Гибридная ML‑структура с физико‑информированными компонентами для предсказания порового давления и градиента трещинообразования в карбонатных коллекторах

Почему важно сохранять безопасность скважин

Когда инженеры бурят глубоко под дном моря в поисках нефти и газа, им необходимо точно сбалансировать давление бурового раствора и естественное давление в породе. Если принять слишком маленькое значение, жидкости могут ворваться в скважину и спровоцировать опасные притоки или выбросы. Если принять слишком большое, порода может треснуть и поглотить буровой раствор, что приводит к потерям времени и денег. В этой статье представлен новый способ более точного прогнозирования этих давлений в сложных карбонатных толщах, сочетающий классическую физику и современные методы машинного обучения.

Сложности карбонатных пород

В любой подземной породе флюид, заключённый в микропористости, оказывает наружное давление, которое геонауки называют поровым давлением. Над породой давление создаёт вес вышележащих слоёв. Вместе эти величины определяют, насколько плотным должен быть буровой раствор для сохранения устойчивости скважины. В однородных породах давно используемые формулы дают довольно хорошие оценки. Но офшорные карбонатные резервуары далеко не однородны: они содержат каверны, плотные прослои, естественные трещины и резкие смены литологии. В таких условиях стандартные методы индустрии часто ошибаются, а прямые замеры давления инструментами в стволе скважины настолько редки и дороги, что их нельзя выполнить везде.

Сочетание физических правил и обучения на данных

Авторы предлагают гибридную архитектуру, специально рассчитанную на работу в этих сложных карбонатах. Сначала они применяют привычные индустриальные формулы, которые переводят измерения — такие как скорость прохождения упругих волн, электрическое сопротивление и поведение при бурении — в оценки порового давления и давления, необходимого для трещинообразования. Вместо того чтобы принимать эти оценки без изменений, новый подход добавляет Слой Адаптивной Калибровки, который использует имеющиеся высококачественные замеры давления и аккуратно корректирует классические кривые по глубине. Этот шаг сохраняет общую физически обоснованную тенденцию, одновременно исправляя локальные смещения, вызванные необычной текстурой пород или условиями насыщения.

Умный слой, подстраивающийся по глубине

Слой Адаптивной Калибровки функционирует как гибкий мост между учебными уравнениями и реальными данными. На каждой глубине он обучается определять, насколько доверять каждому классическому методу, сравнивая его предсказание с ближайшими прямыми измерениями. Затем он присваивает вес, зависящий от глубины, который аккуратно сдвигает классическую кривую к реальности без резких скачков. Эти скорректированные выходы вместе со стандартными каротажными записями и параметрами бурения подаются в модель градиентного бустинга. Этот алгоритм машинного обучения специализируется на распознавании тонких нелинейных зависимостей, но при этом опирается на физически обоснованные откалиброванные входы, что снижает риск переобучения на шумных или ограниченных данных.

Более точные прогнозы и ясные запасы прочности

Чтобы протестировать структуру, команда применила её к шести скважинам в офшорном иранском карбонатном газовом поле. По сравнению с исходными результатами, старые формулы существенно улучшились после калибровки по прямым измерениям. Тем не менее гибридная модель показала заметно лучшую работу, сократив типичные ошибки предсказания примерно на 60 процентов и доведя качество подгонки близко к тому, что обычно наблюдается только в более простых пестроосадочных (клитических) породах. Дополнительный модуль учёта неопределённости многократно возмущает входные данные и переобучает модель для формирования ансамбля возможных профилей давления. На его основе метод выдаёт по глубине доверительный интервал, обычно всего в несколько десятых мегапаскаля, давая бурильщикам количественную оценку допустимого запаса безопасности.

Что это значит для более безопасного и экономичного бурения

Для неспециалиста основное послание простое: этот гибридный подход даёт инженерам по бурению более ясное представление о реальных подземных давлениях и об уверенности в этих оценках. Защёлкивая неопределённость как для порового давления, так и для давления трещинообразования, операторы могут проектировать программы подбора плотности раствора менее консервативно, но при этом безопасно, избегая как притоков, так и дорогостоящих потерь бурового раствора. В сложных карбонатных залежах, где традиционные эмпирические правила часто не работают, сочетание физически обоснованных моделей с адаптивной калибровкой и машинным обучением предлагает практический путь к более безопасным и эффективным решениям при бурении.

Цитирование: Tahvildari, S.P., Shojaei, S. & Masihi, M. A physics-informed hybrid ML framework for pore pressure and fracture gradient prediction in carbonate reservoirs. Sci Rep 16, 8925 (2026). https://doi.org/10.1038/s41598-026-41773-z

Ключевые слова: предсказание порового давления, градиент трещинообразования, карбонатные коллекторы, гибридное машинное обучение, стабильность ствола скважины