Використання нейронних мереж  для вивчення нетрадиційних покладів вуглеводнів  (на прикладі візейських чорних сланців  Дніпровсько-Донецької западини)

В.О. Куртий; О.О. Верпаховська

doi:10.24028/gj.v47i6.341701

Автор(и)

В.О. Куртий Інститут геофізики ім. С.І. Субботіна НАН України, Київ, Україна, Україна
О.О. Верпаховська Інститут геофізики ім. С.І. Субботіна НАН України,Київ,Україна, Україна

DOI:

https://doi.org/10.24028/gj.v47i6.341701

Ключові слова:

нетрадиційні поклади вуглеводнів, Дніпровсько-Донецька западина, петрофізичні властивості порід, вміст органічної речовини, нейронні мережі

Анотація

Представлено результати досліджень глинистих сланців візейського ярусу Дніпровсько-Донецької западини з використанням алгоритму нейронних мереж.

Дніпровсько-Донецька западина є одним із перспективних регіонів України на поклади сланцевого газу. Оскільки для нарощування видобутку вуглеводнів необхідно вишукувати нетрадиційні шляхи, то детальне геолого-геофізичне дослідження порід, що містять сланцевий газ, на сьогодні є важливим та актуальним.

Нафтогазовий потенціал горючих сланців значною мірою визначається вмістом органічної речовини, а саме показником total organic carbon — сумарний органічний вуглець. Для розрахунку загального вмісту органічного вуглецю в багатих на органіку породах з використанням каротажних даних широко використовується метод Пассі (Passey’s method). Авторами запропоновано новий підхід прогнозування вмісту органічної речовини для досліджуваних порід при використанні обмеженого комплексу каротажних даних і вибірки кернового матеріалу, який базується на залученні до досліджень новітніх технологій, а саме алгоритму нейронних мереж. Швидкий розвиток нейронних мереж призвів до їх залучення у геофізичних дослідженнях, особливо при обмеженій кількості вхідних даних. Для дослідження авторами було обрано тришарову нейронну мережу, що дало змогу безпосередньо з’єднувати вхідні дані з вихідними через шари нейронів.

Встановлено, що поєднання методу Пассі із залученням алгоритму нейронних мереж уможливлює прогнозування вмісту органічної речовини в інтервалах глинистих сланців.

Посилання

Kurovets, I.M., Mykhaylov, V.A., Zeykan, O.Yu., Krupskyi, Yu.Z., Hladun, V.V., Chepil, P.M., Huliy, V.M., Kurovets, S.S., Kasyanchuk, S.V., Hrytsyk, I.I., & Naumko, I.M. (2014). Non-traditional sources of hydrocarbons of Ukraine: monograph. In 8 books. Book 1. Non-traditional sources of hydrocarbons: a review of the problem. Kyiv: Nika-center, 208 p. (in Ukrainian).

Kurtyi, V.O., & Verpakhovska, O.O. (2024). Acoustic properties of oil shales of the Lower Visean stage of the Hlyn-Solokhov oil and gas region. Abstracts of the MinGeo Integration XXI conference: From mineralogy and geognosy to geochemistry, petrology, geology and geophysics: fundamental and applied trends of the XXI century (pp. 84—88) (in Ukrainian).

Lukin, A.E. (2011). The nature of shale gas in the context of oil and gas lithology problems. Geology and mineral resources of the World Ocean, (3), 70—86 (in Russian).

Lukin, A.E. (2013). Black shale formations of the euxine type — megatraps of natural gas. Geology and mineral resources of the World Ocean, (43), 5—28 (in Russian).

Gonzalez, J., Lewis, R., Hemingway, J., Grau, J., Rylander, E., & Schmitt, R. (2013). Determination of formation organic carbon content using a new neutron-induced gamma ray spectroscopy service that directly measures carbon. SPWLA 54th Annual Logging Symposium, New Orleans, Louisiana, June 2013 (SPWLA-2013-GG). SPWLA. https://doi.org/10.1190/urtec2013-112.

Haykin, S. (1999). Neural Networks: A Comprehensive Foundation (2nd ed.). Prentice Hall. https://doi.org/10.1142/S0129065794000372.

Iuras, S., Orlyuk, M., Drukarenko, V., Karpyn, V., & Popadynets, T. (2024). New workflow for petrophysical evaluation of Visean unconventional organic rich reservoirs within Dnipro-Donets Depression. Geofizicheskiy Zhurnal, 46(4). https://doi.org/10.24028/gj.v46i4.304092.

Iuras, S., Orlyuk, M., Levoniuk, S., Drukarenko, V. & Kruhlov, B. (2023). Unconventional shale gas potential of Lower Visean organic-rich formations in Glynsko-Solohivskyi petroleum region. Geodynamics, (1), 80—96. https://doi.org/10.23939/jgd2023.01.080.

Mahmoud, A.A.A., Elkatatny, S., Mahmoud, M., Abouelresh, M., Abdulraheem, A., & Ali, A. (2017). Determination of the total organic carbon (TOC) based on conventional well logs using artificial neural network. International Journal of Coal Geology, 179, 72—80. https://doi.org/10.1016/j.coal.2017.05.012.

Misch, D., Wegerer, E., Gross, D., Sachsenhofer, R.F., Rachetti, A., & Gratzer, R. (2018). Mineralogy and facies variations of Devonian and Carboniferous shales in the Ukrainian Dniepr-Donets Basin. Austrian Journal of Earth Sciences, 111(1), 15—25. https://doi.org/10.17738/ajes.2018.0002.

Okrepkyi, O., & Tiapkina, O. (2015). The application of fault seal analysis at the Solokha field, Dnieper-Donets Basin, Ukraine — case studies. Geology, Geophysics & Environment, 41(3), 275—283. https://dx.doi.org/10.7494/geol.2015.41.3.275.

Passey, Q.R., Creaney, S., Kulla, J.B., Moretti, F.J., & Stroud, J.D. (1990). A practical model for organic richness from porosity and resistivity logs. AAPG Bulletin, 74(12), 1777—1794. https://doi.org/10.1306/0C9B25C9-1710-11D7-8645000102C1865D.

Peters, K.E. (1986). Guidelines for evaluating petroleum source rock using programmed pyrolysis. AAPG Bulletin, 70(3), 318—329. https://doi.org/10.1306/94885688-1704-11D7-8645000 102C1865D.

Polat, C., & Eren, T. (2021). Modification of ΔlogR method and Nonlinear Regression Application for Total Organic Carbon Content Estimation from Well Logs. Hittite Journal of Science and Engineering, 8(2), 161—169. https://doi.org/10.17350/HJSE19030000226.

Schmoker, J.W., & Hester, T.C. (1983). Organic carbon in Bakken formation, United States portion of Williston basin. AAPG Bulletin, 67(12), 2165—2174. https://doi.org/10.1306/AD460931-16F7-11D7-8645000102C1865D.

Wang, H., Wu, W., Chen, T., Dong, X., & Wang, G. (2019). An improved neural network for TOC, S1 and S2 estimation based on conventional well logs. Journal of Petroleum Science and Engineering, 176, 664—678. https://doi.org/ 10.1016/j.petrol.2019.01.096.