Представлен обзор применений современной технологии цифрового анализа керна на различных этапах проектирования разработки месторождений жидких углеводородов. Описаны возможности и преимущества цифрового анализа керна как расширения и дополнения лабораторных исследований. Приведены примеры расчетов для пластовых систем на поровом уровне.
Современный этап развития средств и методов разработки месторождений жидких углеводородов сопровождается взаимосвязанными тенденциями к росту детальности описания геологических
и гидродинамических моделей на основе высокопроизводительных вычислительных систем и повсеместному внедрению цифровых подходов для принятия решений на всех технологических этапах. Процесс цифровизации затронул все аспекты информационного обеспечения проектирования разработки, включая получение и последующее использование результатов исследований керна.
В настоящей статье дан обзор нового и быстро развивающегося комплекса цифровых технологий для исследования коллекторов нефти и газа, которые объединяются общим понятием «цифровой анализ керна».
В связи с тем, что различные коллективы вкладывают разное содержание в это понятие, целесообразно уточнить, что конкретно под этим подразумевается.
Цифровой анализ керна (ЦАК) – комплекс экспериментальных и вычислительных средств исследования пород-коллекторов нефти и газа для определения физико-химических и гидродинамических характеристик на поровом
уровне. ЦАК включает три составляющие:
• построение трехмерной цифровой модели породы высокого разрешения и исследование ее геометрических и минералогических свойств;
• создание цифровых моделей поведения пластовых флюидов на микроуровне, включая взаимодействие «флюид-флюид» и «флюид-порода»;
• расчет гидродинамических и петрофизических свойств посредством численного моделирования на поровом уровне.
Рассмотрим эти три части более детально.
Первым этапом ЦАК является построение цифровой модели образца горной породы, которая должна с нужной детальностью отражать свойства изучаемой породы. В первую очередь речь идет о геометрии минерального
скелета и пустотного пространства. Очевидно, что искажение геометрии может приводить к существенным ошибкам в определении свойств пористой среды, например фильтрационно- емкостных. За прошедшую
пару десятилетий основным методом построения цифровой модели керна стало получение трехмерного изображения внутренней структуры образца с последующим выделением геометрии пустотного пространства путем цифровой обработки методами машинного зрения. В подавляющем большинстве работ для получения
изображения используется метод рентгеновской микротомографии (рис. 1).
Метод оказался достаточно уникальным с точки зрения доступности, просвечивающей способности, трехмерного пространственного разрешения на уровне единиц микрон, а иногда и десятых долей, и при
этом допустимо сканирование образца без его разрушения.
В зависимости от масштаба исследуемой проблемы используются также и другие методы. Так, изучение систем с пространственным разрешением 10 – 50 нм осуществляют с помощью метода растровой электронной микроскопии с фокусированным ионным пучком (ФИП-РЭМ или FIB‑SEM, focused ion beam – scanning electron
microscopy, рис. 2).
Более крупномасштабные задачи (например, моделирование на полноразмерном керне) могут быть решены с помощью изображений медицинской или промышленной компьютерной томографии с разрешением
более 100 мкм. Здесь мы кратко рассмотрим лишь процедуру создания модели по данным рентгеновской микротомографии. Результатом микротомографической съемки и процедуры реконструкции является трехмерное распределение локальных коэффициентов ослабления рентгеновского излучения, которые в первую очередь зависят от энергии пучка, массовой плотности и химического состава породы в точке. Само восстановленное распределение коэффициентов поглощения в образце горной породы еще не является цифровой моделью. Для того, чтобы трехмерное микротомографическое изображение могло служить моделью для численных расчетов, необходимо провести процедуру его сегментации. В ходе сегментации всем элементам изображения (вокселям) присваивается определенный атрибут (номер сегмента), объединяющий воксели в подклассы,соответствующие областям с близкими свойствами.
Например, для расчета абсолютной проницаемости мономинеральной пористой среды достаточно
выделить две подгруппы – «поры» и «минеральная матрица» (рис. 3).
Наиболее простым и быстрым способом сегментации изображений является метод глобального порога. В случае сегментации на два класса (бинаризация) его суть сводится к тому, что все воксели, значение
в которых меньше некоторого порога, приобретают одно значение (например, «0»), а остальные воксели – другое (например, «1»). Применимость такого подхода ограничена случаями высокого контраста
между интересующими фазами.
Кроме того, отождествление каждого элемента изображения поре либо минеральному скелету обоснованно лишь в условиях достаточно высокого пространственного разрешения, при котором большинство вокселей
соответствуют однородным объемам, т.е. содержат внутри лишь одну из фаз. Существуют и более сложные адаптивные локальные алгоритмы бинаризации (сегментации), включая ряд алгоритмов, основанных
на машинном обучении.
Как уже было упомянуто выше, бинарная модель применима в случае достаточного пространственного разрешения, а также при отсутствии необходимости картирования дополнительных свойств образца помимо геометрии.
В ряде задач эти условия не выполняются. В таких случаях решается более общая задача классификации изображения. Простейшим примером является выделение областей (частично) неразрешенной пористости.
В дополнение к значениям в вокселях изображения анализируются локальные текстурные особенности, что
позволяет построить цифровую модель с тремя классами областей: области с разрешенной и неразрешенной пористостями, а также полностью непроницаемые зоны. Другим примером небинарных цифровых моделей
может служить трехмерная минеральная модель. В компании Шлюмберже применяется подход совместного анализа данных рентгеновской микротомографии и электронной микроскопии с рентгеновским энерго-дисперсионным анализом. В этом случае двумерная минеральная карта, полученная на электронном микроскопе, используется в качестве истинной разметки соответствующего слоя микротомографического изображения того же образца. Далее специальный алгоритм, основанный на глубоких нейронных сетях,
позволяет построить трехмерное распределение минералов в образце горной породы (рис. 4).
Ввиду технических ограничений работы современной аппаратуры, используемой при построении цифровой модели образца горной породы, физические размеры такого образца («мини-керна») редко превышают 10 – 20 мм.
Поэтому удачный отбор репрезентативной коллекции образцов при ограниченном бюджете является нетривиальной задачей. Разработаны технологические решения, предназначенные для решения этой задачи путем автоматизированного описания имеющихся керновых данных. Помимо предсказывающих моделей, позволяющих классифицировать литотипы и прогнозировать петрофизические свойства породы, методика
предусматривает формирование наборов кривых с заданным шагом по глубине, содержащих как информацию об исходных фотографиях керна, так и производную информацию, полученную в результате обработки изображений.
Наличие таких кривых предполагает возможность использования информации, полученной с фотографий
керна на разных этапах обработки и интерпретации геолого-геофизических данных.
Предсказывающие модели обучают на ограниченном наборе изображений керна.
После обучения модель обобщает петрофизические свойства и описания на объекты исследования, не участвовавшие в построении модели.
На рис. 5 представлена общая схема обработки и анализа фотографий керна, включающая этапы первичной обработки изображений для формирования кривых-предикторов, а также шаги, необходимые для решения
прикладных задач.
Второй составляющей ЦАК является формирование цифровых моделей пластовых флюидов для описания
гидродинамических, физических и химических процессов на поровом уровне. Объем и содержание этих моделей определяются конкретными задачами, которые должны решаться с помощью ЦАК в данных проектах, и уровнем детализации при описании рассматриваемых процессов и явлений. Так, в компании Шлюмберже
для моделирования явлений в порах используется теория функционала плотности, когда энергия Гельмгольца или энтропия пластовой системы явным образом представляется в виде функционала, зависящего от трехмерных полей химических компонентов поровых флюидов. Естественно, что важнейшей частью
цифровой модели пластового флюида является аналитическое выражение этого функционала.
Далее, необходимо иметь параметры динамических процессов: коэффициенты вязкости, коэффициенты диффузии и проч.
В целом формирование цифровых моделей флюидов можно представить в виде совокупности следующих действий: а) лабораторных исследований физико-химических, термодинамических, реологических свойств
пластовых флюидов и агентов воздействия, б) лабораторных исследований взаимодействия пластовых флюидов и агентов воздействия с породами месторождения, в) анализа, обработки и преобразования лабораторных данных в цифровой формат, соответствующий используемым программам численного моделирования гидродинамических и петрофизических процессов.
После построения цифровых моделей породы и флюидов ЦАК предоставляет возможность расчета гидродинамических и петрофизических характеристик посредством численного моделирования на поровом уровне.
В компании Шлюмберже для решения этих задач используется программный комплекс DHD (DirectHydroDynamics). DHD является композиционным многофазным гидродинамическим симулятором, основанным на методе функционала плотности в гидродинамике [1]. Создание DHD имеет длительную историю:
начало было положено еще в 1995 году, когда были сформулированы основные теоретические положения описания процессов в порах, реализованные впоследствии в численных моделях. За более чем 25 лет
развития была проделана большая работа по численным реализациям различных процессов в порах
горных пород, сопровождавшаяся тщательным тестированием и валидацией проводимых расчетов [2]. Современные возможности программного комплекса DHD отражены в таблице 1.
Необходимо подчеркнуть,что несмотря на широкий диапазон физических ситуаций, охватываемых
программным комплексом DHD, используемый подход к описанию этих ситуаций является универсальным. Это означает, что для всех процессов работает одно и то же расчетное ядро с подключением специфических термодинамических и реологических модулей. Также следует отметить, возможности моделирования на поровом уровне соответствуют требованиям по детальности описания пластовых процессов при разработке
месторождений жидких углеводородов, т.к. включают возможность учета детального состава фаз (нефти, газа, воды), капиллярного давления, реологии, смачиваемости (гидрофильной гидрофобной, смешанной), фазовых переходов для газоконденсатов и летучих нефтей.
ЦАК не является заменой лабораторных исследований керна, но позволяет существенно расширить и дополнить лабораторную информацию за счет численных экспериментов. Возможные применения ЦАК на разных этапах проектирования разработки месторождений жидких углеводородов представлены в
таблице 2. Отметим также некоторые ключевые преимущества использования ЦАК:
1) Расширение и дополнение возможностей лабораторных исследований за счет многократных цифровых экспериментов без изменения объектов исследования:
• сравнительный анализ эффективности агентов МУН в одинаковых условиях,
• оптимизация воздействия на пласт на поровом уровне,
• минимизация расхода кернового материала,
• экономия ресурсов (пример: получение ОФП в 10 – 50 раз быстрее).
2) Повышение информативности керновых исследований:
• распределение флюидов в порах при гидродинамических и петрофизических исследованиях,
• расширение программы исследований за счет цифровых экспериментов,
• влияние литологических особенностей поровой структуры на нефтеотдачу.
3) Исследование пластовых процессов, не реализуемых в лабораторных условиях:
• низкопроницаемые породы,
• слабосцементированные коллекторы,
• возможность задания пластовых условий и реальных свойств флюидов,
• возможность расчета насыщенности в геологических условиях.
Рассмотрим несколько конкретных примеров применения ЦАК.
Пример 1. Создание остаточной водонасыщенности является первым шагом большинства более сложных сценариев моделирования. В лаборатории остаточная водонасыщенность обычно создается путем дренажа
углеводородной фазы, либо путем центрифугирования.
При численном моделировании возможно воспроизвести оба этих подхода. Дополнительно моделирование позволяет создавать распределение фаз, лучше соответствующее геологическим условиям путем
нахождения глобального минимума энергии Гельмгольца.
На рис. 6 показано распределение фаз воды и нефти, полученное при помощи численного моделирования
дренажа на цифровой модели гидрофильного песчаника с пористостью около 22 % и проницаемостью около 100 мД.
