Результат интеллектуальной деятельности: Способ прогноза открытой пористости в пространстве между скважинами

Изобретение относится к области технической физики, а именно - к разведочной геофизике, и может быть применено для уточненной оценки потенциала месторождений углеводородов и геотермальной энергии.

Известен способ определения коэффициента эффективной пористости на образцах керна (RU, патент 2483291 опубл. 27.05.2013), включающий высушивание образца до постоянной массы, насыщение под вакуумом моделью пластовой воды, создание в образце остаточной водонасыщенности путем вытеснения воды вытесняющим флюидом (воздухом, газом, керосином, моделью нефти) до прекращения выхода воды за счет центрифугирования при максимальных оборотах или за счет создания максимального давления в капилляриметре с полупроницаемой мембраной, причем используют для измерений образец после экстракции растворителями или после экстракции неагрессивным агентом или промытый неэкстрагированный образец; полностью насыщенный моделью пластовой воды образец взвешивают в модели пластовой воды и в вытесняющем флюиде; после создания остаточной водонасыщенности образец взвешивают в вытесняющем флюиде и определяют коэффициент эффективной пористости по соотношению разницы веса образца, полностью насыщенного моделью пластовой воды в вытесняющем флюиде, и веса образца, насыщенного вытесняющим флюидом и остаточной водой, к разнице веса полностью насыщенного образца в вытесняющем флюиде и веса полностью насыщенного образца в пластовой воде.

Известен также способ прогнозирования фильтрационных свойств нижнемеловых отложений в межскважинном пространстве по данным сейсморазведки (Копилевич Е.А., Сурова Н.Д. Методика прогнозирования фильтрационно-емкостных свойств коллекторов по данным сейсморазведки. Геофизика. 2012. №1. С. 20-26) на примере Ванкорского месторождения. Методика основана на установлении регрессионной зависимости между сейсмическими атрибутами и коэффициентом пористости в пробуренных скважинах и последующем использовании нейросетевого подхода для обучения сети и прогнозирования искомой пористости по данным сейсморазведки.

Оба эти подхода имеют ряд недостатков, которые могут приводить в потере точности оценок и, как следствие, к ошибкам в определении потенциала запасов.

К недостаткам первого подхода относится то, что при этом оценка пористости производится только по глубине самой скважины и, следовательно, сама по себе не может быть использована для ее надежного прогноза вне скважин.

К недостаткам второго подхода следует отнести то, что, во-первых, результаты сейсмотомографии усреднены по объему и, в целом, имеют плохое разрешение по вертикали; во-вторых, точность оценок резко падает, если разрез имеет сложную геометрию; в-третьих, использование сейсмических атрибутов, максимально коррелирующих с немногочисленными скважинными данными по пористости, может приводить к ошибкам прогноза в других геолого-геофизических условиях вне скважин.

Наиболее близким аналогом разработанного технического решения можно признать (Спичак В.В. и Захарова О. К. "Прогноз пористости на глубину ниже забоя скважин по данным электромагнитных зондирований и электрокаротажа". Физика Земли, 2015, №6, с. 57-63), где исследовали принципиальную возможность прогноза коэффициента открытой пористости на глубины ниже забоя скважин по данным электрокаротажа и результатов инверсии магнитотеллурических данных в районе Сульц-су-Форе (Франция).

Было показано, что применение нейросетевого подхода теоретически позволяет делать достаточно точный прогноз пористости на глубинах, превосходящих глубину скважин, по результатам электромагнитных зондирований на этих глубинах. В то же время, разработанный способ позволяет делать прогноз пористости только на глубины ниже забоя скважин и не позволяет ее оценивать в пространстве между скважинами.

Техническая проблема, для решения которой предназначен разработанный способ, состоит в создании прогноза пористости в пространстве между скважинами по данным каротажа пористости и электрокаротажа в пробуренных скважинах, а также результатам электромагнитного зондирования в их окрестности и в точке прогноза.

Технический результат, достигаемый при реализации разработанного способа, состоит в построении прогнозного профиля пористости в заданной точке на глубинах от поверхности до целевой глубины.

Для достижения указанного технического результата предложено использовать разработанный способ прогноза открытой пористости в пространстве между скважинами. Согласно разработанному способу на первом этапе по данным электромагнитного зондирования в пункте прогноза строят одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины; интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости и электрокаротажа в имеющейся скважине, а также удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в ее окрестности, на втором этапе обучают первую искусственную нейросеть на соответствии удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования на входе первой нейросети и данных электрокаротажа на ее выходе с использованием обученной первой искусственной нейросети, составляют прогноз электромагнитного каротажа сопротивления в точке прогноза от поверхности до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в окрестности скважины, на третьем этапе вторую искусственную нейросеть обучают на соответствии значений удельного электрического сопротивления электрокаротажа на ее входе и каротажа пористости на ее выходе с использованием второй обученной искусственной нейросети составляют прогноз пористости в точке прогноза от поверхности до целевой глубины по значениям электромагнитного каротажа сопротивления, построенного на первом этапе.

При реализации разработанного способа используют данные магнитотеллурического зондировании или данные электромагнитного зондирования, полученные методом переходных процессов.

Техническая проблема решена с использованием нейросетевого алгоритма построения прогнозного профиля пористости в заданном пункте между скважинами по данным геофизического исследования скважин и результатам одномерной инверсии данных электромагнитного зондирования в их окрестности и точке прогноза.

В дальнейшем сущность разработанного способа будет раскрыта на примере двух сважин, пробуренных на разных участках Бишкекского геодинамического полигона, с использованием графического материала, где на фиг. 1 приведены данные пористости для скважины 1, измеренные на кернах (ломаная линия), и синтезированные путем их аппроксимации (жирная линия), на фиг. 2 - данные пористости для скважины 2, измеренные на кернах (ломаная линия) и синтезированные путем их аппроксимации (жирная линия), на фиг. 3 - зависимость удельного электрического сопротивления от глубины в скважине 1: R_MT - результаты одномерной инверсии магнитотеллурических данных в окрестности скважины; R_w - электрокаротаж; - электромагнитный каротаж сопротивления, на фиг. 4 - зависимость удельного электрического сопротивления от глубины в скважине 2: R_MT - результаты одномерной инверсии магнитотеллурических данных в окрестности скважины; R_w - электрокаротаж; - электромагнитный каротаж сопротивления, на фиг. 5 - прогноз пористости (ϕ) в месте расположения скважины 1 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (R_MT); 2 - прогноз только по результатам инверсии магнитотеллурических данных (R_MT) с использованием формулы Арчи; 3 - прогноз по предлагаемому алгоритму; 4 - прогноз по данным электромагнитного каротажа с использованием формулы Арчи; 5 - прогноз по данным электрокаротажа (R_w); на фиг. 6 - прогноз пористости (ϕ) в месте расположения скважины 1 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (R_MT); 2 - прогноз только по результатам инверсии магнитотеллурических данных (R_MT) с использованием формулы Арчи; 3 - прогноз по предлагаемому алгоритму; 4 - прогноз по данным электромагнитного каротажа сопротивления с использованием формулы Арчи; 5 - прогноз по данным электрокаротажа (R_w)

В Табл. 1 приведены относительные ошибки (в %) прогноза пористости (ϕ) в местах расположения скважин 1 и 2 (в %) в зависимости от способа расчета.

Поставленная проблема решена с использованием алгоритма, основанного на использовании искусственных нейросетей "с учителем" (Хайкин С. Нейронные сети. 2-е изд., испр.: Пер. с англ. - М.: ООО «И.Д. Вильямс», 2006. - 1104 с.)

Разработанный способ реализуют следующим образом.

1. По данным электромагнитных (в частности, магнитотеллурических) зондирований в ближайшей окрестности пробуренной скважины строится одномерный профиль удельного электрического сопротивления (УЭС) до заданной прогнозной глубины (методы одномерной инверсии электромагнитных данных см. в (Жданов М.С. Теория обратных задач и регуляризации в геофизике. М.: Наука. 1992. - 710 с.)).

2. Данные каротажа пористости ϕ (z) (Фиг. 1-2), электрокаротажа R_w(z) и удельного электрического сопротивления R_MT(z) (Фиг. 3-4) предварительно интерполируются на одну и ту же сетку до глубины забоя (Zзабоя).

3. Искусственная нейросеть (ИНС-1) обучается на соответствии глубин z (<Zзабоя) и соответствующих УЭС R_MT.(z) (на входе) и данных электрокаротажа R_w (z) (на выходе).

4. С помощью обученной ИНС-1 делается прогноз электромагнитного каротажа сопротивления в точке прогноза от поверхности до целевой глубины Z_цели (на входе - z и R_MT (z), на выходе - (z)).

5. Вторая искусственная нейросеть (ИНС-2) обучается на соответствии глубин z и соответствующих УЭС электрокаротажа R_w. (z) в пробуренной скважине (на входе) и каротажа пористости ϕ(z) (на выходе).

6. С помощью обученной ИНС-2 делается прогноз пористости в точке прогноза от поверхности до целевой глубины Z_цели (на входе z, (z), на выходе ϕ(z)).

На Фиг. 5-6 и в Таблице 1 приведены результаты прогноза пористости в местах расположения скважин 1 и 2. Для тестирования алгоритма прогноз выполнялся по данным одной скважины в месте расположения другой и наоборот, а результаты сравнивались с исходными кривыми пористости во второй скважине. При этом прогноз по предложенному алгоритму (способ 3) дополнительно сравнивался со способами прогноза по данным электрического сопротивления, полученного по результатам электромагнитного зондирования в окрестности скважины (способ 1); электрического каротажа в самой скважине (способ 5), а также с применением формулы Арчи (Archie G.E. The electrical resistivity log as an aid in determining some reservoir characteristics // Amer. Inst. Mining Metall. Eng. Trans. 1942. V. 146. P. 54-62) к данным электрического сопротивления, полученному способами 1 и 5 (способами 2 и 4, соответственно).

Полученные результаты моделирования прогноза пористости позволяют заключить, что предварительный прогноз электрокаротажа в целевой точке ("псевдоэлектрокаротаж сопротивления") позволяет существенно повысить точность прогноза пористости по сравнению со всеми другими способами.