Моделирование свойств коллектора методом машинного обучения для пласта AEB-3E месторождения Беренис, Египет

Почему эта история о недрах важна

Нефть и газ могут казаться пережитками прошлого, но мир по‑прежнему во многом от них зависит. То, как мы обнаруживаем и управляем этими подземными ресурсами, влияет не только на энергетическую безопасность, но и на то, сколько новых бурений действительно требуется. В этом исследовании рассматривается месторождение в Египте и задаётся простой, но технологически насыщенный вопрос: могут ли современные методы машинного обучения помочь построить более чёткую картину скрытых слоёв пород при очень ограниченных данных, чтобы компании могли принимать более разумные и менее расточительные решения?

Скрытый ландшафт под пустынёй

Глубоко под Западной пустынёй Египта нефтяное месторождение Беренис содержит пачку пород, образованных древними реками и мелководными морями. Интересующий пласт AEB-3E состоит из песчаников и аргиллитов, сложенных в комплексную картину и разрезанных разломами. Эти нарушения в массиве пород могут изолировать флюиды в отдельных отсеках, поэтому одна скважина может выглядеть перспективной, тогда как соседняя — нет. Такая пятнистость затрудняет прогнозирование того, сколько нефти или воды находится между немногими существующими скважинами и насколько легко флюиды смогут перемещаться по породе.

Подсказки от скважин и сейсмических эхо

Исследователи начали всего с четырёх скважин, каждая из которых фиксировала, как разные свойства пород меняются с глубиной: радиоактивность, плотность, скорость распространения звука, электропроводность и содержание водорода. По этим измерениям они вычислили три ключевых характеристики, которые управляют пригодностью породы как коллектора: долю глинистых компонентов, пористость (объём пустот для хранения флюидов) и долю этих пустот, заполненных водой, а не углеводородами. Затем эти профили скважин сопоставили с трёхмерной сеткой и объединили с 3D-сейсмическими данными, которые действуют как медицинские снимки недр, выявляя структуры и тонкие изменения между скважинами.

Ансамбль моделей, изучающих закономерности

Вместо опоры исключительно на традиционные статистические методы, предполагающие достаточно плавные и предсказуемые пространственные изменения, команда использовала рабочий процесс EMBER. Он обучает множество моделей на основе деревьев решений одновременно, позволяя им выяснить, как комбинации сейсмических признаков и скважинных измерений соотносятся с качеством породы в известных точках. Одновременно метод заимствует идеи геостатистики, чтобы результаты оставались геологически правдоподобными, поддерживая непрерывность вдоль пластов и по площадям месторождения. Для каждого небольшого блока в 3D-сетке метод выдаёт не единичный ответ, а полный диапазон возможных значений, описывающий как наилучшую оценку, так и степень её неопределённости.

Что модели говорят о данном коллекторе

Получившиеся карты изображают пласт AEB-3E преимущественно как чистый песчаник с относительно низким содержанием глинистых материалов и удовлетворительной — от средней до хорошей — ёмкостью для флюидов. Зоны с меньшим количеством глины, как правило, совпадают с более высокой ёмкостью хранения и меньшим содержанием воды, выделяя участки, более привлекательные для добычи. Поперечные разрезы модели показывают, что эти благоприятные зоны местами имеют латеральную непрерывность, но также формируются разломами и тонкими изменениями в исходных речных и прибрежных условиях. Симуляции также указывают, что неопределённость в целом низкая или умеренная, но увеличивается вблизи разломов и в районах далеко от скважин, где модели вынуждены больше полагаться на сейсмические признаки.

Преимущества, ограничения и практическое значение

Исследование показывает, что сочетание машинного обучения с сейсмическими и скважинными данными может ускорить моделирование коллектора и сократить объём ручных проб и ошибок, даже когда доступно лишь несколько скважин. На месторождении Беренис подход выделяет юго‑западную зону, которая выглядит особенно перспективной, но остаётся недоразбуренной — это сфокусированная цель для будущих работ. В то же время авторы подчёркивают, что их выводы предварительны: при всего четырёх скважинах любые предсказания вдали от этих точек следует трактовать осторожно и проверять по мере появления новых скважин или данных о добыче. Для читателей вывод таков: более умные цифровые инструменты помогают энергетическим компаниям полнее использовать имеющиеся данные, сузить области, где новое бурение наиболее оправдано, и лучше понимать остающиеся глубокие под землёй неопределённости.

Цитирование: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

Ключевые слова: моделирование коллектора, машинное обучение, сейсмические данные, Западная пустыня Египта, петрофизические свойства