Исследователи из Сколтеха представили модель, которая упростит планирование разработки нефтяных месторождений. С ее помощью можно получить полезную информацию о скважине — например, сравнить ее с уже разработанными скважинами поблизости, чтобы спрогнозировать актуальные для нефтедобычи свойства и повысить эффективность бурения.
Модель Сколтеха упростит разработку нефтяных месторождений / ©Getty images
Исследование опубликовано в журнале первого квартиля IEEE Geoscience and Remote Sensing Letters. Процесс разработки нефтяных и газовых месторождений можно разделить на три этапа: месторождение находят, оценивают и разрабатывают. Оценка касается, например, объемов и распределения запасов углеводородов. На этом этапе бурят разведочные скважины и спускают в них зонды, которые фиксируют большое количество показателей — от радиоактивности пласта до подвижности грунтовых вод. Затем эту информацию используют для принятия решений по разработке.
«Сейчас после оценки месторождения мы получаем большой массив разрозненных данных, и непонятно, что с ним делать. Целью нашего исследования было построить такую модель, которая на основе всех этих данных будет создавать математическое представление — вектор, который полностью описывает скважину», — объясняет первый автор работы, инженер-исследователь Сколтеха Александр Марусов.
Вектор, который выдаёт модель, в сжатом виде содержит полезную информацию о скважине. Помимо гипотез о ее свойствах, модель поможет решить проблему неправильного направления бурения: при продвижении вглубь пласта важно оставаться в рамках одного типа породы. Если пересечь границу с другим типом, то придётся начинать заново, в другом направлении, а это требует больших затрат.
«Наша модель поможет определить текущий тип породы и скорректировать процесс бурения. Точность предсказания типа породы на основе наших представлений составила 82 процента, а предыдущий лучший результат — 59 процентов. Наша разработка поможет принимать решение о разработке месторождения быстрее и эффективнее», — добавляет Марусов.
Обучение модели производилось с помощью метода самообучения (self-supervised learning), который отличается от традиционных подходов машинного обучения. Для последних нужны данные с разметкой, то есть снабжённые дополнительным описанием, а режим самообучения этого не требует. Например, зонд может регистрировать в разведочной скважине излучение или другие сигналы геофизических процессов. Самообучение позволяет использовать эти данные как есть, без разметки.
«Методы самообучения разделяют на контрастивные и неконтрастивные. Мы применяли неконтрастивные — в таких методах используются только пары одинаковых объектов. В качестве примера таких объектов можно привести интервалы сигналов из одной и той же скважины», — рассказывает ученый.
