Комплексная оценка газоносных свойств в ультра-глубоких базальтовых коллекторах на основе оптимизируемой машины опорных векторов

Поиски газа в глубочайших породах

Глубоко под поверхностью Земли, в породах, ранее считавшихся слишком древними и плотными, геологи находят новые запасы природного газа. Эти ультра-глубокие «базальтовые» или «оснoвные» породы залегают более чем на шести километрах, где тепло, давление и разнообразие литологий затрудняют определение мест залегания газа. В исследовании показано, как метод машинного обучения может разобрать запутанные измерения с таких глубин, чтобы точно указать, какие слои пород действительно содержат газ — что помогает компаниям бурить меньше пустых скважин и безопаснее эксплуатировать эти сложные коллекторы.

Новый тип глубоких газовых целей

Работа сосредоточена на блоке K2 в китайском бассейне Цайдэм, где расположен первый в мире ультра-глубокий базальтовый газовый коллектор с глубиной залегания свыше 6500 метров. Здесь газ не хранится в привычных песчаниках, а сосредоточен в древних трещиноватых породах основания — например, гнейсах и диоритах. Эти породы насыщены сетями естественных трещин и выветрелых зон, способных аккумулировать и проводить газ. Газ из более молодых юрских пород-источников мигрировал вниз по разломам в эти разрушенные зоны основания, собираясь в ловушках, где он перекрывает солёную пластовую воду. Поскольку породы настолько разнородны, каротажные измерения в скважине больше реагируют на изменения типа породы, чем на то, заполнены ли поры газом или водой.

Почему традиционные инструменты не справляются

Во многих более мелких коллекторах инженеры ориентируются на простое сравнение двух кривых пористости — нейтронной и плотностной — чтобы выявлять газ: при наличии газа кривые пересекаются характерным образом. В основании блока K2 это эмпирическое правило перестаёт работать. Некоторые кислые породы по природе имеют низкую плотность и низкое содержание водорода, имитируя «газовую подпись» даже при отсутствии газа. Другие породы, изменённые теплом и флюидами, показывают высокое содержание водорода и иное поведение плотности, снова вводя в заблуждение. В результате привычные кривые перекрываются или смещаются так, что они уже не отражают тип флюида — провести чёткую границу между газоносными и сухими пластами визуально практически невозможно.

Обучение машины «читать» породы

Чтобы преодолеть эту проблему, команда использует оптимизируемую машину опорных векторов — известный метод машинного обучения, подходящий для небольших, но сложных наборов данных. Вместо опоры на один признак модель принимает сразу несколько каротажных измерений: естественный гамма-фон, время распространения акустической волны, плотность породы, нейтронный отклик, глубокое и мелкое электрическое сопротивление, а также суммарный углеводородный сигнал от газового каротажа. Каждой глубинной точке в скважинах присваивается ярлык — сильногазовый пласт, слабо газоносный или сухой — на основе фактических промысловых испытаний. Алгоритм затем ищет оптимальное разделение этих трёх групп в многомерном пространстве, автоматически настраивая ключевые параметры для достижения баланса между точностью и надёжностью.

Насколько хорошо подход работает в реальных скважинах

После обучения на сотнях глубинных образцов модель правильно классифицирует более 97 процентов обучающих данных и около 95 процентов независимых тестовых данных, с показателями, указывающими на очень хорошее разделение категорий. Применённые к существующим скважинам в разных структурных положениях, предсказания модели тесно совпадают с фактическим поведением на месторождении: скважины в верхней части структуры, где модель выявляет толстые газоносные пласты, демонстрируют стабильный и высокий газовый поток с малым содержанием воды; более низко расположенные скважины, с более тонкими предсказанными газовыми интервалами и меньшей «высотой» над газо–водяным контактом, показывают более низкие дебиты и ранний приток воды. В новой скважине, не входившей в обучение, инструмент помог выбрать интервал перфорации в верхней и средней частях основания. Этот интервал дал более 200 000 кубометров газа в сутки без воды, подтвердив практическую ценность предсказаний.

Дорожная карта для более продуманного глубокого бурения

Исходя из этих результатов, авторы предлагают пошаговый рабочий процесс: тщательно выбирать и очищать данные; определить согласованные категории газовых, газоносных и сухих пластов, привязанные к фактической продуктивности; обучать и настраивать модель машинного обучения; сравнивать предсказанные газовые интервалы между скважинами; и затем проверять и обновлять модель по мере поступления эксплуатационных данных. Для операторов основная идея проста. В трудных условиях ультра-глубоких пород основания, где старые правила не работают, хорошо обученная модель машинного обучения, объединяющая несколько сигналов каротажа, может дать более ясное представление о реальном распределении газа и о том, какие интервалы безопаснее вскрывать, обеспечивая более эффективную и обоснованную разработку этих сложных ресурсов.

Цитирование: Huang, X., Tang, J., Zhao, J. et al. Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine. Sci Rep 16, 15492 (2026). https://doi.org/10.1038/s41598-026-53786-9

Ключевые слова: ультра-глубокий газовый коллектор, базальтовые породы, анализ каротажа, машина опорных векторов, прогноз газоносности