Разработка автоматизированного подхода к уточнению геологического строения
мелкозалегающих залежей вязкой нефти на основе переинтерпретации
геофизических исследований скважин при помощи нейросетевого моделирования
Введение 7
1 Физико-географический очерк района месторождения 9
2 Геологическая изученность и нефтеносность 11
2.1 Стратиграфия 11
2.2 Тектоника 14
2.3 Гидрогеология 15
2.4 Нефтеносность 16
3 Методы и подходы к оценке литологии пластов по данным геофизических исследований
скважин 17
3.1 Литологическое расчленение разреза 17
3.2 Использование машинного обучения при решении задач геофизики 24
4 Разработка методики оценки литологии с применением нейросетевого моделирования 30
4.1. Предобработка и анализ входных данных 30
4.2 Создание обучающей выборки скважин 37
4.3 Разработка математического алгоритма 39
4.4 Обучение и оптимизация алгоритма 47
5 Апробация и применение разработанной методики 49
Заключение 56
Список использованных источников 58
Данная дипломная работа написана по материалам, собранным на производственной практике в НОЦ «Моделирование ТРИЗ» КФУ и посвящена уточнению геологического строения залежи с помощью автоматизации обработки скважинных данных посредством реализации алгоритма в виде программного кода.
Активно вводимые в разработку мелкозалегающие залежи высоковязких и сверхвязких нефтей Татарстана, рассматриваемые в качестве объекта исследований в данной работе, представлены преимущественно терригенными разностями горных пород.
На сегодняшний день активно ведется построение геоло-гидродинамических моделей мелкозалегающих залежей сверхвязких нефтей и особую актуальность приобретает вопрос повышения информативности, имеющейся исходной геологогеофизической информации.
Основным способом разработки подобных залежей является бурение горизонтальных скважин и закачка пара с целью прогрева и снижения вязкости сверхвязкой нефти (СВН). В данном случае большое значение приобретает уточнение геологического строения (литологическое расчленение разреза) таких залежей для корректного заложения скважин и повышения эффективности разработки в целом.
Литологическое разбиение традиционно проводится на основе материалов ГИС и керна скважин. В процессе геологического моделирования происходит наполнение модели свойствами, имеющими пространственное распространение (определенные литологические типы, пористость, проницаемость, насыщенность и т.д.) на основе информации в окрестности скважин. Корректное разбиение на различные литологические типы принципиально важно, т.к. определяет выбор петрофизической зависимости для расчета одних фильтрационно-ёмкостных свойств (ФЕС) из других и позволяет распределять литотипы и зоны изменения значений ФЕС в объеме модели с учетом процессов, влияющих на свойства геологического тела за всю историю его существования.
Несмотря на высокие коллекторские свойства и значительные мощности продуктивных отложений, сложенных средне- и слабосцементированными песчаниками, строение таких залежей осложнено низкопроницаемыми уплотненными прослоями, имеющими мощность от 10 сантиметров до метра, слабо выделяемыми на основе геофизических исследований скважин. Выделение подобных прослоев вручную возможно при использовании значительного объема кернового материала, что имеет место для мелкозалегающих залежей (МЗЗ) сверхвязкой нефти (СВН).
Основная цель данной работы состоит в уточнении геологического строения мелкозалегающих залежей вязких нефтей и типизации разреза песчаной пачки шешминского горизонта, являющегося основным продуктивным горизонтом в залежах вязких нефтей Татарстана. Данная цель будет достигнута путем разработки автоматизированной методики уточнения подхода к интерпретации ГИС на основе имеющихся данных по геологическому описанию и петрофизических исследований керна.
Новизна данной работы заключается в использовании современных алгоритмов машинного обучения при решении задачи уточнения подхода к интерпретации ГИС при использовании значительного объема керновых данных, представленного для мелкозалегающих залежей. Разработанный алгоритм в дальнейшем может быть использован на подобных объектах, с целью оперативной и более качественной переинтерпретации материалов ГИС, что в свою очередь позволит детализировать геологические модели.
Таким образом, в работе ставится задача создания автоматизированного алгоритма, который бы позволил использовать потенциал машинного обучения для выявления особенностей геологического строения с целью последующего уточнения и детализации геологической модели.
В процессе работы были использованы программы: Microsoft Office (Word, Excel, PowerPoint), CorelDRAW, Paint, Petrel, интерпретатор Python 3.5.2. В процессе написания работы была использована опубликованная и фондовая литература.
1 Физико-географический очерк района месторождения
Нижне-Кармальская залежь тяжелых сверхвязких нефтей территориально расположена над Черемшанским нефтяным месторождением (рисунок 1.1).
В административном отношении Нижне-Кармальское поднятие находится в северной части Черемшанского района Республики Татарстан, вблизи деревень Верхняя Кармалка, Туйметкино. Районный центр город Черемшан — находится в 10 км к югозападу от поднятия. Ближайшая железнодорожная станция Шентала Самарского отделения железной дороги расположена в 35 км к югу в соответствии с рисунком 1. В средней части поднятия проходит шоссе Альметьевск-Нурлат. Населенные пункты в районе Нижне-Кармальского поднятия соединены между собой асфальтированным шоссе и грунтовыми дорогами.
В экономическом отношении Нижне-Кармальское поднятие находится в благоприятных условиях вблизи разрабатываемых Беркет-Ключевского, Лангуевского и Черемшанского месторождений нефти.
В орографическом отношении поднятие расположено в пределах восточной части Западного закамья, в бассейне среднего течения р. Шешмы. Тип рельефа, согласно схеме геоморфологического подразделения, аккумулятивно-структурный, характеризуется сглаженными, увалистыми формами, относительно небольшими абсолютными отметками (80-240 м) и слабо расчлененной сетью неглубоких речных долин и овражно-балочных врезов. Почвы в районе месторождения черноземистые, оподзоленные. Основная часть площади занята под посевы и пастбища, лесные массивы встречаются небольшими участками с преобладанием лиственных пород деревьев - березы, осины и др. Кроме залежей нефти в районе выявлены мелкие месторождения стройматериалов - известняка, щебня, гравия, песков, глин.
В рамках данной работы были рассмотрены литературные источники с целью определения текущего состояния проблемы литологического расчленения разрезов скважин на мелкозалегающих залежах сверхвязких нефтей.
На основе литературного обзора были определены направления, в рамках которых возможно внедрение автоматизированных подходов к интерпретации керновых данных и ГИС на основе машинного обучения.
Существующий стандартный подход к прослеживанию геологических тел на основе детальной корреляции имеет ограниченное применение в решаемом вопросе, т.к. уплотненные прослои на нашем объекте зачастую обусловлены диагенетическими преобразованиями, не имеющими площадного распространения. Получение распределения литотипов в разрезе скважин и дальнейшее распространение
полученных свойств в объеме геологической модели позволит повысить эффективность процесса анализа и проектирования разработки МЗЗ СВН.
На основе имеющихся данных по мелкозалегающей залежи сверхвязкой нефти в Республике Татарстан была подготовлена обучающая выборка в количестве 67 скважин, содержащая данные результатов исследования керна и материалы геофизических исследований скважин.
Был разработан подход на основе программного алгоритма, включающий использование нейросетевого моделирования при подготовке данных и для
последующей интерпретации с целью литологического расчленения разреза скважин. Была произведена подготовка данных, обучение и оптимизация программного алгоритма, и произведены прогнозные расчеты. Результаты расчетов были
экспортированы в формате *.las и загружены в ПО Petrel.
В результате работ на третьем этапе был доработан программный код на языке Python, содержащий следующие модули:
1. Модуль импорта входных данных (исследования керна, ГИС в формате .las, отбивки интервала интереса в формате .csv)
2. Модуль предподготовки входных данных - реализован алгоритм получения кривых синтетических значений керновых данных
3. Модуль извлечения числовых признаков,
4. Модуль проведения обучения с кросс-валидацией полученных результатов путем перебора обучающих и тестовых выборок из общей выборки скважин,
5. Модуль визуализации результатов.
6. Модуль экспорта результатов.
Литологические неоднородности, поиск которых по материалам ГИС с помощью машинного обучения является основной задачей данной работы, обусловлены как седиментационными факторами (прослои глин), так и диагенетическими преобразованиями (повышенная карбонатность в зонах ВНК). В связи с этим в данной работе было произведено разбиение разреза на литотипы для учета вторичных преобразований горных пород.
Разработанное программно-методическое решение сочетает в себе 2 основных преимущества: моделирование значений ФЕС и возможность выделения
литологических неоднородностей, выделение которых при использовании традиционных подходов представляется затруднительным и автоматизированную потоковую обработку большого количества скважин с возможностью использования на аналогичных объектах. Использование вероятности определения литотипа позволяет использовать результаты литологического расчленения в частности в качестве рекомендательной оценки при проверке результатов интерпретации.
Разработанный автоматизированный подход к переинтерпретации геофизических исследований скважин при помощи нейросетевого моделирования может быть применен в дальнейшем для других мелкозалегающих залежей с целью уточнения геологического строения.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
