CC BY
0
ГЕОЛОГИЯ
РСН: 10.24412/2076-6785-2024-9-10-14 УДК 552.086:550.81 I Научная статья
Прогноз классов порового пространства пород нижнеберезовской подсвиты как одного из критериев локализации перспективных для разработки участков
Кантемиров Ю.Д., Калабин А.А.
ООО «Тюменский нефтяной научный центр» (ОГ ПАО «НК «Роснефть»), Тюмень, Россия [email protected]
Аннотация
Класс порового пространства является одним из ключевых критериев оценки качества нетрадиционных пород-коллекторов нижнеберезовской подсвиты. В работе рассматривается классификация типов порового пространства пород, изученных методами растровой электронной микроскопии. Привлечение нейросетевого моделирования позволило выполнить площадной прогноз классов порового пространства на основе карт параметров, минерального состава пород, палеорельефа и современных глубин залегания изучаемых пород. Полученные результаты были использованы в рамках локализации зон повышенных перспектив в пределах отдельных месторождений, расположенных на территории Западной Сибири.
Материалы и методы
Цифровые исследования структуры порового пространства методом ФИП/РЭМ, применение машинного обучения для прогноза классов порового пространства по результатам интерпретации данных геофизических исследований скважин и картам параметров.
Ключевые слова
геофизические исследования скважин, цифровые исследования керна, поровое пространство, прогноз, нейронная сеть, карта, нижнеберезовская подсвита
Для цитирования
Кантемиров Ю.Д., Калабин А.А. Прогноз классов порового пространства пород нижнеберезовской подсвиты как одного из критериев локализации перспективных для разработки участков // Экспозиция Нефть Газ. 2024. № 9. С. 10-14. ОС!: 10.24412/2076-6785-2024-9-10-14
Поступила в редакцию: 28.10.2024
GEOLOGY
UDC 552.086:550.81 I Original Paper
Prediction of pore space classes of rocks of lower berezovskaya subsuite as one of the criteria for localization of perspective for development areas
Kantemirov Y.D., Kalabin A.A.
"Tyumen petroleum research center" LLC ("Rosneft" PJSC Group Company), Tyumen, Russia [email protected]
Abstract
The class of pore space is one of the key criteria for assessing the quality of unconventional reservoir rocks of the lower berezovskaya subsuite. The paper review the classification of the rocks pore space types studied via scanning electron microscopy methods. The use of neural network modeling made it possible to predict the pore space classes based on the parameter maps, rocks mineral composition, paleorelief and modern depths of the studied rocks. The obtained results were used to localize zones of increased prospects within the single fields located in Western Siberia.
Materials and methods
Digital core studies via FIB/SEM method, application of machine learning to pore space classes prediction based on results of well log data interpretation and parameter maps.
Keywords
well logging, digital core studies, pore space, prediction, neural network, map, lower berezovskaya subsuite
For citation
Kantemirov Y.D., Kalabin A.A. Prediction of pore space classes of rocks of lower berezovskaya subsuite as one of the criteria for localization of perspective for development areas. Exposition Oil Gas, 2024, issue 9, P. 10-14. (In Russ). DOI: 10.24412/2076-6785-2024-9-10-14
Received: 28.10.2024
Отложения продуктивных пластов нижне-березовской подсвиты представлены глинисто-кремнистыми, опоковидными породами и относятся к нетрадиционным коллекторам. Глубина залегания пород составляет в среднем 500-1 000 метров, что обуславливает сопоставимость коллекторов и неколлекторов по величине общей пористости. При этом, несмотря на высокие значения пористости (средняя общая пористость коллекторов 31 %), в связи со сложной структурой порового пространства и поликомпонентным минеральным составом (рис. 1), породы нижнеберезовской подсвиты характеризуются ультранизкими значениями проницаемости (средняя абсолютная проницаемость порядка 0,05 мД).
Изучение структуры порового пространства пород нижнеберезовской подсвиты
является одной из ключевых задач разработки комплексной технологии локализации наиболее перспективных участков [1-3].
С целью изучения структуры порового пространства на субмикронном уровне использовался современный метод растровой электронной микроскопии совместно со сфокусированным ионным пучком (ФИП/ РЭМ) [4, 5]. Такие исследования, фактически на нанометровом масштабе, требуют специальной пробоподготовки исследуемого материала, включая шлифовку алмазными дисками, напыление тонкого токопроводящего слоя золота. Для целей изучения структуры порового пространства выполняется построение трехмерной модели образца путем постепенного накопления микротомографий поверхности среза ионным пучком в области интереса (рис. 2, 3).
По результатам комплексного анализа и обобщения данных ФИП/РЭМ были получены следующие типы порового пространства пород нижнеберезовской подсвиты (рис. 4): тип 1 — трещиноподобный (канальный); тип 2 — губчатый; тип 3 — игольчатый; тип 4 — ячеистый.
Выявленные в результате исследований на керне типы порового пространства были классифицированы относительно качества коллекторских свойств.
Канальный тип пор характеризуется минимальными значениями эффективной проницаемости. Развитые по канальному типу поры вторичных преобразований незначительно улучшают проницаемость матрицы, но промышленных притоков получить не удастся (только признаки газа) даже в случае развитой естественной трещиноватости
Рис. 2. Поперечное сечение на поверхности аншлифа образца с выбранной областью интереса, обозначенной красным прямоугольником
Fig. 2. Cross-section of the sample polished section with the selected area of interest indicated by the red rectangle
Рис. 1. Пример определения минерального состава аншлифа мини-образца (3 мм) породы нижнеберезовской подсвиты методом РЭМ с микрорентгеноспектральным анализом Fig. 1. An example of mineral composition determining of a polished section of mini-sample (3 mm) of a rock of the lower berezovskaya subsuite using SEM method with micro-X-ray spectral analysis
Рис. 3. Пример трехмерной визуализации структуры образца на мезомасштабе по данным ФИП/РЭМ Fig. 3. Example of 3D visualization of the sample structure at the mesoscale based on FIB/SEM data
породы. Губчатый тип пор представлен большим количеством мелких пор, преимущественно связанных между собой. На фоне развитых по данному типу пор вторичных преобразований (игольчатый и ячеистый типы), а также при условии широко развитой естественной трещиноватости коллектор характеризуется максимальными перспективами.
Согласно выполненному анализу продуктивности скважин [1], замеров эффективной проницаемости по типам порового пространства и данных 3й-моделей строения микрообразцов принята следующая классификация порового пространства относительно ожидаемой продуктивности резервуара:
• Класс 1 — Отсутствие эффективной проницаемости (Кпрэф). Класс включает тре-щиноподобный (канальный) тип порового пространства;
• Класс 2 — Низкие значения Кпрэф. Класс включает трещиноподобный (канальный) тип + развиты игольчатый или ячеистый типы пор вторичных преобразований;
• Класс 3 — Средние значения Кпрэф. Класс включает губчатый тип пор;
• Класс 4 — Высокие значения Кпрэф. Класс включает губчатый тип порово-го пространства + развиты игольчатый или ячеистый типы пор вторичных преобразований.
Отметим, что только классы 2, 3 и 4 характеризуют горную породу нижнеберезов-ской подсвиты как коллектор, в то время как
породы, относящиеся к классу 1, фактически являются неколлекторами.
По результатам исследований методом ФИП/РЭМ в специализированный программный продукт для обработки данных керна и ГИС были загружены классы порового пространства по 108 образцам.
Для целей прогноза классов порового пространства по данным интерпретации ГИС (минеральный состав, ФЕС) был привлечен функционал нейронных сетей.
Примененный алгоритм включал в себя следующие основные этапы:
• формирование обучающей и тестовой выборки по данным изучения образцов керна;
• обучение нейронной сети (классификация данных), верификация на тестовой выборке;
• применение обученной нейронной сети на скважинных данных;
• применение обученной нейронной сети на уровне карт — площадной прогноз классов порового пространства.
Для расширения выборки образцы с исследованным классом порового пространства сопоставлялись с ближайшими образцами (в пределах ± 1 м), где были проведены исследования минерального состава по РСА, а также определены ФЕС. Итоговая выборка составила 178 образцов с определенными по данным исследований на керне классом порового пространства, минеральным составом и ФЕС.
Итоговая выборка была разделена случайным образом на две:
1. 70 % выборки (121 пример) для обучения нейронной сети;
2. 30 % выборки (57 примеров) для тестирования обученной модели.
В качестве входных данных были использованы параметры, оказывающие определяющее влияние на формирование того или иного класса пор согласно принятой концептуальной модели: весовое содержание минералов (кварц, опал, глины), коэффициент общей пористости, значения абсолютных глубин современного уровня залегания пород, палеоплан кровли кузнецовской свиты на время формирования отложений нижне-березовской подсвиты.
Настройка нейронной сети выполнялась на данных всего интервала нижнеберезов-ской подсвиты, совместно для пластов НБ4, НБ3, НБ2, НБ1.
В таблице 1 приведена статистика по прогнозируемым классам.
Эффективность настройки алгоритмов определялась на основании параметра F1, являющегося гармоническим средним между точностью (Precision) и полнотой (Recall) [6].
Precision -
TP
Recall =
TP + FP
TP ' TP+ FV
(1)
(2)
где ТР — истинно-положительное решение, TN — истинно-отрицательное решение, FP — ложно-положительное решение, FN — ложно-отрицательное решение.
Точность характеризует долю правильных предсказаний класса, выполненных сетью, относительно всех предсказаний, которые сеть отнесла к данному классу. Полнота, в свою очередь, связывает долю правильных предсказаний класса, выполненных сетью, относительно всех примеров класса, представленных в тестовой выборке. В таблице 2 представлена статистика по классам тестовой выборки.
Таким образом, параметр F1 считается по следующей формуле:
2 х Точность х Полнота ,
=-. (3)
Точность + Полнота
Далее находятся весовые коэффициенты каждой строки, взвешенные на сумму значений всех строк. Средневзвешенное значение F1 определяется по формуле:
Рис. 4. Типы порового пространства пород нижнеберезовской подсвиты по данным ФИП/РЭМ
Fig. 4. Pore space types of rocks of the lower berezovskaya subsuite according to FIB/SEM data
Табл. 1. Статистика по прогнозируемым классам массива данных обучающей выборки Tab. 1. Statistics for predicted classes of the training data set
Класс
Индекс 1 2 3 4
Количество примеров 77 16 11 17
Статистика Среднее Дисперсия Среднее Дисперсия Среднее Дисперсия Среднее Дисперсия
Доля опала, д. ед. 0,3978 0,0897 0,5579 0,021 0,3342 0,019 0,2734 0,0934
Доля кварца, д. ед. 0,2134 0,0251 0,1501 0,0075 0,4329 0,019 0,4354 0,0964
Доля глин, д. ед. 0,2134 0,0105 0,1841 0,0058 0,1292 0,0012 0,1696 0,0028
Пористость, д. ед. 0,2856 0,0014 0,3352 0,0011 0,333 0,0016 0,2831 0,0071
АО, м 827,6 18 290 772,3 25 579,1 909,5 1 667,6 851,3 17 139,2
Палеоплан, м 90,4 171,8 84,8 294,7 95,1 23,2 78,5 234,9
= , (4)
где F1. — среднеарифметическое значение параметра F1 каждой строки, X. — весовой
коэффициент. Так, на тестовой выборке средневзвешенное значение параметра Л = 0,86, что говорит о высокой степени достоверности прогнозируемых классов порового пространства по данным нейронной сети.
Итоги
Нейронная сеть, обученная на результатах лабораторных исследований керна, позволила выполнить прогноз классов порового пространства в разрезе скважин по результатам интерпретации данных ГИС. Использование нейронной сети на уровне карт позволило получить площадной прогноз классов порового пространства пород нижнеберезовской подсвиты и ранжировать территории рассматриваемых участков относительно потенциальной продуктивности резервуара.
Важно отметить, что карты дают характеристику по преобладающему классу в каждой точке площади, в то время как прогноз по данным ГИС показывает детальное распределение классов по разрезу. В рамках ранжирования изучаемых территорий по степени их перспективности наибольший интерес представляют зоны преобладающих классов порового пространства 3 и 4. Анализ результирующих карт ранжирования, данных испытаний и опробований геофизическими приборами ГДК/ОПК позволяет сделать заключение о высокой достоверности полученных результатов и показывает хорошую связь прогнозируемых классов порового пространства с полученными результатами испытаний/опробований. В зонах, где отмечается преимущественное развитие классов 3 и 4 в интервале пород нижнеберезовской под-свиты, были получены притоки газа. При этом в зонах, где преобладают классы 1 и 2 (отсутствие Кпр эф), по результатам опробований получены либо признаки газопроявлений, либо полное отсутствие притока. Ранжирование относительно преобладающего класса порового пространства приведено на примере пласта нижнеберезовской подсвиты одного из лицензионных участков, где в условиях близких ФЕС по одной из скважин был получен устойчивый приток газа, по второй — признаки газопроявлений (рис. 5). Площадной прогноз распределения преобладающих классов порового пространства обосновывает полученные результаты опробований и позволяет локализовать зоны улучшенных фильтрационных свойств и зоны повышенных рисков.
Выводы
Метод ФИП/РЭМ является одним из современных и высокотехнологичных методов изучения керна. Использование ФИП/РЭМ позволило определить и классифицировать типы порового пространства пород. Структура порового пространства является одной из важнейших характеристик резервуара, влияющей на уровень притоков газа и успешность разработки отложений нижне-березовской подсвиты. Наилучшее качество коллектора (перспективы) приурочено к порам вторичных преобразований ОКТ (опал, кристобалит, тридимит) фазы, развитым по губчатому типу пор.
Использование нейронной сети позволило выполнить площадной прогноз классов порового пространства (исходя из величин эффективной проницаемости) и, совместно с данными прогноза интенсивности трещинной составляющей, локализовать зоны высоких перспектив, а также обосновать
Табл. 2. Сопоставление фактических данных и результатов прогноза по данным тестовой выборки (матрица ошибок)
Tab. 2. Comparison of actual data and prediction results based on testing data set (confusion matrix)
Предсказание (по данным нейронной сети)
Класс 1 Класс 2 Класс 3 Класс 4
Истина (керн) Класс 1 27 0 3 1
Класс 2 2 5 0 0
Класс 3 0 0 6 0
Класс 4 2 0 0 11
Рис. 5. Ранжирование территории лицензионного участка относительно критерия потенциальной эффективности резервуара
Fig. 5. License area territory ranking in relation to the criterion of potential reservoir efficiency
отрицательные результаты испытаний, полученные в зонах высоких значений ФЕС коллекторов.
Обученная нейронная сеть была использована для ранжирования относительно качества коллектора локальных участков и регионального проекта, охватывающего всю территорию Западной Сибири.
Литература
1. Гордеев А.О., Дорошенко А.А., Осипов С.В. Обзор результатов испытаний пластов березовской свиты на территории Западной Сибири // Нефтяное хозяйство. 2024. № 4. С. 84-89.
2. Закоулова И.О., Ошняков И.О.
Влияние структуры порового пространства на фильтрационно-емкостные свойства опоковидных отложений березовской свиты // Вестник Академии наук Республики Башкортостан. 2021. Т. 38. № 1. С. 13-21.
3. Климова Е.С., Чертина К.Н., Александров М.А., Соловьева А.В., Аржиловская Н.Н. Типизация глинисто-кремнистых отложений березовской свиты (на примере скважин Харампурского месторождения) // Литосфера. 2023. № 23. С. 197-208.
4. Ошняков И.О., Митрофанов Д.А., Гордеев А.О. и др. Цифровые
мультимасштабные исследования керна нетрадиционных глинисто-кремнистых пород березовской свиты // Каротажник. 2022. № 6. С. 141-153.
5. Шкловер В.Я., Казанский П.Р., Артемов Н.А., Марясев И.Г. Исследование морфологии
и кристаллической структуры природных кремнеземов методами электронной микроскопии и электронографии // Кристаллография. 2021. Т. 66. № 4. С. 626-635.
6. Van Rijsbergen C.J. Information Retrieval. London: Butterworths, 1979, 153 p. (In Eng).
ENGLISH
Results
A neural network trained on the results of laboratory core studies made it possible to predict the pore space classes in the well section based on the interpretation of well logging data.
Using a neural network at the map level made it possible to obtain an area forecast of the pore space classes of the lower berezovskaya subsuite and rank the territories of the areas relative to the potential productivity of the reservoir.
It is important to note that the maps provide a characteristic for the predominant class at each point of the area, while the forecast based on well logging data shows a detailed distribution of classes across the section. In the context of ranking studied areas according to their degree of prospects, the zones of predominant pore space classes 3 and 4 have higher interest.
Analysis of the resulting ranking maps, formation test and sampling data obtained by production logging allows us to conclude that the results are highly reliable and show a good relationship between the predicted pore space classes and the test/sampling results. In the zones of predominant development of classes 3 and 4 in the interval of rocks of the lower berezovskaya subsuite, gas inflows were obtained. At the same time, in the zones where class 1 and 2 prevail (absence of effective permeability), according to the results of formation sampling, either signs of gas shows or a complete absence of inflow were obtained.
The ranking relative to the predominant class of pore space is given on the example of the formation of the lower berezovskaya subsuite of one
of the license areas, where, under conditions of relatively equal reservoir properties, a stable gas inflow was obtained in one of the wells, and signs of gas shows in the second (fig. 5). The areal forecast of the distribution of predominant classes of pore space explains the obtained sampling results and allows localizing zones of improved filtration properties and zones of increased risks.
Conclusions
The FIB/SEM method is one of the modern and high-tech methods of core study. The use of FIB/SEM allowed us to determine and classify the types of pore space of rocks. The structure of the pore space is one of the most important characteristics of the reservoir, affecting the level of gas inflows and the success of the development of deposits of the lower berezovskaya subsuite. The best quality of the reservoir (prospects) is confined to the pores of secondary transformations of the OCT (opal, cristobalite, tridymite) phase, developed according to the spongy-like type of pores.
The use of a neural network allowed us to perform an areal forecast of pore space classes (based on the values of effective permeability) and, together with the forecast data for the intensity of the fracture component, to localize high-prospect zones, as well as to substantiate the negative formation test results obtained in zones of high reservoir properties. The trained neural network was used to rank local areas and a regional project covering the entire territory of Western Siberia relative to the quality of the reservoir.
References
1. Gordeev A.O., Doroshenko A.A., Osipov S.V. Reviewing the results of testing the Berezovskaya Formation reservoirs
in Western Siberia. Oil Industry, 2024, issue 4, P. 84-89. (In Russ).
2. Zakoulova I.O., Oshnyakov I.O. Influence of the pore space structure on the reservoir properties in opoka-like deposits of the berezovo formation. Herald of the Academy of sciences of the Republic
of Bashkortostan, 2021, Vol. 38, issue 1, P. 13-21. (In Russ).
3. Klimova E.S., Chertina K.N., Alexandrov M.A., Solovieva A.V., Arzhilovskaya N.N. Typification of clay-siliceous deposits of the Berezovskaya formation (on the example
of wells of the Kharampurskoye field). Lithosphere, 2023, issue 23, P. 197-208. (In Russ).
4. Oshnyakov I.O., Mitrofanov D.A., Gordeev A.O. et al. Multiscale core analyses
on unconventional argillaceous-siliceous rocks of berezovskaya suite. Karotazhnik, 2022, issue 6, P. 141-153. (In Russ).
5. ShkloverV.Ya., Kazanskii P.R., Artemov N.A., Maryasev I.G. Electron microscopy and electron diffraction studies of morphology and crystal structure of natural silicas. Crystallography, 2021, Vol. 66, issue 4,
P. 626-635. (In Russ).
6. Van Rijsbergen C.J. Information Retrieval. London: Butterworths, 1979, 153 p. (In Eng).
ИНФОРМАЦИЯ ОБ АВТОРАХ I INFORMATION ABOUT THE AUTHORS
Кантемиров Юлий Дмитриевич, эксперт по петрофизике отдела Kantemirov Yuliy Dmitrievich, petrophysics expert
разработки геофизических проектов, of the department of geophysical project development,
ООО «Тюменский нефтяной научный центр» "Tyumen petroleum research center" LLC
(ОГ ПАО «НК «Роснефть»), Тюмень, Россия ("Rosneft" PJSC Group Company), Tyumen, Russia
Для контактов: [email protected] Corresponding author: [email protected]
Калабин Артемий Александрович, начальник отдела разработки Kalabin Artemiy Alexandrovich, head of the department
геологических проектов, of geological project development,
ООО «Тюменский нефтяной научный центр» "Tyumen petroleum research center" LLC
(ОГ ПАО «НК «Роснефть»), Тюмень, Россия ("Rosneft" PJSC Group Company), Tyumen, Russia
