В настоящее время трудноизвлекаемые запасы углеводородов Западной Сибири в основном сосредоточены в коллекторах сложного строения, представленных сочетанием массивных традиционных коллекторов с интервалами тонкослоистого переслаивания песчаников и глин, прослоями песчаников и алевролитов с повышенной рассеянной глинистостью и коллекторами с частично карбонатизированным пустотным пространством. Методы выделения коллекторов по открытой пористости определяют только массивные традиционные коллекторы, а снижение порогового значения пористости приводит к включению глинистых интервалов. Для выделения коллекторов в подобных отложениях, а также оценки их пористости целесообразно применение ядерно-магнитного каротажа (ЯМК), который позволяет выделить в разрезе все прослои, обладающие эффективной пористостью независимо от типа коллектора. Однако методом ЯМК исследуется, как правило, не более 3 % фонда скважин.
В статье приведены результаты моделирования эффективной пористости с применением нейросетевых моделей. Построены карты прогноза довыделенных эффективных толщин. Средняя по площади месторождения довыделенная эффективная толщина составила примерно 5 м, на отдельных участках – 7-10 м, что свидетельствует о перспективности применения предлагаемой методики. Данная методика интерпретации на основе оценки эффективной пористости по данным ЯМК вместо открытой пористости и нейтронного каротажа позволяет выделять плотные прослои и частично тонкослоистые сильноглинистые низкопроницаемые псевдоколлекторы. Для оценки скважин-кандидатов предложена модель расчета притока в скважину после гидроразрыва пласта из интервалов псевдоколлекторов. Полученные результаты и разработанный подход планируется применять для изучения сложнопостроенного геологического разреза, сформировавшегося в дистальной части морского шельфа и глубоководной морской обстановке осадконакопления.
Список литературы
1. Samuel A.L. Some Studies in Machine Learning Using the Game of Checkers // IBM Journal. – July. – 1959. – P. 210–229. - https://doi.org/10.1147/rd.33.0210
2. Mitchell T.M. Machine Learning. – McGraw-Hill, 1997. – 432 p.
3. Ghareb H., Elsakka A., Chaw Y.N. Artificial Neural Network (ANN) prediction of porosity and water saturation of shaly sandstone reservoirs // Proceedings of 2018 AAPG/EAGE/MGS Myanmar Oil and Gas Conference: A Global Oil and Gas Hotspot: Unleashing the Petroleum Systems Potential, 2018. - https://doi.org/10.1306/51559nyein2019
4. Cvetković M., Velić J., Malvić T. Application of neural networks in petroleum reservoir lithology and saturation prediction // Geologia Croatica. – 2009. – № 62. – С. 115-121. – http://doi.org/10.4154/gc.2009.10
5. Канаев И.С. Нейросетевое детектирование продуктивных интервалов на примере объекта БВ10 Самотлорского нефтегазоконденсатного месторождения // Нефтяная провинция. – 2019. – № 4 (20). – С. 157-169. - https://doi.org/10.25689/NP.2019.4.157-171
6. Mardi M., Nurozi H., Edalatkhah S. A water saturation prediction using artificial neural networks and an investigation on cementation factors and saturation exponent variations in an Iranian oil well // Petroleum Science and Technology. – 2012. – № 30. – С. 42-434. - http://doi.org/10.1080/10916460903452033
7. Intelligent logging lithological interpretation with convolution neural networks / Liping Zhu, Hongqi Li, Zhongguo Yang, Chengyang Li, Yile Ao // Petrophysics. – 2018. – V. 59. – P. 799-810. - http://doi.org/10.30632/PJV59N6-2018a5
8. Муравьев И.А. Применение алгоритмов машинного обучения для интерпретации результатов ГИС в контексте задачи выделения терригенных коллекторов // Вестник ТГУ. Физико-математическое моделирование. Нефть газ энергетика. – 2019. – Т. 5. – С. 123-137.
9. Experience with Using Data Analysis Technologies in Identification of Lost Production Zones / O. Nadezhdin, D. Efimov, L. Minikeeva, A. Markov // SPE-191597-18RPTC-MS. – 2018. - http://doi.org/10.2118/191597-18RPTC-MS
