Практичний зміст елементів петрофізичної моделі теригенних пісковиків-колекторів нафти і газу в методах нейронних мереж, глибинного навчання та регресії

Cергій Вижва; Андрій Гожик; Олексанр Шабатура; Віктор Онищук; Дмитро Онищук; Іван Онищук

doi:10.24028/gj.v47i3.309312

Автор(и)

Cергій Вижва Київський національний університет імені Тараса Шевченка, ННІ «Інститут геології», Київ, Україна, Україна
Андрій Гожик Київський національний університет імені Тараса Шевченка, ННІ «Інститут геології», Київ, Україна, Україна
Олексанр Шабатура Київський національний університет імені Тараса Шевченка, ННІ «Інститут геології», Київ, Україна, Україна
Віктор Онищук Київський національний університет імені Тараса Шевченка, ННІ «Інститут геології», Київ, Україна, Україна
Дмитро Онищук Київський національний університет імені Тараса Шевченка, ННІ «Інститут геології», Київ, Україна, Україна
Іван Онищук Київський національний університет імені Тараса Шевченка, ННІ «Інститут геології», Київ, Україна, Україна

DOI:

https://doi.org/10.24028/gj.v47i3.309312

Ключові слова:

петрофізика, теригенні колектори нафти і газу, множинна регресія, машинне навчання, нейронні мережі

Анотація

Важливою проблемою в пошуках нафтогазових родовищ є здатність прогнозувати ключові петрофізичні властивості, такі як пористість, проникність та ін. Поряд із традиційним регресійним аналізом все більшого поширення набувають нейромережеві методи та технології глибинного навчання. Всі вони потребують перевірки ефективності петрофізичної моделі, тобто здатності правильно та із найменшими похибками передбачати шукану величину за обраними сукупностями незалежних петрофізичних даних.

Об’єктом вивчення були зразки нижньокарбонових пісковиків глибоких горизонтів (інтервал 4931—5879 м) із 14 свердловин перспективних формацій північно-західної частини Дніпровсько-Донецької западини (Бакумівська, Зорківська, Волошківська, Комишнянська, Червонозаводська, Луценківська, Пісківська та Червонолуцька площі). Незалежними пошуковими ознаками виступали дев’ять родин геолого-петрофізичних характеристик, для яких отримано ефективні апроксимації множинної регресії, а також встановлено їх інформативну вагу. Всього отримано 38 емпіричних регресійних рівнянь, які можна використати для прогнозу ключових колекторських характеристик теригенних порід-колекторів (ефективної пористості, проникності, залишкового водонасичення тощо).

Коефіцієнт залишкового водонасичення та ефективна пористість традиційно ефективно прогнозуються найпростішою лінійною регресійною моделлю за допомогою петрогустиних, петроелектричних, петрошвидкісних та геохімічних ознак. Карбонатні і структурні ознаки можуть бути використані лише в кусково-лінійній регресійній моделі прогнозування коефіцієнта залишкового водонасичення. Всі зазначені регресійні рівняння зазвичай мають незначні похибки.

Практичний аналіз поведінки ознак складу вказує на важливість використання оксидів Na2O, TiO2 та Fe2O3, які швидше за все передають вплив мінералізованих розчинів, хімічного складу агрегату цементу та плівок на поверхні слюдистих мінералів — сидериту, оксидів-гідроксидів заліза та рудного мінералу.

Три родини ознак у прогнозній моделі коефіцієнта залишкового водонасичення: петрогустинні, вмісту карбонатів та структурні, дають близьке значення критичної точки прогнозного відклику (kз.в=0,39), яке, імовірно, є критеріальним для даних теригенних колекторів, оскільки це значення вказує на межу впливу умовно-з’вязаної води.

Авторами сформовано регресійні залежності в усіх обраних моделях між усіма родинами ознак і коефіцієнтом проникності. Встановлено, що в разі застосування нелінійної регресійної моделі значно підвищується рівень її достовірності порівняно з достовірністю традиційних лінійних моделей. Наприклад, геохімічні показники-предиктори у лінійній регресійній моделі прогнозу ефективної пористості мають невисоку, на межі статистичної достовірності, величину поясненої дисперсії (75 %). Водночас SVM забезпечує надійну кореляцію геохімічних ознак і проникності на рівні 90 %; при цьому встановлено активну роль SiO2, натрію та хлору.

Всі реалізації лінійних регресійних моделей параметра пористості в пластових умовах та частки надкапілярних пор у загальному обсязі пустот несуть підвищені і/або високі похибки моделювання, за винятком родини петроелектричних й геохімічних ознак.

Попередні результати показали, що нейромережеві методи і методи глибинного навчання перевершують традиційний регресійний аналіз з точки зору точності прогнозування, вони можуть ефективно справлятися з невизначеністю в результатах випробувань, що робить його одним із найефективніших інструментів для петрофізичного моделювання і прогнозування.

Посилання

Bezrodna, I., & Shynkarenko, A. (2015). Estimation of void space structure of zarichna area poor-porous rocks based on petrophysical and geophysical studies. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 2(69), 53—58. https://doi.org/10.17721/1728-2713. 69.08.53-58 (in Ukrainian).

Vyzhva, S., & Bezrodna, I. (2016). Determination of the void space structure of complex rocks using the petroacoustic studies data from the semyrenkivska area. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 3(74), 11—17. https://doi.org/10.17721/1728-2713.74.02 (in Ukrainian).

Vyzhva, S.A., Bezrodna, I.M., & Kozionova, O.O. (2012). Analysis of the capacitive properties of carbonate rocks of the Lower Carboniferous of the Rudenkivsko-Proletarskaya NGR based on the results of GDS and petrophysics. In Collection of scientific works «Theoretical and applied aspects of geoinformatics» (pp. 16á27) (in Ukrainian).

Vyzhva, S., Onyshchuk, V., Onyshchuk, І., Reva, М., & Shabatura, О. (2022а). Electric and elastic properties of deep-seated consolidated rocks of carboniferous period of the central graben of the Dnieper-Donetsk Depression. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 2(97), 29—38. https://doi.org/10.17721/1728-2713.97.04 (in Ukrainian).

Vyzhva, S., Onyshchuk, V., Onyshchuk, І., Reva, М., & Shabatura, О. (2023). Electric and elastic properties of consolidated terrigenous rocks of Cambrian period of the southern slope of the Lviv palaeozoic trough. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 2(101), 15—24. https://doi.org/10.17721/ 1728-2713.101.02 (in Ukrainian).

Vyzhva, S., Onyshchuk, V., Onyshchuk, I., Reva, M., & Shabatura, O. (2022б). Reservoir properties of deep-seated consolidated rocks of carboniferous period of the central graben of the Dnieper-Donetsk Depression. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 1(96), 11—19. https://doi.org/10. 17721/1728-2713.96.02 (in Ukrainian).

Vyzhva, S., Onyshchuk, V., Onyshchuk, I., Reva, M., & Shabatura, O. (2022в). Reservoir properties of consolidated terrigenous rocks of cambrian period of the eastern slope of the lviv paleozoic depression. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 3(98), 33—41. https://doi.org/10.17721/1728-2713.98.04 (in Ukrainian).

Vyzhva, S., Onyshchuk, V., Onyshchuk, I., Reva, M., & Shabatura, О. (2021а). Porosity and permeability properties of consolidated rocks of the northern near edge zone of the dnieper-donetsk depression. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 3(94), 37—45. https://doi.org/10.17721/1728-2713.94. 04 (in Ukrainian).

Vyzhva, S., Onyshchuk, V., Orlyuk, М., Onyshchuk, І., Reva, М., & Shabatura, О. (2021б). Electric and elastic parameters of carbonic period terrigenous rocks of the eastern part of the northern edge of the dnieper-donets depression. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 4(95), 25—33. https://doi.org/10.17721/1728-2713.95.03 (in Ukrainian).

Vyzhva, S., Shynkarenko, A., Bezrodna, I., Shchurov, I., Gafych, I., & Solodkyi, I. (2017). Influence of variable pressure on acoustic and volumetric properties of terrigenous reservoir rocks (on the example of semyrenkivska area samples). Visnyk of Taras Shevchenko National University of Kyiv. Geology, 1(76), 19—26. https://doi.org/10.17721/1728-2713.76.03 (in Ukrainian).

Sobol, V., & Karpenko, O. (2025). A new model of permeability of terrigenous granular reservoirs on the example of turney deposits of yablunivske oil and gas condensate field of the dnieper-donets basin. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 1(92), 61—66. https://doi.org/10.17721/1728-2713.92.09 (in Ukrainian).

Shynkarenko, А. (2018). Modern approaches to determine the permeability of reservoir rocks based on the results of geophysical investigations. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 3(82), 45—54. https://doi.org/10.17721/17282713.82.06 (in Ukrainian).

Al-Anazi, A., & Gates, I.D. (2010). Support-vector regression for permeability predictionin a heterogeneous reservoir: a comparative study. SPE Reservoir Evaluation & Engineering, 13, 485—495. http://doi.org/10.2118/126339-PA.

Al-Anazi, A.F., & Gates, I.D. (2012). Support vector regression to predict porosity and permeability: Effect of sample size. Computers & Geosciences, 39, 64—76. https://doi.org/10.1016/j.cageo.2011.06.011.

Al-Bulushi, N., Araujo, M., & Kraaijveld, M. (2007). Predicting water saturation using artificial neural networks (ANNs). SPWLA Middle East Regional Symposium, Abu Dhabi, UAE, April 2007 (pp. 65—71).

Al-Dousari, M., Garrouch, A.A., & Al-Omair, O. (2016). Investigating the dependence of shear wave velocity on petrophysical parameters. Journal of Petroleum Science and Engineering, 146, 286—296. https://doi.org/10.1016/j.petrol. 2016.04.036.

Alfarraj, M., & AlRegib, G. (2018). Petrophysical property estimation from seismic data using recurrent neural networks. SEG Technical Program Expanded Abstracts 2018. Society of Exploration Geophysicists (pp. 2141—2146). https://doi.org/10.1190/segam2018-2995752.1.

Al-Mudhafar, W. (2014). Using generalized linear regression of multiple attributes for modeling and prediction the formation permeability in sandstone reservoir. Offshore Technology Conference, Houston, Texas, May 2014. https://doi.org/10.4043/25158-MS.

Al-Mudhafar, W., & Rostami, A. (2014). Comparative applied multivariate geostatistical algorithms for formation permeability modeling. SPWLA 20th Formation Evaluation Symposium of Japan, Chiba, Japan, October 2014. https://doi.org/10.13140/2.1.1700.2566.

Aquino-López, A., Mousatov, A., & Markov, M. (2011). Model of sand formations for joint simulation of elastic moduli and electrical conductivity. Journal of Geophysics and Engineering, 8(4), 568—578. https://doi.org/10.1088/1742-2132/8/4/009.

Baziar, S., Tadayoni, M., Nabi-Bidhendi, M., & Khalili, M. (2014). Prediction of permeability in a tight gas reservoir by using three soft computing approaches: A comparative study. Journal of Natural Gas Science and Engineering, 21, 718—724. https://doi.org/10.1016/j.jngse. 2014.09.037.

Ben-Awuah, J., & Padmanabhan, E. (2017). An enhanced approach to predict permeability in reservoir sandstones using artificial neural networks (ANN). Arabian Journal of Geosciences, 10, 173. https://doi.org/10.1007/s12517-017-2955-7.

Benaafi, M., Hariri, M., Al-Shaibani, A., Abdullatif, O., & Makkawi, M. (2018). Integrated geomechanical, petrographical and petrophysical study of the sandstones of the Wajid Group, SW Saudi Arabia. Journal of African Earth Sciences, 143, 162—177. https://doi.org/10.1016/j.jafrearsci.2018.03.011.

Civan, F. (2018). Effect of stress shock and pressurization/depressurization hysteresis on petrophysical properties of naturally-fractured reservoir formations. SPE Western Regional Meeting, Garden Grove, California, USA, April 2018. https://doi.org/10.2118/190081-MS.

El Sharawy, M.S., & Nabawy, B.S. (2018). Determining the porosity exponent m and lithology factor a for sandstones and their control by overburden pressure: A case study from the Gulf of Suez, Egypt. AAPG Bulletin, 102, 1893—1910. https://doi.org/10.1306/ 03141817262.

Feng, X., & Jimenez, R. (2014). Bayesian prediction of elastic modulus of intact rocks using their uniaxial compressive strength. Engineering Geology, 173, 32—40, https://doi.org/10.1016/j.enggeo.2014.02.005.

Goldberg, I., & Gurevich, B. (1998). A semi-em-

pirical velocity-porosity-clay model for petrophysical interpretation of P- and S-velocities. Geophysical Prospecting, 46, 271—285. https://doi.org/10.1046/j.1365-2478.1998.00095.x.

Han, T., Best, A., Sothcott, J., & MacGregor, L. (2011). Pressure effects on the joint elastic-electrical properties of reservoir sandstones. Geophysical Prospecting, 59, 506—517. https://doi.org/10.1111/j.1365-2478.2010.00939.x.

Hawkins, A.B., & McConnell, B.J. (1992). Sensitivity of sandstone strength and deformability to changes in moisture content. Quarterly Journal of Engineering Geology and Hydrogeology, 25(2), 115—130. https://doi.org/10.1144/GSL.QJEG.1992.025.02.05.

Joshi, D., Patidar, A.K., Mishra, A., Agarwal, S., Pandey, A., Dewangan, B.K., & Choudhury, T. (2021). Prediction of sonic log and correlation of lithology by comparing geophysical well log data using machine learning principles. GeoJournal, 88, 47—68. https://doi.org/10.1007/s10708-021-10502-6.

Koesoemadinata, A.P., & McMechan, G.A. (2023). Correlations between seismic parameters, EM parameters, and petrophysical/petrological properties for sandstone and carbonate at low water saturations. Geophysics, 68(3), 870—883. https://doi.org/10.1190/1.1581039.

Lai, J., Wang, G., Cao, J., Xiao, C., Wang, S., Pang, X., Dai, Q., He, Z., Fan, X., Yang, L., & Qin, Z. (2018). Investigation of pore structure and petrophysical property in tight sandstones. Marine and Petroleum Geology, 91, 179—189. https://doi.org/10.1016/j.marpetgeo.2017. 12.024.

Lala, A.M.S., & El-Sayed, N.A.A. (2015). Effect of pore framework and radius of pore throats on permeability estimation. Journal of African Earth Sciences, 110, 64—74. https://doi.org/10.1016/j.jafrearsci.2015.05.019.

Stück, H., Koch, R., & Siegesmund, S. (2012). Petrographical and petrophysical properties of sandstones: Statistical analysis as an approach to predict material behaviour and construction suitability. Environmental Earth Sciences, 9. https://doi.org/10.1007/s12665-012-2008-1.

Török, Á., & Vásárhelyi, B. (2010). The influence of fabric and water content on selected rock mechanical parameters of travertine, examples from Hungary. Engineering Geology, 115, 237—245. https://doi.org/10.1016/j.enggeo.2010.01.005.

Vásárhelyi, B. (2005). Statistical Analysis of the Influence of Water Content on the Strength of the Miocene Limestone. Rock Mechanics and Rock Engineering, 38(1), 69—76. https://doi.org/10.1007/s00603-004-0034-3.

Wang, H., Kou, Z., Bagdonas, D.A., Phillips, E.H.W.,

Alvarado, V., Johnson, A.C., Jiao, Z., McLaughlin, J.F., & Quillinan, S.A. (2022). Multiscale petrophysical characterization and flow unit classification of the Minnelusa eolian sandstones. Journal of Hydrology, 607, 127466. https://doi.org/10.1016/j.jhydrol. 2022.127466.

Wang, M., Liu, W., Liu, H., Xie, T., Wang, Q., & Xu, W. (2024). Comparative study on convolutional neural network and regression analysis to evaluate uniaxial compressive strength of Sandy Dolomite. Scientific Report, 14, 9880. https://doi.org/10.1038/s41598-024-60085-8.

Zhao, X., Chen, X., Huang, Q., Lan, Z., Wang, X., & Yao, G. (2022). Logging-data-driven permeability prediction in low-permeable sandstones based on machine learning with pattern visualization: a case study in Wenchang A Sag, Pearl River Mouth Basin. Journal of Petroleum Science and Engineering, 214, 110517. https://doi.org/10.1016/j.petrol.2022.110517.