Оптимизация кустового бурения на Чаяндинском нефтегазоконденсатном месторождении по данным совместного анализа сейсмических атрибутов и ГИС с применением алгоритмов нейронных сетей

Чаяндинское нефтегазоконденсатное месторождение находится на территории Ленского и Мирнинского улусов (районов) Республики Саха (Якутия) и входит в зону первоочередного освоения в районе нефтепровода Восточная Сибирь – Тихий океан и газопровода «Сила Сибири». Месторождение открыто в 1980 г., скважина-первооткрывательница — 751. В 2019 г. месторождение введено в промышленную разработку. С точки зрения нефтегазогеологического районирования месторождение находится в пределах Непско-Ботуобинской нефтегазоносной области, в тектоническом отношении оно приурочено к северо-восточной части Непско-Пеледуйского свода Непско-Ботуобинской антеклизы. Промышленная нефтегазоносность связана с отложениями ботуобинского, хамакинского и талахского горизонтов венда. По геологическому строению месторождение относится к очень сложным. Результаты обработки сейсморазведочных данных 3D показали наличие более 20 тектонических блоков, которые контролируют залежи ботуо-бинского, хамакинского и талахского горизонтов. Продуктивный разрез характеризуется аномально низкими пластовыми давлениями и температурами. Пластовая температура колеблется от 9 оС (боту-обинский горизонт) до 11 оС (талахский). Пластовое давление в коллекторах продуктивных горизонтов ниже условного гидростатического и изменяется от 12,9–13,5 МПа — для хамакинского и 11,5–12,1 МПа — для талахского горизонта. В настоящее время на Чаяндинском нефтегазоконденсатном месторождении пробурено 210 эксплуатационных скважин в газовой части месторождения [1–8], их успешное освоение зависит от сложных геолого-технологических условий.

Для повышения эффективности разработки Чаяндинского нефтегазоконденсатного месторождения в условиях сложного геологического строения авторами статьи были рассмотрены возможности комплексирования методики выделения литотипов по ГИС с данными сейсморазведки в

контексте локального уточнения кустовых геологических моделей на основе применения инновационного алгоритма нейронных сетей для прогноза распространения коллекторов и их литологической принадлежности по данным сейсморазведки в пределах еще не разбуренных (проектных) эксплуатационных кустов скважин (с постоянным дообучением алгоритма по новым пробуренным скважинам).

Методика прогноза коллекторов по комплексу ГИС – cейсморазведка

Трехмерная геологическая модель, построенная с соблюдением соответствующих инструкций и регламентов для подсчета запасов УВ в целом по продуктивным пластам месторождения, учитывает результаты бурения скважин, тектоническую модель и поверхности горизонтов, полученные в результате интерпретации данных сейсморазведки. Так как в геологической модели поверхности строятся методами интерполяции, а при отсутствии данных — экстраполяции, погрешность прогноза положения коллекторов в межскважинном пространстве по стандартной геологической модели является более высокой. Применение атрибутов отраженных волн, зарегистрированных при сейсморазведке 3D для уточнения распространения тел коллекторов различного литологического состава в межскважинном пространстве, позволяет:

– максимально приблизить моделируемое геологическое строение залежей в районах кустового бурения к реальному;

– выполнить локальный прогноз коллекторов в районах проектных скважин для оптимизации их бурения и получения максимальных дебитов при освоении;

– уточнить геологическую 3D-модель месторождения для подсчета запасов и гидродинамического моделирования.

Для решения этих задач авторами статьи была разработана методика построения локальных прогнозных геологических моделей в выбранном районе (рис. 1), состоящая из следующих этапов:

МЕТОДИКА ПОИСКОВ И РАЗВЕДКИ НЕФТЯНЫХ И ГАЗОВЫХ МЕСТОРОЖДЕНИЙ

Рис. 1. Выбранный участок комплексной переинтерпретации сейсморазведки и ГИС — район куста добывающих скважин 54

Fig. 1. The selected area of integrated re-interpretation of seismic and well log data: area of the development well cluster #54

1 — скважины; участки ( 2 , 3 ): 2 — лицензионный, 3 — выбранный

1 — wells; areas ( 2 , 3 ): 2 — License Area, 3 — selected

суммирования и/или после суммирования. Результатом комплексной интерпретации являются кубы фаций и вероятностей, литологические каротажи в точках скважин или карты.

Для работы использован следующий набор исходных данных: сейсмические данные (40 км2) — временной куб PSTM с шагом дискретизации 1 мс в районе куста скважин 54, скважинные данные по 13 скважинам и результаты интерпретации — временные и глубинные поверхности отражающих горизонтов. Скважины были увязаны с данными сейсморазведки в целевом интервале. Для преобразования временных кубов в глубинные была построена толстослоистая скоростная модель с постоянной по вертикали интервальной скоростью между опорными отражающими горизонтами. В ходе подготовки данных ГИС под задачи сейсмического моделирования был проанализирован массив данных по 13 скважинам Чаяндинского нефтегазоконденсатного месторождения в районе куста скважин 54. В результате проведенной интерпретации ГИС в изучаемом разрезе выделено 27 литотипов. Для более корректного прогноза литотипов по площади с учетом сейсмических данных вышеуказанные литотипы были объединены по литологическому признаку в 6 основных литотипов: песчаники, гравелиты, засолоненные породы (с содержанием галита > 5 %), плотные разности (некол-лекторы), аргиллиты и доломиты (таблица; рис. 2).

Подготовка локальной прогнозной литологической модели состояла из следующих этапов.

METHODOLOGY OF PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDS

Таблица. Сопоставление литотипов, выделенных по ГИС и используемых для расчетов

Table. Comparison of lithotypes identified from well log data with those used in calculations

Порядковый номер	Коллектор / неколлектор	Литотип		Класс
		по ГИС и керну	для обучения
1	Коллектор	Песчаник крупнозернистый	Песчаник	1
2		Песчаник среднезернистый
3		Песчаник мелкозернистый
4		Песчаник мелко- и среднезернистый
5		Песчаник глинистый
6		Песчаник крупнозернистый засолоненный (содержание галита < 5 %)
7		Песчаник среднезернистый засолоненный (содержание галита < 5 %)
8		Песчаник мелкозернистый засолоненный (содержание галита < 5 %)
9		Песчаник мелко- и среднезернистый засолоненный (содержание галита < 5 %)
10		Песчаник глинистый засолоненный (содержание галита < 5 %)
11		Гравелит	Гравелит	2
12		Гравелит засолоненный (содержание галита < 5 %)
13	Неколлектор	Карбонатизированный песчаник	Неколлектор	3
14		Карбонатизированный гравелит
15		Песчаник глинистый
16		Песчаник мелко- и среднезернистый
17		Песчаник мелкозернистый
18		Песчаник мелкозернистый засолоненный (содержание галита > 5 %)
19		Песчаник глинистый засолоненный (содержание галита > 5 %)
20		Гравелит
21		Гравелит засолоненный (содержание галита > 5 %)
22		Аргиллит	Аргиллит/ алевролит	4
23		Аргиллит с прослоями алевролита
24		Аргиллит с прослоями песчаника
25		Алевролит глинистый
26		Доломит	Доломит	5
27		Засолоненные интервалы без разделения по литологии (содержание галита > 5 %)	Засолоненная порода	6

• 1.    Анализ главных компонент

• 2.    Подготовка данных для классификации

• 3.    Обучение нейронной сети

Перед проведением атрибутной классификации был выполнен анализ главных компонент для уменьшения избыточности данных и их зашумленности в многоатрибутном наборе данных. На первом этапе использовалось 38 атрибутов. Сейсмические атрибуты были стандартизированы.

После анализа матрицы ряд атрибутов с коэффициентом сходимости более 0,6 был исключен из дальнейших расчетов (рис. 3). Всего было оставлено 23 атрибута и произведен повторный расчет главных компонент.

Было рассчитано 23 компоненты, кумулятивный вклад 19 первых из них составил 95,3 %. Кубы этих 19 компонент были использованы для классификации (рис. 4).

На первом этапе классификации выполнено масштабирование (upscaling) исходной литологической кривой для исключения тонких прослоев (< 1 м).

Полученные в результате фильтрации кривые литологии (upscaled) с заданным шагом 2 м (extracted) переданы на следующий этап — обучение.

После создания обучающего набора из входных данных по нему выполняется процесс обучения, чтобы сформировать набор нейронов, представляющих данные. Эти нейроны (в данном случае это наборы атрибутов в точке пространства с определенными координатами) используются в качестве основы для классификации. Вначале выполнена стабилизация — к обучающему набору данных в позициях скважин, который может не полностью представлять сейсмические данные в областях, удаленных от скважин, добавлены дополнительные сейсмические данные по сети с шагом 10 инлай-нов/кросслайнов. Затем проведено многократное тестирование нескольких параметров обучения в различных сочетаниях, наиболее значимые из которых — число итераций, минимальное и максимальное значение альфа. Диапазон значений альфа

МЕТОДИКА ПОИСКОВ И РАЗВЕДКИ НЕФТЯНЫХ И ГАЗОВЫХ МЕСТОРОЖДЕНИЙ

Рис. 2. Фрагмент планшета по скв. 3041 с результатами интерпретации ГИС по методике выделения литотипов по фильтрационно-емкостным свойствам

Fig. 2. Fragment of composite log for 3041 well showing the results of log data interpretation using the method of lithotype identification according to their porosity and permeability

g.

5

го5 It го о 2?

ДС

ГК–НГК

АКн

Соль, %

АК–ГГКП

ВИКИЗ

Пористость

1

DS, м

ГК, мкР/ч

0                    4 НГК, усл. ед.

0             20

АК, мкс/м

R 0,5, Ом . м

К п гр, доли ед.

0,21         0,23 DS 2 , м

0                   20 НГК, усл. ед.

120             280 ГГК, г/см³

1                 2000 R 0,7, Ом . м

0              0,3 К п ГИС, доли ед.

0                    4

0,21        0,23 dh, м

0                   20

2                       3

1                 2000 R 1, Ом . м

0              0,3

0,21         0,23

1                 2000 R 1,4, Ом . м

1                 2000 R 2, Ом . м

1                 2000

1

2060 2064 2068 2072 2076 2080 2084 2088 2092 2096 2100 2104 2108 2112 2116 2120 2124 2128 2132 2136 2140

–1208 –1212 –1216 –1220 –1224 –1228 –1232 –1236

Sa

1 ..... ЕЕ -ТЕ эин ^

Д tv Чт^п l4Kl

=o "Ггг4—।

m jet __

±E E IE г 1

E

1W тИ тИ ЖЕ $ 111 И El

bi г г 1 ^ : fc 1 1

E_LLiJ :&546S6^ 6 g 6 6 Jo &6 $ 5 60 A A S lol Й s s T 5; 4i m Wdl 565556P 656563P vzg ЧУ VVb кФ! Psbfl 5 6№ 5s5se5' ■6,6s5t|O ЛЛЛ2 V"s"sd

METHODOLOGY OF PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDS

Усл. обозначения к рис. 2

Legend for Fig. 2

Песчаник ( 1 – 3 ): 1 — крупнозернистый, 2 — среднезернистый, 3 — мелкозернистый; 4 — гравелит; 5 — песчаник глинистый; 6 — алевролит глинистый; песчаник засолоненный ( 7 , 8 ): 7 — крупнозернистый, 8 — мелкозернистый; 9 — гравелит засоло-ненный; 10 — засолоненные породы; 11 — газонасыщенность; 12 — водонасыщенность; для обучения ( 13 – 17 ): 13 — песчаник, 14 — гравелит, 15 — неколлектор, 16 — аргиллит/алевролит, 17 — засолоненная порода

Sandstone ( 1 – 3 ): 1 — coarse-grained, 2 — medium-grained, 3 — fine-grained; 4 — gravelstone; 5 — argillaceous sandstone; 6 — argillaceous siltstone; saline sandstone ( 7 , 8 ): 7 — coarse-grained, 8 — fine-grained; 9 — saline gravelstone; 10 — saline rocks; 11 — gas saturation; 12 — water saturation; for training ( 13 – 17 ): 13 — sandstone, 14 — gravelstone, 15 — non-reservoir, 16 — claystone/ siltstone, 17 — saline rock

Рис. 3. Фрагмент матрицы анализа сходимости атрибутов Fig. 3. Fragment of matrix of attribute convergence analysis

Атрибуты

определяет расстояние, на которое нейроны перемещаются в направлении каждой выборки (или от нее), добавленной к набору нейронов в ходе одной итерации. Число вариантов прогноза ограничивается параметрами вычислительной системы и разумными временными рамками.

На этапе обучения данные вдоль траектории каждой скважины классифицируются с применением окончательного набора нейронов. Используется три метода классификации, в каждом из них задается параметр, определяющий набор нейронов, который будет служить для определения фации, присваиваемой выборке.

Полученные в результате тестирования кривые литологии сравнивались с исходными кривыми (рис. 5). Критерием тестирования было такое оптимальное сочетание параметров, при котором прогнозные кривые литологии по скважинам максимально совпадали с исходными по ГИС, но при этом в межскважинном пространстве соответствовали общепринятой в подсчете запасов геологической концепции строения объекта. Тестовые скважины не используются в обучении, поэтому качество реконструкции в этих скважинах является хорошим критерием для определения качества прогноза вдали от скважин, используемых в процессе обучения.

МЕТОДИКА ПОИСКОВ И РАЗВЕДКИ НЕФТЯНЫХ И ГАЗОВЫХ МЕСТОРОЖДЕНИЙ

Рис. 4. Примеры компонентных кубов Fig. 4. Examples of component cubes

L..... J          p о о о о о fl           L..... J            I______J I------------------1

1 О О О О О 2        3        4 ЕК В 5

Компоненты (A–D): A — 1, B — 2, C — 3, D — 10.

1 — песчаник; 2 — гравелит; 3 — неколлектор; 4 — аргиллит/алевролит; 5 — отражающий горизонт

Components (A–D): A — 1, B — 2, C — 3, D — 10.

1 — sandstone; 2 — gravelstone; 3 — non-reservoir; 4 — claystone/siltstone; 5 — reflection horizon

Рис. 5. Пример тестирования значений параметра α_max на этапе обучения нейронной сети — скв. 3041

Fig. 5. Example of testing the values of α_max parameter in the stage of neural net training — 3041 well

Вероятность

значение

класс

Литотипы по ГИС масштабированные для обучения

Варианты прогноза по результатам тестирования значений параметра α _max

ijj^jgj^ i^g^y йууй jj^^^^ {^^^^ {^^^^ Ьфме^^ ^jj^^, ^^^^^^ ^j^^^^ ^^^^^ ^^j^^^

дд$*Й дцдд| ebeeSiri щ^ь^-w 2ДЩ "^^-^

WW-tM

1 2 3 4 5  6

1 — доломит; 2 — засолоненная порода. Остальные усл. обозначения см. на рис. 4

1 — dolomite; 2 — saline rock.

For other Legend items see Fig. 4

METHODOLOGY OF PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDS

Рис. 6. Результаты обучения нейронной сети — скв. 2047

Fig. 6. Results of neural network training — 2047 well

Усл. обозначения см. на рис. 4, 5

For Legend see Fig. 4, 5

Выбор окончательного варианта параметров обучения производился на основе совместного анализа различных коэффициентов корреляции по скважинам и визуальной оценки разрезов скважин и кубов литологии. В связи с тем, что в расчетах участвовали в основном наклонно-направленные и горизонтальные скважины, привязка которых к временному разрезу затруднена и неоднозначна, авторами статьи были выполнены расчеты как во временной области, так и в глубинной. Средний коэффициент корреляции по скважинам оказался равным 83 % во временной области и 93 % в глубинной, коэффициент Мэтьюза составил 0,71 и 0,91 соответственно. Коэффициент корреляции Мэтьюза использован для оценки качества прогноза, значения которого изменяются в диапазоне от -1 до +1, где значение +1

означает идеальный прогноз, 0 — прогноз не лучше случайного, -1 указывает на большое расхождение между прогнозом и фактическими данными.

По результатам тестирования выбирается вариант параметров, при котором прогнозный литотип скважин лучше всего соответствует литологическому составу по ГИС, при этом распределение литотипов в межскважинном пространстве максимально соответствует представлению авторов о геологическом строении объекта (рис. 6, см. рис. 5).

4. Классификация и сглаживание

На следующем этапе выполнена классификация разреза по обобщенной литологии c параметрами, протестированными в процессе обучения. В результате получены кубы литологии — шесть

МЕТОДИКА ПОИСКОВ И РАЗВЕДКИ НЕФТЯНЫХ И ГАЗОВЫХ МЕСТОРОЖДЕНИЙ

Рис. 7. Пример рассчитанных кубов литологии и вероятностей Fig. 7. Example of calculated lithology and probability cubes

A

Скв. 3051

3400 3420 3440  3460  3480  3500  3520  3540  3560 3580  3600  3620  3650

Кубы (A–F): A — литотипов, B — вероятности для класса 1, C — вероятности для класса 2, D — вероятности для класса 3, E — вероятности для класса 4, F — максимальной вероятности.

Усл. обозначения см. на рис. 4

Cubes (A–F): A — lithotypes, B — probability for Class 1, C — probability for Class 2, D — probability for Class 3, E — probability for Class 4, F — maximum probability.

For Legend see Fig. 4

Рис. 8. Пример кубов литологии для талахского и хамакинского горизонтов после процедуры сглаживания

Fig. 8. Example of lithology cubes for the Talakhsky and Khamakinsky horizons after smoothing

Усл. обозначения см. на рис. 4, 5

For Legend see Fig. 4, 5

классов в соответствии с кривой литологии по скважинам и кубы вероятностей выделенных литотипов — максимальной вероятности по всем классам и отдельно для каждого класса (рис. 7).

На заключительном этапе проводилось сглаживание полученных кубов литологии и вероятностей. Сглаживание снижает зашумленность и улучшает латеральную выдержанность фаций. В процессе сглаживания используются структурные атрибуты Dip/Azimuth (рис. 8).

Результаты прогнозирования коллекторов

Классификация с обучением нейронных сетей по скважинам была выполнена в двух вариантах — во временном и глубинном масштабах. В первом случае для сравнения с результатами геологического моделирования осуществлено преобразование временного куба литологии в глубинный с использованием простейшей скоростной модели. Во втором — исходный временной мигрированный куб был преобразован в глубинный, а далее произведе-

METHODOLOGY OF PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDS

Рис. 9. Сопоставление результатов классификации (A) и геологического моделирования (B)

для хамакинского и талахского горизонтов по линии скважин 846 – 3046 – 2047

Fig. 9. Comparison of classification (A) and geological modelling (B) results for Khamakinsky and Talakhsky horizons along the line of 846 – 3046 – 2047 wells

Скв. 2047

Скв. 3046

Скв. 846

A

З – ЮЗ

A’

B – СВ

Скв. 2047

–1175

–1200

–1225

–1250

–1275

§

–1300

–1325

–1350

–1375

–1400

–1425

–1450

–1476

–1500

Скв. 3046

A

З – ЮЗ

Скв. 846

A’

B – СВ

Фрагмент глубинного разреза : 1 — песчаник; 2 — гравелит; 3 — неколлектор; 4 — аргиллит/алевролит; 5 — доломит; 6 — засолоненная порода; 7 — отражающий горизонт; 8 — коллектор для модели; 9 — неколлектор для модели

Fragment of depth section: 1 — sandstone; 2 — gravelstone; 3 — non-reservoir; 4 — claystone/siltstone; 5 — dolomite; 6 — saline rock; 7 — reflection horizon; 8 — reservoir for the model; 9 — non-reservoir for the mode ны расчеты по уже описанному алгоритму с расчетом отдельных кубов для хамакинского и талахско-го горизонтов. Полученный результат, по мнению авторов статьи, является более логичным с точки зрения геологической модели из подсчета запасов и имеет наилучшее соответствие разрезам скважин (рис. 9, 10).

На приведенных фрагментах глубинных разрезов и карт эффективных толщин видны существен-

ные отличия в отображении строения продуктивных горизонтов, что связано с различием методик создания геологической модели при подсчете запасов и создания локального прогнозного куба литологии при помощи атрибутного анализа с применением алгоритмов нейронных сетей. В первом случае учитываются разрезы вертикальных поисковых и разведочных скважин и отметки кровли пласта добывающих скважин. Распределение литотипов

МЕТОДИКА ПОИСКОВ И РАЗВЕДКИ НЕФТЯНЫХ И ГАЗОВЫХ МЕСТОРОЖДЕНИЙ

Рис. 10. Фрагмент карты эффективных толщин для талахского горизонта из прогнозного куба литологии (A) и геологической модели подсчета запасов (B)

Fig. 10. Fragment of net thickness map for the Talakhsky Horizon from the predicted lithology cube (A) and from geological model used in reserves assessment (B)

I А      _Аʹ 1 ¹

1 — линия разреза

1 — line of section

H эф , м

и фильтрационно-емкостных свойств в межскважинном пространстве производится различными методами интерполяции от субвертикальных скважин. В связи с этим карты эффективных толщин получаются генерализованными, а на разрезах видно возможное завышение и/или занижение значений эффективных толщин в местах, не подтвержденных скважинами. В то же время, при всех погрешностях преобразования время/глубина сейсмических данных в этой работе, можно отметить более дифференцированное распределение литологических разностей по разрезу продуктивных горизонтов и, как следствие, — более дифференцированные карты эффективных толщин. Таким образом можно уточнить распределение зон с улучшенными коллекторскими свойствами для оптимизации размещения кустов добывающих скважин.

Из куба литологии были извлечены объемные тела (Geobody), состоящие из связанных ячеек, которые представлены литотипами коллекторов — песчаников и гравелитов (рис. 11).

Из представленных сопоставлений прогнозных локальных геологических моделей по алгоритму нейтронных сетей и геологической модели видно, что адаптивная модель, построенная с учетом атрибутного анализа, значительно уточняет модель, построенную только по данным структурной сейсморазведки для подсчета запасов. В моделях при удалении от скважин нарастают различия в распределении коллекторов, их связности и появлении рельефа коллекторов и неколлекторов. Адаптивная

модель более сложная и приближенная к реальному распространению песчаных тел.

Выводы

Полученные авторами статьи хорошие результаты комплексной интерпретации сейсмических атрибутов и скважинных данных с применением алгоритмов нейронных сетей свидетельствуют о возможности повышения качества прогноза распределения литотипов в межскважинном пространстве как на уровне исследуемого куста, так и в пределах проектных кустов добывающих скважин.

Проведение расчетов в глубинном масштабе позволяет использовать наклонно-направленные и горизонтальные скважины, что значительно повышает точность прогноза.

Анализ процедур и результатов разработанной методики показал, что, возможно, существует оптимальная площадь исследований с оптимальным числом обучающих скважин и литологических типов разреза для создания локальных геологических моделей, в которой достигается минимальная погрешность прогноза, что является предметом дальнейших исследований.

Представленная методика может быть использована не только для прогноза литологического состава, но и для прогноза фильтрационно-емкостных свойств коллекторов, например пористости и характера насыщения пластов, что позволит максимально приблизить моделируемое геологическое строение залежей в районах кустового бурения к

METHODOLOGY OF PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDS

Рис. 11. Пример распределения связанных в единое тело ячеек коллекторов в талахском горизонте

Fig. 11. Example of reservoir cells combined into a single body, the Talakhsky Horizon

реальному, выполнить локальный прогноз распространения коллекторов в районах проектных скважин для выработки рекомендаций по оптимизации размещения и освоения проектных эксплуатационных скважин. Объединенные в общую модель результаты построения локальных моделей по дан- ным сейсморазведки и ГИС в областях всех разведочных скважин и пробуренных кустов эксплуатационных скважин будут способствовать уточнению геологической 3D-модели Чаяндинского нефтегазоконденсатного месторождения для подсчета запасов и гидродинамического моделирования.