Вероятностная 3D‑классификация литологий по объемам упругих свойств: усовершенствованный инверсионный рабочий процесс на месторождении Десук, Западная дельта Нила, Египет

Поиск скрытого газа под дельтой Нила

Нахождение новых газовых залежей становится сложнее, поскольку самые простые цели уже освоены. На материковой части египетской дельты Нила литологическая секвенция сложна, и традиционные сейсмические изображения легко вводят в заблуждение, из‑за чего компании бурят дорогостоящие сухие или мало продуктивные скважины. В этом исследовании представлен новый способ «увидеть» подземные условия: он сочетает современную обработку сейсмических данных, анализ физических свойств пород и вероятностное машинное обучение, чтобы построить 3D‑картину того, какие породы, вероятно, содержат газ, а какие плотные или заполнены водой, помогая снизить риск разведки и число бесполезных бурений.

Сложная геологическая головоломка

Месторождение Десук расположено в геологически сложной части Западной дельты Нила, где разломы, русла и изменения уровня моря сложили пески, аргиллиты и выпарные отложения в запутанные паттерны. Газ в основном захвачен в песчаных руслах формации Абу Мади, но серьёзной помехой служит ангидрит — очень плотная, слабо проницаемая порода. Тонкие горизонты ангидрита могут давать сильные сейсмические отражения, которые внешне похожи на сигналы от газоносных песков. Ранние подходы в основном опирались на простые сейсмические продукты и карты амплитуд, которые не могли надежно различать сходные по виду сигналы, оставляя компании в неуверенности: обещающая яркая зона — это газ или просто непроницаемый слой.

Преобразование сейсмических эхо в типы пород

Чтобы справиться с этой задачей, авторы разработали двухэтапный рабочий процесс. Сначала они применили пред‑стековую сейсмическую инверсию, которая анализирует, как сейсмические отражения меняются с углом, чтобы оценить ключевые подземные параметры — например, P‑импеданс, S‑импеданс и соотношение скоростей сжимающих и сдвиговых волн. Эти параметры были откалиброваны по данным пяти скважин, где детальные каротажи показывают вариации гамма‑лучей, плотности, акустических скоростей и других индикаторов через разрез пород. Тщательная проверка качества обеспечила соответствие инвертированных объемов данным скважин и известной стратиграфии, создавая надежную исходную модель недр.

Обучение компьютера распознавать породы

Второй этап преобразовал эти откалиброванные свойства в статистическую модель типов пород. В точках расположения скважин команда провела петрофизический анализ, чтобы определить интервалы с газоносными песками, водонасыщенными песками, сланцами или плотным ангидритом. Затем они использовали перекрёстные графики физики горных пород, чтобы увидеть, как эти литотипы группируются по импедансу и соотношениям скоростей. Из этих кластеров были построены функции плотности вероятности — по сути отпечатки, описывающие, насколько вероятно, что данная комбинация параметров относится к тому или иному типу породы. Классификатор машинного обучения, обученный на маркированных данных скважин, был затем распространён на весь 3D‑сейсмический объём, давая «кубы вероятностей», которые для каждой точки под землёй оценивают шансы принадлежности к газовому песку, водонасыщенному песку, сланцу или ангидриту.

Что показывает новое 3D‑видение

Получившиеся вероятностные карты выявляют расчленённые каналы газонасыщенных песков, пронизывающие формацию Абу Мади. Важно, что они уточняют более ранние интерпретации, отделяя истинные газовые сигнатуры от вводящих в заблуждение ярких пятен, вызванных тонкими пластами ангидрита. Статистика матрицы ошибок показывает, что модель с высокой точностью выявляет газовые пески, а уровень ошибочной классификации ангидрита очень низок. При сопоставлении кубов вероятностей с сейсмическими разрезами и данными скважин интервалы с высокой вероятностью газового песка совпадают с интервалами низкой водонасыщенности, что даёт операторам большую уверенность в реальном расположении газа. Анализ также выявляет восемь дополнительных газоносных зон в юго‑западной части месторождения, которые ранее были отвергнуты или оставались неопределёнными.

Почему это важно для будущей разведки

Проще говоря, это исследование обновляет «глаза» отрасли под землёй: из неясного чёрно‑белого изображения они превращаются в цветную 3D‑карту вероятных типов пород и флюидов. Сочетание передовой сейсмической инверсии, физики горных пород и вероятностной классификации сокращает число ложных наводок, вызываемых обманчиво плотными породами, и лучше очерчивает, где пески с газом соединены или расчленены на отсеки. Хотя остаются неопределённости — особенно там, где газовые и водонасыщенные пески выглядят сходно или где пласты тоньше разрешения сейсмики — этот интегрированный метод предлагает более надёжное руководство при выборе мест для бурения и планировании разработки месторождения, как в дельте Нила, так и в других сложных бассейнах мира.

Цитирование: El Hateel, M.S., El Sayed, A.A., El-Werr, AK. et al. Probabilistic 3D lithology classification from elastic property volumes an advanced inversion workflow at Desouq Gas Field, West Nile Delta, Egypt. Sci Rep 16, 10950 (2026). https://doi.org/10.1038/s41598-026-42888-z

Ключевые слова: газ дельты Нила, сейсмическая инверсия, литологическая классификация, вероятностное моделирование резервуара, физика горных пород