Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

Tief unter der Erdoberfläche, in den riesigen Sedimentbecken, die die Energiereserven der Welt bergen, stehen Geologen vor einer hartnäckigen Herausforderung: Öl und Gas in Gestein zu finden, das sich weigert, es fließen zu lassen. Jahrzehntelang konzentrierte sich die Exploration auf poröse, schwammartige Reservoire, in denen sich Fluide leicht bewegen können. Heute, da diese leichten Ziele zur Neige gehen, richtet die Industrie ihre Aufmerksamkeit auf „Tight“-Reservoire. Dies sind Gesteinsformationen, in denen die Poren so klein und die Verbindungen zwischen ihnen so eng sind, dass das Öl oder Gas festgesetzt ist, was massive technische Anstrengungen erfordert, um es zu extrahieren. Die Identifizierung dieser Tight-Zonen ist schwierig, da die Werkzeuge, mit denen man unter die Erde blickt – lange Ketten von Sensoren, die in Bohrungen abgesenkt werden – oft verwirrende Signale liefern. Ein Gestein, das auf einer Sensorablesung wie ein gutes Reservoir aussieht, könnte in Wirklichkeit ein dichter, undurchlässiger Block sein und umgekehrt. Diese Mehrdeutigkeit macht es schwierig zu wissen, wo man bohren oder wo man Millionen von Dollar investieren soll, um das Gestein zu brechen und die Energie freizusetzen.

Im Krishna-Godavari-Becken an der Ostküste Indiens widmete sich ein Forscher diesem Problem, indem er Computern beibrachte, das zu sehen, was menschliche Experten nur schwer unterscheiden können. Er konzentrierte sich auf eine spezifische Art von Gestein, den sogenannten „Tight Sandstone“ (kompakten Sandstein), der tief unter der Erde liegt und mit Schiefer, Siltstein und reinem Sand vermischt ist. Das Ziel war es, ein System zu entwickeln, das die Standard-Sensordaten eines Bohrlochs analysiert und präzise vorhersagt, durch welche Gesteinsart es gerade verläuft. Um dies zu erreichen, fütterte er den Computer nicht einfach mit den Rohzahlen der Sensoren. Stattdessen nutzte er zuerst die Gesetze der Physik, um diese Rohzahlen in neue, aussagekräftigere Beschreibungen des Verhaltens des Gesteins zu transformieren, wie etwa dessen Steifigkeit oder dessen Widerstand gegen Kompression. Anschließend trainierte er verschiedene Arten von Lernalgorithmen, um die Muster dieser Gesteinsarten zu erkennen, und testete das System an Brunnen, die es noch nie zuvor gesehen hatte, um sicherzustellen, dass es nicht bloß die Antworten auswendig lernte.

Der Forscher arbeitete mit Daten aus fünf Brunnen, von denen drei von Geologen, die genau wussten, welche Gesteinsart in jeder Tiefe vorhanden war, sorgfältig beschriftet worden waren. Die anderen zwei Brunnen wurden verborgen gehalten und dienten als Blindtest, um zu sehen, ob der Computer das Gelernte auf einen neuen Standort anwenden konnte. Der Forscher verglich zwei Ansätze. Der erste Ansatz nutzte nur die Standardmessungen, wie die natürliche Radioaktivität des Gesteins, seinen elektrischen Widerstand und die Geschwindigkeit, mit der Schallwellen hindurchlaufen. Der zweite Ansatz nahm dieselben Messungen und fügte eine Ebene berechneter Eigenschaften hinzu, die aus der Physik abgeleitet wurden, wie etwa die Fähigkeit des Gesteins, Energie zu speichern oder dem Bruch zu widerstehen. Er testete vier verschiedene Modelle des maschinellen Lernens, darunter Methoden, die viele Entscheidungsbäume aufbauen, sowie andere, die durch das Korrigieren ihrer eigenen Fehler lernen, um zu sehen, welche Kombination am besten funktionierte.

Die Ergebnisse zeigten einen klaren Unterschied zwischen den beiden Ansätzen. Wenn die Modelle sich nur auf die Standard-Sensorwerte verließen, konnten sie die Gesteinsarten mit mäßigem Erfolg identifizieren und erreichten eine durchschnittliche Genauigkeit von etwa 66 bis 68 Prozent. Sie wurden oft von Gesteinen getäuscht, die den Sensoren ähnlich sahen, aber tatsächlich unterschiedlich waren. Als die Modelle jedoch mit den zusätzlichen physikbasierten Beschreibungen gefüttert wurden, sprang ihre Leistung signifikant an. Die durchschnittliche Genauigkeit stieg auf zwischen 81 und 84 Prozent. Viel wichtiger war, dass die Fähigkeit, die spezifischen „Tight Sandstone“-Zonen – die kritischsten und am schwierigsten zu findenden Zonen – korrekt zu identifizieren, dramatisch verbesserte. In den besten Fällen identifizierten die Modelle diese Tight-Zonen fast jedes Mal korrekt, mit einer Erfolgsquote von über 97 Prozent. Diese Verbesserung war kein Zufall; statistische Tests bestätigten, dass der Gewinn real und konsistent war und dass die Steigerung der Leistung so groß war, dass es höchst unwahrscheinlich war, dass sie rein zufällig zustande gekommen war.

Um zu verstehen, warum der physikbasierte Ansatz so gut funktionierte, nutzte der Forscher eine Technik, die wie ein Scheinwerfer wirkt und offenlegt, welche spezifischen Hinweise der Computer für seine Entscheidungen verwendet hat. Er fand heraus, dass die Standard-Sensorwerte allein oft mehrdeutig waren, aber die berechneten Eigenschaften ein klareres Bild der inneren Struktur des Gesteins lieferten. Beispielsweise halfen die Steifigkeit des Gesteins und seine Reaktion auf Druck dabei, einen dichten, kompakten Sandstein von einem sauberen, porösen zu unterscheiden, selbst wenn ihre grundlegenden Sensorwerte nahezu identisch waren. Die Studie entwickelte zudem eine Methode, um zu messen, wie sicher sich der Computer bei jeder Vorhersage war. Wenn die verschiedenen Modelle untereinander uneinig waren oder wenn das Vertrauen gering war, markierte das System diese Abschnitte für eine menschliche Überprüfung. Dies schafft ein Sicherheitsnetz und stellt sicher, dass Geologen ihre Aufmerksamkeit auf die unsichersten Teile des Brunnens richten, anstatt einem Computer blind zu vertrauen.

Diese Arbeit zeigt, dass die Kombination aus traditionellen Sensordaten und physikbasierten Berechnungen eine viel zuverlässigere Karte der unterirdischen Welt erstellt. Es legt nahe, dass der Schlüssel zur Erschließung dieser schwierigen Reservoire nicht nur in besseren Sensoren liegt, sondern in besseren Wegen, die von diesen Sensoren gelieferten Daten zu interpretieren. Indem man Maschinen beibringt, die physikalischen Eigenschaften des Gesteins zu verstehen, anstatt nur die Rohzahlen, kann die Industrie präzisere Vorhersagen darüber treffen, wo Öl und Gas gefangen sind. Die Studie kommt zu dem Schluss, dass diese Methode ein leistungsstarkes Werkzeug zur Charakterisierung dieser komplexen Reservoire ist, vorausgesetzt, die Modelle werden rigoros an neuen Brunnen getestet, um sicherzustellen, dass sie wirklich die Geologie lernen und nicht nur die Daten auswendig lernen. Die Ergebnisse bieten einen klaren Weg nach vorn für die Exploration der tiefen, „tighten“ Formationen, die wahrscheinlich den Energiebedarf der kommenden Jahrzehnte decken werden.