Применение современных методов ГИС и алгоритмов машинного обучения при обосновании типизации пород на месторождениях Ванкорского кластера

Геолого-физическая характеристика объекта

Объектом исследования является одно из месторождений Ванкорского кластера, расположенное на территории Таймырского автономного округа Красноярского края в северо-восточной части Западной Сибири. Основной объект разработки представлен отложениями нижнехетской свиты нижнего мела (пласт Нх-1).

Породы-коллекторы формировались в условиях подводной дельты со смешанным влиянием речных и волновых процессов, представленной двумя лопастями, которые мигрировали с северо-восточного и юго-восточного направлений. По мере продвижения дельты с востока на запад, в условиях нормальной регрессии, мелко-крупнозернистые алевролиты продельтового склона (нижняя часть пласта) постепенно замещаются средне-мелкозернистыми песчаниками дистальной части фронта дельты (средняя часть пласта). Крупно-среднезернистые песчаники проксимальной части фронта дельты (верхняя часть пласта), в результате форсированной регрессии, резко сменяют нижележащие отложения. Последующее понижение уровня моря привело к размыву части отложений. При дальнейшей трансгрессии, в результате волновой переработки и частичного переноса осадков, сформировался трансгрессивный слой, обладающий преимущественно улучшенными относительно субстрата фильтрационно-емкостными свойствами, но в то же время обладающий неоднородным по площади строением ¹ (рис. 1).

При таком типе осадконакопления предполагается снижение песчанистости коллекторов сверху вниз по разрезу и, как следствие, ухудшение фильтрационно-емкостных свойств. Согласно данным экспериментов на керне, отмечается значительная вариация абсолютной газопроницаемости пород при одинаковых значениях открытой пористости — от 1 мД в подошве до 1000 мД в кровле пласта (рис. 2).

Проблематика вопроса

Еще на начальном этапе изучения месторождения предпринимались попытки проведения раздельных исследований верхней (высокопроницаемой) и нижней (низкопроницаемой) частей продуктивного пласта. По результатам испытаний нижней части разреза в колонне не удавалось получить стабильный достоверный результат. Довольно странным казался факт отсутствия смешанного притока воды и нефти, поскольку из строения пласта следует наличие обширной переходной зоны.

Анализируя данные ГИС, был отмечен невысокий контраст удельных электрических сопротивлений нефтяной и водонасыщенной частей, причиной которого стала очень низкая минерализация пластовой воды (6,7 г/л). Кроме того, негативное влияние оказывала высокая глинистость коллектора.

Реализуемая на объекте рядная система размещения эксплуатационных скважин предусматривала бурение горизонтальных стволов преимущественно в прикровельных высокопроницаемых интервалах. При этом в процессе бурения пилотных стволов с расширенным комплексом ГИС и опробователем пластов на кабеле/гидродинамическим каротажем параллельно доизучался разрез. Результаты промысловых испытаний давали довольно неоднозначную картину — в низкопроницаемых продуктивных интервалах, расположенных выше уровня водонефтяного контакта, были получены притоки воды с практически отсутствующими признаками нефти, а в высокопроницаемой части — безводные притоки нефти. В результате бурения горизонтальных скважин, полностью вскрывших разрез, также получали безводные притоки исключительно из высокопроницаемых коллекторов, нижняя часть в работу не подключалась.

По этой причине было принято решение о необходимости картирования в объеме пласта интервалов высококонтрастных пород для оптимизации реализуемой системы разработки и проектирования самостоятельной сетки скважин на невовлекаемый объем запасов. Для этого использовались данные специального комплекса ГИС — ядерно-магнитного каротажа, гидродинамического каротажа/опробователя пластов на кабеле, импульсного нейтронного спектрометрического гамма-каротажа, а также инструменты машинного обучения. Достоверность классификации пород наиболее высокая по данным специального комплекса ГИС и керна, эти скважины использовались для адаптации методики под стандартный комплекс ГИС при эксплуатационном бурении.

Разделение коллекторов на классы

Первые представления о строении пласта базировались на разделении пласта Нх-1 на 5 классов. За основной критерий разделения было принято значение К _во , а основным методом ГИС являлся гамма-каротаж [1]. С ростом изученности месторождения появилась необходимость корректировки такой модели. Основываясь на данных современных высокотехнологичных методов ГИС и гидродинамического каротажа, а также результатах испытаний скважин, авторы статьи пришли к выводу, что значимой разницей в фильтрационных характеристиках обладают лишь группы, включающие 1–2-й и 3–5-й классы. Кроме того, при использовании только данных метода гамма-каротаж возникает дольно высокая погрешность точности определения классов коллектора.

По результатам седиментологических исследований нижнехетских отложений был выделен ряд фациальных комплексов. Поскольку основной целью

Рис. 1. Седиментологическая модель формирования пласта Нх-1

Fig. 1. Depositional model of Нх-1 reservoir formation

_....... ¹ I     I ^{2  -------- 3  -------- 4} в ⁵ v_vvv_vvv_vvv_vvv_vvv ₆         ⁷  □⁸

Разрезы вкрест направления проградации дельты речного типа: A — фронт дельты, B — субаэральная эрозия, С — трансгрессия моря, волновая переработка отложений, D — фациальная схема пласта Нх-1.

1 — проксимальная часть (1-й класс); 2 — дистальная часть (2-й класс); 3 — продельта; 4 — шельф; 5 — эрозия; 6 — источник сноса; 7 — скважины; 8 — трансгрессивный лаг Sections across the river delta progradation trend: A — delta front, B — subaerial erosion, С — sea transgression, reworking of sediments by waves, D — facies scheme of Нх-1 reservoir.

1 — proximal part (1-st class); 2 — distal part (2-nd class); 3 — prodelta; 4 — shelf; 5 — erosion; 6 — transportation source; 7 — wells; 8 — transgressive lag

D

исследования являлась дифференциация пород коллектора по фильтрационным свойствам, закономерным стало проведение анализа выделенных фаций по параметрам пористости и проницаемости. По коэффициенту пористости ( К _пр ) практически все фации коллектора изменялись в широких пределах (0,15– 0,24 доли ед.). В то же время наблюдались явные различия проницаемости, причем резкое изменение К _пр происходило при смене отложений дистальной части фронта дельты на проксимальную. Фации с близкими значениями были укрупнены для эффективного выделения по данным ГИС. Достоверно удалось классифицировать 3 фации, одна из которых являлась не-коллектором. В коллектор 1-го класса вошли фации трансгрессивного лага и средней предфронтальной зоны пляжа (фации с кодами 1 и 2), а в коллектор 2-го класса — ближняя и дальняя части фронта дельты

(фации с кодами 3 и 4), остальные фации отнесены к неколлектору (см. рис. 2).

Анализ данных гидродинамического каротажа

Для проверки корректности укрупнения фаций сопоставлялись подвижности флюида по данным гидродинамического каротажа 12 скважин. Отмечается уверенное разделение укрупненных фаций по значению подвижности — 10 мД/сПз (рис. 3, 4). Кроме того, авторами статьи было отмечено, что практически на все замеры гидродинамического каротажа во 2-м классе оказывал влияние эффект избыточного давления (суперчарджинг), что объясняется ухудшенными свойствами пород этого типа коллектора. Таким образом, выделенные классы характеризуют коллекторы с контрастно отличающимися фильтрационно-емкостными характеристиками.

Рис. 2. Анализ и укрупнение фаций по параметрам пористости и проницаемости

Fig. 2. Analysis and consolidation of facies on the basis of porosity and permeability parameters

¹     2 Ш 3    4    5

□□ 6 И 7      8 I ° I ⁹ I ° I 10

Дифференциация зависимости К _пр = f ( К _п): A — по фациям выделенным на керне, B — по укрупненным фациям.

1 — трансгрессивный лаг; 2 — средняя предфронтальная зона пляжа; части фронта дельты ( 3, 4 ): 3 — ближняя, 4 — дальняя; части продельты ( 5, 6 ): 5 — ближняя, 6 — дальняя; 7 — шельф; коллекторы классов ( 8, 9 ): 8 —1-го, 9 —2-го; 10 — неколлектор

Differentiation of the dependency К _пр = f ( К _п): A — using facies identified on core, B — using consolidated facies.

1 — transgressive lag; 2 — middle per-frontal zone of the beach; parts of delta front ( 3, 4 ): 3 — near, 4 — far; prodelta parts ( 5, 6 ): 5 — near, 6 — far; 7 — shelf; reservoirs of classes ( 8, 9 ): 8 —1-st, 9 —2-nd; 10 — non-reservoir

Рис. 3. Сопоставление подвижностей укрупненных фаций по данным гидродинамического каротажа

Fig. 3. Comparison of mobility of consolidated facies in accordance with production logging data

Классы ( 1, 2 ): 1 —1-й, 2 — 2-й

Classes ( 1, 2 ): 1 —1-st, 2 — 2-nd

На следующем этапе работ была проанализирована характеристика классов коллектора по данным ГИС и керна.

Анализ рентгенофазовых/рентгеноструктурных данных по керну и импульсному нейтронному спектрометрическому гамма-каротажу

При обосновании седиментологической модели пласта для установления генезиса и состава пород привлекались данные рентгеноструктурного и рентгенофазового анализа керна. При этом наиболее важным параметром, влияющим на фильтрационно-емкостные свойства пород, является состав глинистого цемента коллектора. По результатам анализа керна коллектор 1-го класса представлен песчаником крупно-среднезернистым с глинистым цементом преимущественно каолинитового состава, 2-го класса — песчаником мелкозернистым с глинистым цементом преимущественно хлорит-илли-тового состава. Данные рентгенофазового анализа использовались для верификации и настройки при проведении количественной оценки элементного и минерального состава пород по методу нейтронного спектрометрического гамма-каротажа. Данные метода подтвердили значительное увеличение глинистости от кровли к подошве пласта, а также изменение преобладающего глинистого минерала цемента с каолинита в 1-м классе коллектора на хлорит-иллит во 2-м классе (рис. 5). Глинистые минералы хлорит и иллит обладают гораздо большей удельной поверхностью, чем каолинит, и оказывают значительное влияние на снижение проницаемости коллекторов 2-го класса. Таким образом, установлена полная литологическая характеристика выделенных классов и выявлены причинно-следственные связи различия их фильтрационных характеристик.

Анализ данных ядерно-магнитного каротажа

На месторождении проведен большой объем исследований ядерно-магнитным каротажем (12 скважин). Данные метода позволяют получить порометрическую характеристику пород [2]. По результатам анализа данных T ₂ -распределения отмечается резкое различие коллектора по времени поперечной релаксации. Сопоставляя выделенные по керну и данным гидродинамического каротажа классы, установлено, что граничное значение Т ₂ для разделения коллек-

Рис. 4. Планшет по скважинам с визуализацией выделенной по данным гидродинамического каротажа низкопроницаемой части Fig. 4. Composite log with visualization of low-permeable interval identified using production logging data

¹   2 ш 3 □ 4

1 — Р _пл, атм; 2 — Р _пл суперчарджинг, атм; 3 — подвижность, мД/сП; 4 — низкопроницаемая часть разреза

1 — Р _пл, atm; 2 — Р _пл supercharging, atm; 3 — mobility, mD/cP; 4 — low-permeable interval of section

торов на 1-й и 2-й классы составляет 220 мс (рис. 6). Кроме того, выполнялась настройка отсечки Т ₂ на результаты исследований остаточной водонасыщенно-сти по керну. Граничное значение Т ₂ для подвижного флюида принято равным 33 мс, что типично для терригенных коллекторов Западной Сибири. Среднее значение остаточной водонасыщенности К в 1-м классе по данным ядерно-магнитного каротажа составляет 20 %, а во 2-м классе — 42 %. Такая значительная разница обусловливает различие фильтрационноемкостных свойств коллектора.

Статистический анализ данных стандартного комплекса ГИС

Охарактеризованность месторождения методами гамма-каротажа, гамма-гамма плотностного каротажа, нейтрон-нейтронного каротажа по тепловым нейтронам и удельного электрического сопротивления составляет около 80 %. Бурение эксплуатационного фонда скважин также предполагает запись стандартного комплекса Tripple-Combo (гамма-гамма плотностной каротаж, нейтрон-нейтронный каротаж по тепловым нейтронам, удельное электрическое сопротивление). По этой причине данные методы выбраны в качестве основных для прогноза выделенных классов по площади месторождения. Описанный ранее специальный комплекс ГИС использовался в качестве опорного для дальнейшей адаптации выделения классов под стандартный комплекс ГИС.

В первую очередь авторами статьи выполнен статистический анализ данных ГИС. Метод удельного электрического сопротивления был исключен из рассмотрения из-за влияния на показания переменной насыщенности пласта. Остальные методы было необходимо привести к единым масштабам записи путем нормализации кривых по опорным интервалам, в качестве которых выбирались наиболее полно изученные ГИС и керном скважины с выделенными фациями. По данным методов гамма-каротажа, гамма-гамма плотностного каротажа и нейт-рон-нейтронного каротажа по тепловым нейтронам строились перекрестные кроссплоты и гистограммы (рис. 7). В результате анализа наибольшая дифференциация выделенных классов коллектора отмечается по методу гамма-каротажа, при использовании граничного значения 60gAPI погрешность классификации составляет 23 %, по методам гамма-гамма плотностного каротажа и нейтрон-нейтронного каротажа по тепловым нейтронам разделение недостаточно явное, перекрываясь в большом диапазоне значений.

В итоге для снижения ошибок классификации принято решение о необходимости комплексирова-ния всех имеющихся методов ГИС.

Рис. 5. Пример результатов построения объемной модели минерального состава по данным импульсного нейтронного спектрометрического гамма-каротажа, гамма-гамма плотностного каротажа и нейтрон-нейтронного каротажа по тепловым нейтронам

Fig. 5. Example of building a volumetric mineralogical model using the pulsed neutron gamma-ray logging, gamma-ray density logging, and thermal-decay-time logging data

К , мм в

200     300

ГК, qAPI

Модель ИНГКс, кг/кг

Объемная модель

0        120 0                 1

3        4        5

8        9        10

х х х » | 13 |~~~~~.| 14 ^И 15

Модель ИНГКс ( 1 – 6 ): 1 — сидерит, 2 — кварц, 3 — пирит, 4 — доломит, 5 — кальцит, 6 — глина; объемная модель ( 7 – 17 ): 7 — вода глин, 8 — связанная вода, 9 — свободная вода, 10 — нефть, 11 — кварц, 12 — калиевый полевой шпат, 13 — натриевый полевой шпат, 14 — каолинит, 15 — хлорит, 16 — иллит, 17 — кальцит

Pulsed Capture Gamma-Ray Logging model ( 1 – 6 ): 1 — siderite, 2 — quartz, 3 — pyrite, 4 — dolomite, 5 — calcite, 6 — clay; volumetric model ( 7 – 17 ): 7 — water of clay, 8 — connate water, 9 — free water, 10 — oil, 11 — quartz, 12 — potassium feldspar, 13 — sodium feldspar, 14 — kaolinite, 15 — chlorite, 16 — illite, 17 — calcite

Классификация коллекторов при помощи инструментов машинного обучения

В условиях большого объема накопленных разнородных данных — ГИС, керн, геолого-технологические и промыслово-геофизические исследования, испытания, интервалы фильтров и т. д., имеющие разные временные различия — стандартные методы анализа требуют очень больших трудозатрат. В этом случае инструменты машинного обучения позволяют многократно ускорить процесс геологической интерпретации классов.

Для прогноза классов пород был оценен и апробирован целый ряд алгоритмов машинного обучения [3].

• 1.    Многослойный персептрон — нейронные сети прямого распространения, состоящие из одного или нескольких скрытых слоев нейронов.

• 2.    Дерево решений — один из алгоритмов средств принятия решений на основе классификаторов. Как по дереву, необходимо пройти от корня по веткам, являющимся классификаторами, до листьев — прогнозных классов.

• 3.    Самоорганизующиеся карты Кохонена — нейронная сеть, выполняющая задачу визуализации и кластеризации. Является методом проецирования многомерного пространства в пространство с более низкой размерностью. В результате обучения карта Кохонена классифицирует входные данные на кластеры и визуально отображает многомерные входные данные в двухмерной плоскости, распределяя векторы близких признаков в соседние ячейки и раскрашивая их в зависимости от анализируемых параметров нейронов.

При настройке алгоритмов обучающаяся выборка (скважины) делится на две группы — обучающую (90 % всей выборки с керном) и тестовую (10 %). Применение тестового множества необходимо для исключения эффектов переобучения, когда алгоритм начинает запоминать зависимости между входными и выходными данными.

В теории машинного обучения эффективность прогноза алгоритмами определяется среднеарифметическим и средневзвешенными коэффициентами F ₁ , рассчитывающимися по данным прогноза на тестовой выборке,

F1 = recall-1 + precision-1

2 x

precision x recall precision + recall где precision — отношение диагонального элемента к сумме всей строки; recall — отношение диагонального элемента к сумме всего столбца. Чем ближе коэффициент F1 к 1, тем лучше предсказательная способность алгоритма.

В качестве обучающей выборки использовался набор из восьми скважин с наиболее достоверно выделенными классами по данным специальных методов ГИС. В качестве исходных данных принимались кривые ГИС стандартного комплекса под эксплуатационное бурение — гамма-каротаж, нейт-рон-нейтронный каротаж по тепловым нейтронам, гамма-гамма плотностной каротаж, поинтервальные результаты испытаний скважин, геолого-технологические и промыслово-геофизические исследования.

На рис. 8 представлены результаты настройки алгоритмов машинного обучения со статистикой прогноза по каждому классу. Опираясь на параметр F ₁ ,

Рис. 6. Разделение на классы по данным ядерно-магнитного каротажа

Fig. 6. Classification in accordance with nuclear magnetic logging data

bmjoi/oiml/

ЭЭЕ1ГЯ w 'внидЛщ bmjoi/oiml/ ппппш bmjoi/oiml/ ээвкя w 'внидЛщ bmjoi/oiml/

ЭЭВ1/Я w 'внидЛщ

□□Bi/я w 'внидЛи]

Рис. 7. Статистический анализ (матрикс-плот) классов по методам ГИС

• Fig. 7.    Statistical analysis (matrix-plot) of classes based on well logging methods

  ГК, гАПИ

  
  

  ГТКп, г/см³

  
  

  ННКт, доли ед.

  
  
  
  
  
  

  2,5

  
  

=±

ф

s

=; о =1

2,5

2,5

2,5

0,5

0,5

0,4

0,4

0,3

0,3

0,2

0,1

0,1

2,5

0    0,1   0,2  0,3   0,4  0,5

0    0,1   0,2  0,3   0,4  0,5

0    0,1   0,2  0,3  0,4  0,5

0,2

Усл. обозначения см. на рис. 3

For Legend see Fig. 3

Рис. 8. Количественная оценка достоверности применяемых алгоритмов машинного обучения

• Fig. 8.    Quantitative evaluation of the reliability of machine learning algorithms used

A
ь	Достоверность, %	Предсказание
		1-й класс	2-й класс	3-й класс
	1-й класс	24,8	1,4	0,2
	2-й класс	3	29,7	3,2
	3-й класс	0,1	1,5	36,1
F 1ср. ар = 0,9 C                F 1ср. взв = 0,86
	Достоверность, %	Предсказа н ие
		1-й класс	2-й класс	3- й к л асс
	1- й кла с с	2 6 ,6	1,5	—
	2-й класс	0,2	29,7	0,3
	3-й класс	0,2	2,9	38,7

F 1ср. ар = 0,94

F 1ср. взв = 0,91

S	Достоверность, %	Предсказание
		1-й класс	2-й класс	3-й класс
	1-й класс	24,4	0,9	0
	2-й класс	0,2	33,8	0,3
	3-й класс	0,2	2,7	37,4

F 1ср. ар = 0,96

F 1ср. взв = 0,96

A — карты Кохонена, B — дерево решений, С — многослойный персептрон

A — Self-Organising Maps, B — Decision Tree, С — Multilayered Perceptron

Рис. 9. Пример прогноза классов по скважинам X0PL (A) и X9PL (B)

Fig. 9. Example of classes prediction in X0PL (A) and X9PL (B) wells

в качестве наилучшего алгоритма был выбран метод дерево решений.

В дальнейшем, в соответствии с алгоритмом дерево решений, выполнен прогноз классов по 240 секциям скважин (пилотные стволы, горизонтальная и многозабойная горизонтальная скважины) (рис. 9), результаты которых использовались для построения геологической и фильтрационной моделей продуктивного пласта.

Заключение

Впервые для классификации нижнехетских отложений прибрежно-морского генезиса применены инструменты машинного обучения и показана эффективность комплексного использования высокотехнологичных методов ГИС и керна. Специальные методы ГИС позволяют повысить достоверность выделения интервалов разреза с различными фильтрационно-емкостными свойствами, коллекторы хорошо классифицируются по прямым замерам подвижности гидродинамического каротажа, ядер-но-магнитного каротажа, по составу нейтронного спектрометрического гамма-каротажа. Рекомендуется использование описанного подхода для прибрежно-морских отложений с пластами аналогичного генезиса.