Прогноз зон флюидо-рапопроявлений методами искусственного интеллекта на основе сейсмических атрибутов нового поколения RTH и данных бурения на Ковыктинском газоконденсатном месторождении

Полный текст

ВВЕДЕНИЕ

Геологический разрез Ковыктинского газоконденсатного месторождения (КГКМ) характеризуется сложными горно-геологическими условиями бурения. В составе всех стратиграфических уровней разреза осадочного чехла находятся горизонты-коллекторы, проявляющиеся осложнениями в процессе бурения [20]. Самым тяжелым и опасным осложнением в процессе бурения на КГКМ является вскрытие объектов с аномально-высоким пластовым давлением (АВПД), приуроченных к галогенно-карбонатной гидрогеологической формации. Величина пластового давления в зонах АВПД значительно превышает величину, соответствующую градиенту пластового давления для разреза КГКМ и сопоставима с величиной горного давления [20]. Вскрытые бурением объекты с АВПД приурочены к регионально распространенным карбонатным пластам, насыщенным высокоминерализованными пластовыми рассолами (рапой). В этих же слоях повсеместно встречаются газовые и газоконденсатные коллекторы, которые содержат промышленно значимые объемы газа и жидких углеводородов, при этом разведка и подсчет запасов углеводородов значительно затруднены в связи с возникающими в процессе бурения разведочных скважин геологическими осложнениями при прохождении зон с АВПД. По состоянию на 2023 г., на Ковыктинском и соседних Чиканском, Хандинском и Южно-Усть-Кутском лицензионных участках пробурено более 100 параметрических, поисковых и разведочных скважин [3]. В этой связи выявление коллекторов, содержащих рапу, газ и газовый конденсат, на площадях КГКМ с применением современных методов массивов имеющихся геолого-геофизических данных является чрезвычайно актуальным, в том числе для сокращения будущих издержек при проведении геолого-разведочных работ на газ и газовый конденсат в карбонатных отложениях кембрия.

Рассолы содержатся практически во всех коллекторах соленосной и подсолевой формации КГКМ. Однако интенсивные и катастрофические рапопроявления происходят только из пластов с АВПД, которые способны выбрасывать “тяжелые” рассолы. Притоки рапы с АВПД интенсивностью несколько сотен м³ из христофоровского горизонта (христофоровско-балыхтинского резервуара) были получены при бурении скважин Ковыктинские №№ 18, 52, 60, 64 [3]. При бурении скважины № 75 – Ковыктинская из христофоровско-балыхтинского резервуара (межсолевой пропласток) получен приток рапы до 7200 м³ /сут (минерализация 738 г/л) [3].

Трудность оценки границ локального распространения зоны АВПД заключается в сложном характере их размещения по площади месторождения. При их вскрытии отмечается чередование как интенсивных рапопроявлений, так и катастрофических поглощений бурового раствора. Исключением является бильчирский и биркинский горизонты, которые проявили себя притоками пластового флюида в скважинах 3-КОВ и 18-КОВ, 72-КОВ, 75-КОВ. В скважине № 3 с глубин 1330–1338 м отмечен самоизлив рассола дебитом до 86–110 м³/сутки и плотностью 1.28 г/см³ [3].

ОСОБЕННОСТИ МЕТОДИКИ ПРОВЕДЕНИЯ ИССЛЕДОВАНИЙ

Задача прогноза флюидопроявления, как такового, наряду с литофациальным прогнозом геологического разреза и прогнозом пористости рассматривалась во многих работах российских [1‒4] и зарубежных [5, 6] ученых. Современные методы прогноза основывались как на методах геостатистики, так и на технологиях машинного обучения. При этом задачи прогноза рассматривались как задачи контролируемой классификации, так и как задачи нелинейной обобщенной регрессии. В любом варианте исходными данными для прогноза являлись данные сейсмической обработки в виде кубов временной миграции (атрибутов), а также данные скважинных исследований. Сейсмические атрибуты, как правило, оценивались во временной области, тогда как данные геофизических исследований скважин (ГИС) привязаны к глубине. Это наряду с разной детальностью получаемой информации является главной трудностью при комплексировании сейсмических данных и скважинных данных. Во всех без исключения предыдущих исследованиях данные скважинных измерений пересчитываются во временную область, где и проводится комплексирование. В последние годы описанные выше подходы, как правило, базируются на методах машинного обучения с использованием нейронных сетей.

Принципиальной особенностью описываемого в данной статье подхода от всех предшествующих является использование вместо традиционных временных атрибутов глубинных атрибутов нового поколения, генерируемых инновационным отечественным методом обработки сейсмической информации, реализующим принципы сейсмической голографии и обращение волнового фронта во времени – методом RTH (Reverse Time Holography – Голография в обращенном времени) [7, 8]. Метод является векторным расширением известного способа глубинной миграции на основе обращения волнового фронта RTM (Reverse Time Migration) [9]. Метод RTH включает в себя как частный случай методы, основанные на общей точки изображения – Angle Domain RTM [10], методы дифракционного анализа ES360 [11], CSP [12], методы угловой анизотропии отражения – Amplitude versus Offset (AVO) [13], акустической инверсии [14], скоростной томографии на основе полноволновой инверсии [15] и на основе шнуровых решений [16]. Метод является воксельно-ориентированным, то есть оценка сейсмических атрибутов осуществляется в каждой ячейке (вокселе) геологического пространства независимо друг от друга. Воксели имеют произвольный размер, а их координаты фиксированы в пространстве, которое они заполняют. Набор сейсмических атрибутов RTH включает в себя, кроме всех известных атрибутов, также ряд ранее не известных. Общее количество сейсмических атрибутов, получаемых на основе оценки многомерного (12-мерного) статистического распределения в RT достигает нескольких сотен [17].

Метод RTH разработан в 2017 году, опробован на 21-м месторождении и в идейном плане близок к направлению “сейсмоголография”, активно развиваемому в 80-х годах прошлого столетия в Сибирской школе геофизики АН СССР под руководством академиков А. С. Алексеева, М. М. Лаврентьева и С. В. Гольдина. Входными данными для технологии RTH служат стандартные полевые сейсмограммы 2Д/3Д МОВ ОГТ кратностью не ниже 80 и данные ГИС. Технология обеспечивает решение широкого круга геологических задач прогноза и сейсмического сопровождения разработки месторождения на принципиально новом качественном уровне. К таким задачам, в частности, относится поиск нетрадиционных залежей углеводородов трещинно-кавернозного типа, картирование неструктурных ловушек, сейсмическое обеспечение высокоточного горизонтального бурения и пр. Технология RTH реализована в виде оригинальных суперкомпьютерных параллельных программ обработки информации и отработанных графов интерпретации RTH- атрибутов в стандартной программной среде геолога-интерпретатора.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ И ИХ АНАЛИЗ

Задача исследований в данной работе ‒ продемонстрировать принципиальную возможность решения задач локального прогноза зон с АВПД, флюидо-, рапопроявлений и газопроявлений методами искусственного интеллекта на основе сейсмических атрибутов нового поколения RTH и данных бурения на примере одного из участков КГКМ. На рис. 1 представлена схема выбранного тестового участка КГКМ, где в скважине № 3 было зафиксировано проявление рапы в интервале литвинцевско-бельской свиты нижнекембрийских отложений. Площадь исследований составила 115 кв. км.

 

Рис. 1. Участок исследований КГКM района интенсивного рапопроявления с АВПД.

 

На рис. 2 представлено сравнение стандартной временной миграции PSTM (PreStack Time Migration), полученной в программе ProMax из пакета Landmark (рис. 2 а) интервала бильчирского горизонта КГКM и нового атрибута RTH ATD (Arrival Time Discrepancy – невязка времен первых вступлений прямой волны и обращенной во времени в точке пространства), характеризующего “медленность” среды (рис. 2 б) на тестовом участке. Новые RTH-атрибуты, как мы видим, позволяют уточнить морфологию геологических поверхностей, выделить зоны тектонических дислокаций и литологических замещений, проявляющиеся в локальных изменениях скоростей. Действительно, на рис. 3, 4 приведены два RTH-атрибута по интервалу атовского горизонта КГКМ. Атрибуты имеют достаточно простой физический смысл. На рис. 3 представлена карта средних значений трещиноватости, а на рис. 4 ‒ карта средних значений угла отклонений от вертикали максимального рассеяния. На обеих картах видны аномальные зоны значений своих параметров, которые по-разному характеризуют среду. Так, на рис. 3 центр участка с северо-запада на юго-восток пересекает мощная структура амплитудного (дифракционного) рассеяния, связанная, по-видимому, с зоной дробления. На рис. 4 также наблюдается четкая концентрация аномалии углового рассеяния вблизи скважины № 3, где в этом горизонте наблюдается АВПД и проявление рапы. Эти два атрибута наряду с атрибутом скорости (рис. 5) использовались в дальнейшем при контролируемом машинном обучении в качестве ведущих атрибутов. Рис. 5 дает представление о характере поведения скоростных значений во всем кубе скоростей на участке. Так, в частности, зона повышенной трещиноватости, отмеченная на рис. 3 в зоне бильчирского горизонта, проявляется также повышенными значениями скорости.

 

Рис. 2. Сравнение результатов временной миграции PSTM (а) и RTH ATD (б).

 

Рис. 3. Карта средних значений трещиноватости по RTH в интервале атовского горизонта КГКМ в у. е.

 

Рис. 4. Карта средних значений угла отклонений от вертикали максимального рассеяния в интервале атовского горизонта КГКМ в градусах (положительные значения угла – по часовой стрелке).

 

Рис. 5. Вертикальное сечение (а) и карта средних значений в интервале бильчирского горизонта (б) куба RTH скорости в м/с. Размер вокселя 50х50х10 метров.

 

Представленные на рис. 2–5 сейсмические атрибуты RTH дают представление о принципиально новых возможностях, которые открываются для интерпретации с использованием метода обработки сейсмических данных RTH. На основе атрибутов RTH можно проводить интерпретацию как по стандартному графу, так и по расширенному, присущему только RTH. Так, для тестового участка КГКМ в рамках традиционного графа интерпретации было уточнено геологическое строение осадочного чехла на участке КГКМ, построены структурные карты по пяти выделенным горизонтам. Точность построения не хуже 5 метров, т. е. показано, что метод RTH действительно является расширением метода RTM. С другой стороны, по дополнительному графу RTH интерпретации выполнен анализ скоростных RTH- атрибутов по целевым интервалам геологического разреза, выделены зоны деструкций, связанные с разломно-блоковой тектоникой, закартированы флюидонасыщенные трещинные зоны, в том числе рапонасыщенные с АВПД и с открытой трещиноватостью. Это подтверждает большой потенциал альтернативного способа обработки сейсмической информации на основе RTH-подхода и возможность его использование в практике уже существующих технологических решений в нефтегазовой отрасли.

Вместе с тем основное отличие RTH-атрибутов от традиционных, которые рассчитываются после миграционного преобразования, заключается в их воксельной природе и гиператрибутивности. Оказалось, что это является ключевым преимуществом RTH как способа обработки сейсмических данных перед традиционными методами миграционного преобразования типа RTM в решении задач прогноза методами искусственного интеллекта. В настоящем подходе мы используем два метода контролируемого обучения. Первый метод основывается на полносвязной многослойной нейронной сети MLP (Multilayer Perceptron), а второй метод носит название cлучайного леса RF (Random Forest) [18]. На основе рассчитанных воксельно-ориентированных атрибутов и данных скважин непосредственно в трехмерном пространстве геологической модели достаточно естественно формируются в вокселях, встречающихся на пути траектории скважин, информационные пары для машинного обучения: набор RTH-атрибутов – набор скважинных данных. Такое органичное построение обучающей выборки позволяет пространственно–прецизионно (с точностью до размера вокселя) строить прогноз методами искусственного интеллекта различных лито-фациальных, петрофизических и других свойств и параметров месторождения углеводородов.

В качестве примера на рис. 6 б представлен прогноз рапопроявления в интервале бильчирского горизонта КГКМ методом MLP. Для сравнения на рис. 6 а представлен прогноз по тому же горизонту рапопроявления, газопроявления методом рассеянных волн [19]. На рис. 7 приведен вероятностный прогноз газопроявлений методом RF по атрибутам RTH и данным бурения в христофоровско-балыхтинском горизонте КГКМ. На рисунке красным цветом выделена максимальная нормированная на отклонение вероятность, синим цветом – минимальная вероятность. Среднее значение вероятности здесь равняется 0.018, а отклонение ‒ 0.23. На рис. 8 а дан прогноз методом RF флюидопроявлений в надпарфеновском диапазоне свит. Максимальная нормированная на отклонение вероятность здесь равняется 0.7. Среднее значение вероятности 0.059, отклонение 0.64. На рис. 8 б приведена схема профиля на участке КГКМ. Последний пример прогноза на КГКМ связан с прогнозом средней пористости методом RF в интервале кровля – подошва нижней части парфеновского горизонта. Шкала показывает прогнозную пористость от 20% (красный цвет) до 12% (синий цвет). На рис. 9 приведены результаты устойчивости прогноза в виде сравнения предсказанной пористости вдоль скважин (рис. 8) (красные кривые) и построенной по данным ГИС после пространственного осреднения (зеленые кривые). Результаты демонстрируют хорошую сходимость результатов прогноза по скважинам. Отметим, что прогноз строится сразу для всего объема геологического пространства, разбитого на элементарные объемные ячейки (воксели). Этот прогноз, как демонстрируют примеры на рис. 6‒10, отличается высокой детальностью и геологической информативностью.

 

Рис. 6. Сравнение прогноза рапопроявления в интервале бильчирского горизонта КГКМ методом рассеянных волн [19] и методом MLP на основе атрибутов RTH и данных бурения (б). Красный цвет – максимальная вероятность (0.4), синий цвет – минимальная вероятность.

 

Рис. 7. Прогноз методом RF по атрибутам RTH и данным бурения газопроявлений в христофоровско-балыхтинском горизонте КГКМ. Красный цвет – максимальная вероятность (0.25), синий цвет – минимальная вероятность. Среднее значение вероятности 0.018, отклонение 0.23.

 

Рис. 8. Прогноз методом RF по атрибутам RTH и данным бурения в надпарфеновском диапазоне свит флюидопроявления (а). Красный цвет – максимальная вероятность (0.7), синий цвет –минимальная вероятность. Среднее значение вероятности 0.059, отклонение 0.64. Схема профиля на участке КГКМ (б).

 

Рис. 9. Прогноз средней пористости методом RF в интервале кровля – подошва нижней части парфеновского горизонта по атрибутам RTH и данным бурения. Цветовая шкала от 20% пористости (красный цвет) до 12% (синий цвет).

 

Рис. 10. Сравнение средней пористости в нижней части парфеновского горизонта, предсказанной методом RF по атрибутам RTH (красный) и построенной по данным ГИС после пространственного осреднения (зеленый) для ряда скважин. Шкала по вертикали – номер вокселя вдоль ствола скважин. Размеры вокселя 25х25х5 м. Скважина, выделенная синим цветом, не участвовала в обучении.

 

ЗАКЛЮЧЕНИЕ

В работе представлены результаты тестирования нового метода обработки сейсмических данных RTH и прогноза флюидо- и рапопроявлений на его основе на одном из участков интенсивного рапопроявления с АВПД КГКМ. В ходе обработки и интерпретации, с использованием нового метода, уточнено геологическое строение осадочного чехла, построены структурные карты по пяти горизонтам, выполнен анализ скоростных RTH-атрибутов по целевым интервалам геологического разреза, выделены зоны деструкций, связанные с разломно-блоковой тектоникой, закартированы флюидонасыщенные трещинные зоны, в том числе рапонасыщенные с АВПД и с открытой трещиноватостью. На основе комплексирования методами искусственного интеллекта новых сейсмических атрибутов RTH и данных бурения дан вероятностный прогноз газо-, рапо- и флюидопроявлений в надпарфеновском интервале глубин, а также пористости и проницаемости в нижней части парфеновского горизонта. Показана высокая эффективность использования новых атрибутов как в рамках традиционного графа сейсмической интерпретации, так и в расширенном графе, включающем прогноз геологической среды с использованием методов контролируемого обучения на основе нейронных сетей.

БЛАГОДАРНОСТИ

Авторы выражают благодарность В. М. Брыксину, С. Н. Сергееву, Р. В. Симонову и С. А. Шевченко за помощь в расчетах и оформлении, НИЦ “Курчатовский институт” за предоставление вычислительных ресурсов и ООО “Газпром ВНИИГАЗ” за предоставление геолого-геофизической информации.

ИСТОЧНИКИ ФИНАНСИРОВАНИЯ

Работа поддержана ООО “ГИРС–М”.

Об авторах

А. С. Бугаев

Институт радиотехники и электроники им. В. А. Котельникова Российской Академии наук

Email: Gerokhin@kantiana.ru

академик РАН

Россия, Москва

Г. Н. Ерохин

Балтийский федеральный университет им. И. Канта

Автор, ответственный за переписку.
Email: Gerokhin@kantiana.ru
Россия, Калининград

С. А. Рябых

ООО “ГИРС–М”

Email: Gerokhin@kantiana.ru
Россия, Москва

А. С. Смирнов

ООО “Газпром ВНИИГАЗ”

Email: Gerokhin@kantiana.ru
Россия, Тюмень

Список литературы

Дополнительные файлы