Email this article Lithofacial analysis and possibilities for prediction of properties on geophysical research and seismic exploration data by methods of machine learning
- Authors: Kolbikova E.S.1
-
Affiliations:
- Roxar Paradigm E&P Software and Services LLC
- Issue: Vol 3, No 4 (2021)
- Pages: 32-37
- Section: Articles
- URL: https://vestnik-ngo.kz/2707-4226/article/view/99690
- DOI: https://doi.org/10.54859/kjogi99690
- ID: 99690
Cite item
Full Text
Abstract
The success of a development strategy for any field depends on the degree of knowledge of the geological structure of its main reservoirs. As the area is drilled out, the concept of the structure of the hydrocarbon accumulation is refined, but in the case of a complex structure of the void space of the reservoirs and the lithological heterogeneity of the section over the area, geological uncertainties and risks during the subsequent placement of wells remain high. For these reasons, one of the main problems in hydrocarbon production is predicting rock types and the distribution of fluids throughout the reservoir away from wells, since the determination of rock properties is a major source of uncertainty in reservoir modeling studies [1, 2]. The proposed project will demonstrate algorithms based on machine learning methods that allow predicting the distribution of lithology and the uncertainty of lithofacies variability in the section.
Full Text
Классификация данных основывалась на детальном описании литологических характеристик отложений целевого объекта. Объект представлен отложениями девонского возраста преимущественно карбонатными отложениями, относящимися к фаменскому ярусу.
Для литотипизации карбонатных отложений фаменского яруса использовались результаты керновых исследований, в результате которых на основе макроописания образцов керна были выделены основные литологические разности с учётом коллекторского потенциала горных пород.
Настройка кластерной модели, позволяющей решать задачи как по литотипизации разреза, так и по прогнозу характера насыщения, выполнялась в несколько этапов.
В начале процесса выполнялась настройка кластерной модели, позволяющей выделить классы известняков с учётом их коллекторского потенциала. На этапе настройки фациальной модели по данным геофизических исследований (далее – ГИС) и керна использовался многомерный статистический алгоритм распознавания MRGC, обеспечивающий эффективную интеграцию геолого-геофизической информации. Алгоритм основан на методе K-ближайших соседей и путём комбинирования различных критериев позволяет решать проблему нелинейности связей между каротажными откликами и соответствующей им литологией [3–5]. В качестве обучения использовался набор модельных кривых, представляющий из себя комплекс методов ГИС. В качестве ассоциированной кривой для сравнения электрофаций с литологической кривой использовался результат фациального деления, выполненного по данным макроописания керна. Обученная модель распознала группу литофаций и позволила дифференцировать 5 литологических разностей, в т.ч. 2 литотипа в интервалах коллекторов – грейнстоуны с высоким и умеренным коллекторским потенциалом. Пример настроенной фациальной модели и распространённой на весь интервал исследования в одной из скважин приведён на рис. 1. В результате было выполнено распространение полученных литотипов на 10 скв. из различных фациальных зон.
Рисунок 1. Литофациальная модель по данным ГИС и керна
Результаты классификации также были использованы для настройки зависимости проницаемости от пористости Кпр = f(Кп) на керне. В результате уточнения зависимостей с учётом выделенных фациальных групп и получения двух регрессий в интервале коллекторов удалось получить лучшую согласованность между прогнозными значениями проницаемости по ГИС и Кпр по гидродинамическому каротажу в целевом интервале (рис. 2).
Рисунок 2. Уточнение прогнозных значений Кпр по ГИС
В рамках второго этапа моделирования электрофаций осуществлялось дальнейшее обучение модели с привлечением различных методов удельного электрического сопротивления (индукционного и бокового каротажа), а также результатов опробования и интерпретации геофизических исследований скважин в целях получения фациальной модели, позволяющей дифференцировать коллекторы с различным типом насыщения. После обучения в целях проверки качества кластерной модели был выполнен анализ подобия алгоритмом Similarity Threshold Method для проверки когерентности между модельными (обучение выполнялось по трем скважинам) и обрабатываемыми данными (интервалы и скважины, на которые распространялась фациальная модель). На финальной стадии подготовки итоговой фациальной модели для её последующего распространения в объёме выполнялся апскейлинг, т.е. масштабирование фаций (рис. 3), с учётом вертикального разрешения сейсмических данных.
Рисунок 3. Итоговые масштабированные фации по ГИС
Процесс распространения литологической информации в межскважинное пространство был выполнен с применением алгоритма Democratic Neural Networks Аssociation и включал в себя несколько этапов.
На первом этапе осуществлялся подбор входной информации и оценка её качества. Рассчитывались кубы сейсмических атрибутов, и наиболее репрезентативные, показывающие наибольшую дифференциацию фаций, подавались на вход следующего этапа, в рамках которого выбранные кубы сейсмических атрибутов и сглаженные исходные литологические кривые объединялись в единый набор данных, на основе которого происходило обучение нейронных сетей. Верификация результатов прогноза осуществлялась с помощью «слепой» скважины. В результате были получены кубы литофаций (рис. 4) и кубы вероятности существования различных литотипов [3].
На основании сравнения карт распределения нефтенасыщенности по данным кластерного анализа (рис. 5) с картой начальных нефтенасыщенных толщин по целевому горизонту следует отметить относительно высокую сходимость основных продуктивных зон. В центральной области месторождения, отмечающейся значительной разбуренностью, наблюдается самый большой этаж нефтеносности, в то время как краевые области месторождения, осложнённые покрышками и несколькими гидродинамически изолированными залежами, мало изучены на текущий момент и представляют большой интерес в плане перспективности. Выделенная по результатам кластерного анализа зона повышенного нефтенасыщения на севере месторождения, вероятно, связана с насыщением перспективных пачек, и с целью доразведки в данную зону будет рекомендовано бурение пилотных стволов трёх скважин [6].
Рисунок 5. Объемное распределение нефтенасыщенных фаций
Классические атрибуты и инверсия демонстрируют ограничения при описании гетерогенной модели насыщения. Применение нейросетевых подходов позволяет настроить сложные, неочевидные и нелинейные зависимости, недоступные классическим методам.
Совокупный анализ всей доступной скважинной и сейсмической информации методами машинного обучения позволил выполнить прогноз пространственного развития фаций, выделенных по скважинным данным. Достигнуто повышение детальности и достоверности интерпретации. Уточнены перспективные зоны с улучшенными коллекторскими свойствами и повышенной нефтенасыщенностью на изучаемой площади, минимизированы геологические риски при последующем заложении скважин.
Использование небольшого объёма разномасштабной геолого-геофизической информации с применением Machine Learning алгоритмов в области промыслово-геофизической и сейсмической интерпретации позволяет достичь повышения достоверности интерпретации и уточнения местоположения перспективных зон с улучшенными коллекторскими свойствами на изучаемой площади, а также минимизировать геологические риски при последующем заложении скважин [6].
About the authors
E. S. Kolbikova
Roxar Paradigm E&P Software and Services LLC
Author for correspondence.
Email: vestnik@niikmg.kz
руководитель направления по петрофизике и интерпретации ГИС
Russian Federation, MoscowReferences
- Hami-Eddine K., Klein P., and Richard L. Well Facies-based supervised classification on prestack. – SEG Annual Meeting, Houston, Texas, October 2009.
- Hami-Eddine K., Klein P., Richard L., de Ribet B. and Grout M., A new technique for lithology and fluid content prediction from prestack data: An application to a carbonate reservoir. – The 13th SEGJ International Symposium, Tokyo, Japan, April 2019.
- Ye Shin-Ju, Rabiller P. A new tool for electrofacies analysis: Multi-Resolution Graph-Based Clustering. – 41st Annual Logging Symposium SPWLA, 2000.
- Ye Shin-Ju, Rabiller P. Automated Electrofacies Ordering. – Petrophysics, 2005, v. 46, N 6.
- Zhou Y., and Goldman S. Democratic co-learning. – 16th IEEE International Conference on Tools with Artificial Intelligence, 2004.
- Kolbikova E., Gusev S., Garaev A., Malinovskaya O., Kamilevich R. Forecast of prospective oil saturation zones in the Devonian carbonate deposits of the Kharyaginsky field based on geological and geophysical information analysis by using machine learning methods. – SPE-206520, SPE Russian Petroleum Technology Conference, 2021.
Supplementary files
