколько плотно удерживаются жидкости, и объединяли гамма-кривую, плотность и нейтронные показания, чтобы отличать глинистый фон от истинного органического обогащения. Введён специализированный сверточный модуль для работы с нерегулярным шагом между керновыми образцами и каротажными измерениями: он рассматривает кривые каротажа как комплекснозначные сигналы и выделяет как амплитудную, так и фазовую информацию с учётом неравномерных глубинных шагов. Затем метод главных компонент свёл множество скоррелированных каротажных признаков к меньшему числу ортогональных компонент, суммирующих ключевые свойства пород.

Оптимизация моделей и заполнение пробелов в данных

Поскольку число замеров ГОС по керну ограничено, исследователи использовали эвристическую оптимизацию, вдохновлённую поведением белуг, чтобы выбрать наиболее информативные подмножества признаков и настроить многочисленные параметры моделей в данных. Они также применили метод аугментации данных, ориентированный на регрессию, который генерирует правдоподобные синтетические значения ГОС для немаркированных глубин, с ограничением на согласованность внутри одной скважины и одного типа породы. Эти шаги привели к более сбалансированным обучающим данным и уменьшили переобучение. Наконец, четыре оптимизированные базовые модели были объединены в стекинг, при котором их выходы комбинируются высшим уровнем обучения, чтобы сильные стороны отдельных моделей компенсировали слабости других.

Насколько это хорошо работает в реальном разрезе?

Подход был протестирован на семи скважинах из формации Циншанькоу в северной части бассейна Сонгляо, с использованием 2374 керновых образцов в качестве эталона. В серии контролируемых экспериментов каждая значимая компонента — геологические ограничения, сконструированные каротажные признаки, продвинутая сверточная обработка, алгоритмы оптимизации, аугментация данных и стекинг моделей — дала измеримый прирост. Итоговый ансамбль достиг высокой степени согласия внутри скважин и, что важнее, лучше обобщал на скважины, которых он ранее не видел, чем любая отдельная модель. По сравнению с традиционными формулами и более простыми конфигурациями машинного обучения, он последовательно показывал меньшие ошибки и более стабильную работу при прогнозировании ГОС в разных породных интервалах и скважинах.

Что это значит для энергетики и геологии

Для неспециалистов ключевое послание таково: сочетание предметных знаний с искусственным интеллектом может раскрыть больше информации из уже имеющихся данных без дополнительного бурения или лабораторных работ. Обучая алгоритмы «думать по-геологическому» о том, какие слои пород вероятнее всего содержат органически богатые сланцы, и аккуратно обрабатывая шумные, неравномерные полевые измерения, это исследование предоставляет практический инструмент для картирования наиболее перспективных зон в континентальных сланцевых нефтеносных резервуарах. Хотя метод ещё требует проверок в других бассейнах с иными типами пород, он указывает на будущее, где более умные модели помогут снизить риски разведки, лучше использовать существующие скважины и направлять более целенаправленную и эффективную разработку нетрадиционных нефтяных ресурсов.

Цитирование: Lu, Y., Tian, F., Zhang, H. et al. A geology-constrained hybrid stacking ensemble method using well logs for TOC prediction in continental shale reservoirs. Sci Rep 16, 9059 (2026). https://doi.org/10.1038/s41598-026-39144-9

Ключевые слова: сланцевая нефть, общий органический углерод, каротаж, машинное обучение, характеризация резервуара