Гибридная прокси‑модель симуляция–машинное обучение для оптимизации проектирования заводнения в формации Бахария

Почему разумное использование воды на нефтяных месторождениях важно

Получение последних капель нефти из пласта обычно означает нагнетание воды в породу, чтобы вытеснить нефть к добывающим скважинам. Этот процесс, называемый заводнением, широко применяется, но далёк от совершенства: слишком много воды можно закачать в неподходящих местах, оставив ценную нефть и создав большие объёмы сточных вод. В этом исследовании показано, как сочетание классических физически обоснованных симуляций с современным машинным обучением помогает инженерам проектировать более продуманные схемы заводнения на особенно сложном египетском месторождении, извлекая больше нефти с меньшим числом пробных моделирований.

Запутанная подземная головоломка

Формация Бахария в Западной пустыне Египта — это не аккуратная однородная губка из породы. Напротив, она сложена древними речными и дельтовыми отложениями, с прослоями песчаника и аргиллита, сшитыми в неправильные узоры. Эта мозаика создаёт каналы, где жидкости легко перемещаются, и тупики, где нефть застревает. Данные со скважин ограничены, что затрудняет подробное описание этого подземного лабиринта. Традиционные симуляторы месторождений способны моделировать такие системы, но для всестороннего анализа требуется тысячи медленных, ресурсоёмких прогонов — слишком много для повседневных решений в полевых условиях.

Смешение физических моделей и моделей, основанных на данных

Авторы построили подробную трёхмерную компьютерную модель пласта, используя геологическую и петрофизическую информацию, такую как качество породы, пористость и свойства флюидов. Затем они разработали большой набор «что‑если» сценариев — всего 1536 — варьируя ключевые факторы: скорость нагнетания воды, проницаемость для воды, долю нефти, остающейся в ловушках, и тяжесть нефти. Для каждого сценария они проверяли три стандартных расположения нагнетательных и добывающих скважин: сетку «пять точек», где инжекторы окружены продьюсерами, ступенчатую схему с линейным приводом и периферийную схему, при которой вода в основном закачивается по краям месторождения. Симулятор показал, сколько нефти может быть в итоге извлечено в каждом случае.

Обучение быстрого прокси для имитации симулятора

Вместо вечного полагания только на медленные симуляции команда обучила простые модели машинного обучения — в частности линейную регрессию — чтобы установить связь между варьируемыми входными параметрами и итоговой добычей нефти для каждой схемы скважин. Эти модели выступают в роли «прокси»: после обучения они могут предсказывать добычу за доли секунды. Исследователи внимательно разделили данные на обучающую и тестовую выборки и проверили качество на нескольких разбиениях. Для всех трёх схем модели воспроизводили результаты симулятора с высокой точностью, объясняя более 93 процентов изменчивости в добыче и поддерживая очень небольшие ошибки предсказания. По сути, тяжёлая физически обоснованная модель была дистиллирована в лёгкие уравнения, которые при этом сохраняют физически осмысленное поведение.

Что действительно контролирует, сколько нефти выйдет

Имея эти быстрые прокси‑модели, авторы исследовали, какие факторы наиболее важны. Путём поочерёдного небольшого перемешивания каждого входа и оценки ухудшения предсказаний они обнаружили, что доминирующим фактором является количество нефти, остающейся в породе после заводнения — так называемая остаточная насыщенность нефтью, — на долю которого приходилось почти 40 процентов и более объясняющей силы для всех схем. Качество нефти также имело значение: более лёгкая нефть течёт легче и повышает извлечение, тогда как породы с чрезмерной проницаемостью для воды склонны к раннему «пробою» воды и ухудшению охвата. Интересно, что важность скорости нагнетания сильно зависела от схемы. В периферийной схеме интенсивность закачки оказывала гораздо большее влияние, чем в сеточной пятиточечной компоновке, что показывает: разные расстановки скважин реагируют на разные управляющие рычаги.

От компьютерного прозрения к полевым решениям

Собрав всё вместе, исследование показывает, что не существует универсально лучшей схемы заводнения. В смоделированном месторождении Бахария периферийная схема дала наивысшую итоговую добычу, затем следовала ступенчатая линейная схема и затем пятиточечная компоновка. Но этот рейтинг возник только после учёта конкретной структуры породы и свойств флюидов данного пласта. Гибридный рабочий процесс — использование симуляций для генерации данных, а затем машинного обучения для их быстрого анализа — предлагает инженерам практичный способ отсекать множество вариантов заводнения, понимать, какие параметры действительно важны, и настраивать стратегии закачки без запуска тысяч полных симуляций. Для неспециалиста вывод прост: позволяя компьютерам одновременно подчиняться законам физики и учиться на данных, операторы могут извлечь больше нефти из тех же пород при более эффективном использовании воды и вычислительных ресурсов.

Цитирование: Gad, R., Salem, A.M., El Farouk, O.M. et al. A hybrid simulation-machine learning proxy model for waterflood design optimization in the Bahariya Formation. Sci Rep 16, 14023 (2026). https://doi.org/10.1038/s41598-026-49561-5

Ключевые слова: заводнение, машинное обучение, добыча нефти, моделирование месторождений, формация Бахария