CC BY
12
УДК 550.812.14
Комплексная технология построения прогнозных сейсмофациальных и геологических моделей с использованием нейронных сетей для распознавания коллекторов венда в разрезе для оптимизации эксплуатационного бурения при разработке Чаяндинского месторождения
ЕА Пылев1, А.В. Пинчук1*, Е.Е. Поляков1, И.В. Чурикова1, С.Ю. Ромащенко1, Д.С. Волков1, МА Творогов1, Н.Д. Гачегова1
1 ООО «Газпром ВНИИГАЗ», Российская Федерация, 142717, Московская обл., г.о. Ленинский, пос. Развилка, ул. Газовиков, зд. 15, стр. 1 * E-mail: A_Pinchuk@vniigaz.gazprom.ru
Ключевые слова
месторождение, залежь, геологическая модель, газ,
разлом, исследования.
Тезисы. Описаны геологическое строение, литологический состав, структурные и петрофизичес-кие закономерности залежей Чаяндинского нефтегазоконденсатного месторождения (ЧНГКМ). Приведены методики, алгоритмы и результаты внедрения инновационных технологий интерпретации комплекса геофизических исследований скважин (ГИС) и 3D сейсморазведки с использованием нейронных сетей для оптимизации расстановки эксплуатационного разбуривания и обеспечения проектных показателей (стартовых дебитов и т.д.) на этапе промышленного освоения залежей. Впервые на уникальном ЧНГКМ построена цифровая геологическая модель на основе петрофизи-ческой модели 16 литологических компонент (включая засолонение) коллекторов ботуобинского, хамакинского и талахского горизонтов, которая позволила достичь достоверности литологии и под-счетных параметров не менее 90 %. Впервые обоснована и подтверждена результатами последующего бурения эксплуатационных скважин в разрезе ЧНГКМ комплексная технология интерпретации сейсморазведки и ГИС с использованием петрофизической компонентной модели и адаптивной методики прогнозирования литологии и емкостных свойств ботуобинского, хамакинского и талахского горизонтов ЧНГКМ в межскважинном пространстве с использованием нейронных сетей в среднем с достоверностью прогноза эффективных толщин в локальных секторных геологических моделях в диапазоне 70...90 %. Синергический эффект применения двух разработанных инновационных методик оценки многокомпонентной литологии из петрофизической модели, по данным ГИС (1) и прогнозирования эффективных толщин по литологической сейсмофациальной и геологической модели с использованием искусственного интеллекта (2), позволил впервые достичь решения обратной задачи прогноза песчано-глинистых коллекторов на глубинах до 2 км с достоверностью, превышающей 0,7.
На этапе промышленного освоения залежей Чаяндинского нефтегазоконденсатного месторождения (ЧНГКМ) ПАО «Газпром» проводится его активное доизучение. Внедрение инновационных технологий оптимизации расстановки эксплуатационного разбуривания и обеспечения проектных показателей (стартовых дебитов и т.д.) по заданию ПАО «Газпром» выполняет ООО «Газпром ВНИИГАЗ».
Проблемами геолого-геофизического изучения ЧНГКМ на всех стадиях его изученности занимались специалисты многих научно-исследовательских и научно-производственных организаций: ООО «Газпром ВНИИГАЗ», ООО «Газпром недра» (ООО «Газпром геологоразведка», ООО «Газпром георесурс»), ООО «Газпром нефть - Заполярье», ООО «ЦНИПГИС», АО «Октопус», компания Schlumberger и др. Основу научных исследований на месторождении составили результаты работ ООО «Газпром ВНИИГАЗ», которые освещены в научных изданиях, отчетах о научно-исследовательской работе, доложены на заседаниях Комиссии газовой промышленности по разработке, Государственной комиссии по запасам полезных ископаемых (ФБУ «ГКЗ»), научных конференциях и других форумах [1-10]. Интеграция усилий ООО «Газпром ВНИИГАЗ» (подсчет запасов 2014 и 2022 гг., проект разработки
2014 г. и дополнение к проекту разработки 2022 г., внедрение технологии межскважинного гидропрослушивания для выявления непроницаемых экранирующих разломов и т.п.) и других организаций позволила добиться максимально возможной эффективности разработки ЧНГКМ - одного из наиболее сложных гигантских месторождений углеводородов в мире. В пределах ЧНГКМ выделяются пять крупных тектонических блоков: Северный, Южный I, Южный II, Саманчакитский и Восточно-Тала-канский. Всего на месторождении в пределах ботуобинского, хамакинского и талахского горизонтов выделены 42 залежи. Залежи относятся к ловушкам неантиклинального типа, осложненным тектоническими и литологичес-кими экранами.
Технология ООО «Газпром ВНИИГАЗ» по построению прогнозных сейсмогеологи-ческих и геологических моделей с использованием нейронных сетей для распознавания коллекторов венда в разрезе и их фильт-рационно-емкостных свойств (ФЕС) требует широкого обсуждения всеми заинтересованными специалистами, подробного геолого-геофизического обоснования и подтверждения эффективности на разбуриваемых участках ЧНГКМ. Оптимизация размещения горизонтальных стволов при бурении эксплуатационных скважин 3-й очереди позволила оценить реальную эффективность прогнозов коллекторов по сопоставлению с фактически пробуренными скважинами - точность 70.. .90 %.
ЧНГКМ имеет сложное геологическое строение и обладает рядом специфических особенностей, обусловленных главным образом существенной изменчивостью обстано-вок осадконакопления и активными тектоническими процессами на протяжении всей истории геологического развития осадочного бассейна [1-5]. Последний оперативный подсчет запасов (ОПЗ) был выполнен и защищен коллективом ООО «Газпром ВНИИГАЗ» на ГКЗ в 2022 г.
Промышленная нефтегазоносность месторождения установлена в терригенных отложениях венда. Продуктивными являются ботуобинский (У-С^, хамакинский (У-С^ и та-лахский (У-С^ горизонты. Дебиты газа достигают 867; 770 и 368 тыс. м3/сут соответственно для ботуобинского, хамакинского и талахско-го горизонтов; дебиты нефти для ботуобинс-кого и хамакинского горизонтов достигают
до 55 м3/сут. По величине извлекаемых запасов, составляющих более 1000 млрд м3, месторождение относится к уникальным.
Геологическая модель месторождения, построенная для ОПЗ 2022 г., основана на результатах обработки и переинтерпретации данных сейсморазведки 3D в объеме 6300 км2 и данных бурения 353 поисково-разведочных и эксплуатационных скважин: в том числе восьми параметрических, 14 поисковых, 99 разведочных, 11 опытно-промышленной разработки, 221 эксплуатационной в газовой части.
Достоверность геологической модели месторождения обусловлена результатами структурной интерпретации сейсморазведки 3D, прошедшей экспертизу ГКЗ, и результатами разработанной в 2021 г. ООО «Газпром ВНИИГАЗ» многокомпонентной методики интерпретации данных геофизических исследований скважин (ГИС) по литотипам, одобренной решением экспертного технического совета (ЭТС) ФБУ «ГКЗ». ЭТС рекомендовал к применению данную методику интерпретации ГИС при подсчете запасов углеводородов и геолого-гидродинамическом моделировании ЧНГКМ (протокол № 4 заседания секции углеводородного сырья ЭТС ГКЗ от 30.04.2021). Все разработанные петрофизические модели имеют высокий коэффициент корреляции Я -от 0,65 до 0,95. Достоверность выделения ли-тотипов по сопоставлению с керном составляет 82.78 % (ботуобинский и хамакинский горизонты) и 60 % (талахский горизонт).
При последующем бурении после ОПЗ на этапе промышленного освоения залежей ЧНГКМ геологическую модель подтвердили 248 из 250 пробуренных скважин (2 скважины 1-го этапа бурения уточнили газоводяной контакт (ГВК) в краевом блоке Юж 1-1). Единичные случаи отличия геологического строения месторождения от принятой модели возможны и определяются значительной неоднородностью вендских отложений и существенным влиянием зоны верхней части разреза и мелкоамплитудной разломной тектоники на результаты структурной интерпретации сейсморазведки 3D. В основном они связаны с уточнением ГВК в краевых блоках и возможного появления не выявленных по сейсморазведке изолированных новых блоков.
Достоверность подсчета запасов ЧНГКМ и геологической модели в целом подтверждается стабильностью величины
геологических запасов газа, утвержденных ФБУ «ГКЗ». Запасы изменились в 2015 г. относительно подсчета запасов 2000 г. на +1 %, в 2022 г. относительно подсчета запасов 2015 г. на -4 %. По мере накопления геолого-геофизической и промысловой информации (на 300 % и более) точность подсчета запасов, геологической и петрофизической моделей практически не изменилась и не вышла из доверительного интервала ± 5 %, что для практики ПАО «Газпром» и ФБУ «ГКЗ» является научным достижением.
В ботуобинском горизонте выделяются 10 самостоятельных залежей, приуроченных к трем тектоническим блокам: Северному, Южному I и Южному II. Эффективные газонасыщенные толщины по ботуобинскому горизонту изменяются от 0,3 до 21,3 м. Средневзвешенные значения коэффициента пористости по горизонту составляют 0,14 д. ед., коэффициента газонасыщенности - 0,76 д. ед. Физико-химические свойства газа и конденсата были рассчитаны по результатам исследования проб пластовых флюидов. В расчетах использованы исследования 63 проб пластового газа, отобранные из 63 скважин.
В терригенных отложениях хамакинского горизонта верхнего отдела вендской системы выделяется 21 залежь углеводородов в шести тектонических блоках: Северном, Западном, Южном I, Южном II, Восточно-Талаканском и Саманчакитском. Эффективные газонасыщенные толщины по горизонту изменяются от 0,4 до 47 м. Средневзвешенные значения коэффициента пористости по горизонту составляют 0,10 д. ед. Коэффициент газонасыщенности - 0,72 д. ед. Физико-химические свойства газа и конденсата были рассчитаны по результатам исследования проб пластовых флюидов.
В терригенных отложениях талахского горизонта верхнего отдела вендской системы были установлены 11 залежей углеводородов, приуроченные к четырем тектоническим блокам: Северному, Южному I, Южному II, Саманчакитскому. Эффективные газонасыщенные толщины по горизонту изменяются от 0,4 до 48,5 м. Средневзвешенное значение коэффициента пористости по горизонту составляет 0,12 д. ед., коэффициента газонасыщенности -0,56 д. ед. Физико-химические свойства газа и конденсата были рассчитаны по результатам исследования 28 проб пластовых флюидов. Согласно данным ОПЗ, геологические запасы
свободного «сухого» газа незначительно уменьшились по сравнению с числящимися на государственном балансе. Изменение начальных геологических запасов связано с уточнением модели месторождения (структурной основы), уточнением эффективных газонасыщенных толщин по залежам, уточнением физико-химических свойств углеводородов и подсчет-ных параметров пористости и нефтегазонасы-щенности.
Выделение коллекторов и определение эффективных толщин осуществлялось с помощью всего комплекса прямых качественных признаков проникновения фильтрата промывочной жидкости в породу, а также прямых и косвенных количественных критериев. Привлекались также прямые количественные критерии, устанавливаемые в каждом из однородных пропластков каждой конкретной скважины по данным гидродинамического каротажа. В качестве косвенных количественных критериев приняты граничные значения коэффициентов пористости (Кпгр) и проницаемости (Кр^), определенные по сопоставлениям с эффективной пористостью:
• ботуобинский горизонт - незасолонен-ные породы: К^ = 0,039 д. ед., К^ = 0,8 мД; засолоненные породы: Кпгр = 0,013 д. ед., Кпргр = 0,8 мД;
• хамакинский горизонт - незасо-лоненные породы (газ): Кп.гр = 0,04 д. ед.,
= 0,7 мД; незасолоненные породы (нефть): К^ = 0,046 д. ед., Кпр.гр =1,0 мД; засолоненные породы: Кпгр = 0,02 д. ед., К^ = 0,7 мД;
• талахский горизонт - незасолоненные породы: Кпгр = 0,065 д. ед., К^ = 0,7 мД; засолоненные породы: Кп.гр = 0,045 д. ед., Кпр.гр = 0,7 мД.
В наклонных и горизонтальных стволах эксплуатационных скважин ЧНГКМ выделение коллекторов осложняется несимметричностью исследуемой зоны прискважинного пространства (отсутствием теоретических решений прямой задачи для всех методов ГИС), ограниченностью комплекса ГИС в эксплуатационных скважинах относительно разведочных (отсутствие ядерно-магнитного каротажа, комплекса бокового и микробокового каротажа) и неоднозначностью прямых качественных признаков коллектора по ВИКИЗ1 и ИК52
1 Высокочастотное индукционное каротажное изопараметрическое зондирование.
2 Пятизондовый индукционный каротаж.
V
101 6
• * р* * К1 V • • •• • • 4 • •
Ь' • ■ * / •
0 0,10,2 0,4 0,6 0,8 1,0 анпк, мкР/ч
103
0,6 0,8 1,0 анпк, мкР/ч
о >
102
101 6
100
1 1 1 1 1 1 1 • •
1 1 1 ф • «1 г2 1 ** ИГ К? ь • !.•* Тт • • т •
_ 1_ _ 1 1 1 1 1 -35*1 . _ >•
0 0,10,2 0,4 0,6 0,8 1,0
анпк, мкР/ч
б
а
в
• газ • нефть □ песчаники гравелиты
Рис. 1. Разработка количественных диагностических критериев для выделения продуктивных коллекторов в эксплуатационных скважинах по результатам сопоставления значений УЭС по ВИКИЗ - dНГК (а-в), dНГК - dГК (г-е) для ботуобинского (а, г), хамакинского (б, д) и талахского (в, е) горизонтов ЧНГКМ. УЭС - удельное электрическое сопротивление; йГК - двойной разностный параметр ГК (гамма-каротажа); dНК - двойной разностный параметр НК
(нейтронного каротажа)
(приращение между зондами различной глубинности наблюдается практически по всему разрезу). В связи с этим на основе анализа комплекса данных разведочного бурения специалистами ООО «Газпром ВНИИГАЗ» для условий эксплуатационного бурения были использованы дополнительные количественные критерии для выделения газонасыщенных коллекторов (рис. 1).
В соответствии с разработанными диагностическими критериями первичное выделение проницаемых продуктивных интервалов3 проводилось по следующим условиям:
Песчаники:
УЭС ВИКИЗ > 6,0 Омм; dНК > 0,1 д. ед.; dГК < 0,6 д. ед.
Гравелиты:
УЭС ВИКИЗ > 6,0 Омм; dНК > 0,1 д. ед.; dГК > 0,6 д. ед.
Далее в выделенных интервалах использовались прямые количественные критерии.
Изложенный выше методический подход в полной мере обеспечивает достоверное определение эффективных газонасыщенных и неф-тенасыщенных интервалов. Выделенные таким образом интервалы коллекторов включались в эффективную толщину.
Значение 6 Омм является минимальной границей, по данным ГИС, для продуктивных коллекторов в разведочных скважинах, на практике
в газонасыщенном разрезе при горизонтальном бурении использовались значения 10...15 Омм.
Определение пористости пород ботуо-бинского, хамакинского и талахского продуктивных горизонтов реализовано по данным акустического и гамма-гамма-плотностного каротажа с использованием зависимостей импеданса О от пористости типа «керн - керн» и «керн - ГИС». Зависимости «керн - ГИС», дифференцированные по степени галитизации отложений продуктивных горизонтов, впервые в России в практике подсчетов запасов реализованы для ЧНГКМ [9]. Пример зависимостей для хамакинского горизонта приведен на рис. 2.
В случаях отсутствия гамма-гамма-плотностного каротажа определение коэффициентов пористости пород проводилось по данным акустического каротажа (АК). Эти зависимости также были впервые дифференцированы
по степени галитизации. Для засолоненных коллекторов ботуобинского, хамакинского и талахского горизонтов установлена единая зависимость Кп = ДА/), где А/ - интервальное время пробега упругой волны, мкс/м:
К, = 0,00255А/ - 0,472; N = 20; Я2 = 0,68.
(1)
Для незасолоненных коллекторов хамакинского горизонта зависимость Кп от А/ дифференцирована по двойному разностному параметру ГК (/):
Кп = -^±^-0,188^ п 560-169 п
N = 124; Я2 = 0,69.
(2)
« « 0,24
§ ч
8 «
Й г & §
о § 0,20
5 §
° о
! §0,16 ^ §
Л Ц
* (3 0,12
*
0,08
0,04
До \ 0 <
Ч) V о О 1 о° о
о о*<Доо0 1 ° о •о о
О '. Л' "о п!■ 01 I* '°п\
« « 0,24
§ «и
М Ч
& >1
о и 0,20
с °
п Ь
(I а
О >.0
И И
& I
и 3
« £3
К
0,16
0,12
0,08
0,04
\
\
\ 0 о О VI о о\\с
о \> о V о с 0 о \\
о о \ \ о \ ^ о \ \
10 12 14 16
а в, 106кг-м-2-с-1
10
12
14
16
■с-
Песчаник:
• глинистый • ангидритизированный
о засолоненный о малозернистый
о глинистый засолоненный о среднезернистый
• карбонатизированный • крупнозернистый
О алевролит О гравелит
О алевролит глинистый О гравелитзасолоненный
Коллекторы:
— негалитизированные газонасыщенные
(К„ = 4,6/в-0,315;КТС = 0,49; Пог = 0,14; Ы= 172)
— галитизированные
(К„ = - 0,385 + 5,3/в; КТС = 0,43; Пог = 0,23; М= 25)
Рис. 2. Зависимость коэффициента пористости от акустического импеданса для пород хамакинского горизонта ЧНГКМ: а - негалитизированных; б - галитизированных:
КТС - коэффициент тесноты связи; Пог - погрешность зависимости; N - количество образцов керна, по измерениям на которых построена зависимость
0
0
Для незасолоненных коллекторов талах-ского горизонта данные «керн - ГИС» выражаются зависимостью:
К =
М -178
445
N = 118; К2 = 0,62.
(3)
Оценка содержания галита в поровом пространстве, по данным ГИС, и выделение галитизированных интервалов
Анализ чувствительностей методов ГИС к влиянию засолонения показал, что наибольшей эффективностью при определении степени галитизации отличается комплексиро-вание нейтрон-нейтронного каротажа (ННК) и нейтронного гамма-гамма каротажа (НГК). При равном водородосодержании показания ННК-Т4 меньше для пород, имеющих в своем составе высокую концентрацию элементов с аномально высоким сечением поглощения тепловых нейтронов, таких как хлор, бор и др. [11]. Таким образом, наличие галита будет занижать показания ННК-Т.
Форма кривой НГК обычно близка ННК-Т и определяется в первую очередь содержанием водорода. На втором месте по влиянию на показания НГК после водорода стоят элементы, обладающие одновременно высоким сечением поглощения тепловых нейтронов и аномально высокой интенсивностью гамма-излучения радиационного захвата. В осадочных горных породах таким элементом является хлор, дающий при захвате одного нейтрона в среднем два-три относительно высокоэнергетических гамма-кванта. Повышение концентрации хлора в горной породе сопровождается при равном водо-родосодержании увеличением среднего числа гамма-квантов на один нейтрон и, следовательно, ростом показаний НГК [11]. Таким образом, показания НГК увеличиваются, а ННК-Т с увеличением содержания хлора (соответственно галита) уменьшаются (нейтроны дополнительно поглощаются).
Для выделения засолоненных пород использовалась нормализация кривых НГК и ННК или в случае отсутствия в комплексе ГИС ННК - нормализация НГК и АК. В качестве одного опорного пласта выбирались высокоомные уплотненные породы с низким
водородосодержанием, низкими показаниями АК (скорость распространения упругих волн (170.180 мкс/м) и высокими показаниями гамма-гамма плотностного каротажа (объемная плотность породы 2,9.3,0 г/см3). В качестве 2-го пласта выбирался интервал высокорадиоактивных размытых глин с высоким водо-родосодержанием в каверне, высокими показаниями АК (280-300 мкс/м) и низкими гамма-гамма-плотностного каротажа (2,3.2,4 г/см3). Установлена зависимость (4) между общим содержанием солей (Ссоль), по данным водных вытяжек рентгено-фазового анализа, и приращением (ДНК) нормализованных кривых НГК и ННК-Т, имеющая общий вид для коллекторов ботуобинского, хамакинского и талахского горизонтов при Кп < 0,12 д. ед.:
Ссоль = 43,4ДНК - 0,971; N = 32; К2 = 0,83.
(4)
При Кп > 0,12 д. ед. содержание соли в интервалах в основном не превышает 5 % . Такие коллекторы рассматривались как незасолонен-ные [7, 9] (рис. 3).
Оценка характера насыщенности коллекторов и выделение эффективных нефтегазонасыщенных толщин
Разделение коллекторов на продуктивные и во-донасыщенные производилось по результатам обработки данных ГИС путем использования количественного критерия критической водонасыщенности (К*). Критическая водона-сыщенность характеризует максимально возможную водонасыщенность коллекторов, которая обеспечивает получение безводного притока газа при конкретных ФЕС пород. Определение значений К* производилось путем анализа данных капилляриметрических исследований, проведенных на коллекции образцов керна в реальном диапазоне изменения их коллекторских свойств. По данным капилля-риметрии, осуществлен расчет относительных проницаемостей по газу (КЛ,.отн) и воде (Кп,отн) по формулам Бурдайна:
К!
к:
( к - к ^
в_в
1 - к„„
(1-кно-к, ^
V 1_Кно "Кво /
(5)
(6)
4 Нейтрон-нейтронный каротаж по тепловым нейтронам.
^ 102
§
и"
101 100 10-1
лРео * о\ • °0 о о о ^ - о о о с = соль КТС: ° 0,311, = 0; N = о 58-к„.о„а. 361
° V о о V О 0 \ о О 8 о О О о о V" /об О соч£г: в ч О <ь о « • 8°° Но Р> V
О С О О О о о о » ^ О «V 0 ООО» « (9 °*о * О 40» о о в о О
о о
0,06
0,12 0,18
0,24 0,30 К, д.ед.
£ 102
и3
101 100 10-1
о о о Ч 0 о э \ о О С = СОЛЬ ктс = © 3,0028 1 3; N = 54 1917-кп. 3
О о , 9 ' «Л V 1 & ° т • Д% 0 о *
о г, О О <4 о о о о • » О ч ° * \ ° о \ о
^ 102
I
и"
101 100 10-1
° Ч 9 о уз лйк, § О о О о % о С соль ктс о • = 0,232- = 0; N = ,184-к°; 618
О о Ъ « 00 ЫВ О О ь 9 % ! О О о °» О О
О н О » . * о* о ° ° ' О Ко "о--. --оэ • -Яг о <» ° О о 0 ° • о о ~ - О ° --
о О 0 О
0,06 0,12
0,18
0,24 0,30 К, д.ед.
0,06 0,12 0,18 0,24 0,30
К. д.ед.
Рис. 3. Соотношение коэффициента пористости, определенного методом
водонасыщения, и содержания соли, определенного по керну, для ботуобинского (а), хамакинского (б) и талахского (в) продуктивных горизонтов ЧНГКМ
где Кв - текущая водонасыщенность; Кво - остаточная водонасыщенность; Кно - остаточная не фтенасыщенно сть.
Константы а и Ь в уравнениях Бурдайна, соответствующие изучаемому типу пород, рассчитываются программным путем согласно методическим рекомендациям [12]. По кривым зависимостей (5) и (6) оценена величина К* - водонасыщенность, при которой в потоке «пластового» газа появляется подвижная вода. Полученные при этом связи Кв*(Кп) использовались для нахождения значений количественного критерия Кв* для пластов-коллекторов по их пористости, определенной посредством ГИС: • ботуобинский горизонт:
• хамакинский горизонт:
К* = -0,421я(К) + 0,125;
• талахский горизонт: К* = -0,35^(Кп) + 0,23.
(8)
(9)
К* = -0,414^^) + 0,0508;
(7)
Пласт-коллектор признавался продуктивным (нефтегазонасыщенным) при соблюдении соотношения Кв < К* и водонасыщенным, если
К > К*.
Разделение продуктивных коллекторов на газо- и нефтенасыщенные осуществлялось по данным испытаний и опробования пластов на кабеле с привлечением материалов НГК и АК. Данные ОПК использовались и интерпретировались индивидуально в каждом
б
а
0
0
в
0
конкретном пластопересечении. Во всех случаях предпочтение отдавалось прямым признакам насыщенности коллекторов - присутствию в пробе пластовых флюидов.
Определение коэффициентов нефтегазонасыщенности
Исследования керна по 12 скважинам, дополнившие базу петрофизических исследований в 2022 г., подтвердили ранее разработанные при подсчете запасов 2015 г. зависимости Рп(Кп) и Рн(Кв), где Рп и Рн - параметры пористости и насыщенности соответственно: • для ботуобинского горизонта:
Р=-2-
п Kf'
N = 255, R2 = 0,76; 1
P., =
н к'-53 :
N = 374; R2 = 0,79;
• для хамакинского горизонта:
1
(10)
(11)
P„ =
п т/-1,82
N = 562; R2 = 0,56;
пласт ХМ, : Р = ——;
1 н ту 1,33 7 Кв
N = 59; R2 = 0,52;
пласт ХМ2: Р = ——:
А н ■
N = 1425; R2 = 0,5;
• для талахского горизонта:
Р=-Ь
п кг
N = 420; R2 = 0,55;
p=-L-
н к^'
N = 1667; R2 = 0,71.
(12)
(13)
(14)
(15)
(16)
Выделение литологических типов коллекторов осуществлено при классификации всей базы изученного керна по литологии (по описанию образцов). При этом все многообразие литологических разностей сгруппировали в 16 литотипов (песчаники мелкозернистые; песчаники среднезернистые; песчаники
крупнозернистые; песчаники засолоненные; алевролиты; алевролиты глинистые; песчаники глинистые; гравелиты; аргиллиты; мергели; конгломераты, брекчия; песчаники карбонатные; песчаники ангидритизированные; доломиты, известняки; ангидриты; магматические и метаморфизованные породы). В интервалах коллекторов без учета мезонеоднородности (тонкого переслаивания) выделяются 4 литоти-па (крупнозернистые песчаники; средне-мелкозернистые песчаники; алевролиты и глинистые песчаники; галитизированные песчаники) в бо-туобинском горизонте, 5 литотипов (крупно-среднезернистые песчаники; мелкозернистые песчаники; гравелиты; алевролиты и глинистые песчаники; галитизированные песчаники) в хамакинском горизонте, 4 литотипа (крупно-среднезернистые песчаники; мелкозернистые песчаники, алевролиты и глинистые песчаники; гравелиты; галитизированные песчаники) в талахском горизонте. На фильтрационные характеристики коллекторов ботуобинского и хамакинского горизонта наибольшее влияние оказывают вторичные изменения - степень эпигенетического изменения и количество ангидрита, доломита и галита. Указанные лито-типы выделяются в разрезе по комплексу лито-логических критериев - диапазонов изменения данных ГИС (двойных разностных параметров гамма- (dTK, д. ед.) и нейтронного (dHK, д. ед.) каротажа; содержания калия (СГК (K), %) и тория (СГК (Th), млн-1) по спектральному гамма каротажу; данные гамма-гамма-плотностного (ГГК-П, г/см3) и акустического (АКп (d/), мкс/м) каротажа; УЭС, Ом м). В коллекторах талахского горизонта влияние всех трех факторов крайне высокое. Засолонение, ангидри-тизация и доломитизация отмечаются в любых литотипах независимо от их структурно-текстурных особенностей. Результаты количественного анализа процентного содержания литотипов в разрезе скважины по описанию керна и выделенных по ГИС показали достаточную сходимость этих величин (рис. 4).
Критерии оценки неоднородности, по данным ГИС, впервые разработаны на основе данных микросканеров (FMI) по 14 скважинам [9], которые были увязаны по глубине с данными стандартного и дополнительного комплекса ГИС, а также с литоло-гическим макроописанием керна и результатами петрофизических исследований.
песчаники мало- и среднезернистые песчаник малозернистый песчаник среднезернистый песчаник крупнозернистый песчаник глинистый гравелит
Рис. 4. Процентные соотношения литотипов по данным описания керна (а, в, д), сопоставленные с результатами выделения литотипов по ГИС (б, г, е) для коллекторов ботуобинского (а, б), хамакинского (в, г) и талахского (д, е) горизонтов ЧНГКМ
Граничные значения коэффициента неод-
УЭС -УЭС нородности К =-2-Где УЭСп -
УЭСП
электрическое сопротивление пласта; УЭСзп -зоны проникновения, установлены по дифференциальным распределениям (рис. 5). Коэффициент К отражает изменение УЭС зоны проникновения в пласте-коллекторе. Он увеличивается в однородных пластах и уменьшается в неоднородных, что связано с интегрированным отображением на данных разноглубинного электромагнитного (или токового) каротажа (ВИКИЗ и/или ИК5; МБК-БК5 и др.) переслаивания пропластков, с отсутствием и наличием зоны проникновения, его глубиной относительно однородного пласта.
По критериям, установленным различными комплексами ГИС, в разведочных скважинах ЧНГКМ выделены однородные и неоднородные коллекторы (рис. 6).
Из приведенных на рис. 6 гистограмм следует однозначный вывод: мезонеоднородность
БК - боковой каротаж; МБК - микробоковой каротаж
коллекторов (тонкослоистость в масштабе кер-новых колонок и ГИС) с глубиной увеличивается.
Определение коэффициента проницаемости по коэффициентам пористости и/или эффективной пористости традиционно характеризуется низкой теснотой связи (при использовании эффективной пористости теснота выше). Для сложнопостроенных терриген-ных коллекторов венда продуктивных горизонтов ЧНГКМ это обусловлено рядом факторов, которые можно разделить на четыре крупные группы [5, 6]:
1) седиментационные, к которым относятся структурно-текстурные характеристики обломочных пород: размер зерен, окатан-ность, степень сортировки, макро- и микронеоднородность, состав обломочных минералов, количество седиментационного глинистого материала;
2) степень эпигенетического изменения коллекторов, которая определяет процессы регенерации, пластической деформации и аути-генного минералообразования;
Коллектор по данным FMI:
— однородный — средней однородности —— неоднородный
Рис. 5. Распределения коэффициента неоднородности по ВИКИЗ для трех типов неоднородности разреза, по FMI. Ботуобинский (а), хамакинский (б), талахский (в)
горизонты ЧНГКМ
Коллектор:
■ однородный
■ средней однородности
■ неоднородный
Рис. 6. Процентное соотношение коллекторов разной однородности, по данным ГИС, в разведочных скважинах ЧНГКМ: а - ботуобинский горизонт; б - хамакинский горизонт; в - талахский горизонт
« 104
103 102 101 100 10-1 10-2
0,04 0,08 0,12 0,16 0,20 0,24 0 К, (по воде), д.ед.
а
0,04 0,08 0,12 0,16 0,20 0,24 К„ (по воде), д.ед.
б
0,04 0,08 0,12 0,16 0,20 0,24 К, (по воде), д.ед.
0
Песчаники:
— засолоненные
— малозернистые
— среднезернистые
— крупнозернистые
— средне- и малозернистые
— крупно- и среднезернистые
— карбонатизированные
переслаивание песчаников и аргиллитов
галитизированные породы
алевролиты
алевролиты глинистые
алевролиты и глинистые песчаники
гравелиты
ангидритизированные породы
Рис. 7. Модель зависимостей коэффициента абсолютной проницаемости от коэффициента пористости для выделенных литотипов ботуобинского (а), хамакинского (б) и талахского (в)
горизонтов
3) заполнение порового пространства вторичными минералами: доломитом, ангидритом и галитом. На фильтрационные характеристики коллекторов ботуобинского и хамакинского горизонтов наибольшее влияние оказывают вторичные изменения - степень эпигенетического изменения и количество ангидрита, доломита и галита;
4) структурно литологический фактор в масштабе колонки керна и ГИС (мезонеод-нородность) - однородность коллекторов,
неоднородность (тонкое переслаивание пес-чано-алевролито-глинистое), промежуточная неоднородность.
Проблема корректной оценки проницаемости также усугубляется тем, что все эти четыре группы факторов, определяющих проницаемость, встречаются в коллекторах пород продуктивных горизонтов как отдельно, так и вместе. Засолонение, ангидритизация и доломитизация отмечаются в любых литоти-пах независимо от их структурно-текстурных
особенностей. На рис. 7, 8 приведены обобщенные модели определения проницаемости Кпр = /(К); Кр = /К^ф), где К^ф - коэффициент эффективной пористости, по ботуобинскому, хамакинскому и талахскому горизонтам с учетом литологического разделения.
Установленные зависимости Кпр = /(К^ф) рекомендуются для определения коэффициента проницаемости продуктивных горизонтов ЧНГКМ по ГИС с учетом выделения литотипов и разделения пород по степени однородности. На рис. 9 приведены примеры учета степени неоднородности в хамакинском горизонте.
Следует отметить, что по приведенным зависимостям определяется абсолютная проницаемость по газу в атмосферных условиях. Для максимального приближения к пластовым условиям были разработаны зависимости коэффициента эффективной проницаемости в пластовых условиях от коэффициента абсолютной проницаемости (пример приведен на рис. 10).
В итоге применения новой комплексной многокомпонентной петрофизической модели значения проницаемости по ГИС стали подтверждаться значениями проницаемости
по гидродинамическим исследованиям (фактически произошло уменьшение проницаемости по ГИС относительно стандартного подхода в среднем на 20.35 %).
Адаптивная методика прогнозирования литологии и емкостных свойств в межсква-жинном пространстве, по данным сейсморазведки МОГТ-3D на ЧНГКМ с использованием нейронных сетей, реализована в оперативном режиме предбуровых моделей и последующих уточненных моделей после бурения проектных скважин в районах кустового бурения. При моделировании разреза используется контролируемый вероятностный подход распределения литотипов, основанный на нейросетевой классификации. Эта технология демонстрирует свою эффективность в условиях возрастающего количества обрабатываемой информации, удобства интерпретации при наличии неоднозначности решения обратной задачи - районирования зон с улучшенными ФЕС.
Выполнение нейросетевого анализа с целью оптимизации прогноза коллекторов в межскважинном пространстве предполагает использование следующих входных данных:
« 104
103 102 101 100 10-1 10-
0 0,04 0,08 0,12 0,16 0,20 0,24 0 КПЭф (капиллярометрия), д.ед.
0,04 0,08 0,12 0,16 0,20 0,24 0 Кп.3ф (капиллярометрия), д.ед. б
0,04 0,08 0,12 0,16 0,20 0,24 Кп.3ф (капиллярометрия), д.ед.
Песчаники:
— малозернистые
— крупнозернистые
— средне- и малозернистые
— крупно- и среднезернистые
алевролиты, глинистые песчаники, переслаивание песчаников и аргиллитов
галитизированные породы алевролиты алевролиты глинистые гравелиты
Рис. 8. Модель зависимостей коэффициента абсолютной проницаемости от коэффициента эффективной пористости (по капилляриметрии) для выделенных литотипов ботуобинского (а),
хамакинского (б) и талахского (в) горизонтов
« 104
&
103 102 101 100 10-1
10-
о щрА ь&ч ¥>9 О О
и°% = ™ • о чв^« Уа ° О
'Л О Ш>оо < о
о 1 /Ж Ж °<> »2 о О О о О
.ШТ& »ЗЯКв* <Р 0
о я7о*
« 104
&
103 102 101 100 10-1
0 0,04 0,08 0,12 0,16 0,20 0,24 Кп (капилляриметрия), д.ед.
10-
О О О Ос О* 0 Ут Ж >2' 3
л 11 й^ т /о/ ■>> "УОЯАа '9 У . Г'Ж' 0 1 О^ У
»К/ о о шп »Шг >0ШШ >р/ Жи У
А, 7 < ► о
V йр/А к = пр ктс 87390 = 0,34 З-К4'0!; Пог = 8,8; А = 480
0,04 0,08 0,12 0,16 0,20 0,24 Кп (капилляриметрия), д.ед.
« 104
&
103 102 101 100 10-1
10-
и
ж
V к пр ктс = 2977: = о,4: п.эф' ; Пог = 6,9; А '=76
0,04 0,08 0,12 0,16 0,20 0,24 Кп (капилляриметрия), д.ед.
« 104
&
103 102 101 100 10-1
10-
о.
О 5 .-/1/
о у О 9/
о!Г$ з ¡¡Ш / о О
I 8
ш! ° 111 1/ К = пр ктс 32271 = 0,42 18К3-9 п.э(] Пог = 4,7; А = 55
0,04 0,08 0,12 0,16 0,20 0,24 Кп (капилляриметрия), д.ед.
однородные
средней однородности
■ неоднородные
Рис. 9. Зависимости коэффициента проницаемости от коэффициента эффективной пористости в хамакинском горизонте, дифференцированные по неоднородности (однородные, средняя однородность, неоднородные) для песчаников средне- и мелкозернистых (а), алевролитов и глинистых песчаников (б), переслаивания песчаников и алевролитов (в), гравелитов (г)
1) осредненных детерминированных кривых литологии (гистограмм) с минимальной невязкой относительно исходных данных. Результат представляет собой эквивалентную эффективную модель среды, суммарно соответствующую отклику в масштабах разрешающей способности сейсморазведки. Производится уменьшение количества литотипов путем
их объединения по критериям минимального самостоятельного влияния на динамические свойства сигнала (16 литотипов объединяются в четыре). Данный шаг необходим для физического обоснования сейсмогеологической модели ввиду уменьшения разрешающей способности методов в ряду ГИС - вертикальное сейсмопрофилирование - сейсморазведка;
б
а
0
в
г
0
0
« 104
¡3
§ 103
102
о р.
5 101
а к
g 10
U
% 10-1
10-2 10""
/
о э у
о ■>« о д
о о Г о > 5
>о ■ Кво: о <0,2 о <0,4 -• <0,6 О <0,8 _ < < 1,0 | 1
2 >
1 3
« 104
¡5
§ 103
10-3 10-2 10-1 100 101 102 103 104 Абсолютная проницаемость, мД
102
О р.
5 101
g 10
U
% 10-1
10-2 10"
/ шРо
о о о О« А О
о о о J ■Jj OJKK > о я )
о 0° £ Jfo Оо 3 О ♦ 5
t ° о
1
10-3 10-2 10-1 100 101 102 103 104 Абсолютная проницаемость, мД
— К„р >4: Кпрзф = 0,386-КПр , КТС = 0,61; Пог = 0,57; N=199
— К„р <4: Кпрзф = 8,53-0,00179~Кпр; КТС = 0,1; Пог = 11; N=61
Рис. 10. Зависимость эффективной проницаемости при эффективном давлении от коэффициента абсолютной проницаемости по хамакинскому горизонту при дифференциации данных по коэффициенту остаточной водонасыщенности (а)
и литологии (б)
2) результатов структурной интерпретации сейсмических данных МОГТ6-3D:
• структурно-тектонического каркаса, определяющего геометрические особенности изучаемого интервала разреза;
• толстослоистой глубинно-скоростной модели, которая позволяет преобразовать данные сейсморазведки МОГТ-3D и результаты их интерпретации из временного масштаба в глубинный с последующим анализом геолого-геофизической информации в единой системе координат (в том числе использовать горизонтальные скважины);
3) результатов динамической интерпретации сейсмических данных МОГТ-3D:
• наборов сейсмических атрибутов до и после суммирования, реагирующих на изменение литологического состава, контраста физических свойств горных пород и/или изменение мощности изучаемого интервала разреза и имеющих «смысловую» физико-геологическую интерпретацию;
• результатов инверсионных преобразований, позволяющих перейти от амплитудно-частотных характеристик волнового поля
МОГТ - метод общей глубинной точки.
к петроупругим свойствам горных пород в меж-скважинном пространстве.
В качестве алгоритма работы нейросети используется оптимальный с точки зрения авторов вероятностный подход на основе ассоциативного обучения нейронной сети с равноправной связью (англ. democratic neural network association). При прогнозе литологического состава горных пород проблема обучения ней-росети может быть связана с отсутствием надежной корреляционной зависимости между кривыми литологии (ГИС) и сейсмическими данными, поскольку фации, как правило, распределены хаотично и не имеют строгого математического критерия для разделения. Использование только одной контролируемой нейронной сети имеет тенденцию искажать результаты обучения [13], поскольку восстановленные «литотипы» горных пород часто пересекаются друг с другом. Применение нескольких одновременно работающих сетей в качестве ассоциативной комбинации оптимизирует результаты прогноза [14]. Существуют различные подходы для одновременного обучения нескольких нейронных сетей. Как правило, используются методы многовекторного обучения [15], которые требуют в качестве входных данных наборы независимых сейсмических
б
атрибутов. Применение такого подхода к прогнозу литологии не является надежным с точки зрения характеристики коллектора, поскольку большинство используемых атрибутов взаимозависимы и отличаются только статистическим распределением анализируемого параметра. Другой подход заключается в одновременном запуске и обучении нескольких нейронных сетей с использованием единого набора атрибутов [16]. Такая методика обеспечивает возможность проводить обучение ассоциативных нейронных сетей с уникальным набором атрибутов сейсмических данных, которые не обязательно являются независимыми. Определение ансамбля нейронных сетей с различными стратегиями обучения помогает компенсировать существующее смещение при использовании только одной сети [15].
Производительность обучения нейросети ограничена количеством «жестких» выборок (информация о характере литологического состава) в обучающем наборе. Если объем данных слишком мал, вполне вероятно, что обучающая выборка слишком ограничена с точки зрения разнообразия по сравнению с исходными данными для классификации. В этом случае велик риск переобучения, а прогностические свойства
сетей серьезно снижаются. Дополнение «жесткой» выборки «мягкими» (не дают прямой информации о литологическом составе) данными на этапе обучения улучшает качество прогноза нейросети [17].
Таким образом, ряд простых нейронных сетей выявляет закономерности в данных обучающего набора, используемые для создания нелинейных связей между литотипами в скважинах и набором сейсмических атрибутов. Процесс оценивает неопределенность распределения горных пород и представляет результаты в виде вероятностей нахождения искомого литотипа. Он включает в себя несколько этапов, которые рассмотрены на примере создания секторной литологической модели одного из кустов эксплуатационных скважин ЧНГКМ (рис. 11):
1) анализ главных компонент. При проведении атрибутной классификации выполнен анализ главных компонент для уменьшения избыточности данных и их зашумленности в многоатрибутном наборе. На первом этапе использованы 50 атрибутов. Сейсмические атрибуты были стандартизированы. После анализа матрицы ряд атрибутов с коэффициентом сходимости больше 0,6 был исключен
Рис. 11. Участок комплексной интерпретации материалов ГИС и сейсморазведки в районе одного из кустов эксплуатационных скважин
из дальнейших расчетов. Всего были оставлены 20 атрибутов, затем произведен повторный расчет главных компонент;
2) создание обучающего набора. Для этого предварительно выполняется осреднение кривых с последующим созданием выборки литологии (из кривых после осреднения) и сейсмических атрибутов с заданным пользователем шагом выборки вдоль траекторий скважин для дальнейшего обучения;
3) обучение нейронной сети. Процесс обучения заключается в формировании набора нейронов, представляющих выборку данных как основы для классификации. Сначала выполняется стабилизация: к обучающему набору данных в позициях скважин, который может не полностью представлять сейсмические данные в областях, удаленных от скважин, добавлены дополнительные сейсмические данные по сети с шагом 10*10 инлайнов * кросслайнов.
[Л1| [т] [т;|
Коллектор:
Неколлектор:
гравелит
плотный песчаник
аргиллит, алевролит
Рис. 12. Результаты обучения нейронной сети на примере одной из скважин ЧНГКМ
Затем проводят многократное тестирование параметров обучения в различных сочетаниях с подбором комбинации, описывающей наиболее достоверно сейсмогеологическую модель среды. На рис. 12 представлены критерии контроля качества при обучении нейронной сети. С использованием данных ГИС создается осредненная эффективная модель среды, которая применена для машинного обучения. В результате получены восстановленная кривая литологии по нейросетево-му анализу, выполнена оценка максимальной вероятности корректного предсказания литологии вдоль траектории ствола скважины. Также приведена оценка вероятности принадлежности прогнозной литологии к указанному классу, где каждая кривая демонстрирует данное распределение, причем цвет кривой и ее отклонение показывают вероятность того, что этот класс встречается в этой позиции на траектории скважины;
4) классификация и сглаживание. На заключительном этапе выполняют классификацию разреза с параметрами, протестированными в процессе обучения. Получены кубы литологии, которые подверглись дальнейшей процедуре сглаживания, что улучшило применительно к ним соотношение сигнала и шума и латеральную выдержанность фаций [10].
Оценка эффективности методики прогнозирования осуществляется по результатам сопоставления моделей типа «факт - прогноз» (результаты интерпретации ГИС по пробуренной скважине - предбуровая прогнозная модель). По результатам машинного обучения оценивается работа алгоритма с использованием специальных метрик. Существуют несколько критериев контроля качества при решении задач классификации с помощью нейронных сетей. Поскольку алгоритм может некорректно определять искомые классы, рассмотрим основные метрики ошибок классификации - матрицу ошибок. В качестве исходной информации использованы литологические кривые ГИС (коллектор / неколлектор) и прогноза литологии вдоль траектории ствола скважины до бурения. При этом матрица ошибок выглядит так, как показано в таблице.
Предполагается, что данные ГИС являются известными и достоверными, а алгоритм нейро-сетевой классификации демонстрирует результаты восстановления литологической кривой коллектор / неколлектор в процессе машинного обучения. Если при работе классификатора прогнозные значения на данной кривой и ГИС совпадают, то говорится о двух событиях истинной классификации. При некорректном предсказании интервалов коллектора и неколлектора возникают:
• ошибка I рода («ложный коллектор»), связанная с классификацией нейросетью точек в качестве зоны коллектора, которые не являются, согласно данным ГИС, коллектором;
• ошибка II рода («пропуск коллектора»), связанная с классификацией нейросетью точек в качестве зоны неколлектора, которые являются коллектором согласно данным ГИС.
Все вышеперечисленные метрики учитываются при расчете корректности работы алгоритма нейронной сети. Однако в случае асимметрии классов необходимо рассматривать метрики с отдельными показателями качества прогноза каждого из классов.
Точность прогноза интерпретируется как доля точек коллектора, прогнозируемых по результатам работы классификатора, при этом являющихся коллектором согласно данным ГИС. Точность прогноза предоставляет возможность оценить способность алгоритма обнаружить коллектор и не позволяет присвоить единый класс всем объектам, поскольку это приведет к росту ошибки I рода.
Совпадение прогнозов коллектора
_ по нейросети и по ГИС Точность прогноза =-;-.
Совпадение прогнозов коллектора по нейросети
и по ГИС + Ошибка I рода (ложный коллектор)
Матрица ошибок
^^^^Нейросеть ГИС ^^^^ Коллектор Неколлектор
Коллектор Коллектор Ошибка II рода: «пропуск коллектора»
Неколлектор Ошибка I рода: «ложный коллектор» Неколлектор
Параметр полноты прогноза демонстрирует способность используемого алгоритма обнаружить коллектор и отличить его от неколлектора и характеризуется как доля найденных классификатором точек коллектора среди общей мощности коллектора.
Совпадение прогнозов коллектора
_, по нейросети и по ГИС Точность прогноза =-.
Совпадение прогнозов коллектора по нейросети
и по ГИС + Ошибка II рода (пропуск коллектора)
Совместный анализ теоретически предельных максимальных и минимальных значений данных метрик приводит к следующим выводам:
• минимальные значения точности прогноза и полноты объясняются как полное несовпадение точек коллектора по ГИС и нейросетевому анализу;
• максимальное значение точности прогноза (1) и минимальное значение полноты объясняется как совпадение точек коллектора по ГИС и нейросетевому анализу, при этом классификатор не выявил большую часть коллектора, что приводит к возрастанию ошибки II рода;
• минимальное значение точности прогноза и максимальное значение полноты объясняется как несовпадение большинства точек коллектора по ГИС и нейросетевому анализу, при этом классификатор выявил большой объем коллектора, что приводит к возрастанию ошибки I рода;
• максимальные значения точности прогноза и полноты объясняются как надежная классификация точек коллектора и их совпадение по ГИС и нейросетевому анализу.
Рассмотренные метрики использованы как критерии контроля качества создания литологи-ческой адаптивной модели с использованием нейронных сетей на примере хамакинского продуктивного горизонта в районе одного из эксплуатационных кустов ЧНГКМ. Первоначально пробурен пилотный ствол (индекс Р) с дальнейшим разбуриванием куста горизонтальными стволами с порядковыми номерами, соответствующими очередности бурения.
¡5 1,0
| 0,9
н 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
1—
— --- 5
Г--"1
5
5
9
3 4 5 6 Порядковый номер итерации при адаптации модели
3 4 5 6 Порядковый номер итерации при адаптации модели
б
а
Скважины:
О 2105Р О 210508 О 210608 О 210808 О 210908 О 211008
Рис. 13. Оценка параметров точности (а) и полноты (б) на основе сравнения данных ГИС и результатов создания адаптивной литологической модели с использованием нейросети для эксплуатационных скважин одного из эксплуатационных кустов ЧНГКМ
Методика оценки прогноза заключается в сравнении кривых литологии вдоль траектории ствола скважины для предбуровых и адаптивной моделей. Расчет метрик производится до момента включения скважины в адаптивную модель, что позволяет выполнить независимый анализ качества прогноза. Полученные результаты свидетельствуют об уверенном обнаружении коллектора на предбуровой модели при оценке точности (рис. 13, см. а). Полнота (см. рис. 3б) является менее устойчивым параметром и зависит от множества факторов, ключевыми из которых, предположительно, являются разрешающая способность данных сейсморазведки МОГТ-3D и сопутствующие эффекты.
Однако более удобно с точки зрения процесса сравнения моделей, когда их качество выражено одним параметром, учитывающим одновременно ошибки пропуска коллектора и ложного обнаружения коллектора. Для этого используется метрика Fp с приоритетом метрики точности прогноза (весовой коэффициент для полноты прогноза в = 0,4), основанным на изучении накопленного опыта бурения и прогноза с использованием нейронных сетей (рис. 14):
2Ч Точностьпрогноза • Полнотапрогноза
-Гр — (1 + р )---.
Точность прогноза + р • Полнота прогноза
На выбор весового коэффициента оказывают влияние такие параметры, как степень неоднородности разреза, кондиционность материалов каротажа при его интерпретации (отсутствие необоснованного завышения или занижения мощности коллектора с учетом выбора информативного метода ГИС), разрешающая способность сейсмических данных и их кратность, успешность обучения алгоритма на скважинных данных.
В рамках сейсмогеологической интерпретации результатов необходимо оценивать способность метода восстановить эффективную толщину коллектора. Для этого следует проанализировать метрику отклонения прогнозной мощности коллектора от истинной, полученной по ГИС. Одной из наиболее оптимальных считается взвешенная абсолютная процентная ошибка прогнозирования (англ. weighted absolute percent error, WAPE), которая является симметричной и наименее чувствительной к искажениям числового ряда (рис. 15):
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1
0
1 2 3 4 5 6
Порядковый номер итерации при адаптации модели
Рис. 14. Оценка достоверности прогноза с учетом ошибок I и II рода на основе сравнения данных ГИС и результатов построения адаптивной литологической модели с использованием нейросети
« 1,0 <и
1 0,9 М
Рч
I 0,8
~ 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
1 2 3 4 5 6
Номер итерации при адаптации модели
Рис. 15. Оценка достоверности прогноза эффективных толщин коллектора на основе анализа взвешенной абсолютной процентной ошибки
0,88
0,81
0,71 1о,74
Ч>,66 0,69
WAPE = -
Фактическая эффективная мощность коллектора^') --Прогнозная эффективная мощность коллектора^')
^ Фактическая эффективная мощность коллектора(/')
где п - количество значений в изучаемой выборке данных.
Таким образом, применение алгоритмов построения адаптивной литологической модели с использованием алгоритмов нейросете-вого анализа доказало свою значимость в ходе прогноза эффективной мощности коллектора в межскважинном пространстве и продемонстрировало успешную апробацию на ЧНГКМ. Разработанная методика с численным обоснованием качества модели может быть рекомендована для дальнейшего использования в ходе аналогичных работ и успешно опробована при методическом сопровождении подсчета запасов углеводородов с достоверностью прогнозов эффективных толщин коллекторов 0,9.. .0,7.
Методика построения локальной секторной геологической модели заключается в использовании полученных кубов литологии в процессе машинного обучения в качестве низкочастотного тренда. При распространении литологии в межскважинном пространстве ведется учет только субвертикальных скважин (пилотный и разведочный ствол), а также точек входа в продуктивный пласт горизонтальных стволов скважин. Использование наклонно направленных скважин не является оптимальным при создании геологической модели ввиду появления множества артефактов, возникающих на контакте ячеек модели. Данный факт обусловливает, с одной стороны, потерю информации без учета этих скважинных данных с величиной ошибки определения литологии по данным сейсморазведки 3D, с другой стороны, препятствует появлению артефактов при создании геологической модели. Полученные модели литологии (коллектор/неколлектор) соответствуют точности прогноза по материалам сейсморазведки МОГТ-3D и подтверждены результатами бурения. Заложенные в геологические построения тренды, обусловленные аналогией с осадконакоплением, приводят к закономерным геологическим разрезам и картам с очевидным линзовидным строением ха-макинского и талахского горизонтов ЧНГКМ.
В дополнение созданы модели пористости продуктивных интервалов разреза, где входными данными послужили построенные модели
24 ГС
25 ГС
' Ч #
4
До бурения скважины 25 ГС
24 ГС
25 ГС
I
После бурения скважины 25 ГС Коллектор: Неколлектор:
плотный песчаник
гравелит ЩЩЩ аргиллит, алевролит
24 ГС
25 ГС
ЗШО 21» П» СЮ ЖО 4т мео
коллектор ^ неколлектор
24 ГС
25 ГС
Рис. 16. Результаты после бурения скважины 25ГС, ЧНГКМ: а - куб литологии (нейронные сети); геологическая модель в интервале хамакинского горизонта: б - куб литологии; в - куб пористости
а
б
в
26 ГС
25 ГС
До буренияскважины 26 ГС
После буренияскважины 26 ГС Коллектор: Неколлектор:
;;;;;;;; гравелит
плотный песчаник
аргиллит, алевролит
^ коллектор ^ неколлектор
в
26 ГС
25 ГС
Рис. 17. Результаты после бурения скважины 26ГС, ЧНГКМ: а - куб литологии (нейронные сети); геологическая модель в интервале хамакинского горизонта: б - куб литологии; в - куб пористости
литологии. Полученные результаты представлены на рис. 16 и 17.
Таким образом, впервые на уникальном ЧНГКМ построена цифровая геологическая модель на основе петрофизической модели 16 ли-тологических компонент (включая засолоне-ние) коллекторов ботуобинского, хамакинского
и талахского горизонтов, которая позволила достичь достоверности литологии и подсчет-ных параметров не менее 90 %.
Впервые обоснована и подтверждена результатами последующего бурения эксплуатационных скважин в разрезе ЧНГКМ комплексная технология интерпретации данных сейсморазведки и ГИС с использованием пет-рофизической компонентной модели и адаптивной методики прогнозирования литологии и емкостных свойств ботуобинского, хамакин-ского и талахского горизонтов ЧНГКМ в меж-скважинном пространстве с использованием нейронных сетей в среднем с достоверностью прогноза эффективных толщин в локальных секторных геологических моделях в диапазоне 70.90 %.
Синергический эффект применения двух разработанных инновационных методик -оценки многокомпонентной литологии из пет-рофизической модели по данным ГИС и прогнозирования эффективных толщин по литоло-гической сейсмофациальной и геологической модели с использованием искусственного интеллекта - позволил впервые достичь решения обратной задачи прогноза песчано-глинистых коллекторов на глубинах до 2 км с достоверностью, превышающей 0,7.
Список литературы
1. Рыжов А.Е. Типы и свойства терригенных коллекторов венда Чаяндинского месторождения / А.Е. Рыжов // Вести газовой науки: Актуальные вопросы исследований пластовых систем месторождений углеводородов. - М.: Газпром ВНИИГАЗ, 2013. - № 1 (12). - С. 145-160.
2. Рыжов А.Е. Влияние особенностей строения порового пространства коллекторов Чаяндинского НГКМ на их фильтрационные характеристики / А.Е. Рыжов, Н.В. Савченко, Т. А. Перунова и др. // Мировые ресурсы
и запасы газа и перспективные технологии их освоения: тез. докл. II Междунар. науч.-практической конф., Москва, 28-29 октября 2009 г. - М.: Газпром ВНИИГАЗ, 2010. - С. 62.
3. Скоробогатов В.А. Енисей-Ленская мегапровинция: формирование, размещение и прогнозирование месторождений углеводородов // Геология нефти и газа. -2017. - № 3. - С. 3-17.
а
* * *
4. Поляков Е.Е. Решение научных проблем при подсчете запасов углеводородов Астраханского газоконденсатного месторождения / Е.Е. Поляков, Е.А. Фёдорова, В.В. Стрекозин и др. // Вести газовой науки: науч.-техн. сб. - М.: Газпром ВНИИГАЗ, 2017. - № 3 (31): Проблемы ресурсного обеспечения газодобывающих районов России. - С. 141-150.
5. Поляков Е.Е. Продуктивность сложнопостроенных терригенных коллекторов венда Чаяндинского месторождения
в зависимости от литолого-петрофизических свойств и геолого-технических условий вскрытия отложений / Е.Е. Поляков, Е.А. Пылев, И.В. Чурикова и др. // Территория нефтегаз. - 2017. - № 12. - С. 22-32.
6. Поляков Е.Е. Проблемы определения коэффициента проницаемости по ГИС
для сложнопостроенных коллекторов вендского возраста Чаяндинского месторождения на этапе эксплуатационного бурения / Е.Е. Поляков, И.В. Чурикова, Е.А. Пылев и др. // Территория нефтегаз. - 2018. - № 10. - С. 30-41.
7. Чурикова И.В. Особенности распространения и свойства засолоненных коллекторов венда Чаяндинского нефтегазоконденсатного месторождения / И.В. Чурикова, Е.А. Пылев, Е.О. Семёнов и др. // Вести газовой науки: науч.-техн. сб. - М.: Газпром ВНИИГАЗ, 2019. - № 4 (41): Проблемы ресурсного обеспечения газодобывающих районов России. - С. 153-163.
8. Чуриков, Ю.М. Основные закономерности изменения статистических оценок фильтрационно-емкостных свойств вендских отложений по глубине залегания для месторождений, входящих
в газотранспортную систему «Сила Сибири» / Ю.М. Чуриков // Вести газовой науки. - М.: Газпром ВНИИГАЗ, 2019. -№ 4 (41): Проблемы ресурсного обеспечения газодобывающих районов России. - С. 91-105.
9. Чурикова, И.В. Дифференцированное определение фильтрационно-емкостных свойств неоднородных коллекторов вендских отложений Восточной Сибири по данным геофизических исследований скважин
(на примере Чаяндинского и Ковыктинского месторождений) / И.В. Чурикова, Е.А. Пылев, Е.Е. Поляков и др. // Вести газовой науки: науч.-техн. сб. - М.: Газпром ВНИИГАЗ, 2021. - № 3 (48): Проблемы ресурсного обеспечения газодобывающих районов России. - С. 127-140.
10. Пинчук А.В. Оптимизация кустового бурения на Чаяндинском нефтегазоконденсатном месторождении по данным совместного анализа сейсмических атрибутов и ГИС
с применением алгоритмов нейронных сетей / А.В. Пинчук, Е.А. Пылев, Е.Е. Поляков и др. // Геология нефти и газа. - 2022. - № 2. -С. 17- 30. - DOI: 10.31087/0016-7894-2022-217-30
11. Резванов Р.А. Радиоактивные и другие неэлектрические методы исследования скважин / Р.А. Резванов. - М.: Недра, 1982.
12. Методические рекомендации по подсчету геологических запасов нефти и газа объемным методом / под ред. В.И. Петерсилье,
В.И. Пороскуна, Г.Г. Яценко. - М.: ВНИГНИ; Тверь: НПЦ «Тверьгеофизика», 2003.
13. Tetko I.V. Introduction to associative neural networks / I.V. Tetko // Journal of Chemical Information and Computer Sciences. - 2002. -№ 42. - С. 717-728. - DOI: 10.1021/ci010379o.
14. Tetko I.V. Associative neural network / I.V. Tetko // Neural Processing Letters. -2002. - № 16. - С. 187-199. - DOI: 10.1023/A: 1019903710291.
15. Gao J. On the power of ensemble: Supervised and unsupervised methods reconciled / J. Gao, W. Fan, J. Han // SIAM Data Mining Conference. -2010. - https://hanj.cs.illinois.edu/pdf/ sdm10jgao.pdf
16. Zhou Y. Democratic co-learning / Y. Zhou,
S. Goldman // 16th IEEE International Conference on Tools with Artificial Intelligence. - 2004. -https://ieeexplore.ieee.org/document/1374241
17. Guillaumin M. Multimodal semi-supervised learning for image classification / M. Guillaumin, J. Verbeek, C. Schmid // IEEE Conference
on Computer Vision and Pattern Recognition. -2010. - https://lear.inrialpes.fr/pubs/2010/ GVS10/GVS10.pdf
Complex procedure for building prognostic seismic-facies and geological models by means of neural networks to identify log sheets of Vendian reservoirs in order to optimize production drilling at Chayanda field
Ye.A. Pylev1, A.V. Pinchuk1*, Ye.Ye. Polyakov1, I.V. Churikova1, S.Yu. Romashchenko1, D.S. Volkov1, M.A. Tvorogov1, N.D. Gachegova1
1 Gazprom VNIIGAZ LLC, Bld. 1, Estate 15, Gazovikov street, Razvilka village, Leninskiy urban district, Moscow Region, 142717, Russian Federation * E-mail: E-mail: A_Pinchuk@vniigaz.gazprom.ru
Abstract. The paper describes geological structure, lithology, the structural and petrophysical patterns common for the deposits of the Chayanda oil-gas-condensate field. Authors summarize the standard techniques, algorithms and the implementation results for the innovative technology aimed at interpreting complex well log measurements and 3D seismic data by means of a neural network. The named practices are intended to dispose operational drilling and provide the target performance (the initial flow rates etc.) during commercial hydrocarbon recovery. For the first time, in respect to the unique Chayanda field there is a digital geological model designed on the grounds of a petrophysical model consisting of 16 lithological components (including the salinization) of the reservoirs belonging to Botuoba, Khamaki and Talakh horizons. The digital model provided 90% fidelity of the lithologic and calculated data.
For the first time, there is a complex neural-net-based technique for interpreting seismic data and well log measurements combining a petrophysical component model and an adaptive procedure for predicting lithologic and capacity properties of Botuoba, Khamaki and Talakh horizons in the interwell space. It demonstrates the 70.90% fidelity of the outcome predicted values of the effective reservoir thicknesses in the local sectoral geological. The synergetic effect of consolidated application of both simulators originally enabled solving an inverse problem of forecasting the sandy-and-clay reservoirs down to the 2 km depths with fidelity more than 0,7.
Keywords: field, deposit, geological model, gas, fault, studies.
References
1. RYZHOV, A.Ye. Types and properties of the clastic Vendian reservoirs of Chayandinskoe NGKM [Tipy i svoystva terrigennykh kollektorov venda Chayandinskogo mestorozhdeniya]. Vesti Gazovoy Nauki: collected scientific technical papers. Moscow: Gazprom VNIIGAZ LLC, 2013, no. 1 (12): Actual problems of studies of hydrocarbon field bedded systems, pp. 145-160. ISSN 2306-8949. (Russ.).
2. RYZHOV, A.Ye., N.V. SAVCHENKO, T.A. PERUNOVA, et al. Influence of pore volume structure of Chayanda field reservoirs on their filtration characteristics [Vliyaniye osobennostey stroyeniya porovogo prostranstva kollektorov Chayandinskogo NGKM na ikh filtratsionnyye kharakteristiki]. In: Global reserves and resources of gas and advanced technologies for their development [Mirovyye resursy i zapasy gaza i perspektivnyye tekhnologii ikh osvoyeniya]: proc. of the 2nd International sci.-practical conf., 28-29 October 2009. Moscow: Gazprom VNIIGAZ, 2010, p. 62. (Russ.).
3. SKOROBOGATOV, V.A. Yenisey-Lena megaprovince: generation, disposition and prediction of hydrocarbon fields [Yenisey-Lenskaya megaprovinsiya: formirovaniye, razmeshcheniye i prognozirovaniye mestorozhdeniy uglevodorodov]. Geologiya Nefti i Gaza, 2017, no. 3, pp. 3-17, ISSN 0016-7894. (Russ.).
4. POLYAKOV, Ye.Ye., Ye.A. FEDOROVA, V.V. STREKOZIN, et al. Solving scientific tasks at calculation of hydrocarbon reserves in Astrakhan gas-condensate field [Resheniye nauchnykh problem pri podschete zapasov uglevodorodov Astrakhanskogo gazokondensatnogo mestorozhdeniya]. Vesti Gazovoy Nauki: collected scientific technical papers. Moscow: Gazprom VNIIGAZ, 2017, no. 3 (31): Issues for resource provision of gas-extractive regions of Russia, pp. 141-150. ISSN 2306-9849. (Russ.).
5. POLYAKOV, Ye.Ye., Ye.A. PYLEV, I.V. CHURIKOVA, et al. Productivity of complex terrigenous Vendian reservoirs of Chayanda field depending on lithological-petrophysical properties and geological-engineering conditions of deposit uncapping [Produktivnost slozhnopostroyennykh terrigennykh kollektorov venda Chayandinskogo mestorozhdeniya v zavisimosti ot litologo-petrofi zicheskikh svoistv i geologo-tekhnicheskikh usloviy vskrytiya otlozheniy]. Territoriya neftegaz. 2017, no. 12, pp. 22-32. ISSN 2072-2745. (Russ.).
6. POLYAKOV, Ye.Ye., I.V. CHURIKOVA, Ye.A. PYLEV, et al. Issues of well-log-based determination of permeability factors for complex-structured Vendian reservoirs of Chayanda field during a stage of production drilling [Problemy opredeleniya koyeffitsiyenta pronitsayemosti po GIS dlya slozhnopostroyennykh kollektorov vendskogo vozrasta Chayandinskogo mestorozhdeniya na etape ekspluatatsionnogo bureniya]. Territoriya Neftegaz. 2018, no. 10, pp. 30-41. ISSN 2072-2745. (Russ.).
7. CHURIKOVA, I.V., Ye.A. PYLEV, Ye.O. SEMENOV, et al. Distribution and properties of saline Vendian reservoirs belonging to Chayanda oil-gas-condensate field [Osobennosti rasprostraneniya i svoystva zasolonennykh kollektorov venda Chayandinskogo neftegazokondensatnogo mestorozhdeniya]. Vesti Gazovoy Nauki: collected scientific technical papers. Moscow: Gazprom VNIIGAZ, 2019, no. 4 (41): Issues for resource provision of gas-extractive regions of Russia, pp. 153-163. ISSN 2306-9849. (Russ.).
8. CHURIKOV, Yu.M. Consistent patterns for depth variation of statistical estimations of filtration and porosity at Vendian deposits of the fields included into the "Power of Siberia" gas transportation system [Osnovnyye zakonomernosti izmeneniya statisticheskikh otsenok filtratsionno-yemkostnykh svoystv vendskikh otlozheniy po glubine zaleganiya dlya mestorozhdeniy, vkhodyashchikh v gazotransportnuyu sistemu "Sila Sibiri"]. Vesti Gazovoy Nauki: collected scientific technical papers. Moscow: Gazprom VNIIGAZ, 2019, no. 4 (41): Issues for resource provision of gas-extractive regions of Russia, pp. 91-105. ISSN 2306-9849. (Russ.).
9. CHURIKOVA, I.V., Ye.A. PYLEV, Ye.Ye. POLYAKOV, et al. Graded determination of porosity and permeability properties for heterogeneous Vendian reservoirs at Eastern Siberia according to well logging data. Cases of Chayanda and Kovykta fields [Differentsirovannoye opredeleniye filtratsionno-yemkostnykh svoystv neodnorodnykh kollektorov vendskikh otlozheniy Vostochnoy Sibiri po dannym geofizicheskikh issledovaniy skvazhin (na primere Chayandinskogo i Kovyktinskogo mestorozhdeniy)]. Vesti Gazovoy Nauki: collected scientific technical papers. Moscow: Gazprom VNIIGAZ LLC, 2021, no. 3(48): Issues for resource provision of gas-extractive regions of Russia, pp. 127-140. ISSN 2306-8949. (Russ.).
10. PINCHUK, A.V., Ye.A. PYLEV, Ye.Ye. POLYAKOV, et al. Optimisation of cluster drilling based on integrated seismic attributes and well log data analysis using neural network algorithms: Chayandinsky oil and gas condensate field [Optimizatsiya kustovogo bureniya na Chayandinskom neftegazokondensatnom mestorozhdenii po dannym sovmestnogo analiza seysmicheskikh atributov i GIS s primeneniyem algoritmov neyronnykh setey]. Geologiya Nefti i Gaza, 2022, no. 2, pp. 17- 30, ISSN 0016-7894. (Russ.). DOI: 10.31087/0016-78942022-2-17-30
11. REZVANOV, R.A. Radioactive and other nonelectric methods of well testing [Radioaktivnyye i drugiye neelektricheskiye metody issledovaniya skvazhin]. Moscow: Nedra, 1982.
12. PETERSILYE, V.I., V.I. POROSKUN, G.G. YATSENKO (eds.). Methodical recommendations for volumetric calculation of geological oil and gas reserves [Metodicheskiye rekomendatsii po podschetu geologicheskikh zapasov nefti i gaza obyemnym metodom]. Moscow: All-Russian Research Geological Oil Institute & Tver, Russia: Tvergeofizika, 2003. (Russ.).
13. TETKO, I.V. Introduction to associative neural networks. Journal of Chemical Information and Computer Sciences, 2002, no. 42, pp. 717-728, ISSN 0095-2338. DOI: 10.1021/ci010379o.
14. TETKO, I.V.Associative neural network. Neural Processing Letters,2002, no. 16, pp. 187-199, ISSN 1370-4621. DOI: 10.1023/A: 1019903710291.
15. GAO, J., W. FAN, J. HAN. On the power of ensemble: Supervised and unsupervised methods reconciled. In: SIAM Data Mining Conference, 2010. https://hanj.cs.illinois.edu/pdf/sdm10_jgao.pdf
16. ZHOU, Y., S. GOLDMAN. Democratic co-learning. In: 16th IEEE International Conference on Tools with Artificial Intelligence, 2004. https://ieeexplore.ieee.org/document/1374241
17. GUILLAUMIN, M., J. VERBEEK, C. SCHMID. Multimodal semi-supervised learning for image classification. In: IEEE Conference on Computer Vision and Pattern Recognition, 2010. https://lear.inrialpes.fr/ pubs/2010/GVS10/GVS10.pdf
