Omfattande utvärdering av gasförande egenskaper i ultra-djupa grundbergsreservoarer baserat på en optimerbar supportvektormaskin

Letar efter gas i de djupaste bergarterna

Långt under jordytan, i bergarter som tidigare ansågs för gamla och täta för att vara intressanta, hittar geologer nya förråd av naturgas. Dessa ultra-djupa ”grundbergs”-formationer ligger mer än sex kilometer ner, där värme, tryck och komplexa bergarters sammansättning försvårar bedömningen av var gas faktiskt gömmer sig. Denna studie undersöker hur en typ av maskininlärning kan sålla i förvirrande mätdata från dessa djup för att identifiera vilka berglager som verkligen innehåller gas, vilket hjälper företag att borra färre torra hål och hantera dessa svåra reservoarer säkrare.

En ny typ av mål för djupgas

Forskningen koncentrerar sig på Block K2 i Kinas Qaidam-bassäng, platsen för världens första ultra-djupa grundbergsreservoar med begravningsdjup bortom 6 500 meter. Här lagras gas inte i välkända sandstenar utan i uråldriga spruckna grundbergsformationer som gnejs och diorit. Dessa bergarter är genomkorsade av nätverk av naturliga sprickor och vittrade zoner som kan lagra och leda gas. Gas från yngre jura-källbergarter har migrerat nedåt längs förkastningar in i dessa brutna grundbergszoner och samlats i fällor där gas ligger ovanför salt bildningsvatten. Eftersom bergarterna är så varierade svarar mätningar i borrhålet mer på förändringar i bergartstyp än på om porerna är fyllda med gas eller vatten.

Varför traditionella verktyg brister

I många grundare reservoarer förlitar sig ingenjörer på en enkel jämförelse mellan två porositetskurvor från neutron- och densitetsloggar för att upptäcka gas: kurvorna korsar varandra på ett karaktäristiskt sätt när gas är närvarande. I Block K2:s grundberg kollapsar detta tumregel. Vissa sura bergarter har naturligt låg densitet och lågt väteinnehåll, vilket efterliknar en ”gas-signatur” även när ingen gas finns. Andra bergarter som förändrats av värme och vätskor uppvisar högt väteinnehåll och annorlunda densitetsbeteende, vilket också förvirrar bilden. Som en följd överlappar eller förskjuts de välkända kurvorna på sätt som inte pålitligt speglar fluidtyp, vilket gör det nästan omöjligt att med blotta ögat dra tydliga gränser mellan gasrika och torra lager.

Att lära en maskin att läsa bergarterna

För att övervinna detta problem vänder sig teamet till en optimerbar supportvektormaskin, en välkänd metod inom maskininlärning som lämpar sig för små men komplexa datamängder. Istället för att förlita sig på ett enda mönster tar modellen in flera loggningsmätningar samtidigt, inklusive naturlig gammastrålning, vågförflyttningstid, bergartstäthet, neutronrespons, djup och grund resistivitet samt total kolväteläsning från gasloggning. Varje djuppunkt i brunnarna märks upp som ett starkt gaslager, ett svagare gasförande lager eller ett torrt lager med hjälp av faktiska produktionstestresultat. Algoritmen söker sedan efter det bästa sättet att separera dessa tre grupper i ett högdimensionellt rum och finjusterar automatiskt nyckelinställningar för att balansera noggrannhet och tillförlitlighet.

Hur väl metoden fungerar i verkliga brunnar

Efter träning på hundratals djupprover klassificerar modellen över 97 procent av träningsdata korrekt och cirka 95 procent av oberoende testdata, med prestationsmått som indikerar mycket stark separation mellan kategorierna. Tillämpad på befintliga brunnar i olika strukturella lägen stämmer maskinens förutsägelser väl överens med verkligt produktionsbeteende: brunnar högt upp i strukturen, där modellen finner tjocka gaslager, visar stark och stabil gasproduktion med lite vatten; brunnar längre ner, med tunnare förutsagda gaszoner och mindre ”höjd” över gas–vatten-kontakten, uppvisar lägre gasflöden och tidigare vattengenombrott. I en ny brunn som inte ingick i modellträningen styrde verktyget valet av perföreringsintervall i den övre och mellersta grundbergssektionen. Det intervallet flödade mer än 200 000 kubikmeter gas per dag utan vatten, vilket bekräftar förutsägelsens praktiska värde.

En vägkarta för smartare djupborrning

Med utgångspunkt i dessa resultat beskriver författarna ett steg-för-steg arbetsflöde: noggrant välja och rengöra data; definiera konsekventa kategorier för gas, gasförande och torra lager knutna till faktisk produktivitet; träna och finjustera maskininlärningsmodellen; jämföra förutsagda gaslager mellan brunnar; och sedan kontrollera och uppdatera modellen med pågående produktionsdata. För operatörer är budskapet enkelt. I svårbemästrade ultra-djupa grundbergsformationer där gamla regler misslyckas kan en vältränad maskininlärningsmodell som blandar flera loggsignaler ge en klarare bild av var gas verkligen sitter och vilka intervall som är säkrast att öppna, vilket stöder mer effektiv och bättre underbyggd utveckling av dessa utmanande resurser.

Citering: 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

Nyckelord: ultra-djup gasreservoar, grundbergsformationer, analys av borrhålsloggar, supportvektormaskin, prediktion av gasförande egenskaper