A Machine Learning Based Approach for Electrofacies and Permeability Prediction in Heterogeneous Shaly Sand Reservoirs: A Case Study from the NEAG-5 Field, Egypt
تقدم هذه الدراسة سير عمل متكامل لتعلم الآلة يجمع بين نمذجة السحنات الكهربائية والبيانات المعدنية لتحسين دقة التنبؤ بالنفاذية بشكل كبير في مكامن الرمال الطينية غير المتجانسة في حقل NEAG-5 بمصر، وذلك من خلال ضبط التقديرات بناءً على أنواع صخور خزان متميزة بدلاً من استخدام علاقة واحدة شاملة للحقل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تقبع تحت الصحراء الغربية في مصر معضلة جيولوجية لطالما تحدت المهندسين الذين يحاولون استخراج النفط المحبوس بداخلها. إن التكوين الصخري المعني، والمعروف باسم "ميدل بهارية" (Middle Bahariya)، هو خزان رملي طفلي، وهو مزيج معقد من حبيبات الرمل والمعادن الطينية. لعقود من الزمن، كانت الطريقة القياسية لتقدير مدى سهولة تدفق النفط عبر مثل هذه الصخور هي قياس مساميته، وهي ببساطة مقدار المساحة الفارغة داخل الصخر. كان المنطق بسيطاً: فالمزيد من المساحة الفارغة يعني تدفقاً أسهل. ومع ذلك، في هذه الخزانات المصرية المحددة، غالباً ما تفشل هذه القاعدة البسيطة. فقد وجد الباحثون أن عينتين من الصخور يمكن أن تمتلكا نفس مقدار المساحة الفارغة تماماً، ومع ذلك تسمح إحداهما للنفط بالتدفق بسرعة بينما تعمل الأخرى كجدار صلب. يحدث هذا لأن نوع وترتيب المعادن الطينية داخل الصخر يمكن أن يسد الأنفاق الصغيرة، أو "أعناق المسام"، التي تربط المساحات الفارغة ببعضها. ومن دون وسيلة للتنبؤ بهذه الانسدادات الخفية، تواجه شركات النفط صعوبة في معرفة أين تحفر أو كمية النفط التي قد تستعيدها بالفعل.
في دراسة حديثة ركزت على حقل (NEAG-5)، سعى فريق من الباحثين بقيادة محمد كساب لحل هذه المشكلة من خلال النظر إلى ما وراء القياسات البسيطة للمساحة الفارغة. لقد جمعوا بين تحليل الصخور التقليدي وتقنيات التعلم الحاسوبي الحديثة لفهم سبب تدفق النفط بشكل جيد في بعض أجزاء الخزان وعدم تدفقه في أجزاء أخرى. بدأ الفريق بفحص عينات فيزيائية من الصخور، تُعرف باسم "اللب الصخري" (core plugs)، تم أخذها من بئر في الحقل. وقاموا بقياس مسامية الصخر ونفاذيته، وهي قدرة الصخر على نقل السوائل. كما استخدموا التصوير المتقدم والتحليل الكيميائي لمعرفة ماهية المعادن الموجودة وكيفية ترتيبها بدقة. وما اكتشفوه هو أن الصخر لم يكن متجانساً؛ بل انقسم بدلاً من ذلك إلى أربع فئات متميزة، أو أنواع صخرية، لكل منها شخصيتها الفريدة. فالصخر الأفضل جودة كان يحتوي على كمية قليلة جداً من الطين واتصالات واسعة ومفتوحة بين مسامه، مما يسمح للنفط بالتدفق بحرية. أما الصخر الأقل جودة فكان مسدوداً بمعادن طينية محددة قامت بتبطين المسام والجسر عبرها، مما أدى فعلياً إلى سد مسارات النفط.
أدرك الباحثون أن صيغة واحدة لا يمكنها وصف الخزان بأكłمله لأن الصخر كان شديد التباين. ولإصلاح ذلك، لجأوا إلى طريقة تعلم آلي تسمى "الخريطة ذاتية التنظيم المفهرسة والمحتملة" (indexed and probabilized self-organizing map). عمل هذا البرنامج الحاسوبي كآلة فرز متطورة، حيث قام بتحليل البيانات المستمدة من سجلات الآبار القياسية — وهي قياسات الخصائص الكهربائية والكثافة الطبيعية للصخر — لتحديد نوع الصخر الموجود عند أي عمق من الأنواع الأربعة. ومن خلال تدريب الكمبيوتر على العينات الصخرية الفيزيائية التي يعرفونها بالفعل، علم الفريق الحاسوب كيفية التعرف على الأنماط الخفية في السجلات التي تتوافق مع أنواع الصخور المختلفة. وبمجرد أن استطاع الكمبيوتر التمييز بين الصخور عالية الجودة ومنخفضة الجودة في البئر الذي أُخذ منه اللب، طبقوا هذه المعرفة على بقية الحقل، بما في ذلك الآبار التي لم تُؤخذ منها عينات صخرية فيزيائية. سمح لهم ذلك بإنشاء خريطة مفصلة لقدرة التدفق في الخزان، والتنبؤ بالنفاذية بناءً على نوع الصخر المحدد بدلاً من مجرد إجمالي المساحة الفارغة.
كانت نتائج هذا النهج تمثل تحسناً كبيراً مقارنة بالطرق السابقة. فعندما استخدم الفريق صيغة واحدة عامة للحقل بأكمله، كانت تنبؤاتهم تخطئ بهامش واسع، مع معدل خطأ إحصائي ترك مجالاً كبيراً لعدم اليقين. ومع ذلك، عندما فصلوا البيانات إلى الأنواع الصخرية الأربعة وطبقوا تنبؤاً مخصصاً لكل مجموعة، قفزت الدقة بشكل كبير؛ حيث انخفض معدل الخطأ بشكل ملحوظ، وأصبح الارتباط بين القيم المتوقعة والفعلية أقوى بكثير. وأكدت الدراسة أن وجود المعادن الطينية مثل الإليت (illite)، والكاولينيت (kaolinite)، والسميكتيت (smectite) كان المحرك الرئيسي للاختلافات في التدفق. ففي أفضل أنواع الصخور، كانت هذه الطينات شبه غائبة، بينما في أسوأ أنواع الصخور، كانت تشكل ما يقرب من نصف حجم الصخر، مما أدى إلى خنق التدفق.
يوضح هذا العمل أن فهم التركيبة المعدنية المحددة للخزان لا يقل أهمية عن قياس مساحته الفارغة. ومن خلال ربط الخصائص الفيزيائية للصخر بتركيبته المعدنية واستخدام التعلم الآلي لتحديد هذه الأنماط في سجلات الآبار، قدم الباحثون طريقة أكثر موثوقية للتنبؤ بمكان تدفق النفط. يتيح هذا الأسلوب للمهندسين توسيع المعلومات التفصيلية المستمدة من عدد قليل من العينات الصخرية لتشمل الحقل بأكمله، مما يخلق صورة أوضح للمشهد الجوفي. وتشير النتائج إلى أنه بالنسبة للخزانات غير المتجانسة مثل حقل (NEAG-5)، فإن التعامل مع الصخر كمجموعة من الأنواع المتميزة بدلاً من كتلة واحدة موحدة هو المفتاح للتنبؤ الدقيق. ويقدم هذا النهج مساراً عملياً للمستقبل لتوصيف الخزانات المعقدة المماثلة حول العالم، مما يضمن أن القرارات المتعلقة بالحفر والإنتاج مبنية على فهم واقعي للطبيعة الحقيقية للصخر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.