Ключевые слова: низкопористые карбонатные коллекторы, мультиметодный многозондовый нейтронный каротаж, искусственные нейронные сети, оценка характера насыщения, классификация геофизических данных.
Актуальность задачи
Исследования низкопористых карбонатных коллекторов являются одним из наиболее актуальных и сложных направлений в современной нефтегазовой геофизике. Их актуальность обусловлена тем, что значительная часть российских запасов углеводородов, особенно газа и газоконденсата, связана с карбонатными породами. После выработки запасов из традиционных высокопористых коллекторов, низкопористые (часто с общей пористостью менее 5–7 %, но с развитой трещиноватостью и кавернозностью) становятся основным объектом для поддержания добычи и прироста ресурсной базы.
Низкопористые карбонатные коллекторы характеризуются чрезвычайно сложным строением пустотного пространства, высокой неоднородностью, низкими проницаемостью и пористостью матрицы. Традиционные методы интерпретации данных геофизических исследований скважин (ГИС) и керна, разработанные для терригенных коллекторов, часто дают значительные погрешности в оценке насыщенности, что приводит к недооценке или переоценке запасов. Из-за низкой пористости и сильного влияния глинистой компоненты или вторичных минералов выделение эффективных нефтегазонасыщенных интервалов становится нетривиальной задачей, граница ВНК/ГВК может быть размытой [1].
Низкопористые карбонатные коллекторы, основная часть которых связана нижнепермскими и верхнедевонскими (франско-фаменскими) отложениями [2], являются одним из ключевых, но сложных объектов для поиска и разведки углеводородов в нефтегазоносных провинциях Республики Коми, значимость которого растет по мере выработки запасов из традиционных терригенных резервуаров.
Для коллекторов Коми низкая пористость обычно колеблется в диапазоне 2–7 %, редко достигая 10 %, что обусловлено высокой карбонатной чистотой, микрокристаллической структурой и цементацией. Основной прирост проницаемости и формирование фильтрационных каналов обеспечивается природной трещиноватостью (тектонической и литогенетической), что обеспечивает значительные дебиты скважин после кислотных обработок или ГРП [3], и кавернами растворения. Именно они превращают плотные карбонаты в продуктивные пласты.
Технология ММНК для оценки характера насыщения
Технология мультиметодного многозондового нейтронного каротажа (ММНК) [4] предназначена для исследования залежей газа и нефти с коллекторами сложного строения.
Свойство мультиметодности технологии ММНК выражается в том, что в ее аппаратуре реализованы методические возможности большинства методов стационарного нейтронного каротажа: 2ННК-Т, НГК, 3НГК-С, в комплексе с данными спектрометрического гамма-каротажа (СГК), и позволяет проводить исследование всеми этими методами за одну спуско-подъемную операцию, обеспечивая их сопряжение во времени и пространстве. Это повышает достоверность и точность определения коллекторских и литологических параметров по сравнению со стандартными однометодными модификациями многозондового нейтронного каротажа (МНК).
Свойство многозондовости заключается в том, что в технологии ММНК реализованы методические возможности пяти и более зондовых установок НК в широком диапазоне их длин (примерно от 20 до 80 см). Это дает возможность разноглубинного зондирования прискважинной зоны коллекторов (ПЗК) и определения характера радиального распределения текущего насыщения внутри ПЗК, что позволяет ранжировать продуктивные отложения по ФЕС и выявлять техногенные нарушения внутри ПЗК (заколонные перетоки, «пробки», скопления УВ и т.д.), т.е. многозондовость является физической предпосылкой для разделения эффектов, связанных с насыщением и техногенными изменениями в прискважинной зоне.
Преимуществом технологии ММНК является одновременное включение в ее состав методов нейтрон-нейтронного и нейтрон-гамма каротажа, что создает предпосылки не только для количественной оценки коэффициента нефтегазонасыщенности, но и для оценки характера насыщения продуктивных пластов и выделения среди них нефте- и газонасыщенных коллекторов.
Методика выделения нефтенасыщенных и газонасыщенных пластов по сопоставлению кривых нейтронного каротажа (ННК и НГК) основана на различной реакции этих методов на химический состав насыщающего пласт флюида, прежде всего на концентрацию водорода. Это позволяет эффективно разделять газонасыщенные и нефтенасыщенные интервалы в однородных по литологии коллекторах (чаще всего песчаниках).
Классическое правило (в однородном песчаном пласте, заполненном минерализованной водой) [5]: кривые ННК и НГК совпадают («сливаются»), а отклонения от совпадения указывают на изменение насыщения. В газонасыщенном пласте метод ННК показывает заниженные значения («отрицательная аномалия») из-за дефицита водорода в газе, в то время как метод НГК показывает значения, близкие к фоновым или слегка повышенные для породы без хлора, но основной эффект – относительное увеличение по сравнению с ННК. Визуально на диаграмме фиксируется положительное расхождение кривых НГК > ННК. В нефтенасыщенном пласте метод ННК показывает значения, близкие к истинной пористости, так как водородосодержание нефти сравнимо с водой (небольшое занижение возможно), метод же НГК дает пониженные значения относительно водонасыщенного пласта, так как хлора в нефти нет. Визуально на диаграмме формируется отрицательное расхождение ННК > НГК, однако этот признак может быть менее выражен, т.к. он более подвержен влиянию глинистости и минерализации воды.
Эти классические правила в низкопористых карбонатах с низкой минерализацией пластовых вод, особенно характерных для месторождений Республики Коми, осложнены следующими обстоятельствами.
-
Литологическая однородность: зависимость от постоянства литологического состава. В карбонатах (известняк, доломит) и глинистых породах интерпретация сложна, так как меняются физические свойства матрицы.
-
Минерализация пластовой воды: метод эффективен только при высокой минерализации пластовой воды (> 50–100 г/л). В пресной воде признак «НГК > ННК» для газа пропадает.
-
Глинистость: глины содержат связанную воду и собственные поглотители нейтронов, что может имитировать сигнал от воды или маскировать газ.
- Пористость: эффект расхождения отчетливо виден при пористости более 10–12 %. В низкопористых коллекторах (< 7 %) аномалия газа на ННК очень слабая, что затрудняет интерпретацию.
Исключая глинистость (т.к. карбонаты слабо заглинизированы), остальные факторы (литология, минерализация, пористость) серьезно осложняют интерпретацию, делая эффекты расхождения кривых минимальными, что приводит к необходимости применения машинных методов, которые позволяют выявлять неочевидные, нелинейные связи между данными ММНК для решения задачи разделения коллекторов по характеру насыщения. По сути, данная задача превращается в классическую задачу классификации (по классам «газ» и «нефть»), которая давно и успешно решается методами машинного обучения.
Искусственные нейронные сети для задач классификации
Задача классификации в машинном обучении заключается в отнесении объекта к одному из заранее заданных дискретных классов на основе вектора его признаков. В контексте интерпретации данных ММНК для низкопористых карбонатных коллекторов объектом выступает интервал пласта, а признаками – измеренные геофизические параметры (показания отдельных методов ММНК). Классами в такой постановке задачи являются типы насыщения (нефте‑ или газонасыщенный интервал, переходная зона и т.п.), а цель – построить правило, которое по сочетанию измерений ММНК автоматически определяет класс насыщения для каждого интервала.
Особенность классификации для низкопористых карбонатных коллекторов состоит в высокой неоднородности порового пространства и сложной геофизике отклика, когда стандартные пороговые критерии по отдельным каротажным кривым плохо работают, а границы между классами размыты. В таких условиях задача классификации носит вероятностный характер: одна и та же комбинация признаков может соответствовать разным типам насыщения, а «истина» задается по результатам ГИС в сочетании с данными испытаний, керна или геолого‑технологической информации.
Для задачи идентификации характера насыщения по данным ММНК в низкопористых карбонатных коллекторах искусственные нейронные сети (ИНС) оказываются эффективными по нескольким причинам [6].
- Нелинейность: ИНС приближают сложные нелинейные зависимости между входными признаками и классом насыщения, в то время как классические пороговые и линейные методы плохо описывают поведение каротажных кривых в карбонатах с низкой пористостью и вторичными типами пустотности.
-
Устойчивость к коррелированным признакам: показания методов ММНК часто сильно взаимосвязаны и содержат частично дублирующую информацию; ИНС способны перераспределять веса между признаками и выделять наиболее информативные их комбинаци
- Обучение на примерах: ИНС можно обучать непосредственно на реальных данных скважин с известным типом насыщения (по результатам испытаний, ГДИС, керна), что позволяет потенциально учесть комплекс геолого‑физических факторов, неявно присутствующих в каротажных кривых (литологию, трещиноватость, изменения минералогии и др.)
- Масштабируемость: при увеличении объема данных ММНК (по полю, блоку, пласту) и количества признаков архитектуру ИНС можно адаптировать, сохраняя возможность обобщения на новые скважины
В результате нейронная сеть выступает как обобщенный интерпретатор, который, будучи однажды обучен на репрезентативной выборке по месторождению, позволяет автоматизировать оперативную оценку характера насыщения по ММНК в новых скважинах.
Базовой моделью классификации является полносвязная нейронная сеть с одним скрытым слоем – вид искусственной нейронной сети, реализующий линейную модель классификации [7]. В классическом виде представляет собой набор входных нейронов (сенсорных элементов), соединенных с одним или несколькими выходными нейронами, каждый из которых вычисляет взвешенную сумму входов и пропускает ее через пороговую (ступенчатую) функцию активации.
Применительно к классификации характера насыщения по ММНК в низкопористых карбонатных коллекторах нейросеть обладает рядом преимуществ и недостатков.
Преимущества:
-
Простота реализации и интерпретации: линейная модель с небольшим числом параметров, легко реализуемая в современных программных продуктах и специализированных комплексах интерпретации ГИС.
- Низкие вычислительные затраты: обучение и применение нейросети не требуют больших вычислительных ресурсов, что позволяет использовать ее для оперативной интерпретации по мере поступления данных ММНК.
- Устойчивость при ограниченном объеме обучающих данных: небольшое количество параметров снижает риск переобучения при наличии ограниченного числа интервалов с достоверно известным типом насыщения.
Недостатки:
-
Ограниченность линейной разделимости: нейросеть корректно решает только линейно‑разделимые задачи.
- Чувствительность к выбору признаков и их масштабов: для получения устойчивого решения требуется аккуратная нормализация входных кривых и отбор информативных параметров.
В процессе обучения для модели критична корректная валидация, поскольку распределение признаков и насыщения может существенно меняться от скважины к скважине и от пласта к пласту. Для этого применяется разделение на обучающую, валидационную и тестовую выборки: данные ММНК и эталонные метки насыщения разделяются на независимые подмножества; обучение ведется на обучающей выборке, подбор гиперпараметров – по валидационной, окончательная оценка качества – по тестовой. Валидация является скважинно-ориентированной: для оценки обобщающей способности модели на новые скважины используется схема «исключение по скважине» – обучение на части скважин и тестирование на скважинах, не участвующих в обучении. Такая схема особенно показательна для задач интерпретации ГИС.
Обучение нейросети сводится к минимизации функции потерь, характеризующей расхождение между прогнозом и истинными метками насыщения. Для эффективного поиска оптимальных весов удобно использовать стохастический и мини‑батч градиентный спуск (SGD): обновление весов по одному или небольшим партиям примеров ускоряет обучение и позволяет выходить из неглубоких локальных минимумов.
Применение перечисленных подходов при построении и обучении нейросети позволяет получить достаточно надежную модель классификации характера насыщения низкопористых карбонатных коллекторов по данным ММНК, обеспечивающую требуемую точность и устойчивость интерпретации в полевых условиях.
Подготовка исходных данных для расчета (предобработка)
Для обучения выбранной модели нейронной сети необходимо подобрать исходные данные, включающие вектор входных данных для расчета (в данном случае это различные кривые нейтронного каротажа) и требуемый результат нейросетевого моделирования (т.е. соответствия каждой точки входного вектора искомому классу «газ» или «нефть»). В этом – отличие обучающей выборки от простого вектора данных: в ней должен быть задан правильный отклик нейросети на вариации входных данных.
В качестве данных для обучающей выборки были заданы результаты обработки ММНК по нефтегазоносным разрезам 10 скважин нескольких месторождений Республики Коми, которые были подтверждены апостериорными данными (результатами испытаний пластов, известным положением уровня газонефтяного контакта и т.д.). Пример входных данных приведен на рис. 1.
Для унификации всех каротажных кривых, обеспечения независимости от типа прибора и условий проведения измерений кривые необходимо нормализовать. Нормализация проводится по двум опорным пластам,
пласту глин, который за счет большого количества связной воды характеризуется минимальными показаниями нейтронного метода (ННК или НГК), а за счет большого количества глинистых минералов – максимальными показаниями ГК;
и непродуктивному, плотному, низкопористому пласту, который характеризуется максимальными показаниями нейтронного метода (ННК или НГК) и минимальными показаниями ГК.
РИСУНОК 1. Диаграммы методов ММНК
Т.к. в технологии ММНК используется большое число методов нейтронного каротажа, которые по-разному реагируют на насыщение пласта и различные помехи, появляется возможность построения такой их комбинации, которая была бы наиболее чувствительна к искомому параметру – характеру насыщения – при различных геолого-технических условиях. Наиболее четко степень влияния характера насыщения на искомый функционал показаний зондов ММНК отражает коэффициент корреляции. Таким образом, был выведен следующий функционал, который являлся одной из независимых переменных, подаваемых на вход нейронной сети:
, (1)
где ННКмз, ННКбз – нормированные показания малого и большого зондов ННК;
НГКбз – показания большого зонда НГК. В качестве двух других входных функционалов были выбраны кривые ННКмз и ГК, т.к. метод показывает степень заглинизированности отложений и влияния связной воды глин. Таким образом, вектор входных данных в нейросетевую модель примет вид
{ГК, ННКмз, J}. (2)
В идеальном случае, при построении кросс-плота от входных параметров (2), точки входного вектора (т.е. кванты каротажной кривой), соответствующие различным типам насыщения, должны обособиться в два отдельных класса («газ» и «нефть») в виде двух непересекающихся облаков точек. В реальности, из-за влияния различных помех, как геолого-технического, так и аппаратурного характера, эти облака пересекаются, т.к. некоторые точки одного класса попадают в зону другого и наоборот, но число таких точек невелико, и они могут попадать в любую область кросс-плота. Однако ядро каждого класса, с максимальной плотностью точек в нем, возможно выделить на кросс-плоте. Таким образом, для очистки входных данных от случайных точек удобно использовать их распределение по плотности, при этом те области, где наблюдается максимальная плотность точек одного класса, наиболее вероятно принадлежат данному классу, а те области, где плотность минимальна, с большой вероятностью ему не принадлежат. На этом принципе основан алгоритм KDE (Kernel Density Estimation) [8]:
, (3)
где:
P(x) – оценка плотности в точке x;
n – количество точек данных;
xi – сами точки данных;
K – функция ядра (гауссиан), которая определяет «вес» соседних точек.
После применения алгоритма к исходному набору точек, области, соответствующие различным классам, приняли следующий вид (рис. 2).
РИСУНОК 2. Кросс-плот входных параметров для обучения нейросети с разбивкой по классам (желтый – газ, коричневый – нефть)
Архитектура модели и ее обучение
Универсальной для задач классификации является неглубокая полносвязная нейронная сеть с одним скрытым слоем, оптимизируемая методом SGD [9], а ее архитектура зависит от размерности входного вектора параметров и числа классов, которые необходимо предсказать. Для задачи классификации измерений ММНК с оценкой характера двухфазного насыщения газ/нефть алгоритм преобразования описывается следующим образом:
{ГК, ННКмз, J} -> {газ, нефть}. (4)
Это преобразование осуществляется посредством нейронной сети, в которой целевой переменной является тип класса (газ или нефть), а признаками – нормализованные показания зондов ММНК (ГК, малый зонд ННК и функционал показаний зондов J, описываемый соотношением (1)) с шагом квантования 0,1 м. Исходя из этого и определяется архитектура нейронной сети: входной слой с тремя нейронами, получающий на вход значение каждого признака; выходной слой с двумя нейронами с линейной активацией (по одному для каждого класса, принимающего значения 1, если признаки принадлежат этому классу, и 0, если не принадлежат). В соответствии с теорией нейронных сетей, число нейронов скрытого слоя должно быть минимум в два раза больше числа признаков, поэтому он содержит 6 нейронов с функцией активации ReLU (Rectified Linear Unit) для введения нелинейности и ускорения обучения.
После завершения обучения проводится финальная оценка на тестовой выборке, которую модель никогда «не видела». Количественная метрика на тестовой выборке показала, что при распознавании 1351 объекта класса «газ» точность составила 93 %, 297 объектов типа «нефть» – 98 %. Таким образом, обученная модель показала очень высокую точность, что позволяет надежно использовать ее для разделения признаков по характеру насыщения пласта. Критически важным этапом оказалась качественная подготовка и разметка данных, от которой зависит дальнейшая работоспособность модели. Общая блок-схема алгоритма представлена на рис. 3.
РИСУНОК 3. Блок-схема алгоритма расчета
Применение обученной модели для разделения газовых и нефтяных пластов
После обучения нейросетевой модели была проведена ее апробация на примере расчета ряда скважин нефтегазовых месторождений Республики Коми, в которых оценка характера насыщения не была подтверждена результатами испытаний. В скважине, представленной на рис. 4, уровень ГВК, полученный двумя способами, оказался на глубине х609 м, однако по нейросетевой модели была выделена переходная зона «газ + нефть» х600,5–х609 м, в которой значения не могут быть убедительно отнесены ни к одному из двух типов насыщения (рис. 4).
РИСУНОК 4. Оценка характера насыщения по данным ММНК на основе нейронных сетей
Заключение
Разработанный вычислительный алгоритм оценки характера насыщения по данным нейтронных и гамма зондов ММНК позволил выделить газонасыщенные и нефтенасыщенные интервалы в разрезах нефтегазовых скважин с низкопористыми карбонатными коллекторами на основе обученной для классификации данных по классам «газ» и «нефть» полносвязной нейронной сети. Измерения, которые с равной долей вероятности могут принадлежать к каждому из двух классов, отнесены к переходной зоне со смешанным насыщением.
Перспективным направлением развития методики является как расширение объема обучающей выборки путем добавления скважин с других месторождений (что повысит достоверность моделирования), так и увеличение числа классов насыщения, для чего необходимо собрать обучающую выборку с большим числом выделенных насыщающих поры коллектора флюидов, достоверно подтвержденных результатами испытаний пластов.
Литература
1. Жагфаров Ф.Г., Халимов Э.М., Тагиров Б.И., Еремеева А.М., Хисамов Р.С. Критерии выделения и методы прогнозирования зон развития вторичных пустот в карбонатных коллекторах // Георесурсы. – 2018. – Т. 20. – № 3. – С. 166–172.
2. Геология и геохимия нефти и газа / Под ред. Б.А. Соколова. – М.: МГУ, 2012. – Гл. 5 (Нефтегазоносные провинции).
3. Лобов А.И., Юшкин А.А., Чураков В.С. Особенности геологического строения и нефтегазоносность карбонатных отложений франского яруса Тимано-Печорской провинции // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2018. – № 10. – С. 4–11.
4. Методические рекомендации по применению технологии и методики мультиметодного многозондового нейтронного каротажа (ММНК) для определения газонасыщенности пластов-коллекторов в обсаженных скважинах НГКМ и ПХГ / под ред. А.Л. Поляченко – 2-е издание, дополненное. М.-Тверь: ПолиПРЕСС, 2025. 250 с.
5. РД 153-39.0-072-01. Техническая инструкция по проведению геофизических исследований и работ приборами на кабеле в нефтяных и газовых скважинах [Текст]. – Введ. 2001-07-01. – М., 2002. – 218 с.
6. Галушкин А.И. Нейронные сети: основы теории: учеб. пособие. – М.: Горячая линия–Телеком, 2012. – 496 с.
7. Персептрон – возможности классификации образов, задача XOR
8. Говоров М., Бецоните Г., Гиенко Г. Исследовательское статистическое обучение для выбора оценок плотности ядра пространственных точечных паттернов // Transactions in GIS. – 2025. – Т. 29. – № 4. – Статья e70051. – DOI: 10.1111/tgis.70051.
9. Ботту Л., Кертис Ф.Э., Носедал Х. Методы оптимизации для крупномасштабного машинного обучения // Обзор Общества промышленной и прикладной математики. – 2018. – Т. 60. – № 2. – С. 223–311.
