İyileştirme ve makine öğrenimini birleştirerek killerli kum rezervuarlarında su dirençliliği ve doygunluk tahmini

Enerji ve çevre açısından neden önemli

Petrol ve gaz şirketleri, hidrokarbonların nerede saklandığını ve bir sahayı geliştirmeye değer olup olmadığını belirlemek için kuyu boyunca yapılan ölçümlere güvenir. Kil ve silt bakımından zengin birçok rezervuarda bu ölçümler yorumlanması son derece zor olduğundan mühendisler gerçekten bulunan petrol veya gaz miktarını küçümseyebilir. Bu çalışma, fizik temelli optimizasyonu çağdaş makine öğrenimiyle birleştirerek mevcut verilerden daha güvenilir bilgi çıkarmanın yeni bir yolunu sunuyor; böylece verim artırılabilir ve pahalı kırıntı (core) örneklemelerine olan ihtiyaç azaltılabilir.

Kirli kayaların sorunu

Dünyadaki birçok hidrokarbon rezervuarı “killerli kumlar”dır — kum taneleri, gözenek sıvıları ve iletken kil minerallerinin karışımı. Bu killer, kayanın gözeneklerinin ne kadarının suyla mi yoksa hidrokarbonla mı dolu olduğunu tahmin etmek için kullanılan elektriksel ölçümleri çarpıtır. Temiz kumlar için geliştirilen klasik araçlar ve grafikler basit kaya dokuları ve az kil varlığı varsayar. Killerli kumlarda bu varsayımlar bozulur, sık sık kayaları olduğundan daha nemli gösterir ve mühendislerin aslında önemli miktarda petrol veya gaz içerebilen aralıkları göz ardı etmesine yol açar.

Seyrek ölçümleri sağlam bir dayanağa dönüştürmek

Yazarlar, gözeneklerdeki suyun elektrik iletkenliğini tanımlayan formasyon suyu dirençliliği adlı merkezi bir büyüklükle ilgileniyor. Bu değer yanlışsa, sonraki tüm su doygunluğu tahminleri sapmış olur. Birkaç laboratuvar ölçümüne veya öznel grafik yöntemlerine güvenmek yerine, problemi bir optimizasyon görevi olarak sunuyorlar: kuyu boyunca ölçülen dirençlilikle fizik temelli killerli-kum modelinin en iyi uyuşmasını sağlayan tek bir su dirençliliği değerini bulun. Birkaç arama algoritmasını test ediyor ve Powell ile Nelder–Mead gibi türev gerektirmeyen basit yöntemlerin, Norveç Kuzey Denizi ve Mısır Batı Çölü’ndeki 11 kuyudan alınan kırıntı ve su örnekleriyle karşılaştırıldığında gerçek su dirençliliğini son derece küçük hatayla geri getirebildiğini gösteriyorlar.

Makine öğrenimi için “sözde-kırıntı” logu oluşturma

Bu optimize edilmiş su dirençliliği elde edildikten sonra, aynı fiziksel model her kuyu boyunca sürekli bir su doygunluğu profili hesaplamak için kullanılıyor. Bu profil, yalnızca birkaç örneklenmiş aralıkta değil her derinlikte bulunan yüksek kaliteli, fiziksel bilgiyle desteklenen bir etiket — bir tür “sözde-kırıntı” — olarak kabul ediliyor. Araştırmacılar daha sonra gama ışını, nötron porozitesi, yoğunluk ve derin dirençlilik gibi standart kuyu loglarını çok çeşitli makine öğrenimi modellerine besliyor. Bunlar ağaç tabanlı topluluklar (Random Forest, XGBoost, CatBoost), destek vektör makineleri ve derinlik boyunca değişen desenleri tanıyabilen özel bir tekrarlayan ağ olan LSTM dahil olmak üzere çeşitli sinir ağı mimarilerini içeriyor. Dikkatli ön işleme, aykırı değer süzümü ve normalize etme, modellerin gürültü yerine gerçek jeolojik ilişkileri öğrenmesini sağlamaya yardımcı oluyor.

Hangi modeller gerçekten genelleşiyor?

Ekip modelleri iki aşamada değerlendiriyor. İlk olarak, sekiz Kuzey Denizi kuyusunda beş katlı çapraz doğrulama kullanarak modelleri ayarlıyor ve sıralıyor; standart doğruluk skorlarında Random Forest’in öne çıktığını buluyorlar. Ardından daha belirleyici test geliyor: eğitimde hiç kullanılmamış, jeolojik olarak farklı Mısır havzasından iki kuyu da dahil olmak üzere üç “kör” kuyu. Burada bazı modeller başarısız oluyor. Random Forest’ın performansı düşüyor; bu, modelin orijinal havzaya aşırı uyum sağladığını işaret ediyor. Buna karşılık, CatBoost ve XGBoost gibi gradyan artımlı ağaçlar ile LSTM ve Bayesyen düzenlemeli sinir ağları yüksek doğruluğu koruyor; su doygunluğundaki değişimin %93–94’ünü açıklayarak mütevazı hatalarla sonuç veriyorlar. Modern yorumlanabilirlik aracı SHAP ile yapılan özellik önem analizleri, modellerin en çok dirençlilik, porozite ve şale hacmi gibi fiziksel olarak mantıklı girdilere dayandığını doğruluyor.

Basit bir dille ne anlama geliyor

Uzman olmayanlar için ana fikir, yazarların önce problemi fizik kullanarak temizleyip dayanak altına aldıkları ve sonra makine öğrenimini devreye soktuklarıdır. Bir optimizasyon rutininin en iyi uyum sağlayan su dirençliliğini bulmasına izin verip bunu yoğun, fiziğe uygun bir eğitim setine dönüştürerek, nadir ve pahalı kırıntı verilerinin tipik darboğazından kaçınıyorlar. Sonuçları, bu “önce optimizasyon, sonra ML” yaklaşımının, eğitilmeyen yeni havzalarda bile killerli bir rezervuarın ne kadarının suyla mı yoksa hidrokarbonla mı dolu olduğuna dair güvenilir tahminler sağlayabileceğini gösteriyor. Pratik anlamda bu, işletmecilere ödeme zonlarını daha güvenilir haritalama, gereksiz kırıntı almaları azaltma ve yerdeki hidrokarbon tahminlerini iyileştirme konularında yardımcı olabilir — tümü, zaten topladıkları verileri daha akıllıca kullanarak.

Atıf: Hameedy, M.A.E., Mabrouk, W.M. & Metwally, A.M. Integrating optimization and machine learning for estimating water resistivity and saturation in shaley sand reservoirs. Sci Rep 16, 6342 (2026). https://doi.org/10.1038/s41598-026-36133-w

Anahtar kelimeler: killerli kum rezervuarları, su doygunluğu, formasyon suyu dirençliliği, petrofizikte makine öğrenimi, rezervuar karakterizasyonu